LLMOとは何か
LLMO(Large Language Model Optimization)とは、ChatGPT・Claude・Gemini などの LLM に、自社のブランドやサービスが正しく認識され、想起されるようにする取り組みの総称です。GEO(Generative Engine Optimization)、AIO などの名称で呼ばれることもあります。
出発点として押さえるべきは、LLM の回答には2つの源があるという事実です。1つは、モデル本体が事前学習で身につけた事前知識。もう1つは、回答時に外部を参照する RAG(検索)です。
重要なのは両者の主従関係です。RAG が何を検索するかを決めるのは、LLM 本体の連想=事前知識です。事前知識の中に存在しないブランドは、そもそも検索の起点になりません。「◯◯といえば?」という問いに対する顔ぶれ(想起集合)は、検索が始まる前に決まっているのです。
よくある誤解 — 「AI検索対策」はLLMOの半分でしかない
市場で「LLMO対策」として提供されるサービスの多くは、Perplexity や Google AI Overviews といった AI検索に引用されるための施策、つまり実体は SEO の延長です。それ自体に意味はあります。しかし、そこで動いているのは検索であって、LLM 本体の認知ではありません。デモ画面で「AI にリアルタイムで載りました」と見せられるものは、多くの場合、検索結果の要約です。
誤解のないように言えば、AI検索対策に意味が無いわけではありません。ただしその正体は、次のモデル更新までの時間稼ぎです。LLM の事前知識にまだ自社が存在しない期間、検索経由の引用で露出を確保する——つなぎとしては合理的な施策です。
問題は、つなぎを恒久的な施策だと誤解することです。LLM は、事前知識だけで答えられる問いには検索を発火させません。カテゴリの想起集合が次のモデルの事前知識に固定化されれば、その問いで RAG は発火しなくなり、検索経由で得ていた自社への言及は突然消えます。あとに残って語られ続けるのは、想起集合に入った企業だけです。
さらに不都合な事実があります。巷の「AI対策」には、事前学習対策としては真逆に働くものが少なくありません。あらゆる質問への回答を1ページに詰め込む FAQ 増設は、検索には一時的に効いても、ページの埋め込みを希釈して座標をぼかします。テンプレートで量産した類似ページは重複排除で1本に畳まれ、誘導と広告だらけの薄いページは品質フィルタで落ちます。検索に拾われるための小細工が、学習パイプラインではそのまま脱落要因になる。時間稼ぎのつもりの施策が、本命の事前学習では負債になり得るのです。
LLMの「事前知識」はどう作られるか
事前知識は、Web 上のテキストが「学習パイプライン」と呼ばれる製造工程を通過して作られます。収集(Common Crawl 等)→ 品質フィルタ → 重複排除 → 学習、という流れです。
記事として世に出ても、各段階で脱落し得ます。メディアが robots.txt で学習ボットを拒否していれば入口で閉じられます。広告過多・本文の薄いページは品質フィルタで落ちます。配信網で複製された同文のプレスリリースは、重複排除で1本に畳まれます。
LLM があなたのブランドを語れるかどうかは、この工程を生き残った質の高い第三者言及の量で決まります。
競合とは誰か — 想起集合こそが競合である
ここで、広報・マーケティングの実務に引きつけて考えます。私たちは競合を、業界・企業規模・商材の近さといったビジネス上の類似度で捉えがちです。しかし LLM の世界での競合は違います。「◯◯といえば?」という同じ問いで一緒に想起される顔ぶれ、すなわち想起集合こそが競合です。
ビジネス上は競合と見なしていない企業が想起集合を占めていて、自社はそこに入っていない——ということが普通に起こります。この「思い込みの競合地図」と「LLM の中の実際の競合地図」のズレを確かめることが、事前学習対策の出発点です。確かめるべきことは2点に集約されます。
第一に、自社がカテゴリワードと紐づいているか。自社を起点に LLM に語らせたとき、狙ったカテゴリの文脈で説明されるか(正引き)。第二に、カテゴリの想起集合に自社が入っているか。カテゴリワードを起点に問うたとき、挙がる顔ぶれの中に自社がいるか(逆引き)。
この2点を確かめた先にやるべきことは明確です。紐づきが弱ければ、カテゴリワードと自社が同じ文中に並ぶ共起関係を強化する。想起集合の顔ぶれが想定と違えば、競合の認識をあらためて、誰と並んで語られるべきかから広報戦略を組み直す。これがディギディギの役割です。
共起の強化は、事前学習対策として行う
共起関係の強化は、プロンプトの工夫では実現できません。図3で見た学習パイプラインを生き残るテキスト——カテゴリワードと自社が並んで語られる質の高い第三者言及——を世に残し、次のモデルに学ばせることで実現します。だから LLMO の本体は事前学習対策であり、その言及の量と質を作れるのは、広告ではなく広報なのです。
提案を仕分けるひとつの基準
最後に、LLMO を名乗る提案を検討するときの基準をひとつ。「その施策は、実装が明日変わっても効くか」です。AI検索の画面や RAG の実装は頻繁に変わります。一方、事前学習データに刻まれた認知は、そのモデルが使われ続ける限り機能し続けます。そして事前学習対策として質の高いテキストを残せば、RAG や AI検索での引用は副産物としてついてきます。順序を逆にしないことが、投資を無駄にしないための要点です。