自社が答えに出てほしい質問と、その答えとして引用されたい1ページのURLを入れます。トップページではなく、その質問に直接答えているページです。
質問の広さに合わせて、クエリを互いに異なる4〜12の観点に分解し、それぞれの理想のチャンクを埋め込んでファンアウトベクトルを作ります。
ページ本文をチャンクに分けて埋め込み、各方向に最も近いチャンクを探します。カバー率・マップ・スコアを伸ばせる方向を表示します。
いまのAI検索の多くは、1つの質問をいくつかの検索クエリ（文章）に分解してから検索します。ページにその語句が入っているかが、結果に影響します。
Googleの最新研究は、その文章を書く工程を省く方式を示しています。質問を1回だけベクトルに変換し、小さなモデルがそこから複数のファンアウトベクトルを直接作ります。検索は、各ベクトルに意味の近いコンテンツを取るだけです。途中に、人が読める検索クエリは残りません。
論文では、8件分のファンアウトを作る時間が、文章を書く方式の1.46秒から0.07秒になっています。検証されたのはファッションのコーディネートと音楽のプレイリストで、Google検索やAI Overviewsでこの方式が使われているとは書かれていません。
それでも、取得の基準がキーワードから意味の近さに移ると、ページの準備は変わります。クエリの語句を散りばめるだけでは、ベクトルの近くに届かないことがあります。各観点に、正面から答える文章があるかが重要になります。
この診断は、その状態を先に見るためのものです。入力した検索クエリを、広さに応じて4〜12の観点に分け、ページ内で一番近い文章との類似度を出します。Googleのモデルそのものではなく、同じ考え方に沿った近似です。検索順位そのものは出ません。
左がいま広く使われている方式、右が論文が検証した方式です。右では、検索クエリの文章を書く工程がありません。
このツールは論文の拡散モデルそのものではありません。質問を4〜12の観点に分け、それぞれの理想の文章をベクトルにして、ページの文章との近さを測ります。
出典：Jiang et al., arXiv:2603.06397（Google Research / イリノイ大学, 2026年3月）マップと各方向の文章は、どこを書き足すかを決めるためのものです。
STEP 01
マップの各点は、質問の観点1つ分です。合わせると、類似度と、ページ内で一番近かった文章が出ます。外側の点ほど、意味が近い文章がページにあります。
STEP 02
中心側に残っている点が、まだ答えられていない観点です。表示された文章が別の話題なら、その観点に近い文章はページにありません。
STEP 03
「スコアを伸ばせる方向」に、その観点の理想の文章例が出ます。数字、条件、固有名詞を入れた段落を、その観点のために追加します。
STEP 04
結果の上の「同じ方向でもう一度診断する」を押し、点が外側へ動いたかを見ます。同じ方向で測るので、前後のカバー率をそのまま比べられます。1ページに入れると不自然な観点は、関連ページを作って内部リンクでつなぎます。
従来のクエリファンアウトは、AIが1つの質問を複数の検索クエリ（文章）に展開して検索する仕組みです。Google Researchとイリノイ大学の論文（Jiang et al., arXiv:2603.06397、2026年3月）では、その文章を書く工程を省き、質問のベクトルから複数のファンアウトベクトルを直接生成して、意味の近いコンテンツを取得する方式が示されています。途中に読める検索クエリは残りません。論文の検証はファッションのコーディネートと音楽プレイリストで、Google検索やAI Overviewsで使われているとは書かれていません。
検索クエリと診断したいページのURLを入力すると、クエリを質問の広さに応じて4〜12のファンアウト方向に分解し、そのページがどの観点に答えているか、どの観点が手薄かを可視化します。方向ごとに「理想のチャンク」も表示するため、どんな内容を書き足せばスコアが上がるかがわかります。
いいえ。論文のモデルは小さな拡散モデルで、ウェブ検索での利用は確認されていません。このツールは、質問を互いに異なる4〜12の観点に分け、それぞれの理想の文章を作って埋め込み、ファンアウトベクトルの代わりに使います。実際の検索順位ではなく、ベクトル検索で取得されやすいかの目安としてご活用ください。
ページ本文を約700文字ごとのチャンクに分割して埋め込み、各ファンアウトベクトルについて最も近いチャンクのコサイン類似度を求めます。その類似度を0〜100に換算し、全方向の平均をカバー率としています。類似度0.6以上を「カバー」、0.45以上を「一部カバー」、それ未満を「ギャップ」と判定します。
Gemini・ChatGPTのクエリファンアウト分析ツールは、AIが実際に実行した検索クエリ（テキスト）を抽出します。このツールは、検索クエリという中間工程を経ずに、意味のベクトル同士で直接マッチングされた場合に、ページのどのチャンクが各方向に最も近いか、どの方向が空白になっているかを可視化します。キーワードの一致ではなく、意味の近さで評価する点が大きな違いです。
生成したファンアウトベクトルが、互いにどれだけ別の方向を向いているかを示す指標です（1から平均コサイン類似度を引いた値）。高いほど、クエリを多面的に分解できていることを意味します。直交性が高いクエリほど、1ページですべての方向をカバーするのは難しくなります。
実際のAI検索も、質問の広さに合わせてファンアウトの数を変えるためです。「東京タワーの高さ」のような狭い質問は4〜5方向、比較や選び方の質問は6〜8方向、予算・地域・時期など複数の条件を含む広い質問は最大12方向に分けます。カバー率は全方向の平均なので、方向の数が違う質問どうしのスコアは単純に比べられません。同じ質問で書き直しの前後を比べるときは、結果の上の「同じ方向でもう一度診断する」を使うと、前回と同じ方向で測り直せます。
各軸がファンアウト方向（番号）です。軸の数は質問の広さによって4〜12本の間で変わります。各点は、その方向に一番近いページ内の文章です。点にカーソルを合わせると、類似度とその文章が表示されます。中心から外側に向かうほど意味が近く、緑の帯まで届いていれば「カバー」、黄色の帯は「一部カバー」、内側は「ギャップ」です。内側にへこんでいる方向が、コンテンツを追加してスコアを伸ばせる方向です。
このツールはサーバーから最初に返されるHTMLを読み込み、JavaScriptは実行しません。ボット対策でアクセスが拒否された場合や、本文をJavaScriptで描画しているページ、HTML以外のファイルは読み込めません。多くのAIクローラーもJavaScriptを実行しないため、読み込めない場合はAI検索からも内容が見えていない可能性があります。
このツールは入力した1ページの診断に特化しています。同じクエリで競合ページと比べてどの観点で負けているか、どうすればAI検索に引用されるスコアまで上げられるかを知りたい場合は、診断結果の画面からお問い合わせください。umoren.aiのコンサルタントが競合比較と改善方針をご提案します。
「スコアを伸ばせる方向」に表示された「理想のチャンク」を参考に、その意図に答える段落をページに追加してください。数字・固有名詞・条件などを含む具体的な記述にすると、ベクトルが近づきやすくなります。1つのページで全方向をカバーするのが不自然な場合は、関連ページを作成して内部リンクでつなぐのも有効です。
ログイン中に実行した場合は、あとから見返せるよう結果をアカウントの履歴に保存します。また、サービス改善と不正利用防止のため、入力されたクエリ・URLと結果の概要を記録しています。ページの読み込みは診断時の1回のみで、取得した本文全体は保存しません。
