LLMO対策とは — AIに選ばれるための最適化ガイド【2026年版】

LLMO対策とは、AIに「候補として挙げてもらう」準備のこと

やることを一言でいえば、AIに見つけてもらい、正しく理解してもらい、推薦する理由を渡すことです。目的は検索エンジン対策と似ていますが、相手が変わったことで効く手段が入れ替わりました。

人間はページを開いてデザインやコピーを見ます。しかしLLMはテキストとデータを読み取って要約し、自分の言葉で回答を組み直します。読み手がページを見ない以上、「見た目を磨く」施策はそのまま効きません。

もうひとつ、SEOとの決定的な違いがあります。検索結果は10件並ぶので、5位でもクリックされる余地がある。ところがAIの回答で挙がる候補は、たいてい3つ前後です。候補に入らなければ、存在しないのと同じ扱いになる。この「ゼロか1か」の性質が、LLMO対策を急ぐ理由になっています。

LLMO、GEO、AIO、AEOは何が違うのか

結論から言うと、4つの呼称が指している中身はほとんど同じです。生まれた場所と広まった経路が違うだけで、施策の実務はかなりの部分が重なります。

日本で定着したのがLLMO（Large Language Model Optimization）で、支援会社の表記もこの語に収斂しました。英語圏の主流はGEO（Generative Engine Optimization）で、2024年の学術論文が語源です。AIOはAI OverviewsなどAI回答枠への対応を指しますが、論者によって定義が揺れます。AEO（Answer Engine Optimization）は質問への直接回答として引用されることを指し、いまは補助的な呼称に後退しています。

呼び分けに神経を使う必要はありませんが、情報収集では影響します。日本語で検索するなら「LLMO対策」、英語の資料を読むなら「GEO」で探すと、目的の情報に早くたどり着けます。4語の関係と、呼び分けが実務に効く場面はLLMO・GEO・AIO・AEOの違いで詳しく整理しました。AIOという語から入った方はAIO対策とは何か、AEOから入った方はAEO（AI Engine Optimization）が入口になります。

なぜ今、LLMO対策が必要なのか

需要は伸び、流入は細り、それでも動いている企業は1割に満たない。これが2026年7月時点の状況です。

需要側の変化はすでに数字に出ています。日本の生成AI利用率は2026年2月時点で51%となり、前年同月の27%からほぼ倍増して過半数に達しました。Googleも検索のAIモードを2025年9月から日本語で提供しており、AIが回答をまとめる形式は例外ではなく標準になりつつあります。

同時に、Webサイト側では流入が細っています。ブラウザログを集計した調査では、Google検索からサイトへの流入率は2025年に41.1%まで低下しました。検索した人の6割近くが、どのサイトも訪れずに検索を終えている計算になります。「クリックを取り合う競争」から「回答の中で名前が挙がる競争」へ土俵が移りました。実際、当社サイトでもAI経由の訪問が全体の約5%を占めるまでになっています。

一方で、企業の対応はまだ追いついていません。マーケティング担当者1,036人への調査（2025年12月）では、LLMO対策を「すでに実施している」企業は7.82%、「関心がない」が49.61%を占めました。着手した企業からは検索順位の改善（36.5%）とAI検索経由の問い合わせ増加（34.1%）が報告されており、需要が先行して供給が薄い、先行者に有利な局面が続いています。

SEOとの違いは「順位を上げる」から「答えに入る」への転換

SEOで積み上げた資産はそのまま前提条件として効き続け、その上にLLMO固有の施策を積む形になります。

AIの中では、買い物を任された代理人と同じことが起きている

「AIが検索して答える」と言われても、中で何が起きているかは想像しにくいものです。人間の代理人に置き換えると、途端に見通しがよくなります。「一人暮らしなんだけど、静かなコードレス掃除機を選んでおいて」と頼まれた人を思い浮かべてください。

AIが内側でやっているのは、ほとんどこの通りのことです。そう捉えると、打つべき手も自然に決まります。代理人が判断するときに必要な材料が、検索で見つかる場所に、判断しやすい形で置かれていればいい。LLMO対策と呼ばれているものの中身は、突き詰めればこれだけです。

回答が組み立てられる全体像

内部の中心にあるのがLLM本体です。ここには事前学習で獲得した知識が入っています。手持ちの知識で足りないとき、LLMは検索サブシステムを呼び出します。検索は必ず走るわけではなく、必要と判断したときだけ使う道具のひとつです。

図の下段に並ぶWeb上の公開情報が、その材料の供給元です。ここから学習用クロール（GPTBotなど）と検索用クロール（OAI-SearchBotなど）の2種類が情報を吸い上げています。自社の情報がAIに届く道は、この2本しかありません。

情報が届く経路は2つしかない

経路を分けて考えるべき理由は、効くまでの時間がまるで違うからです。学習経路は数ヶ月から年単位で積み上がり、モデルが更新されたときにだけ反映されます。検索経路なら直した結果が数日から数週間で表に出て、測り直せます。実務の主戦場が後者になるのはこのためです。

ひとつの質問は、複数の検索に分かれる

AIは受け取った質問をそのまま検索窓に入れているわけではありません。質問をサブトピックに分解し、複数のクエリを同時に投げています。

Googleはこれをquery fan-out（クエリファンアウト）と呼び、AIモードでは1回の検索にかかる時間で十数回分の検索を実行していると説明しています。外部の実測分析では、AIモードで1つの質問あたり平均9本前後のサブクエリが観測され、ChatGPTの標準的な検索では2〜3本という報告もあります。

ただし、この本数は固定ではありません。使うモデルと推論（シンキング）の深さで大きく変わります。推論モデルは検索結果を読んでから追加の検索を繰り返すため、1つの質問で数十回の検索に膨らむことも珍しくなく、Deep Researchのような深掘りモードでは数百回規模になります。「何本走るか」を固定値として覚えるのではなく、複数の観点に分解されて並行・反復で検索される、という構造のほうを押さえてください。

先ほどの掃除機なら、「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1文が、静音性と運転音、軽さと重量の比較、集合住宅での夜間使用、価格帯、レビュー評価といった観点に割れて並行検索されます。ここから3つの帰結が出ます。

AIはページを全文読んでいるのか

プラットフォームによって、読み方が違います。ここを一括りにすると、対策の設計を間違えます。

Googleは、検索インデックスから抜き出したパッセージ（段落単位の断片）を使います。生成AI機能向けガイドは、関連ページを取得したうえで、そこから特定の情報を確認して回答を生成すると説明しています。

"

検索ランキングシステムを活用して検索インデックスから関連ページを取得し、その後、取得したページから特定情報を確認して、より信頼性の高い応答を生成する。

出典: Google 生成AI機能向けガイド

ChatGPTはもう少しエージェント的です。Web searchツールの仕様には、検索する、ページを開く、開いたページの中を検索するという3種類の動作が定義されています。人が資料を読むときの動きにかなり近い。

Claudeの挙動はもっとはっきりしています。web searchツールの仕様には、基本の検索ではすべての検索結果がコンテキストウィンドウに読み込まれると書かれています。web fetchツールのほうは本文を全文取得し、抽出済みのプレーンテキストとして扱います。JavaScriptで描画されるサイトには対応しないとも明記されています。

読み方の違いは、そのまま対策の違いになります。Google向けは見出しで問いを立てて直後に短く答えるパッセージ設計が効きます。一方でChatGPTとClaudeにはページ全体が読まれるため、冗長な記述も他ページとの不整合も、そのまま判断材料に入ります。

もうひとつ知っておきたいのが、読まれても引用されるとは限らないことです。OpenAIは参照したURLの一覧と引用を分けて返しており、参照数のほうが引用数より多いのが普通だと説明しています。引用数だけで測ると、成果を過小評価します。

プラットフォームごとに情報源が違う

対策を一箇所に集約できない理由がここにあります。回答を作るAIごとに、参照しているインデックスもクローラーも別物です。

Google系（AIモード、AI Overviews、Gemini）は既存のSEOがそのまま効きます。ChatGPTとPerplexityは独自クローラーを持つため、robots.txtやWAFの設定を個別に確認する必要があります。CopilotはBingインデックスに依存するので、Bing Webmaster ToolsとIndexNowの運用が実務上の近道になります。引用数や回答の正確さを含めた横断比較はAI検索エンジン比較に、ChatGPT固有の経路はChatGPTで自社商品がおすすめされるにはにまとめました。

どこで候補から外れるのか

AIが裏側で行う検索は、質問からクエリを組み立て、インデックスに問い合わせ、ページを取得し、集めた情報を読み比べて回答をつくります。この各段で、候補から静かに外れる条件があります。

取得に失敗したとき、AIは処理を止めません。別のサイトを読みにいくだけです。自社の情報が届かなければ、競合や第三者メディアの記述で回答が組み立てられます。商品ページでこの条件がどう効くかは、ECサイトのLLMO対策で実測とあわせて解説しています。

自社サイトを磨くだけでは、材料が足りない

従来のSEOは、自社ページの順位を上げる競争でした。AIが相手だと、読まれるのは自社ページだけではありません。比較サイト、レビュー、個人のブログやSNS、動画、ニュース記事まで並べて突き合わせ、複数の情報源で共通して言われていることを根拠にします。

代理人の比喩に戻すと腑に落ちるはずです。依頼を受けた人は、メーカーの公式サイトだけを見て結論を出したりしません。「メーカーはこう言っているが、レビューではこう言われている」と突き合わせるのが、その人の仕事だからです。

ここがSEOとの実務上いちばん大きな違いになります。比較記事への掲載、レビューの蓄積、メディアでの言及を増やす作業が、対策の付け足しではなく主要な構成要素になります。どこまでを自社でやり、どこから外に頼むかの判断軸はLLMO対策会社の選び方にまとめました。

実測すると、推薦はすでに固まっている

当社では、生成AI5サービスに同じ購買相談を繰り返し投げる調査を継続しています。冷蔵庫の購入相談を対象にした調査では、家電量販店に絞った比較でChatGPTとGeminiがケーズデンキを15回中15回、1位に挙げました。Claudeはヤマダデンキを15回中11回で1位に置いており、AIごとに答えは割れる一方、同じAIの中では答えがほぼ動きません。

推薦は上位に集中もします。沖縄のホテル推薦を対象にした調査では、625の推薦枠に84施設が登場したものの、上位5施設だけで全体の44.2%を占めました。

もうひとつ示唆的だったのが、エアコンの購入相談調査の結果です。ある大手量販店は言及回数72件で上位に入りながら、1位推薦は0件でした。名前は挙がるが、選ばれてはいない。AI可視性を「言及されたかどうか」だけで測ると、この差を見落とします。

購買行動の側も動いています。直近6カ月以内に家電を買った400人への利用実態調査では、購入前の情報収集や比較でAIを使った人が29.5%、「使おうと思った」「使えばよかった」を含めると54.0%に達しました。

まず現在地を確かめる — 今日できる5つのセルフチェック

対策の前に、自社がいまAIにどう扱われているかを自分で確かめられます。道具は要りません。

どれかで引っかかったら、それが次章の出発点です。5つのチェックはそれぞれ、この後説明する層のどこが詰まっているかに対応しています。

LLMO対策のやり方 — 4つの層を下から順に

施策は数十項目に及びますが、依存関係で並べると4つの層に整理できます。下の層が満たされていないと、上の層に投資しても効きません。順番を守ることが、費用対効果を左右します。

同じ内容を別の形で使いたい場合は、点検項目として並列に確認するならGEO対策チェックリスト22項目、工程として順に進めるならAI検索対策の10ステップを用意しています。

層1: 届く — クロールとインデックスを開通させる

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です。robots.txt、WAF、CDNのBot対策を棚卸しし、AIクローラーが商品ページや会社情報にたどり着けるようにします。あわせてGoogleとBing両方のインデックス状況を確認し、未登録ならSearch ConsoleとBing Webmaster Toolsへ登録します。Bing側はIndexNowで更新を即時通知できます。

このとき、クローラーの役割を分けて扱うのが要点です。

• 学習用: GPTBot（OpenAI）、Google-Extended（Google）、ClaudeBot（Anthropic）など。拒否しても検索経路の表示には影響しません
• 検索用: OAI-SearchBot（ChatGPT検索）、PerplexityBot、Bingbot（Copilotの土台）など。拒否するとAI検索の候補から消えます
• ユーザー操作時: ChatGPT-Userなど。利用者の質問に答えるためにその場で訪問するアクセスです

GoogleのAI機能（AI Overviews・AIモード・Gemini）は通常の検索クロール、つまりGooglebotを土台にしています。学習だけ拒否したい場合は、一括ブロックではなく学習用のクローラーを個別に指定します。仕上げに、JavaScriptがないと価格や在庫が表示されないページを洗い出し、サーバー側で描画されるよう直します。

層2: 理解される — 情報の整合をとる

名前は出るのに内容が間違っている、古い情報で説明される。そんな症状はこの層の問題です。商品名、型番、価格、在庫、仕様が、自社サイト・モール・カタログの間で食い違っていないかを揃えます。AIは複数の情報源を突き合わせるため、矛盾があると確信の持てない候補として外されます。

ページの作りでは、1ページ1トピックを守り、よくある質問には質問文の見出しと直後の短い答えを用意します。ファンアウトで分解されたサブクエリに、パッセージ単位で答えられる形です。構造化データの整備もこの層に含まれます。後述のとおりAI引用を直接増やす主戦力ではありませんが、検索のリッチリザルトには有効で、情報を機械可読に揃える作業として意味があります。サイト全体をどう設計し直すかはAI時代のECサイトSEO設計で扱いました。

層3: 選ばれる — 分解された各クエリの検索結果に出てくる

届いて理解されても推薦順が動かない場合、問題は検索結果に出てくるかどうかです。

前章で見たとおり、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。検索語を決めるのはAIで、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ません。分解された各クエリの検索結果には自社も他社も並び、AIはそこに出てきたページ群をコンテキストとして読み、要約して判断します。

だからこの層でやることは2つです。分解された観点それぞれで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。1語で上位を取る発想は、もう効きません。

数字も裏付けています。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、引用元のうち元のクエリで上位10位に入っていたのは38%でした。2025年7月の同じ調査では76%です。残りの62%は、分解された別のクエリの検索結果から拾われています。

中身の側は書き方です。統計・数値と出典を本文に織り込み、「2026年7月時点」のような時点の明示を添える。この形が生成エンジン上の可視性を最大40%引き上げることは、次章で触れる統制実験で確認されています。加えて、自社にしか出せない一次データ（調査、実測、統計）は引用される側に回るための最強の資産です。

そして、自社が上位に出ない観点では、そこで上位にいる第三者面に載ることが唯一の経路になります。比較記事への掲載、レビューの蓄積、プレスリリースやメディアでの言及が効くのは、この機構によります。ブランドがAIにどう認識されているかはShare of Modelという枠組みで議論されており、誤った情報が定着したときのリスクへの備えも、この層の設計に含まれます。

層4: 測る — 現在地と変化を数字で追う

推薦は毎回同じ結果になるとは限りません。検索順位のように1つの数字で固定されないので、複数回の実行から推薦される割合として見ることになります。プロンプトを設計して繰り返し実行し、言及の有無、推薦順、引用元URL、内容の正確性を記録する。測れないものは改善できないので、この層は最後ではなく最初に着手する価値があります。測り方は後述します。

自社がどの層で止まっているかは、実測しないと分かりません。当社のStella LLMOでは、この4層のどこがボトルネックになっているかを診断するところから支援しています。

推薦の先 — 購買導線をつなぐ

4つの層とは別に、小売・ECには続きがあります。推薦されることと買えることは別の問題だからです。

商品フィードをAIプラットフォームへ届ける経路として、Google Merchant Center、OpenAIの商品フィード（申請制）、PerplexityのMerchant Programなどが立ち上がっています。整備の手順とGoogle側・ChatGPT側の違いはMerchant Centerと商品フィードにまとめました。その先には、AIエージェントが購入まで代行するエージェンティックコマースへの対応が控えます。業種と規模によって必要性が分かれるため、全社が今すぐ着手すべき領域ではありませんが、小売・ECであれば視野に入れておく価値があります。

効果が実証されている施策と、されていない施策

LLMO対策の記事は「やるべき施策30選」の形を取ることが多いのですが、並んでいる施策の効果はまったく同じ確度で検証されていません。統制実験で効果が確認されたものと、理屈は通るが実証されていないものが同じ重みで並んでいると、限られた予算を配分できません。2026年7月時点で公開されている検証結果を整理します。

効果が明確なのは、コンテンツに統計・数値・出典を織り込むことです。プリンストン大学などの研究チームがKDD 2024で発表したGEO論文は、1万件のクエリで9種類の書き換えを比較し、統計の追加、引用の追加、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。

一方、扱いに注意が必要なのが構造化データです。Ahrefsが2026年6月に公開した統制実験では、JSON-LDを新たに追加した1,885ページと対照群4,000ページを比較しましたが、AI引用の有意な増加は観測されませんでした。ただしこの調査の対象はもともとAIに多く引用されていたページである点に注意が必要です。読み取るべき結論は「スキーマは無意味」ではなく、すでに引用されているページにスキーマを足しても順位は上がらないということ。検索側のリッチリザルトには従来どおり有効です。

llms.txtはさらに分が悪い結果が出ています。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。加えてGoogleは生成AI機能向けの公式ガイドで、llms.txtは何の利点ももたらさないと明記しています。

LLMO対策の効果測定 — 3つの段に分けて測る

最上段が「AI上の見え方」で、言及率、推薦順、引用元としての採用、情報の正確性を見ます。ここにはGoogleにおけるSearch Consoleのような公式ツールが存在しません。現時点で確実なのはプロンプトを設計して繰り返し実行し、記録する方法です。想定顧客が実際に投げそうな質問を20本前後定義し、各AIで複数回実行して、自社と競合の言及有無、推薦順、引用元URL、情報の正確性を記録します。質問は「〔商品カテゴリ〕のおすすめは？」といった推薦系、「〔A社〕と〔B社〕はどちらがいい？」の比較系、「〔自社名〕の評判は？」の指名系の3系統を混ぜると、見え方の全体が掴めます。

Profound、Otterly.AI、Semrush AI Toolkitのような計測ツールも登場していますが、対応するAIや集計方法はまちまちで、まだ発展途上です。まず手元の実測で基準を作り、規模が必要になった段階でツールを検討する順番が現実的です。

その下に流入（AI経由セッション、参照元別の内訳）、さらに下に成果（問い合わせ、購入、AI経由のコンバージョン率）が続きます。

引用元URLの記録には副次的な使い道もあります。AIが実際に参照している媒体のリストが手に入るので、どのメディアに掲載されれば推薦に影響するかが分かります。3つ目の層の打ち手を、推測ではなく実測で決められるようになります。

LLMO対策のよくある質問

まとめ

要点は3つに絞れます。第一に、下の層から順に潰すこと。取得されない状態でコンテンツを増やしても効きません。第二に、施策を実証の確度で選ぶこと。統計と出典を含む記述には統制実験の裏付けがある一方、スキーマとllms.txtにAI引用の上乗せ効果は確認されていません。第三に、言及ではなく推薦順で測ること。名前が挙がっていても1位に選ばれていなければ、購買には結びつきません。

最初の一歩は、現状を数字にすることです。どのAIで、どの質問に、自社と競合がどう扱われているか。ここが分からないまま施策を並べても、優先順位はつけられません。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。自社がAIにどう見えているかを確かめるところから始めてください。