意味より構造 ― コンテンツの「足場」が AI 引用を決める（GEO-SFE 実践ガイド）

AI 引用を狙ってページを最適化したのに無視される ―― その原因は多くの場合、 ページが何を語っているかではなく、どう足場が組まれているかにあり ます。既存の GEO 施策の大半は意味（セマンティクス） ―― 主張・キーワード・ エンティティ ―― を調整します。GEO-SFE の主張はこうです。見出し階層・チャンク 化・強調といった構造は、意味とは独立に引用を動かす。しかもそれは 測定可能で制御可能である。本ガイドは、その主張を今日から実行できる チェックリストに変えるものです。

要点を先に。本フレームワークでは構造を 3 つの階層（マクロ・メソ・マイクロ） に分解し、それぞれを目標帯を持つ 5 原則へと収れんさせます。各原則を pass／partial／fail で採点し、目標帯までの符号付きデルタを読み、対応する修正を 当てる ―― ループはこれだけです。

そもそも、なぜ構造が引用を動かすのか

直感的な反論はこうでしょう。「回答エンジンは意味を読むのだから、構造は 関係ないはずだ」。しかし実際には大いに関係します。これらのエンジンの検索・ 合成ステージは、人間の読者のようにページを読むのではなく、チャンク化して 断片をランク付けし、最もスコアの高い抽出可能なスパンを縫い合わせて回答を 作るからです。

業界の知見からも、これを裏づける 2 つのパターンがあります。

• LLM 引用のおよそ 44% はページ冒頭 30% から来る（leapd / Frase, 2026）。 前方に答えを置く answer-first 構造は、不釣り合いなほど引用されやすい。
• FAQ／Q&A 形式や answer-first の形は引用率の高さと相関する （leapd / Frase, 2026）。エンジンに、そのまま持ち上げられる自己完結した スパンを差し出すからです。

私たちの論文（arXiv 2603.29979）はこの機序を定式化し、その効果を報告して います。主要 6 エンジン横断で、構造リライトは引用率を +17.3%、主観的な 回答品質を +18.5% 押し上げました ―― 主張そのものを変えずに、です。 これらの数値は、ある一つの統制実験から得られた方向性とオーダー感として 扱ってください。個々のページでの保証ではなく、ベースライン品質やエンジン構成 によって振れ幅があります。

「意味から独立した構造」を最も明確に示すのは、マッチドペアの事例です。 主張がほぼ同一の 2 ページのうち、一方は安定して引用され、もう一方は無視 される。意味を固定したとき、その差を説明できるのは足場だけです。

GEO-SFE が測る 3 階層

GEO-SFE はページをトップダウンで分解します。診断結果が、実際に編集できる 階層を指し示すようにするためです。

マクロ ― ドキュメント設計

文書全体の形状です。見出し深度、セクションのバランス、長さの規則性、 遷移の一貫性、内部リンク密度、相互参照の分布。 マクロの問題は著者が最も 気づきにくい欠陥です。段落単位では読みやすいのに、文書に辿れる骨格がなく、 エンジンが引用すべききれいなセクションを切り出せないのです。

メソ ― 情報のチャンク化

セクション内部での情報の詰め方です。段落長の分散、トピックエント ロピー、フォーマットの多様性、フォーマット遷移の滑らかさ、情報密度。 ここで「文字の壁」ページはチャンク化されたページに負けます。スパンを抽出 したいエンジンは自己完結したチャンクを欲しがりますが、400 語の無分節な段落 は、過剰に引用するかスキップするかの二択を強います。

マイクロ ― 強調

文・句のレベルのシグナルです。強調密度、戦略的な強調配置、位置重み付き キーワード密度、そして（日本語の場合）可読性。 マイクロは最も安く 直せる階層であると同時に、最も悪用しやすい階層でもあります。すべてを太字 にするのは、何も太字にしないのと同じです。

5 原則 ― 目標帯と修正法

3 階層は 5 つの採点原則に収れんします。各原則には目標帯があり、 帯の中＝pass、端付近＝partial、大きく外れる＝fail、そしてどの方向に （おおよそどれだけ）動かすべきかを示す符号付きデルタが付きます。

原則	階層	目標帯	fail の症状	典型的な修正
P1 階層の明瞭さ	マクロ	見出し深度 ≈ 3〜5 階層	フラット（全部 H2）／過剰ネスト（H5 以上）	浅すぎ → ##/### を足して長いセクションを分割。深すぎ → 冗長な下位階層を畳む
P2 情報チャンク化	メソ	段落長のバランス＋健全なトピックエントロピー	文字の壁。1 トピックが多段落に拡散	長い段落を 2〜4 文のチャンクに分割。1 チャンク 1 アイデアに
P3 フォーマット統合	メソ	滑らかな遷移を伴う複数フォーマット	全文プローズ／プローズ・リスト・表の唐突な切替	適所に表・リストを導入。各フォーマット切替の前に導入文を置く
P4 戦略的強調	マイクロ	適度な強調密度を要点に配置	太字ゼロ／全部太字	各チャンクで要となる 1 語だけ太字に。装飾的な強調は削除
P5 ナビゲーション密度	マクロ	十分な内部リンク＋相互参照密度	孤立ページ。内部足場なし	内部リンクと明示的な相互参照（「上記の表を参照」）でセクションを結ぶ

実例で見ましょう。あるページが P1 fail（デルタ −2：見出し深度 = 1） と 採点されたとします。処方は機械的です ―― 文書がフラット（## のみ）なので、 各長セクション内に ### の下位階層を足し、深度を 3〜5 の帯へ引き上げる。 推測は不要です。符号付きデルタが「文書は 2 階層浅い」と告げ、修正はプローズ の書き直しではなく追加で済みます。

これが制御可能性の主張を具体化したものです。fail のすべての原則は、特定の 限定された編集に対応づき、編集後に再採点すれば帯に入ったかどうかが分かる ―― 意味の変更は一切不要です。

同じ構造でも、エンジンが違えば結果も違う

単一の「正しく構造化された」ターゲットを置くのは素朴すぎます。エンジンは アーキテクチャを共有していないからです。GEO-SFE はエンジンアーキテクチャ を意識し、単一のグローバルスコアではなくアーキテクチャ別の引用確率を 予測します。

• STS 型（例：Gemini） ―― 一貫したマクロ設計ときれいなセクション分割に 敏感。
• IR 型（例：Perplexity） ―― 抽出可能で自己完結したチャンクと前方配置の 答えを評価し、メソ構造に依存。
• ISG 型（例：ChatGPT／Claude） ―― 文書全体を横断して合成するため、相互 参照の分布とナビゲーション密度の比重が大きい。

これらは、実際に気にすべき成果を重み付けする可視性スコア（Visibility Score） へ集約されます。

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

Coverage（そもそも引用されたか）、Position（どれだけ前方か）、Influence （引用が回答をどれだけ形作るか）を 40／30／30 で重み付けします。5 原則の pass プロファイルが同じ 2 ページでも、その強みが異なるアーキテクチャに作用 するため VS は分岐し得ます。だからこそ「単一の理想レイアウトを追う」より 「fail の原則を直す」が勝るのです。

今週から実行する

プラットフォーム一式がなくても始められます。手動パスを回しましょう。

1. P1〜P5 を採点する ―― 表の目標帯に照らし、pass／partial／fail を正直に 付ける。
2. fail から直す ―― 最も安く効き、処方も機械的（見出し階層を足す、段落を 割る、1 語を太字にする）。
3. 再採点して再テストする ―― 気にするエンジンで。同じ編集でも アーキテクチャによって効き方が変わるため。

本記事は、自らの主張を実演するように書いています。answer-first の冒頭、帯内 の見出し深度、チャンク化されたセクション、1 つの表、要となる 1 つの引用句、 そして比重を担う語だけに留めた強調。いずれも何を語るかは変えていません ―― 変えたのはどう足場を組むかだけです。

採点・エンジン別確率・リライト提案を目視ではなく自動化したくなったら、その ループは VeReach GEO（vereach.ai/geo/）の中に あります。自社コンテンツで GEO-SFE を検証したい方は、 お問い合わせください。

本稿で述べた数値とエンジンの挙動は 2026 年 6 月時点のものです。AI エンジン は検索・合成の挙動を頻繁に変えるため、前提として固定せず再テストしてください。