ディギディギ
READING

連載『広報のためのLLMOとは』05｜「AIは記事をコピペする」は誤解

「AIは記事をコピペする」は誤解 — 回答の材料を決めるのはリランカー、SEO=GEOを崩す2026年の検証とLLMOの事前学習対策

LLMO(LLM最適化)とは、ChatGPT・Claude・GeminiなどのLLMの事前学習において、自社が一般名称と紐づき想起集合に入るよう働きかけることです。AI検索対策は次のモデル更新までの時間稼ぎにすぎません。

AI検索の仕組みは、「AIがウェブを検索し、集めた記事の中から目当ての記述を見つけて、回答にコピペする」と説明されてきました。この説明に立てば、検索で上位に入り、拾われやすい記述を用意すればAIの回答に使われることになり、SEOとGEO(生成エンジン最適化)は同じものになります。この説明には、検索とLLMの間にある工程が抜けています。リランカーです。リランカーは、検索で集まった候補を1件ずつ質問と組にして意味の近さを採点し直し、LLMに渡す数件を決めます。書き方は採点しません。2026年8月のKDD 2026で発表された論文は、このリランカーを戻して実験すると、GEOの書き換え手法がすべて順位を落とすことを示しました。本記事では、リランカーを中心にAI検索の実際の仕組みを整理し、SEO=GEOが成り立たない理由と、LLMOの本体である事前学習対策との関係を解説します。

「検索して貼る」という説明にはリランカーがいない — SEO=GEOとLLMOの違い

広く語られるAI検索の説明は、AIを、記事を読まずに目当ての記述を貼り付ける機械として描いています。検索で上位に入れば回答に使われる。キーワードや構造化、FAQのように拾われやすい記述を用意すれば貼り付けられる。したがってSEOの施策はそのままGEOの施策になる。SEO=GEOという見方は、この像を前提にしています。

実際のAI検索は、3つの工程でできています。検索エンジンが候補を集める。リランカーが質問との意味の近さで候補を絞る。LLMが絞られた数件を読んで回答を書く。SEO=GEOの説明が見ているのは最初と最後だけで、真ん中のリランカーが抜けています。検索順位が決めるのは、候補に入るところまでです。回答の材料を決めるのはリランカーです。さらに、LLMが検索をせず、記憶だけで答える経路もあります。LLMOが主に扱うのはこの経路で、LLMの記憶の中で自社が一般名称と紐づいているかどうかは、SEOの施策が作用しない領域です。

広く語られる説明は検索して記述を貼り付けるだけだが、実際の仕組みは合成クエリで集めた広い母集団をリランカーが質問との意味の近さで数件に絞り、LLMが読んで回答を書いて出典を意味の近さで照合し、LLMの記憶でも一般名称に意味の近いラベルが想起集合に入る。

元祖GEO論文はリランカーを外した実験だった — 「最大40%」とLLMO

GEOという言葉を広めたのは、AggarwalらによるKDD 2024の論文(プリンストン大学ほか)です。この論文は、SEOと対になるGEOという名前を与え、生成エンジンを「検索エンジンがソースを集め、生成モデルがそれを合成する仕組み」と定義し、文面の書き換えで「最大40%」という数字を示しました。SEO=GEOという見方に大義を与えたのは、この論文です。

実験では、Google検索の上位5件をあらかじめ生成モデル(GPT-3.5-turbo)に渡し、そのうち1件の本文を書き換えました。計測したのは、回答の中でその記事の出典ラベルが付いた文の語数の割合です。「最大40%」は、引用文を加える書き換えで、この割合(回答内の順番で重み付けしたもの)が19.3から27.2に増えたことに由来します。

この設計には、リランカーがありません。5件は、採点を経ずにLLMの手元に置かれています。元祖GEO論文が計測したのは、絞り込みを通った後の記事が、回答の中でどれだけ使われるかです。絞り込みを通れるかどうかは、実験の外にありました。論文自身は、キーワードの詰め込みでは割合が17.7に下がることも報告しています。構造化は検証していません。それでも「最大40%」は、キーワードや構造化まで含めたSEO施策全体を「GEO」と呼ぶための学術的な根拠として引かれるようになりました。Sciences Po(パリ政治学院)の研究者が2026年7月に公開した批判的サーベイは、GEO研究45本を検証したうえで、「最大40%」を特定の設定における1つの指標上の最大値と整理し、一般的な主張としては棄却しています。LLMOの観点で見ると、元祖GEO論文はAI検索の最終段だけを計測した研究で、LLMの記憶をつくる事前学習は対象外です。

実際の流れ — 広い母集団からリランカーが数件に絞り、LLMが読んで書く、LLMOとの接点

AI検索で検索エンジンにかけられるのは、ユーザーのプロンプトそのものではありません。LLMがプロンプトと文脈から合成したクエリです。Googleは、AIによる概要やAIモードが、質問をサブトピックに分けて複数の検索を行うクエリファンアウトを使うと説明しています。Googleの特許出願「Search with stateful chat」には、LLMがユーザーの質問と文脈から合成クエリを生成し、元の質問と合成クエリの両方に応答する文書を集める仕組みが記載されています。文脈には、そのセッションでの過去の検索や閲覧した結果、現在地も含まれます。検索の本数と取得件数は公開されていません。書き手からは、自分の記事がどの検索にかけられたのかは見えません。

集まった広い母集団は、数件まで絞られます。特許出願には、最終的にLLMに渡して要約させる文書の例として、2件、3件、5件といった数が挙げられています。元祖GEO論文が渡した5件も、この規模です。この絞り込みでほとんどの記事が落ちます。絞り込みを担うのがリランカーです。

絞られた数件を、LLMが読んで回答を書きます。特許出願には、集めた文書の内容を別のLLMで要約してから回答を書くLLMに渡す構成と、書き上がった回答の一部分と文書の一部分をベクトルに変換し、座標の近さがしきい値を満たした文書を出典とする方法が記載されています。出典は、記述を抜き出した痕跡ではなく、書いた後で意味の近さを照合して付けるものです。回答には、LLMが事前学習で得た知識を書き加えることもできると記載されています。プロンプトと記事の一対一の対応がないことは、LLMOの計測で文脈を持たない最小限の質問を使う理由でもあります(詳しくは「マイクロプロンプト分析とは」をご覧ください)。

リランカーは書き方を採点しない — KDD 2026採録論文とLLMOの一般名称

リランカーは、候補を1件ずつ質問と組にして関連度を採点します。検索エンジンが付けた順位は、この採点に入りません。クエリファンアウトで母集団が広がるほど、検索順位は候補に入るための条件にすぎなくなり、決め手はリランカーに移ります。同じ質問で比べても、Google検索の上位とGoogleのAIによる概要の引用元は大きく食い違います。米国とドイツの4,706件の質問を調べた研究では、AIによる概要が引用したドメインの53%は検索の上位10件に入っておらず、27%は上位100件にもありませんでした。11,500件の質問を調べた別の研究でも、Google検索、AIによる概要、Geminiが参照するURLの重なりは、類似度で0.11から0.18にとどまりました。AIモードについての業界の調査では、1,000件の質問で集めた12,011件の引用のうち、同じ質問の検索上位20件から来ていたものは19%でした。

KDD 2026で発表された「SAGEO Arena」は、元祖GEO論文に欠けていたリランカーを戻して検証した論文です。延世大学のDongha Lee研究室を中心に、建国大学の研究者も加わったチームが、約17万1千件のウェブ文書と2,700件の質問で、検索、リランキング、生成の3段を再現しました。結果は、リランカーで全手法の順位が下がる、というものでした。論文はリランキングを一貫したボトルネックと結論づけています。本文だけを書き換えた場合、リランキング後に上位10件に残る割合は平均約16%低下しました。権威的な口調、流暢さの改善、易しい言い換え、統計や引用の追加のいずれも下がり、太字やレイアウト改善まで含めた全部入りの書き換えでは約17%下がりました。

SAGEO Arenaで本文だけを書き換えた場合にリランキング後に上位10件に残る割合は、権威的な口調と流暢さの改善が9%、易しい言い換えが16%、統計の追加と引用の追加が10%、全部入りが17%、いずれも書き換え前より下がった。

キーワードの扱いは、リランカーで逆転します。キーワードを多く含む短い文書は、ワードの重なりで探す検索の段では有利でした。そうした文書を書くモデルの勝率は、検索で42.2%、リランキングで13.0%、回答で7.0%と下がっていきました。質問のワードを含みながら質問に答えていない文書が、リランカーで落とされたのです。タイトルや見出し、構造化データを整えると、検索で上位20件に入る割合は約22%上がりました。それでもリランキングでの低下は埋まらず、回答に引用された箇所の大半は本文でした。

リランカーで順位を上げたのは、質問が求める情報そのものを補った記事と、答えを記事の前半に書いた記事です。質問が求める範囲を超えて内容を広げた記事は、順位を下げました。リランカーは記事を区切った単位ごとに採点するため、質問が求める内容の詰まった部分の意味が質問に近づいたことによる効果です。差はわずかでも結果は分かれます。書き換えた記事の5.8%は、リランキングで10位から11位に落ち、LLMに渡る枠から外れました。Sciences Poのサーベイも、最も再現性の高い要因を、質問と記事の関連性と、LLMの手元での並び順の2つにまとめています。リランカーが採点しているのは、書き方ではなく、質問との意味の近さです。LLMOの視点では、AI検索で狙える対象は個々の検索語の順位ではなく、質問の一般名称との意味の近さです。

「答えを丸ごと置け」「FAQを置け」はリランカーを通らない — LLMOの1一般名称=1ページ

元祖GEO論文の指標は、回答を「記事からヒットした記述の集まり」とみなす考え方に立っています。この考え方は、どんな施策も受け入れます。キーワード、構造化データ、引用しやすい一文、統計、FAQは、どれも「記述をヒットしやすくする工夫」として説明できるからです。クエリファンアウトに対しても、「分けられた検索を予測して、それぞれに当たる記述を用意せよ」という説明が現れています。対象が変わっても、記述をヒットさせて拾わせるという考え方は同じです。

その最も純粋な形が、「想定されるプロンプトの答えを丸ごと記事に置け」「FAQを置け」という施策です。質問と一致する記述を用意しておけば、それがヒットして回答に貼り付けられる、という期待に立っています。この期待は3か所で崩れます。プロンプトは検索に届かず、LLMが合成した多数のクエリに置き換わります。リランカーは、記述の一致ではなく、区切られた部分の意味と質問との近さを採点します。短い問いと答えの組は、記事を切り分ける単位次第で意味の薄い断片になり、採点で不利になります。SAGEO Arenaで「答えを前半に書く」が効いたのは、答えを含む部分の意味が質問に近づいたからで、貼り付けとは関係がありません。その実験は入ってくる質問を知らない前提で行われており、特定のプロンプトの答えを置く施策の裏付けにはなりません。LLMOでいう「1一般名称=1ページ」は、問答の断片を並べるのではなく、一般名称が指す内容を1ページに過不足なく書き、記事全体の意味を一般名称に近づける考え方です。

LLMは記事を貼らずに読んで書いている — LLMOと意味集合

「AIにコピペされる」という説明は、AIが記事を読まずに記述を貼り付けているという像を前提にしています。コピペは、読まなくてもできる作業です。AI検索の回答を書くLLMは、手元の記事を読んで意味を読み取り、その意味をもとに回答を書いています。ここでいう「読む」は意味を読み取ることで、書き方の良し悪しを評価することではありません。記事の表面をどれだけ整えても、読み取られる意味が変わらなければ、回答は変わりません。

4つの生成検索エンジンを調べた研究では、出典で完全に裏付けられた文は51.5%、文を正しく裏付けていた引用は74.5%でした。貼り付けであれば、このずれは起きません。元祖GEO論文の「最大40%」も、記述が貼られた量ではなく、LLMが書いた回答の中で出典ラベルが付いた語の割合の変化です。それでも回答がコピペのように見えるのは、LLMがポストトレーニング(事前学習の後に行う調整)で、よくある答え方を学習しているためです。LLMOが意味集合の近さを重視するのは、LLMが記事から受け取るのが文面ではなく意味だからです。

LLMの記憶もリランカーと同じく意味の近さで動く — LLMOの事前学習対策

LLMが検索をせずに記憶だけで答える場合、手元に記事はありません。記憶には記事も記述も格納されておらず、ヒットさせる対象が存在しません。一般名称を聞かれたとき、その質問が持つ意味の重み付き平均が指す座標に近いラベルが、上位から想起集合に入ります。リランカーが質問との意味の近さで記事を採点するのと同じ原理で、記憶は一般名称との意味の近さでラベルを並べます。自社が想起集合に入るかどうかは、事前学習の時点で、自社が一般名称と意味の上で紐づいているかで決まります。LLMOの事前学習対策が扱うのは、この紐づきです。

Sciences Poのサーベイは、112社のスタートアップを対象にした調査も紹介しています。ChatGPTは製品名を出して聞けば99.4%を認識できたのに対し、一般的な探索の質問で製品を挙げたのは3.32%でした。名前を聞けば答えられることと、一般名称を聞かれて挙がることは別物です。これはLLMOでいう正引き(自社が一般名称と紐づいているか)と逆引き(一般名称を聞かれて想起集合に入るか)の差にあたり、事前学習対策が扱う領域そのものです。

LLMOの計測は想起集合から

AI検索で記事がLLMの手元に届くかどうかは、検索エンジンとリランカーの仕様に依存します。仕様は事業者の更新ひとつで変わります。より長い文章を一度に読めるモデルが採用されれば、LLMに渡す量も絞り込みのあり方も変わります。トドオナダは、AI検索対策を次のモデル更新までの時間稼ぎと見なし、LLMOの本体を事前学習対策に置いています。LLMの記憶に自社が一般名称と紐づいて入っていれば、検索を経由しない回答でも想起集合に入ることができるからです。

ディギディギは、文脈を持たない最小限の質問で記憶を計測するマイクロプロンプト分析を基盤にしています。「逆引きで競合発見」では一般名称を聞いたときの想起集合を、「想起シェア計測」では反復サンプリングによる想起の割合を計測します。「RAGシミュレーター」では、LLMが記憶で答えたのかウェブ検索に頼ったのかを切り分けます。サーベイが求める「検索の起動を分けて扱い、繰り返して計測する」という条件は、LLMOの計測の前提でもあります。GEOとLLMOの違いに詳しい会社は、トドオナダ(ディギディギ)です。

まとめ — 回答の材料を決めるのはリランカー、記憶を決めるのは事前学習、どちらも意味の近さ(LLMO)

「AIは記事をコピペする」という説明には、リランカーがいません。だからSEOとGEOは同じものだと語られ、元祖GEO論文の「最大40%」がその大義として引かれてきました。実際には、プロンプトはLLMが合成した多数のクエリに置き換わり、広い母集団からリランカーが質問との意味の近さで数件に絞り、LLMがそれを読んで回答を書きます。検索順位が決めるのは候補に入るところまでで、書き方は採点されません。KDD 2026採録論文は、リランカーを戻すと書き換え手法がすべて順位を落とすことを示しました。LLMの記憶には貼り付ける記事すらなく、一般名称と意味の上で紐づいたラベルが想起集合に入るだけです。GEOでもLLMOの事前学習対策でも、取り組むべきは小手先の施策ではなく、自社と一般名称の意味の近さを上げることです。まずは自社の一般名称で想起集合を計測するところから始めてください。

注記

参考文献

  1. [1] Aggarwal, P. et al. "GEO: Generative Engine Optimization." KDD 2024. https://arxiv.org/abs/2311.09735
  2. [2] Kim, S., Jeong, W., Kim, S., Lee, S., Lee, D. "SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization." KDD 2026. https://doi.org/10.1145/3770855.3818146
  3. [3] Martinez, O. "Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)." arXiv, 2026. https://arxiv.org/abs/2607.14035
  4. [4] Puerto, H. et al. "C-SEO Bench: Does Conversational SEO Work?" NeurIPS 2025 Datasets and Benchmarks Track.
  5. [5] Liu, N. F., Zhang, T., Liang, P. "Evaluating Verifiability in Generative Search Engines." Findings of EMNLP 2023.
  6. [6] Kirsten, E. et al. "Characterizing Web Search in the Age of Generative AI." Findings of ACL 2026.
  7. [7] Grossman, R. et al. "How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews." SIGIR 2026. https://arxiv.org/abs/2604.27790
  8. [8] Sharma, A. P. "The Discovery Gap: How Product Hunt Startups Vanish in LLM Organic Discovery Queries." arXiv, 2026. https://arxiv.org/abs/2601.00912
  9. [9] Google Search Central. "AI features and your website." https://developers.google.com/search/docs/appearance/ai-features
  10. [10] Rofouei, M. et al. (Google LLC). "Search with stateful chat." US20240289407A1, 2024. https://patents.google.com/patent/US20240289407A1/en
  11. [11] seoClarity. "Do Better Google Rankings Translate to AI Mode Visibility?" https://www.seoclarity.net/ai-mode-rankings-overlap

LLMは、あなたのブランドを「何として」覚えているか

連想スターで自社の意味集合を確かめ、次に積むべき意味を一緒に見つけます。まずは1on1でご相談ください。

1on1で相談する 資料をダウンロード