この記事は四半期ごとに最新の運用データで更新する。最終更新: 2026年3月
なぜ自社メディアのLLMO運用記録を公開するのか
「靴屋の子供は靴を履かない」ということわざがある。LLMOサービスを提供する企業が、自社メディアのAI検索最適化を後回しにしているとすれば、それはまさにこの状態である。
AI SEEDSはLLMO（Large Language Model Optimization）を事業の柱としている。クライアントに対して「AI検索で引用される情報設計が必要である」と説きながら、自社のメディアがAI検索で引用されていなければ、説得力はない。そこで2025年9月、自社メディアのLLMO運用を本格的に開始した。
本記事は、その6ヶ月間の施策・試行錯誤・観察をすべて記録したものである。成功した施策も、期待ほど効果が見えなかった施策も、そのまま記述する。実際にやってみた結果を共有することが、最も誠実な専門性の証明であると考えるからである。
LLMOの基本概念や仕組みについてはLLMOとは何か — AI検索で企業が「引用される側」になるための基礎知識で体系的に解説しているので、LLMO自体に馴染みのない読者はそちらを先に参照されたい。
運用開始前の状態 — Month 0の診断結果
2025年9月時点のAI SEEDSオウンドメディアの状態を、正直に記録する。
まず、AI検索での引用状況である。ChatGPT、Perplexity、Gemini、Claudeの4つのAIエンジンで「LLMO」「AI検索最適化」「LLMO 企業」といったクエリを実行したところ、AI SEEDSのコンテンツが引用された事例はほぼゼロであった。サービス提供者として、率直に言えば恥ずかしい状態である。
コンテンツ面では、ブログに18記事が存在していたが、LLMO関連はわずか2本（全体の11%）であった。事業と直接関連しないAI画像生成ガイド、ECサイトリニューアル事例、Webデザイントレンドの3記事が混在し、メディア全体のトピック集中度を下げていた。practice-lab（実践と事例）ピラーの記事は0本で、理論の解説はあっても「実際にやってみた」という一次情報が存在しなかった。
技術基盤にも課題があった。ブログ一覧ページがクライアントサイドレンダリングで構築されており、AIクローラーが記事本文を取得しにくい構造であった。RSS feed未実装、llms.txt未実装、FAQPage構造化データなしという状態で、AIエンジンに対する情報の提供経路がほぼ閉ざされていた。
端的に言えば、LLMOサービスの提供者としては看過できない状態であった。クライアントに施策を提案する立場でありながら、自社メディアがその施策を実践していない。この矛盾を解消することが、運用プロジェクトの出発点であった。
これが運用開始時のベースラインである。ここからの6ヶ月間で何をどう変えたかを、次章で時系列に沿って記述する。
6ヶ月間で実施した施策の全記録
以下は、2025年9月から2026年3月までに実施した施策の全記録である。大きく3つのフェーズに分けて記述する。
技術基盤の整備（Month 1-2）
最初の2ヶ月間は、コンテンツの中身に手をつける前に、AIクローラーがコンテンツにアクセスできる環境を整備した。
RSS feed（/feed.xml）を実装し、コンテンツ更新をAIクローラーに通知できる経路を確保した。続いて、llms.txtを実装してサイト構造をAIクローラーに明示した。llms.txtはAI向けのrobots.txtとも呼ばれるもので、サイトのコンテンツ構造を自然言語で記述するファイルである。
サイトマップにはカテゴリページ・タグページを動的に追加し、クロール対象を拡張した。BreadcrumbList構造化データの記述ミスを修正し、FAQPageおよびHowToのJSON-LDを記事内容から自動抽出する機構を実装した。
最も工数がかかったのは、ブログのSSR化である。記事本文をサーバーサイドでレンダリングする構成に移行し、AIクローラーがJavaScript実行なしで記事内容を取得できるようにした。併せてセキュリティヘッダーの整備も行った。
この段階では、まだコンテンツ自体の改善は行っていない。しかし、技術基盤がなければどれだけ良いコンテンツを書いても引用されないというのが、後の計測で裏付けられた判断であった。
コンテンツの淘汰と集中（Month 2-3）
技術基盤を整えた上で、コンテンツの再構成に着手した。
まず、事業と無関係な3記事（AI画像生成ガイド、ECサイトリニューアル事例、Webデザイントレンド）にnoindexを設定した。記事を削除するのではなく、検索エンジンのインデックスから除外することで、既存の被リンクを維持しつつメディア全体のトピック集中度を高める方針とした。
重複する内容を持つ記事は統合し、301リダイレクトで旧URLからのアクセスを新記事に誘導した。LLMO関連記事の比率を11%から段階的に引き上げ、50%超を目標に新規記事の制作を開始した。
新規記事の設計には、5層フレームワーク（定義 → 背景 → 比較 → 実践 → FAQ）を適用した。各記事の冒頭には対象トピックの明確な定義文を配置し、本文中には出典付きの統計データ、競合比較表、構造化されたFAQセクションを組み込むことをルールとして標準化した。
この「出典のない主張は掲載しない」という原則は、記事の信頼性を担保するだけでなく、結果的にAI検索での引用獲得にも寄与したと考えている。AIエンジンは回答の根拠となる情報源を求めるため、出典が明示されたコンテンツを優先的に参照する傾向があるからである。
計測と改善サイクルの確立（Month 3-6）
Month 3からは、施策の効果を定量的に把握するための計測サイクルを回し始めた。
月次で4つのAIエンジン（ChatGPT、Perplexity、Gemini、Claude）に対して、LLMO関連の主要クエリを投入し、引用状況を記録した。計測対象のクエリは「LLMOとは」「AI検索最適化 方法」「LLMO 企業」「AI検索 引用 増やし方」など、事業に直結するキーワード群である。
計測を継続する中で、引用された記事にはいくつかの共通パターンが見えてきた。冒頭に明確な定義文を配置している記事、具体的な数値データや出典を含む記事、FAQセクションを持つ記事は、引用されやすい傾向が確認された。
逆に、引用が確認されなかった記事については、定義文の冒頭配置、統計データの追加、構造化データの強化といったリライトを施した。このリライトサイクルを四半期ごとに全記事に対して実施する体制を確立した。
6ヶ月の運用を経て、運用開始時にはゼロであったAI検索での引用が複数のエンジンで確認されるようになった。特にPerplexityとChatGPTにおいて改善傾向が顕著であった。Geminiについてはクロール頻度や引用ロジックに独自の特性があり、改善が確認されるまでに他のエンジンよりも時間を要した。
ただし、この領域はまだ計測手法自体が確立途上であり、数値の絶対値よりも傾向の変化を重視している。引用の有無はクエリの表現や実行タイミングによっても変動するため、同一クエリを複数回・複数日にわたって計測し、再現性を確認することが重要である。
同じ手法を自社にも適用したい方へ
無料・3分・登録不要
業界データから見るLLMO施策の効果
自社の運用経験だけでは客観性に欠ける。ここでは、学術研究と業界調査から得られたデータを整理し、LLMO施策の効果を裏付ける。
コンテンツ構造の効果（学術研究と業界調査）
Princeton大学の研究チームがKDD 2024で発表した査読付き論文によれば、GEO（Generative Engine Optimization）最適化を施したコンテンツは、AI検索での可視性が平均40%向上したとされる（Princeton/KDD 2024）。同論文では、統計データを追加したコンテンツでAI可視性が22%向上し、引用数が37%増加したことも報告されている。
構造化データの効果についても、Schema markupを実装したページはAI回答に36%出現しやすいという調査結果がある。また、The Digital Bloom（2025）の分析では、見出し間120-180語の構造を持つコンテンツがChatGPTでの引用を70%増加させたと報告されている。
これらの知見は、AI SEEDSの自社運用で実感した「定義文の冒頭配置」「出典付きデータの追加」「FAQ構造の組み込み」の効果と方向性が一致する。
AI経由トラフィックの質
AI検索経由のトラフィックは、量だけでなく質の面で注目すべきデータが揃いつつある。
Microsoft Clarityが1,200サイトを対象に実施した調査では、AI経由トラフィックの転換率は他チャネルの3倍であった。Webflowの事例では、ChatGPT経由のサインアップ転換率が24%に達し、Google検索経由の6倍という数値が報告されている。Go Fish Digitalの事例では、AI経由リードの転換率が従来検索の25倍という結果も出ている。
日本市場においても、CyberAgent GEO Labの調査（2025年10月）によれば、AI検索の利用率は31.1%に到達している。AI検索は「知りたいことを聞いて、回答を得る」という行動パターンであるため、回答内で引用されたコンテンツへの訪問者は購買意向が高い傾向にある。これが転換率の高さにつながっていると考えられる。
各AIエンジンの引用傾向の違いについては、AI検索エンジン引用比較 — ChatGPT・Perplexity・Gemini・Claudeの参照パターン分析で詳しく分析しているので、併せて参照されたい。
鮮度と速度の影響
コンテンツの鮮度とページの表示速度も、AI引用に影響する要因として報告されている。
Noboriの調査では、3ヶ月以内に更新された記事は平均6件のAI引用を獲得しているのに対し、更新が古い記事は平均3.6件にとどまった。四半期ごとの全記事更新をAI SEEDSの運用ルールとしたのは、この知見に基づいている。
表示速度の影響も無視できない。同じくNoboriの調査で、FCP（First Contentful Paint）が0.4秒未満のページは平均6.7件のAI引用を獲得しているのに対し、遅いページは2.1件であった。SSR化やパフォーマンス改善を技術基盤整備の初期フェーズで実施した判断は、このデータとも整合する。
自社サイトのAI検索露出がどの程度か、まずは現状を把握することが改善の第一歩である。無料でAI検索診断を試す
よくある質問
Q. LLMO運用の効果が出るまでどのくらいかかりましたか？
技術基盤の整備に約2ヶ月、コンテンツの淘汰と新規制作に1ヶ月、計測で変化が見え始めたのがMonth 3以降である。合計で3ヶ月程度が最初の変化を確認できるまでの目安であった。ただし、AI検索のアルゴリズムは各エンジンで異なり、安定的な引用を得るには6ヶ月以上の継続運用が必要であると実感している。業界データとしても、3ヶ月以内に更新された記事は古い記事の約1.7倍の引用数を獲得しており（Nobori調査）、継続的な更新が不可欠である。
Q. 最も効果があった施策は何ですか？
単一施策での効果を切り分けることは難しいが、優先度の観点では3つの施策が重要であったと考えている。第一に、ブログのSSR化（AIクローラーがコンテンツを取得できる状態にすること）。第二に、トピック集中度の向上（事業無関係記事のnoindex化とLLMO記事比率の引き上げ）。第三に、全記事への出典明記と構造化データの実装である。技術基盤が整っていなければ良いコンテンツも引用されず、コンテンツの質が低ければ技術基盤だけでは引用されない。両面を並行して進めることが重要である。
Q. 自社でも同じ手順で実施できますか？
技術基盤の整備にはWebサイトの開発環境への理解が必要であるが、コンテンツの淘汰と集中、計測サイクルの確立は、社内のマーケティング担当者でも着手できる。まずは現状のAI検索での引用状況を把握し、改善すべきポイントを特定することを推奨する。なお、日本のLLMO市場には2026年初頭時点で13-18社が参入しており、月額5-30万円が標準的な価格帯となっている（2026年初頭時点）。自社対応が難しい場合は、専門サービスの活用も選択肢である。
まとめ — LLMOは「やってみなければわからない」領域
6ヶ月間の運用を通じて得た最大の教訓は、LLMOは理論だけでは完結しないということである。どの施策がどのエンジンにどう効くかは、実際に計測してみなければわからない。AIエンジンごとに引用の傾向は異なり、アルゴリズムも頻繁に変化する。
しかし、だからこそ早期に実践を始め、データを蓄積した企業が優位に立てる領域でもある。日本でのAI検索利用率が31.1%（CyberAgent GEO Lab, 2025年10月）に達した今、この流れは加速することはあっても後退することはないだろう。
本記事で紹介した施策と業界データが、LLMO運用を検討する実務者にとっての判断材料になれば幸いである。AI SEEDSとしても、この運用記録を継続的に蓄積し、再現性のある知見へと昇華させていく所存である。本記事は四半期ごとに最新の運用データで更新していく予定である。
自社サイトのAI検索での現状を把握することが、改善の第一歩である。無料でAI検索診断を試す