GEO・AI認識監査 用語集

検索エンジン最適化（SEO）がGoogleなどの検索結果ページへの表示を目的とするのに対し、GEOはChatGPT・Gemini・Perplexityといった生成AIが回答を生成する際に「候補として選ばれること」を目的とする。

GEOが必要とされる背景には、生成AIの普及によってユーザーが検索エンジンではなくAIに直接質問するようになったことがある。AIが答える段階ですでに候補が絞られているため、その候補に入っていない企業はユーザーの選択肢から外れてしまう。

GEO対策では、AIが学習・参照しやすいコンテンツ構造の設計、正確な企業情報の整備、外部メディアへの露出強化などが主な施策となる。スウィングクルーでは、これらの施策の前提として「いま自社がAIにどう見られているか」を推測ではなく観測値で測ることを重視している（スウィングクルーメソッド）。

AEOという言葉は、AIが「検索エンジン」ではなく「回答エンジン（Answer Engine）」として機能するようになったことに由来する。ユーザーが問いを入力すると、AIは検索結果の一覧ではなく、まとまった回答を生成して返す。

GEOとAEOは文脈によって使い分けられることがあるが、実務上は「AIに選ばれるための最適化」という意味でほぼ同義として扱われることが多い。日本では「GEO」という表現が先行して普及しつつある。

LLMはインターネット上の膨大なテキストを学習し、文脈を理解して自然な文章を生成する。代表的なLLMには、OpenAIのGPTシリーズ（ChatGPTの基盤）、GoogleのGemini、AnthropicのClaude、MetaのLlamaなどがある。

GEO・AI認識監査の文脈でLLMが重要なのは、これらのモデルがユーザーに情報を提供する際の「情報源」と「選択ロジック」を持っているからだ。どの企業が候補に挙げられるかは、LLMが学習したデータの質・量・信頼性に左右される。

たとえば「東京でGEO対策ができる会社を教えて」というクエリに対して、AIが3〜5社を列挙する。この列挙に含まれることを「候補入り」と呼ぶ。候補入りできていない企業は、AIの回答の中に存在しないのと同じ状態だ。

候補入りの有無はAI認識監査で最初に確認する項目であり、GEO対策の目標の出発点でもある。スウィングクルーの調査では、業種・クエリパターンごとに候補入り率を計測し、競合との差分を可視化する。

たとえば「○○におすすめの会社は？」という質問に対し、AIが競合A社を推薦し、その根拠として自社のページを参照しているケースがこれにあたる。自社が発信した記事や実績が、競合を推薦する材料として使われている状態だ。

ユーザーはAIの「おすすめ」だけを見て、根拠のリンクまで踏むことは少ない。そのため、自社がコストをかけて発信した情報で競合が選ばれていても、検索順位にも広告表示にも現れず、気づきにくい。

ゴーストサイテーションは、引用元（出典）を明示するタイプのAIで特に確認しやすい。AI認識監査では、候補入りや推奨理由に加えて、この参照元の偏りも観測対象とする。海外のマーケティング業界で2025年以降に注目が高まった概念で、日本語での体系的な計測はまだ少ない。

AIでの見え方は、1つの聞き方だけでは一面しか映らない。買い手が実際に使う多様な問いを5つの層（指名・メジャー・ニッチ・課題・競合並走）で設計し、全クエリを横断して「いくつの問いで出現したか」を出現率とする。層ごとの出現率の差が、どこで負けているか・何を優先して直すべきかを示す。

もう一つの要点は「聞き方」の設計だ。自社が出やすい聞き方ではなく、自社を知らない見込み客が実際に打つ言葉で聞く。この買い手目線のクエリ設計が、診断の精度を左右する（クエリ5層）。

海外で確立されつつあるAI測定の考え方を、日本市場向けに設計し直したフレームである。

同じ企業でも、どんな聞き方をされるかによってAIに出るかどうかは大きく変わる。クエリ5層は、買い手が辿る認知の段階を網羅するために、次の5つの層でクエリを設計する。

① 指名：社名・商品名で直接聞く
② メジャー：大きなカテゴリで聞く
③ ニッチ：専門・絞り込み領域で聞く
④ 課題：悩み・困りごとの言葉で聞く
⑤ 競合並走：競合と並べて比較で聞く

層ごとに出現率が異なれば、どこで負けているかが見えてくる。指名では出るのにニッチでは出ない、課題クエリでは競合ばかり——この差が、何を優先して直すべきかを指し示す。

生成AIは、同じ質問でも参照する情報源や回答の組み立て方が異なる。引用元を明示するAIではゴーストサイテーションまで確認しやすい一方、引用元を返さないAIでは候補入りや比較構造を中心に観測する——というように、「何が見えるか」はAIによって変わる。

そこで本診断では、5つのAIから買い手が実際に使う3つ（3ソース）を選び、AIごとに観点を変えて診断する。どのAIでもスウィングクルーメソッドにより高い精度で測れるのは、AIではなく手法に依存した診断だからである。

なお、GeminiとGoogle AI（検索のAI要約）は同じGoogle系でも参照する情報源が異なるため、別のソースとして扱う。

AIが自社をどう扱っているかは、一面だけ見ても実態を捉えきれない。認識はされているが候補には入らない、候補には入るが推薦はされない、推薦はされるが引用元としては見えていない——という段階ごとの差を、この4視点で切り分けて見る。

自社独自の枠組みであり、ChatGPT・Gemini・Claudeなど各AIに一般用語として登録されているものではない。AI認識監査では、この4視点をもとに診断結果を整理する。

出現率（クエリ5層を横断した掲載率）を土台に、AIRSの各視点での状態を反映して算出する。単発の合否ではなく、継続的に見え方の変化を追うための基準点として使う。

現時点では業界共通の指標ではなく、スウィングクルー独自の測定値。他社の指標と数値を横並び比較する用途には向かない。

比較クエリはAI認識監査において重要度が高い。なぜなら、ユーザーが購買や選択の直前に使うことが多く、AIが候補を比較する際の「推奨理由」が明示されるからだ。

AI認識監査では、比較クエリを複数パターン設計し、自社が候補に入っているか・どのような理由で比較されているか・競合と比べてどう評価されているかを調査する。

カテゴリクエリはAIが「このカテゴリに属する企業・サービス」を列挙する形式で、候補入りの有無が最もわかりやすく確認できる。

比較クエリとカテゴリクエリは補完関係にあり、AI認識監査ではこの2種類を複数パターン設計して調査を行う。クエリの言い回しや地域・用途の絞り込みによって結果が変わるため、多様なパターンでの計測が重要になる。

候補に入るだけでなく、AIがどのような理由で推奨するかも重要だ。「実績が豊富だから」「専門性が高いから」という理由と、「なんとなく名前が出てくる」では、ユーザーへの説得力が全く異なる。

AI認識監査では、自社の推奨理由が正確かつ強みを反映したものになっているかを確認し、必要に応じてコンテンツ設計の改善を提案する。

薬機法（医薬品医療機器等法）は医薬品・化粧品・医療機器の効能表現を規制する法律。景品表示法（景表法）は不当な表示・有利誤認を規制する法律。

生成AIは学習データに含まれる表現をそのまま引用することがある。美容クリニックやサプリメントなど規制の多い業種では、AI回答内に「○○が治る」「効果が証明された」といった法的に問題のある表現が含まれるリスクがある。スウィングクルーは広告業18年の経験から、この観点もAI認識監査に組み込んでいる。

調査対象はChatGPT・Gemini・Perplexityなど複数のLLM。クエリは比較クエリ・カテゴリクエリを中心に多様なパターンで設計し、候補入りの有無・推奨理由の内容・競合との相対評価・表現リスクの有無を網羅的に確認する。

調査結果はレポートとして納品。現状の可視化と改善の優先順位を提示する。まず現在地を簡易に確認するクイック診断（¥10,000・税抜）と、候補入り・比較構造・推奨理由まで本格的に分析する本診断（¥500,000・税抜）の2つがある。本診断のあとは、見られ方を情報構造・訴求・テキストへ設計として落とし込むABA設計サービス（¥2,000,000）、診断で確認した認識ギャップから広告・LPの実行用コピーを生成する診断連動AI認識強化 広告・LPテキストパッケージ（¥100,000）、変化を継続観測するAI認識モニタリング（¥50,000/月）をご案内している。