2026年6月3日 · 16 分で読了

引用・統計・データという「根拠の三点セット」 ― AI 検索でキーワードより効く理由

過去最大規模の GEO 統制実験は、10,000 件のクエリで 9 つの最適化手法を比較しました。勝者は「根拠の三点セット」、敗者はキーワードの詰め込み。何が変わり、なぜ通用し、どうページを書き換えるかを解説します。

GEO 研究コンテンツ戦略 AIEO

Junwei Yu CEO

AI 検索エンジンに自社コンテンツを引用させたいなら、固有名のついた統計を加え、権威ある情報源からの引用（クオート）を埋め込み、第三者の出典を明記する ―― この優先順位で取り組んでください。GEO（生成エンジン最適化）に関する過去最大規模の統制実験である プリンストン大学の GEO 論文（Aggarwal et al., arXiv 2311.09735, KDD 2024）は、10,000 件のクエリからなるベンチマークで 9 つの手法を比較し、この「根拠の三点セット」が情報源の可視性を 最大で約 40% 押し上げることを示しました。一方で 過去 20 年の SEO を支配してきた「キーワードの詰め込み」は、ほとんど効果がなく、しばしばベースラインを下回りました。 この対比こそ、2026 年のコンテンツチームが AI 検索について最初に腹落ちさせるべき事実です。

本稿では、この実験の中身を分解し、なぜ根拠が勝ちキーワードが負けるのかを説明し、その知見を今日の午後にも適用できる具体的なリライト・チェックリストに落とし込みます。最後に、多くのチームが飛ばしがちな論点 ―― リライトが本当に引用を動かしたかをどう計測するか ―― にも触れます。

プリンストンの研究は何を測ったのか

ネット上に流通する「GEO の助言」の多くは、逸話を原理のように語ったものです。プリンストンの研究が異なるのは、これが統制された実験であり、しかも生成 AI 時代に合わせて設計された指標を用いている点にあります。

従来の SEO が測るのは順位です ―― 1 位だったか、3 位だったか、9 位だったか。しかし AI 回答のなかに「順位」はほとんど存在しません。回答は合成された一段落であり、あなたのコンテンツを文の途中に織り込んだり、2 度言及したり、リンクを見せずに言い換えたりします。そこで著者らは新たに 2 つの指標を定義しました。

Position-Adjusted Word Count（位置補正語数, PAWC） ―― 生成された回答のうち、あなたの情報源に帰属する分量を、どこに 現れたか（前方・目立つ言及ほど高く）で重み付けしたもの。
Subjective Impression（主観的印象） ―― 回答内であなたの情報源がどれだけ影響力・権威を感じさせるかを、LLM が判定したもの。

その上で、実在のウェブページに 9 つの異なる書き換え戦略をそれぞれ適用し、ベンチマーク全体で回答を再生成して、改善幅を計測しました。重要なのは、クエリがディベート・科学・ハウツー・歴史・商用と複数ドメインにまたがっている点で、結果は特定ニッチだけの偶然ではありません。

見出しは「GEO は効く」ではありません。本質は GEO の手法は交換可能ではない ということです。最良の手法と最悪の手法の差は、+30〜40% の可視性向上と マイナスの 変動との差に相当します。誤ったプレイブックを選ぶことは、単に効果がないだけでなく、自社を積極的に埋もれさせかねないのです。

9 つの手法を効果順に並べる

ここが論文の実務的な核心です ―― 検証された手法と、それぞれが位置補正語数（PAWC）をどの程度動かしたかの概観を示します。3 つの勝者には共通点が 1 つあります。すなわち、モデルが引用し帰属できる 検証可能な根拠 を加えている点です。

手法	内容	可視性（PAWC）への効果
出典の明記（Cite Sources）	信頼できる第三者の参照に引用を付ける	+30〜40%
引用の追加（Quotation Addition）	専門家・権威ある情報源の直接引用を埋め込む	約 +41%
統計の追加（Statistics Addition）	関連する固有名つきの定量データを挿入する	約 +37%
流暢さの最適化	読みやすさ・流れを改善する	わずかにプラス
平易化	言葉を簡単にする	わずか／まちまち
権威的な語調	自信ある口調に書き換える	わずか／まちまち
専門用語	領域固有の用語を加える	まちまち
独自語彙	特徴的な語彙を挿入する	ごくわずか
キーワードの詰め込み	対象検索語を繰り返す	ほぼ無効 ―― しばしばベースライン以下

この表の上に、3 つの観察が乗ります。

第一に、根拠の三点セット ―― 出典の明記・引用の追加・統計の追加 ―― は別格 です。これらは文体上の微調整ではなく、ページの 認識論的な実質 を変えます。回答を組み立てる生成モデルは、要するに「自信をもって背負える文」を探しています。固有名つきの統計や帰属つきの引用を伴う文は、裏付けのない主張よりも 繰り返すのが安全 です。根拠がその文と一緒に運ばれるからです。

第二に、流暢さや語調は周辺的にしか効きません。 読みやすいページに仕上げるのは前提条件であって、差別化にはなりません ―― 他社のページも同じく読みやすいからです。

第三に、キーワードの詰め込みは SEO から GEO へ転用できません。 これこそ予算配分を組み替えるべき発見です。過去 20 年で最も実践されてきた SEO 手法 ―― クエリ語を密に繰り返すこと ―― は、AI 回答においてはよくて無効、悪ければ逆効果です。生成エンジンは語の出現頻度を数えているのではなく、その一節が 引用可能で、擁護できるか を評価しているのです。

なぜ根拠が勝ち、キーワードが負けるのか

その仕組みを理解する価値はあります。論文が検証していないケースで何をすべきかがわかるからです。

従来の検索インデックスは、文書を主に語彙的・リンク的シグナルで順位付けします ―― ページにクエリ語が含まれるか、権威あるページからリンクされているか。この体制下ではキーワードを繰り返すのは合理的でした。生成エンジンは異なる動きをします ―― 候補となる一節を読み、どれを流暢で帰属可能な回答に組み込むかを判断する のです。選別の圧力はもはや「クエリ文字列に一致するか」ではなく「これを引用しても持ちこたえるか」です。

この圧力の下では ――

固有名つきの統計は、借りてきた信頼性の一単位 です。「採用が前年比 37% 増加（出典 X）」はモデルが出典付きで回答に落とし込めますが、「採用が大きく増加」はそうではありません。
引用は、あらかじめ帰属された権威 です。著名な専門家の直接引用は、モデルが あなたを通じて その 専門家 を引用することを可能にします ―― あなたのページが導管となり、その功績が認められます。
第三者への出典明記は、ページが検証可能なウェブの一部であることを示します ―― 閉じた断定ではなく。裏付けのないことを繰り返すモデル側のリスクを下げるのです。
繰り返されたキーワードは、根拠を一切運びません。 モデルが帰属できるものを何も加えないため、選別の仕組みからは見えません ―― さらにスパム判定を踏む密度は、あなたをベースライン以下に押し下げかねません。

これは GEO ライティングを「順位アルゴリズム向けの最適化」から「モデルが自らの名で引用しても気が咎めない文を供給すること」へと捉え直すものです。

挑戦者の優位：最も得をするのは誰か

論文のなかで最も実践的な機微は、効果が一様ではなく、出発点に大きく依存する という点です。

下位の情報源ほど大きく得をします。5 位前後にいるページは、出典の明記だけで最大約 +115% の伸びを記録しました。直感的にはこうです ―― 生成エンジンは使える根拠に飢えており、引用可能な統計や帰属された主張をくれる一節を見つけるために、候補リストをより下まで手を伸ばします。根拠は、格下のページが 順位以上の力を発揮する ことを可能にするのです。

逆に、すでに支配的な情報源は地位を失うことがあります ―― 条件によっては最大約 30%。すでに既定の引用先である場合、さらに根拠を足すと、エンジンには ほかにも 十分裏付けられた一節が選択肢として増え、帰属が分散して、あなたのシェアが薄まることがあるのです。

混み合った日本の B2B SaaS カテゴリーで戦う挑戦者ブランドにとって、これは GEO 研究のなかで最も励みになる結果です ―― 根拠の三点セットは、構造的に「まだ引用されていない側」へと偏っている のです。まだ既定の回答になれていないなら、根拠こそ最もレバレッジの効く一手です。

戦略的な読み筋はこうです。既存の上位者は 一貫性と権威の広さ で守り、挑戦者は 根拠の密度 で攻める。両者は同じゲームを戦っているのではありません。

具体的なリライト・チェックリスト

知見をページ単位のチェックリストに翻訳します。何かに手を付ける前に、まず既存記事を次の 4 つの動作に通してください。

1. 結論を先に。 直接的で抜き出しやすい答えを冒頭に ―― 理想的には前置きの前、最初の 50 語以内に置きます。これは直感的であると同時に裏付けもあります。LLM に引用されたコンテンツの分析では、引用のおよそ 44% がページの最初の 30% から来る ことがわかっています。結論を前倒しに。モデルはページ上部を最も注意深く読みます。

2. 固有名つきの統計を加える。 曖昧な数量詞（「多くの」「急速に」「大きく」）を、具体的な数値 とその出典 に置き換えます。「より速い採用」は「採用は 2025 年に 37% 成長した（[出典名] による）」へ。一つひとつが、モデルが出典付きでそのまま引用できる単位になります。

3. 権威ある引用を埋め込む。 著名な専門家、一次研究、業界団体からの直接引用を最低 1 つ、帰属を明記して挿入します。あなたは、ページを通せる「あらかじめ信認された権威」をエンジンに手渡しているのです。

4. 第三者の出典を明記する。 事実の主張については、信頼できる参照へ外部リンクを張ります。SEO のベテランには直感に反しますが、外部へリンクすること は引用される確率を高めます ―― あなたのページを、裏付けのない孤島としてではなく、検証可能な根拠のウェブの内側に置くからです。

このリストから際立って 欠けている のは、対象キーワードでページを埋めることです。データが告げるのは、その作業はよくて無駄、ということです。

構造と根拠が出会う場所：GEO-SFE

プリンストンの研究は根拠の次元 ―― ページが何を述べ、何を引用するか ―― を切り出しました。私たち自身の研究は、その 補完的な 次元 ―― ページがどう構造化されているか を切り出します。「Structural Feature Engineering for Generative Engine Optimization」（arXiv 2603.29979）で私たちは、意味を一定に保ったまま、構造の書き換えだけ ―― セクション分割、事実の配置、リストの使い方、視覚的強調 ―― で、6 つのエンジン横断で引用率を +17.3%、主観的な回答品質を +18.5% 押し上げられることを示しました。

この 2 つの知見は競合せず、積み上がります。根拠はモデルに「引用する価値のあるもの」を与え、構造はその根拠を 見つけやすく・抜き出しやすく します。文章の壁のなかページ中ほどに埋もれた統計は、結論先出しの冒頭に、短い段落で、数値を太字にして置かれた同じ統計に劣ります。GEO-SFE はさらに エンジンのアーキテクチャが異なる ことも織り込みます ―― Gemini（STS 型の合成器）、Perplexity（IR を起点とする検索器）、ChatGPT / Claude（文脈内の選別器）は構造の重み付けが異なるため、根拠の最適な配置はエンジンを意識したものであり、一律ではありません。

これこそ VeReach GEO が実装している層です。上記の根拠チェックリストは何を書くかを教えます。GEO-SFE の構造層は、ChatGPT・Gemini・Claude・Perplexity のそれぞれが最も抜き出しやすいよう どこに置くか を教えます。

VeReach GEO はどう改善幅を測るか

リライトは仮説です。それが効いたかを知る唯一の方法は、前後の引用挙動を計測することです ―― これは聞こえほど簡単ではありません。AI の引用は月ごとに揺れ、エンジンごとに異なるからです。

VeReach GEO はそのループを閉じます。

Visibility Score（VS = 0.4·Coverage + 0.3·Position + 0.3·Influence） は、散らばった言及を 1 つの比較可能な数値に変えます。リライトの効果が逸話ではなく読み取れる形になります。
4 エンジンの追跡（ChatGPT / Gemini / Claude / Perplexity）は、あなたの根拠がアーキテクチャを越えて転用されるのか、1 つにしか効かないのかを示します ―― 私たちの論文が重視するのと同じ、エンジン横断の汎化です。
日本語の 4 階層ソース辞書 は、引用をドメインの権威で重み付けします ―― ITmedia / @IT / CNET を 5.0、BOXIL / ITreview / IT Trend を 3.0、MarkeZine / PR TIMES を 1.5、note / Zenn / Qiita を 1.0 ―― これにより「第三者の出典を明記する」は雰囲気ではなく 定量化された 戦術になります。Tier 1 の情報源を引くことは、Tier 4 を引くより測定上の価値が高いのです。
ブランド名の正規化（カタカナ / 漢字 / ローマ字 / ASCII）は、エンジンがあなたの名前を日本語のどの表記で書いても言及としてカウントされることを保証します ―― JP 市場で誠実に計測するうえで不可欠です。
Focus 単位の時系列（各 Focus は 1 つの archetype を追う）は、リライトの効果を、一度きりのスナップショットではなく、あなたが重視する具体的なビジネスの問いに対して、時間を追って追跡します。

このワークフローは、根拠の三点セットが要求するループそのものです ―― 固有名つきの統計・埋め込んだ引用・第三者の出典でページを書き換え、GEO-SFE で構造化し、そのうえで 4 エンジン横断の Visibility Score を見て、改善が本物で持続的であることを確かめます。

必要な留保

知的誠実さのために、一点だけ条件を付けます。プリンストンの実験は GPT-3.5 の時代 に行われ、効果は ドメイン依存 です。具体的な数値 ―― 「引用で +41%」「5 位サイトで +115%」 ―― は、その設定における方向性の証拠 として読むべきであり、今日の最前線モデルでの保証ではありません。独立した業界の再現実験も同じ方向を指しており（2026 年のある研究は統計で約 +22%、引用で約 +37% を報告）、だからこそ私たちは メカニズム を信頼します ―― 生成エンジンは引用し帰属できる一節を選び、根拠は一節を引用可能にする。この論理は、エンジンがグラウンディングと引用にいっそう依存するようになるにつれ、むしろ強まっています。

ゆえに ―― 根拠の三点セットを原理として採り入れ、キーワードの詰め込みを捨て、そして 自社ドメインでの大きさは継続計測で検証 してください。原理と計測、その両輪こそがこの営みの全体です。

AI エンジンが実際にあなたのどのページを引用しているか、そして根拠と構造のリライトが ChatGPT・Gemini・Claude・Perplexity 横断で Visibility Score をどれだけ動かすかを見てみませんか。VeReach GEO がどう計測するかをご覧いただくか、チームにお問い合わせください。

出典についての注記：9 手法の結果、根拠の三点セットの効果、挑戦者優位の数値は、 Aggarwal et al., GEO: Generative Engine Optimization（arXiv 2311.09735, KDD 2024）に基づきます。構造の結果は arXiv 2603.29979、「最初の 30% から 44%」の数値と 2026 年の再現実験は公開された業界分析に基づきます。数値は 2026 年 6 月時点のもので、各研究の実施時点で利用可能だったモデル世代を反映しています ―― 重要な意思決定の前には、最新のエンジンで検証してください。