AI検索のGEOは、1回の回答ではなく会話全体で評価する。

論文の要旨

これまでのGEO評価は、あるクエリに対する1回の回答の中で、情報源がどれだけ目立つかを測る「単発（シングルターン）」の評価が中心でした。この方法は、質問が外から与えられ、各ターンが互いに独立しているという前提に立っています。

しかし実際の会話では、AIの回答がユーザーの理解を変え、それが次の質問を変えます。GEOによって回答がある情報源に寄ると、その偏りは、検索と生成が会話履歴に条件づけられる「機械側」の経路と、ユーザーの追加質問がその情報源の方向へ向かう「人間側」の経路を通じて、後のターンにも引き継がれます。論文はこれを「会話的捕捉（conversational capture）」と名付けました。この持続は、その情報源がいまのユーザーのニーズに合っているかどうかとは切り離されうる点が重要です。

論文は新しいGEO手法やベンチマークを提案するものではなく、評価の単位そのものを問い直す理論研究です。人によるアノテーションは収集しておらず、示される数値はすべてモデルから導いた計算例です。

方法：会話を閉ループとして定式化する

ユーザー層（情報ニーズの更新と質問の生成）とエージェント層（検索と回答の生成）からなる2層の閉ループ系として会話をモデル化し、会話全体で計算できる指標を定義しています。

1. 累積会話可視性（CCV）：各ターンの可視性を会話全体で足し合わせた量です。位置調整済み語数やLLMによる印象スコアなど、既存のGEO指標をそのままターンごとに使えます。
2. 直接項とフィードバック項：会話全体での利得を、単発評価から外挿できる「直接項」と、会話の閉ループでしか生じない「フィードバック項」に分解します。フィードバック項は単発評価では常にゼロになります。
3. 機械側M1と人間側M2：フィードバック項を、入れ子の反事実比較によって、会話履歴による再引用（M1）と、ユーザーの質問の向きの変化（M2）に分けます。M1はユーザーモデルなしで、履歴あり・なしのエンジンの比較から測定できます。
4. 捕捉係数・複利比率・誤順位診断：前のターンで引用されたことが次の引用確率をどれだけ上げるか（捕捉係数 κ）、単発評価からの外挿に対する実際の利得の比（複利比率 ρ）、単発と会話全体でのGEO手法の順位の一致度（Kendall の τ）を定義します。
5. 理論解析：ポリアの壺（強化過程）の理論を用いて、早いターンの優位が最終結果を左右する経路依存性（非エルゴード性）と、捕捉が進む間はGEOの累積利得が会話の長さに対して超線形に伸びることを証明しています。

モデル計算例：10ターンでの利得の分解

主な結論

• モデル計算例では、10ターンの会話全体の利得（2.68）のうち、単発評価で捉えられる直接項は1.20にとどまり、閉ループで生じるフィードバック項（1.48）の方が大きくなりました。
• 複利比率は10ターンで2.23に達し、単発評価からの外挿の2倍以上の利得になります。会話が長くなるほど過小評価は広がり、上限（この例では約4.17）に近づきます。
• 5つのGEO手法を比較した例では、単発評価で1位の手法が会話全体では3位にとどまり、順位の一致度は Kendall の τ = 0.4 でした。
• ランダムに作った5手法の組5万通りでも、90%で順位が食い違い、48%で単発評価の1位が会話全体の1位ではありませんでした。
• ユーザーが「独立に確認されている？」といった確認型の追加質問で競合へ向かう場合は、人間側の経路がマイナスになり、単発評価はGEOを過大評価します。どちらの向きでも、単発評価には偏りが残ります。

GEO・LLMO 実務への示唆

以下は論文の理論をVeReachが実務に当てはめた読み方（仮説）です。実際のエンジンでの効果量は、論文でもまだ測定されていません。

限界と注意点

• 理論・モデル研究であり、実際のAI検索エンジンや実ユーザーでの測定は行っていません。示された数値はすべてモデルから導いた計算例です。
• 機械側M1と人間側M2の配分（0.35 / 0.25）は説明用で、実際の値は今後の実証研究で推定する必要があります。
• モデルはGEO最適化した情報源と、その他をまとめた競合との2者の競争を中心に扱っており、複数の最適化済み情報源どうしの競争は範囲外です。
• 論文は次のステップとして、TopiOCQA、QReCC、ORConvQAなどの会話型QAコーパスを用いた実証プロトコルを示しています。

よくある質問

Conversational Capture（会話的捕捉）とは何ですか？

生成AIとの多ターン会話で、早いターンで引用された情報源が、後のターンでも引用されやすくなる現象です。会話履歴に条件づけられた検索（機械側）と、回答に誘導された追加質問（人間側）の2つの経路で起こり、その情報源がいまのニーズに合っているかとは切り離されうるとされます。

なぜ単発のGEO評価では不十分なのですか？

単発評価は、質問が外から与えられ各ターンが独立しているという前提に立つため、回答が次の質問を変える閉ループの効果（フィードバック項）が常にゼロとして扱われます。論文のモデル計算例では、この見落とされる部分が単発で捉えられる部分より大きくなり、GEO手法の順位も食い違いました。

この論文はどこで発表されましたか？

ACMの国際会議 HAI ’26（第14回 Human-Agent Interaction 国際会議、2026年11月16〜19日、大阪）の論文で、2026年9月30日にarXiv（2609.40069）で公開されました。DOIは 10.1145/3841580.3841626 です。

GEO・LLMO施策では何を変えるべきですか？

単発の引用率だけで施策を判断せず、重要なテーマは追加質問を含む会話全体で確かめること、そして最初の回答で引用される信頼性の高い情報源になることが示唆されます。ただし実際のエンジンでの効果量は、論文でもまだ測定されていません。