LLMOとは言葉の出どころと、いま分かっていること

「LLMO」という言葉の出どころ

始まりは論文です。2023年11月16日、Aggarwalらが「Generative Engine Optimization（GEO）」という呼び方を使った論文を公開しました。生成AIが答えを作るとき、どの情報源が使われやすいかを実験した研究です。

そこから、同じ現象を指す言葉がいくつも生まれました。

紛らわしいのですが、これらは別々の技術ではありません。45本のGEO研究を整理した2026年のレビューは、これらの呼び方について「別個の手法ではなく、同じ現象を別の商用製品に当てはめて呼んでいるもの」として扱っています。文献上、使い分けられてはいないということです。

実務的には、英語の論文を読むときはGEO、日本語で情報を探すときはLLMOと覚えておけば足ります。

日本でだけ、LLMOと呼ばれている

なぜ日本ではLLMOなのか。検索数を並べると、差がはっきりします。

LLMO系を合計すると8,600、GEO系は約500。17倍の開きです。研究の世界ではGEOが標準なのに、日本語で探す人はLLMOと打っている。言葉が輸入される途中で置き換わった形です。

ここには、LLMOの核心がそのまま出ています。AIは質問に書かれた言葉を手がかりに探します。自社が使う言葉と、相手が使う言葉がずれていれば、どれだけ良いことを書いても結びつきません。

AIが答えを出すまでの7つの関門

「LLMO対策＝サイトの書き方を変えること」と説明されることが多いのですが、実際にはもっと長い道のりがあります。前述のレビューは、AIの回答に自社が載るまでを7つの段階に分けています。

1段階目から順に関門があり、どこか1つで落ちれば、その先はありません。どれだけ文章を整えても、2段階目でクローラーを弾いていれば読まれない。読まれても3段階目の候補に入らなければ、モデルの目には触れない。

逆に言えば、「AIに出てこない」という一言の中には、まったく違う原因が7通り含まれているということです。どの段階で止まっているかを切り分けないまま手を打っても、当たるかどうかは運になります。

手が届くのは、7つのうち3つ

表の右側が示しているとおり、サイト側の修正で直接触れるのは2・5・6の3段階だけです。候補の山に入るかどうか（3）、何番目でモデルに渡されるか（4）は、外からは見えません。レビューはこの状況を、こう表現しています。

中が見えない箱を相手にしているので、やってみて、結果を測るしかありません。「この施策をすれば必ず載る」と言い切れる立場の人は、本来いないことになります。

そして、この構造には落とし穴もあります。レビューが紹介している検証では、本文だけを最適化した結果、上位20件に入る割合が約9%下がり、最終的な引用も6%下がったという報告があります。5・6段階目のために書き換えたことが、3段階目に跳ね返ったわけです。段階を切り分けずに手を入れると、こういうことが起こります。

よく見かける数字を、原典で確かめる

LLMOの解説記事には、よく同じ数字が出てきます。原典に当たると、意味が違っていることがあります。

「40%改善」はどこから来たか

最初の論文が示した数字です。ただし、これはあらかじめ5つの文書がAIに渡された状態で、そのうち自分の文書が引用文の中で占める割合が、19.3から27.2に上がったという結果でした。相対的におよそ41%の増加です。

つまり、「読者が40%増える」でも「AIに拾われる確率が40%上がる」でもありません。すでにAIの手元に届いている文書の間での、取り分の話です。レビューも、この点をはっきり区別するよう注意を促しています。

引用されても、裏が取れているのは半分

もう1つ、あまり知られていない数字があります。複数のAIを横断して調べたところ、引用元によって完全に裏づけられていた文は、全体の約51%だったという報告です。レビューはこれを「引用は、信頼性も、内容の裏づけも意味しない」とまとめています。

これは実務に直結します。AIの回答に自社名が出ていても、そこに書かれている説明が正しいとは限らないということです。私たちが業種ごとに計測していても、料金や対応範囲が実際と違って紹介されている例は珍しくありません。名前が挙がったかどうかだけを数えていると、この種の間違いは見つかりません。

分かっていること、分かっていないこと

45本のレビューは、段階ごとに証拠の強さを評価しています。整理すると、こうなります。

整理すると、「すでにAIに届いている情報が、どう使われるか」については分かってきている。「そもそも届くようにする方法」と「それが商売につながるか」は、まだ分かっていないということです。

LLMO対策をうたうサービスは増えていますが、「AI検索経由の売上が増える」と言い切れる段階ではありません。私たちも含めて、です。

SEOの物差しが合わない場面

SEOの経験がある人ほど、最初につまずくところです。3つ挙げます。

順位表がない

検索結果は10件前後が並びますが、AIの回答に名前が挙がるのは数件です。3社しか挙げないことも、1社も具体名を出さないこともあります。「何位か」ではなく「挙がったか、挙がらなかったか」に近い世界です。

同じ質問でも、毎回変わる

レビューによれば、同じ質問を繰り返したとき、引用されるサイトの重なりは日ごとに0.34〜0.42程度です。そのため1つの質問につき7〜8回の反復計測が出発点として推奨されています。私たちが恵比寿のパーソナルジムで2回計測したときも、顔ぶれの一致は43〜76%でした。1回調べた結果は、順位のスナップショットとしては使えません。

エンジンごとに別物

Googleの通常検索、AIによる概要、Geminiの3つで挙がるURLを比べると、重なりは0.11〜0.18でした。私たちの計測でも、都内の美容クリニック92院のうち3つのAIすべてに挙がった院は0院です。レビューは「可視性はエンジンごと、画面ごとに別物として扱うべきだ」としています。1つのAIで確認して安心も落胆もできない、ということです。

どこから手をつけるか

ここまでを踏まえると、順番は決まってきます。

• 2段階目から確認する。クローラーを弾いていれば、その先は全部無意味になります。
• 相手が使う言葉で質問を作る。17倍の話のとおり、言葉がずれていると何も始まりません。
• 3つのAIで、複数回測る。1回の結果では判断できないことが、研究でも実測でも示されています。
• 名前だけでなく、何と書かれているかを見る。裏づけのない紹介が半分近くある以上、内容まで確認する必要があります。

具体的な進め方は「LLMO対策、最初にやるのはサイト修正ではなかった」に5つの手順としてまとめました。自社が出てこない原因を切り分けたい場合は「ChatGPTに自社が出てこない4つの理由」、業種ごとの違いは「AIが貼ったリンク450件を調べてみた」が近い内容です。

参考にした資料 Olivier Martinez (Sciences Po), Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026), arXiv:2607.14035（2026年7月15日版）
Aggarwal et al., GEO: Generative Engine Optimization, arXiv:2311.09735（初版2023年11月16日）
ラッコキーワード（2026年9月時点の月間検索数）／AGEO-SCOPE実測（2026年7〜9月、ChatGPT・Claude・Gemini、Web検索を有効化）

よくある質問