GEO対策のやり方 — チェックリスト22項目と、あえて入れなかった項目

GEO対策とは何か

語源がはっきりしている点が、この用語の特徴です。出発点は、プリンストン大学などの研究チームが2024年のKDDで発表したGEO論文です。1万件のクエリを対象に9種類の書き換えを比較し、統計の追加や出典の明記によって生成エンジン上の可視性が最大40%向上することを示しました。

日本では同じ内容がLLMO対策と呼ばれることが多く、実務上はほぼ同義です。英語の資料を読むならGEO、日本語で情報を集めるならLLMOで探すと目的の情報に早く届きます。呼称の整理はLLMO・GEO・AIO・AEOの違いに、対策全体の考え方はLLMO対策とは何かにまとめました。

AIが答えを作る流れと、4つの層

チェックリストの順序は、AIが回答を組み立てる流れそのものから来ています。先にそこを押さえてください。

AIは質問を受け取ると、検索が必要かを判断します。必要なら検索サブシステムを呼び出し、①複数の検索クエリに書き換え、②検索インデックスを照会し、③ページを取得して抽出します。そして取得した情報を学習済みの知識と統合し、質問の条件に沿って回答を構成します。

この流れの各段で、脱落する条件が決まっています。未インデックスなら②で候補から外れます。Botを遮断していたりJavaScript依存だったりすると③で取得に失敗します。取得できても情報が不足・不整合なら、統合の段で扱われにくくなります。

このチェックリストの使い方

ルールは3つです。

まず上の層から順に見てください。下の層が満たされていない状態で上の層に投資しても効きません。次に、確認方法まで実施して初めてチェックが付きます。「構造化データを整備する」のような粗い項目は入れていません。最後に、各項目には確度のラベルを付けました。【実証済み】は統制実験で効果が確認されたもの、【前提条件】は効果の前提として必要なもの、【調査】は規模のある調査が支持しているものです。

層1 届く（6項目）

どのAIに聞いても名前が出ない場合、原因はたいていこの層にあります。AIが検索サブシステムを呼び出したとき、②インデックス照会と③ページ取得の2段で脱落します。ここで落ちたページは、内容がどれだけ良くても回答の材料に入りません。層2以降の作業がすべて空振りになるため、最初に潰す価値があります。

まず押さえるのがクローラーの区別です。OpenAIは学習用のGPTBotと検索用のOAI-SearchBotを分けて運用しています。「AIの学習には使わせたくない」という判断は理解できますが、robots.txtで一括拒否すると検索経路まで塞がります。学習を止めるつもりで、AI検索の候補から自ら降りることになります。拒否するなら学習用のクローラーを個別に指定してください。

次がJavaScriptの扱いです。主要なAIクローラーはJavaScriptを実行せず、返ってきたHTMLしか読みません。VercelとMERJの共同分析では、5億件を超えるGPTBotのフェッチを調べてJS実行の証拠がゼロだったと報告されています。例外はGoogle系で、GeminiはGooglebotのレンダリング結果を使えます。この非対称が、Googleで上位表示されているページがChatGPTからは空に見えるという状況を生みます。

最後にインデックスは2つあるという点です。Google側（AI Overviews・AIモード・Gemini）とBing側（ChatGPTとCopilotの土台）で別々に確認が要ります。Bingは確認している企業が少ない分、差が付きやすい場所です。

WAFやBot対策がAIクローラーを弾いているケースは実際に多く見られます。サーバー側のログでGPTBotやOAI-SearchBotのアクセスが記録されているかを確認できるなら、それが最も確実です。

層2 理解される（6項目）

ここは取得された中身が構造として揃っているかの層です。中心にあるのは構造化データで、JSON-LDが実装の手段になります。情報が不足していたり矛盾していたりすると、取得はされても統合の段で扱われにくくなります。

先に誤解を潰しておきます。Googleは公式ガイドで「構造化データは生成AI検索に必須ではなく、追加すべき特別なschema.orgマークアップも存在しない」と明記しています。Ahrefsの統制実験でも、JSON-LDを新規に追加してAI引用が有意に増えるという結果は出ていません。構造化データは引用を増やすレバーではなく、正しく読ませる手段です。目的が違うだけで、この層の中心にあることは変わりません。

実際、AIが条件付きの質問に答えるとき、判断材料になるのは商品の属性です。「幅60cm以下」「対応機種」「保証年数」が属性として存在しなければ、その条件のついた質問で候補に残れません。文章の中に書いてあっても、機械が属性として取れなければ同じです。

構造化データの実装はECの構造化データ実装ガイドに、フィード側の整備はMerchant Centerと商品フィードにまとめました。

層3 選ばれる（6項目）

AIは検索して答えを作ります。だから選ばれるかどうかは、突き詰めると検索結果に自社が出てくるかの問題です。ここを曖昧にしたまま「権威性を高める」と書く記事が多いのですが、機構はもっと具体的です。

ただし、狙う場所が変わりました。AIは受け取った質問をそのまま検索しません。複数の検索クエリに書き換えてから、並行して調べます。Googleが自社のAIモードについてクエリファンアウトとして説明している仕組みで、いまはどのAIでも共通する前提です。

ここで効いてくるのは、検索語を決めるのはAIであって、ユーザーが打った言葉と実際に検索される言葉は一致しないという点です。「一人暮らし向けで、静かなコードレス掃除機のおすすめは？」という質問は、「一人暮らし 掃除機 選び方 容量」「コードレス掃除機 静音 運転音 dB」「集合住宅 掃除機 騒音 夜間」といった観点に分かれて検索されます。結論は3つです。1語で上位を取る発想が効かない。分解された観点すべてに答えが要る。会話の文脈しだいで検索語が変わる。

そして、分解された各クエリの検索結果には自社も他社も並びます。AIはそこに出てきた無数のページをコンテキストとして読み、要約して判断します。だから検索結果に出てくることと、出てきたページに中身が入っていることの両方が要ります。

この変化は数字にも出ています。Ahrefsが863,000キーワードと400万件のAI Overview URLを分析した調査（2026年3月）では、引用元ページの検索順位が次の分布になりました。

元のクエリで上位10位に入っていたのは38%です。2025年7月の同じ調査では76%でした。約8カ月で半減しています。Ahrefsはこの変化の原因を、検出手法の改善とクエリファンアウトの進行に帰しています。引用されるのは元のクエリの上位ページではなく、分解されたクエリ群の結果に繰り返し登場するページです。

もう1つ、実務で見落とされる点があります。言及されることと、選ばれることは別です。当社がエアコンの購入相談を調べた調査では、言及72件と最も露出の多かった量販店の1位推薦が0件でした。名前が出るだけでは候補の先頭に立てません。

層4 測る（4項目）

層1から層3のどこで止まっているかは、実測しないと分かりません。そして測れないものは改善できません。着手前の状態を記録していないと、3カ月後に何が効いたのかを説明できなくなります。順序としては最後の層ですが、着手は最初で構いません。

厄介なのは、AI上の見え方を返してくれる公式の計測手段が存在しないことです。検索にはSearch Consoleがありますが、ChatGPTやPerplexityで自社がどう扱われているかを教えてくれる窓口はありません。現時点で確実なのは、想定される質問をプロンプトとして設計し、繰り返し実行して記録する方法だけです。

測り方そのものも検索とは違います。検索順位は1つの数字に固定されますが、AIの推薦は毎回同じ結果になるとは限りません。だから「何位だったか」ではなく「何回中何回、推薦されたか」という割合で見ます。同じプロンプトを同じ条件で複数回まわし、言及の有無と推薦順を記録してください。1回の実測で判断すると、揺れを実力と読み違えます。

見るのは3つです。言及率（想定プロンプトで自社が挙がる割合）、推薦順位（挙がったときの位置）、AI経由流入。加えて層3の実測として、分解した観点ごとの検索順位を追います。

4項目のうち上2つは自分で回す実測、下2つは設定です。設定側は一度入れれば動き続けるので、先に済ませてください。

実際には、どこで止まっているのか

この並び順に根拠があることを、実測で示します。

当社が主要家電量販9ブランドの公式サイトを監査した調査では、暫定判定の分布が次のようになりました。「読まれる前で止まる」が2ブランド、「理解される前で止まる」が6ブランド、「選ばれる前で止まる」が1ブランドです。

つまり大半の企業は、層3の施策を語る前に層2で詰まっています。公式ページ自体は読めるものの、商品属性や価格、在庫、配送、返品・保証を機械可読に揃える構造化データが限定的でした。商品ページでProduct/Offerのmicrodataを確認できたのは9ブランド中1ブランドのみです。

層4はさらに空白でした。AI経由の流入や商品フィード連携の効果測定に関する公開情報は、9ブランドすべてで確認できませんでした。

このチェックリストに入れなかった項目と、その理由

項目数を増やすほど実行されなくなります。効果の裏付けが弱いものは、あえて外しました。

llms.txtについて補足します。Ahrefsが137,000ドメインを調べた調査では、設置されたllms.txtの97%が一度もリクエストされていませんでした。Googleも生成AI機能向けの公式ガイドで、Google検索自体がそうしたファイルを使わないため新たに作る必要はないと明記しています。設置コストは低いので保険として置くのは構いませんが、チェックリストの1項目として並べると、実証済みの施策と同じ重みに見えてしまいます。

よくある質問

まとめ

チェックリストは、項目数ではなく順序と確度で使ってください。層1を飛ばして層3に投資しても、AIには何も届きません。

そして層3の狙い方が変わりました。AIは質問をそのまま検索せず、複数のクエリに書き換えて並行して調べます。1語で上位を取る発想から、分解された観点すべてに答えを置く戦い方へ移っています。AI Overviewsの引用元のうち元クエリで上位10位にいたのは38%で、1年前の76%から半減しました。

実測では、主要9ブランドのうち6ブランドが層2で止まっていました。大手でこの状態だということは、いま整えれば差がつく領域が残っているということでもあります。22項目のどこで引っかかったかが分かれば、次の一手は決まります。当社では小売・EC事業者向けに無料のAI可視性診断を提供しています。