「ChatGPTでは出るのに、Geminiでは出ない」

「前は推薦されていたのに、モデルが変わったら回答が変わった」

GEOを考えると、こうした不安が出てきます。

生成AIは一つではありません。

ChatGPT、Gemini、Claude、Perplexityなど、それぞれ回答の作り方や検索との接続方法、参照する情報の扱い方が異なります。

しかも、モデルや機能は継続的に更新されます。

では、新しいAIやモデルが出るたびに、GEOも一から作り直す必要があるのでしょうか。

私たちは、そうならないように設計しています。

特定のAIの癖に合わせるのではなく、

どう質問し、どう観測し、どう比較するかという「手法」そのものに軸足を置く。

これが、私たちがGEOを設計するときの基本的な考え方です。

AIそのものを固定することはできません

生成AIは、かなり速い速度で変化しています。

モデルが変わります。

検索機能が変わります。

回答の作り方が変わります。

引用の出方が変わることもあります。

OpenAI、Google、Anthropicなど主要なAI提供各社も、新モデルの追加、既存モデルの更新、旧モデルの置き換えを継続しています。

この環境で、

「このAIでは、この書き方をすると出やすい」

「このモデルでは、この言葉を入れると引用されやすい」

といった個別の癖だけを追い続けると、その前提自体が変わる可能性があります。

もちろん、AIごとの違いを見ることには意味があります。

しかし、それをGEOの中心に置くと、AI側の変更に振り回されやすくなります。

だから私たちは、

変化するものと、変えないものを分ける

という考え方を取っています。

変化するのは、AIやモデルです。

変えないのは、観測する側の方法です。

依存するのはAIではなく、観測の方法です

では、何を固定するのか。

私たちの場合は、まず質問の設計です。

企業についてAIに尋ねるときも、一つの質問だけで判断しません。

会社名を直接聞く。

業種から聞く。

困りごとから聞く。

条件を付けて聞く。

比較や推薦を求める。

こうして質問の距離を変えながら観測します。

私たちはこれを、複数の層に分けたクエリ設計として扱っています。

重要なのは、

どのAIを使うかより先に、何をどう聞くかを決めておくことです。

質問の設計が毎回変われば、回答が変化したときに、

AIが変わったからなのか。

質問が変わったからなのか。

自社の情報が変わったからなのか。

判断しにくくなります。

だから、観測する側の条件をできるだけ揃えます。

AIを固定するのではなく、

比較できる状態を固定する

という考え方です。

一つのAIだけを見ない理由

もう一つ重視しているのが、複数のAIを横断して見ることです。

ChatGPTで良い結果が出たからといって、それだけで全体を判断しません。

別のAIでは、自社が候補に入らないかもしれません。

説明の内容が違うかもしれません。

参照される情報も違うかもしれません。

逆に、一つのAIだけで悪い結果が出ても、

「自社はAIから評価されていない」

と即断する必要はありません。

そのAIだけで起きている可能性もあります。

複数のAIを横断すると、

特定のAIだけで起きている現象なのか。

複数のAIに共通する傾向なのか。

を見分けやすくなります。

たとえば複数のAIで同じ誤認が繰り返されているなら、自社側の公開情報や第三者情報を確認する理由になります。

ただし、それだけで原因を断定できるわけではありません。

複数のAIが似た情報源を参照している可能性もあります。

複数AIを見る目的は、原因を一発で特定することではなく、

現象の範囲を切り分け、次にどこを調べるべきか判断しやすくすること

です。

「出た・出ない」だけでは判断しません

生成AIの回答を調べると、

「社名が出た」

「自社サイトが引用された」

といった結果に目が行きやすくなります。

しかし、それだけでは十分ではありません。

私たちは、

候補入り

引用

推薦

を別々の観測項目として見ます。

これは、必ず

候補入り → 引用 → 推薦

という順番で進むという意味ではありません。

引用されなくても推薦される場合があります。

引用されても、最終的には別の企業が推薦されることがあります。

候補として名前が出ても、説明内容がずれていることもあります。

だから、

候補に入ったのか。

どこが引用されたのか。

回答本文ではどう説明されたのか。

最終的に推薦されたのか。

を分けて記録します。

一つの「出た・出ない」にまとめてしまうと、

どこでうまくいっていて、

どこで止まっているのか

が見えなくなるからです。

モデルが変わっても、比較できる状態を作る

AIのアップデートそのものを止めることはできません。

むしろ、これからも変わることを前提にした方が自然です。

そこで重要になるのが、

変化するものと、変えないものを分けること

です。

変化するものは、

AI。

モデル。

検索機能。

回答傾向。

引用方法。

です。

一方で、

どんな質問で調べるのか。

何を記録するのか。

何を候補入りと判断するのか。

何を引用と見るのか。

何を推薦と判断するのか。

といった観測方法は、ある程度固定できます。

そうしておけば、

前回と今回で何が変わったのか。

AIごとにどんな差があるのか。

自社の情報を修正したあと、回答がどう変化したのか。

を比較しやすくなります。

GEOでは、一度だけ理想的な回答を出させること以上に、

変化しても比較を続けられる状態を作ること

が重要だと考えています。

業種が変わっても、観測の骨格は応用できます

この手法を重視するもう一つの理由は、業種が変わっても応用しやすいからです。

広告会社でも、製造業でも、士業でも、SaaSでも、AIに聞かれる内容そのものは違います。

しかし、

会社名を知っている状態で聞く。

業種から探す。

困りごとから探す。

条件付きで候補を探す。

複数企業を比較する。

という質問の構造は、別の業種でも応用できます。

もちろん、まったく同じ質問を使い回すわけではありません。

実際の質問内容は、その業界や購買行動、顧客の困りごとに合わせて変えます。

ただし、

質問を層に分ける。

複数AIを横断する。

候補入り・引用・推薦を分けて見る。

同じ基準で記録する。

という観測の骨格は再利用しやすいものです。

私たちが目指しているのは、

「このAIだけに効く攻略法」

ではありません。

特定AI固有の仕様に依存しにくく、AIや業種が変わっても応用しやすい方法を持つこと

です。

小さなテクニックだけを土台にしない

GEOのような新しい領域では、どうしても「効くテクニック」が注目されます。

この書き方がいい。

この形式がいい。

この情報を追加するといい。

そうした個別の方法を検証すること自体は必要です。

ただし、それだけをGEOの土台にはしません。

なぜなら、小さなテクニックほど、AI側の仕様変更の影響を受けやすいからです。

私たちが土台として残したいのは、

何を質問するか。

どのAIで見るか。

どう比較するか。

何を記録するか。

どこに変化が起きたか。

という、もう一段上の方法です。

特定AIへの最適化を否定しているわけではありません。

必要であれば、それぞれのAIの特徴も見ます。

ただし、それは土台ではなく追加情報として扱います。

土台にするのは、

AIが変わっても比較を続けやすい観測手法

です。

AIは変わる。だから、見る側の方法を固定する

生成AIには、これからも新しいモデルが出ます。

既存モデルも更新されます。

回答の傾向も変わります。

そのたびに、

「次はこのAI向けの対策をしなければ」

と追いかけ続ける設計では、GEOそのものが不安定になります。

だから私たちは、特定AIに依存しすぎません。

固定するのは、

質問をどう設計するか。

複数のAIをどう横断するか。

候補入り・引用・推薦をどう分けて見るか。

結果をどう記録し、前回とどう比較するか。

という観測の方法です。

AIが変わらないことを期待するのではありません。

AIは変わるものとして、その変化を追える側の仕組みを持つ。

それが、私たちがGEOで「手法そのもの」にこだわる理由です。