GEO とは何か ― なぜ日本では LLMO・AIO と呼ぶのか

GEO（Generative Engine Optimization）とは、ChatGPT・Gemini・Claude・ Perplexity といった生成 AI が回答を作るときに、あなたのコンテンツを 「引用元」として選んでもらうための最適化です。 SEO が検索結果ページで 順位を上げてクリックを取る営みだったのに対し、GEO は AI が合成した 回答そのものの中に出てくることを目指します。多くの場合、ユーザーは リンクをクリックしません ―― それでも、引用されていれば勝ち。日本では 同じ取り組みを LLMO や AIO と呼ぶことが多いですが、指している ものはほぼ同じです。

まず、率直な問いから始めましょう。あなたの SaaS、ChatGPT で検索しても 出てきますか？ 出てこないなら、それは「順位が低い」のではなく、 「AI の認識する世界に存在していない」状態かもしれません。本稿は、 この新しい地形をゼロから整理するための入門ガイドです。

---

なぜ今、SEO だけでは足りないのか

数字が地殻変動を物語っています。

• 米国の Google 検索の 約 68% が、2026 年時点でノークリック（リンクを 踏まずに完結）で終わっています（SparkToro, 2026）。
• Pew Research（2025）によれば、AI による要約が表示されたページでは ノークリック率が 26%（要約なしは 16%）に上昇し、リンクへの クリックは 約 8%（要約なしは 15%）まで落ち込みました。
• Google の AI Overviews は 月間アクティブ 25 億、AI Mode は 10 億 に到達（Google I/O 2026）。ChatGPT も 約 10 億 MAU です。

つまり、検索行動の出口が「青いリンクをクリックする」から「AI の答えを 読んで終わり」へと移りつつあります。順位（rank）は依然として無意味では ありませんが、順位が高くてもクリックが発生しない世界では、KPI を 「順位」だけに置き続けるのは危険です。

SEO は「検索結果の中で見つけてもらう」ゲーム、GEO は「AI の答えの中に 引用してもらう」ゲーム。出口がクリックから AI 回答へ移った以上、戦う 場所も変えなければなりません。

日本では特に加速している

この変化は欧米だけの話ではありません。むしろ日本市場の数字の方が劇的です。

• 日本の AI 検索利用は 8 か月で 3.5 倍 に拡大（博報堂「AI検索白書」2026）。
• B2B の購買担当者の 46.4% が、AI 検索経由で新しいベンダーを発見した と回答（LANY, 2025）。
• Google の AI Overviews は 2024 年 8 月、AI Mode は 2025 年 8 月 に 日本で提供開始。

B2B SaaS の文脈で特に重い数字は、二つ目の 46.4% です。あなたの製品が 検討候補に入るかどうかの最初の関門が、人間の検索ではなく AI の回答に 移りつつある、ということを意味します。

---

GEO / AEO / LLMO / AIO ―― 用語を整理する

ここで多くの人が混乱します。似たような頭字語が乱立しているからです。 結論から言うと、これらは「呼び方」の違いであって、目指すゴールは ほぼ同じです。地域とコミュニティによって好まれる言葉が違うだけ、と 理解して差し支えありません。

用語	正式名称	主に指すもの	よく使われる地域・文脈
GEO	Generative Engine Optimization	生成 AI の回答に引用される最適化全般。Princeton が命名（arXiv 2311.09735, KDD 2024）した学術由来の語	欧米・学術・グローバル標準語
AEO	Answer Engine Optimization	「回答エンジン」に最適化する、という視点。GEO とほぼ同義で使われる	欧米マーケ業界
LLMO	LLM Optimization	大規模言語モデル（LLM）に向けた最適化、という言い回し	日本で多用
AIO	AI Optimization	「AI 最適化」を広く指す総称的な言い回し	日本で多用

日本のマーケティング現場では LLMO と AIO という言葉が、欧米標準の GEO よりも先に普及しました。提案書やセミナーでは LLMO/AIO、論文や グローバルの文脈では GEO ―― この使い分けを知っておくと話が早いです。

本稿では学術・グローバル標準である GEO を主に使いますが、日本の 読者の皆さんが普段「LLMO」「AIO」と呼んでいるものとイコールだと考えて ください。重要なのは略語ではなく、その背後にある**「AI に引用される」と いう新しいゴール**です。

---

SEO と GEO は何が違うのか ―― 一枚の比較表

両者は対立するものではありません。GEO は SEO の上に重なる新しいレイヤーです。 とはいえ、最適化の前提がかなり異なります。

観点	SEO（従来）	GEO / LLMO / AIO（新しいレイヤー）
ゴール	検索結果での順位を上げる	AI 回答内で引用される
成果指標	順位・クリック・流入セッション	引用率・露出位置・影響度（言及の質）
ユーザー行動	リンクをクリックして自サイトへ	AI の答えを読んで完結（多くはノークリック）
評価する主体	検索アルゴリズム（ランキング）	生成エンジン（どの文を答えに採るか）
コンテンツの効きどころ	キーワード・被リンク・技術 SEO	構造・根拠の明示・第三者からの一貫した言及
安定性	比較的安定した順位	引用は月次で大きく変動（ボラティリティ大）
観測単位	キーワード × ページ	エンジン × 質問 × 競合

注目すべきは最下段の二行です。SEO 時代は「キーワードを詰めれば上がる」 施策がある程度通用しましたが、GEO ではキーワードスタッフィングは効きません。 Princeton の研究は、引用元・引用文・統計という 「根拠の三点セット （evidence triad）」 を備えたコンテンツが AI 上での可視性を 最大 40% 高める 一方、キーワードの詰め込みは効果がないことを示しています（Princeton, arXiv 2311.09735）。

そしてもう一つ、引用は激しく変動するという点が運用上は決定的です。 順位なら週次で眺めていれば足りましたが、引用は月単位で大きく揺れます。 一回の計測（スナップショット）では「たまたま今日引用されただけ」なのか 「安定して引用される実力」なのか区別がつきません。だからこそ 時系列での継続観測が前提になります。

---

なぜ「引用されること」が新しいビジネス成果なのか

ここが本稿で最も伝えたい転換です。SEO の世界では、最終的なビジネス成果は 「クリック → 自サイト流入 → コンバージョン」という連鎖でした。GEO の世界では、 連鎖の入口が一段ずれます。

ユーザーが「日本の B2B 向けで、SSO に対応した勤怠管理 SaaS は？」と AI に 尋ねたとき、AI は複数の情報源を読み込み、合成した答えを返します。 このとき、

1. そもそも回答に登場するか（Coverage / 露出するか）
2. 答えの中で目立つ位置に出るか（Position / 何番目に、どう触れられるか）
3. どう語られるか（Influence / 正確に、好意的に言及されるか）

この三つが、新しい「順位」に相当します。ユーザーがあなたのサイトを クリックしなくても、AI の答えの中で「最初に挙がる推奨候補」になっていれば、 それはブランド認知と検討リストへの侵入というビジネス成果そのものです。 B2B の購買担当者の 46.4% が AI 経由で新規ベンダーを見つけている以上、 ここに出られるかどうかは、もはやマーケティングの周辺施策ではなく中核です。

逆に言えば、「見えないものは管理できない」。GEO の最初の一歩は コンテンツを書くことではなく、「自社が AI の答えにどう出ているか（あるいは 出ていないか）」を安定して観測できる状態を作ることです。

---

VeReach GEO はどう「引用」を測り、改善するのか

ここからは VeReach GEO が具体的に何をするかを紹介します。設計思想は シンプルです ―― まず正確に測り、次に構造で改善する。

1. Focus 一つにつき一つの「アーキタイプ」で監視を設計する

闇雲にすべてを監視するのは高コストかつ焦点がぼやけます。VeReach GEO は 監視を Focus という単位で組み立てます。ルールはシンプルで、一つの Focus が追うアーキタイプ（質問の型）はちょうど一つだけ。こうすることで 質問セットが均質に保たれ、単一の KPI ファミリーがそれを公平に読み取れます。

アーキタイプは 全部で 8 種類あり、それぞれが一つの GEO 上の問いに 答えます。いくつか例を挙げると――

• カテゴリ推奨 ―― ブランド名を出さない「このカテゴリで一番良い X は？」型の質問。
• 直接比較 ―― 「X 対 Y」という固有名を含む質問。
• ブランド直接評価 ―― 自社について直接尋ねられる質問。
• 事実の正確性 ―― 自社の価格・仕様が正しく述べられているか。

残りは キャンペーン／鮮度、権威・引用、差別化の顕著性、インテント網羅性を カバーします。各アーキタイプは ブランドガードレール――自社ブランドや 競合が質問に登場してよいか／必ず登場すべきか／登場してはならないか、を定め、 セットを型から外さないための仕組み――と、専用の KPI ファミリーを持ちます。

ビジネス上の問いに合うアーキタイプを選ぶ。Focus 一つをアーキタイプ一つに 保つことで質問が均質になり、KPI がきれいに読み取れます。これは実質的に 「何を追うか × 答えたいビジネス上の問い」を運用に落とし込むもので、 「順位を眺める」から「ビジネスを眺める」への引き上げです。

2. 4 つの主要エンジンを横断して観測する

VeReach GEO は OpenRouter を通じて ChatGPT / Gemini / Claude / Perplexity を 横断的に追跡します。重要なのは、これらのエンジンは内部アーキテクチャが 異なるため、報われる構造シグナルも異なるという点です。

エンジン	内部アーキテクチャ	概要
Gemini	STS（search-then-synthesize）	先に検索し、その後に合成する
Perplexity	IR（iterative refinement）	反復的に検索を精緻化する
ChatGPT / Claude	ISG（integrated search-generation）	検索と生成を統合的に行う

VeReach の研究 GEO-SFE（構造特徴量エンジニアリング） は、ページを マクロ／メソ／マイクロの構造に分解し、5 つの原則でスコアリングしたうえで、 このエンジン・アーキテクチャの違いを意識して改善提案を行います。 GEO-SFE の論文（arXiv 2603.29979）では、主要 6 エンジンで引用率 +17.3%、 主観品質 +18.5% の改善を確認しました。

3. 日本語の引用ソース辞書で「権威」を正しく重みづけする

グローバルなツールが見落としがちなのが、日本市場特有の情報源の重みです。 VeReach GEO は 日本語の 4 階層引用ソース辞書 を内蔵しています。

階層	代表的なソース	重み
tier1	ITmedia / @IT / CNET Japan / ASCII.jp / 日経	5.0
tier2	BOXIL / ITreview / IT Trend	3.0
tier3	MarkeZine / PR TIMES	1.5
tier4	note / Zenn / Qiita	1.0

AI がどこを引用元にしているかを、単なる URL の数ではなく日本の B2B 文脈での権威度で評価できます。さらに、ブランド名をカタカナ・漢字・ ローマ字・ASCII にわたって正規化するため、表記揺れで言及を取りこぼす ことがありません。

4. 可視性スコアと時系列で「変動」に立ち向かう

これらの観測を、一つの Visibility Score（VS） に統合します。

VS = 0.4 × Coverage + 0.3 × Position + 0.3 × Influence

露出したか（Coverage）、どの位置に出たか（Position）、どう語られたか （Influence）を重みづけして一本化した指標です。そして Focus ごとに 時系列データを保持することで、月次で激しく揺れる引用のボラティリティに 対し、「たまたま」か「実力」かを切り分けられるようにしています。

---

まとめ ―― GEO の本質は「AI に信頼され、引用されること」

SEO の本質が「検索エンジンに順位づけしてもらう」ことだったのに対し、 GEO（日本での LLMO / AIO）の本質は 「AI が答えを生成するときに、 あなたを信頼して引用元に選ぶ」 ことへと移りました。検索の出口が クリックから AI の回答へ移った今、戦う場所も、測る指標も、書くべき コンテンツの作法も変わります。

そして、すべての出発点は「見えること」です。自社が AI の答えにどう 出ているかを、エンジン横断・時系列・日本語ソース重みづけで安定して 観測する ―― そこから初めて、改善のループが回り始めます。

ビジネス上の問いに合うアーキタイプに沿って、AI 回答内での可視性を 測定・診断したい方は、お問い合わせください。 VeReach GEO がどのように「AI の答えの中で見つけてもらう」かを支援するかは、 プロダクトページをご覧ください。

---

本稿で引用した統計・製品仕様は、各社の公開資料および VeReach の社内 ドキュメント（2026 年 6 月時点）に基づきます。AI 検索の各サーフェスは 変化が速いため、重要な意思決定の前には最新の一次情報をご確認ください。