AIが情報源を選ぶ基準とは「何」か？
この記事では、GPT-5を対象としたLLMO（Large Language Model Optimization）に関する数理的モデルと最適化手法を、Self-RAGや帰属評価（MIRAGE/REC）など最新の技術知見と共に体系的に解説します。
目的定義
問題設定：ユーザ情報ニーズ (q ∈ 𝓠) に対し、LLMやRAG（Retrieval-Augmented Generation）、AIによる要約機能などの生成器が、候補文書群 D = {d_i} から参照集合 S ⊆ D を選択し、生成回答 y を出力する状況を考えます。
目標：生成器による当該サイトの被引用確率や回答での情報被覆率を高めつつ、出典帰属の正確性や情報の鮮度、安全性を一定水準以上に保つことです。これを多目的最適化問題として定式化すると、各文書が参照集合 S に選ばれる確率を高めながら、回答が質問の要点を網羅し（高い被覆率）、引用が正確かつ最新で安全なものとなるよう制約を課すことになります。
- 選択確率モデル（ロジット例）
- 回答被覆率（Answer Coverage Rate; ACR）
- 帰属（引用）指標
選択確率モデル（ロジット例）
生成器が文書 d_i を参照集合 S に「採択する」確率は、質問 q と文書の関連度や属性に基づき以下のようにモデル化できます（ロジスティック関数）。ar5iv.labs.arxiv.org
ここで f(・) は埋め込みベクトル（q と d_i の類似度）、g(d_i) は構造化データ・権威性・可読性など文書の諸特徴量、fresh(·) は現在時刻 t からの新鮮度減衰、lic(·) はライセンス安全度、tox(·) は有害性ペナルティを表します。
それぞれの係数 α, β, γ, δ, η は生成器側の文書選好バイアスを示すパラメータです。
回答被覆率（Answer Coverage Rate; ACR）
質問を構成する主要な要素を概念単位 U = {u_k} に分解し、生成回答 y が各要素 u_k を網羅しているかを0/1の指示子 m_k(y) で表します。developers.google.com
回答全体の被覆率は以下の平均で定義できます。
被覆率を高めることは、質問に対する回答の網羅性（抜け漏れの無さ）を示す指標となります。ただし高被覆を追求しすぎると不要な冗長も増えるため、後述する被覆–冗長トレードオフの観点で評価します。
帰属（引用）指標
回答の各トークン t がどの出典 d_i に由来するかをモデル内部の注意重みや勾配サリエンシから推定し、トークンと文書の対応行列 A_{t,i} を得られると仮定します。
このアラインメント行列をしきい値処理することで、回答中の情報源帰属の精度・再現率・F1値を算出できます。MIRAGEのようなモデル内部表現を用いた忠実な帰属推定手法では、人手アノテーションと高い一致率を達成しています。aclanthology.org
本記事でもこれを参考にトークンレベルの帰属正確度を評価指標に含めます。
参考文献
・ar5iv.labs.arxiv.org
・developers.google.com
・aclanthology.org
1. 検索から生成への転換とLLMOの定義
従来の検索エンジンはユーザのクエリに対しトップ10件程度の関連ページ（「10青リンク」）を返していました。arxiv.org
しかし近年、大規模言語モデル(LLM)を組み込んだ生成AI検索へのパラダイム転換が起きています。arxiv.org
Googleも2023年に検索結果にAI要約を表示するAI Overview機能を導入し、質問に対して検索結果から抽出・統合した文章回答を提示し始めました。blog.google
このAI概要はウェブ上の複数ソースを引用付きで統合しており、ユーザは回答内のリンクから各出典ページに遷移できます。developers.google.com
実際、AI概要導入後はユーザ満足度が向上し、検索利用頻度も増加した（主要市場で該当クエリの検索回数が10%以上増）という報告もあります。blog.google
これは、検索トラフィックの一部がAI生成回答経由でサイト訪問する形に変わりつつあることを意味します。
この記事では、このようなAI生成による要約・回答で参照されやすいコンテンツをいかに設計・最適化するかという問題意識のもと、“LLMO”（Large Language Model Optimizationの略）という概念を定義します。
LLMOとは「AIに引用したい・要約に使いたいと思われる情報資産を構築するための最適化」のことで、従来のSEO（検索エンジン最適化）が「検索結果で上位表示され人がクリックしたくなること」を目指したのに対し、LLMOは「生成AIが回答の根拠として採択したくなること」を目標とします。oliveandcompany.com
Googleも公式に「AI検索時代にもまず人にとって有益で独自性のあるコンテンツを作ることが重要」であると強調しており、生成AIに選ばれるコンテンツの質・構造・信頼性がこれまで以上に問われています。developers.google.com
この記事ではまず生成AI（LLM搭載の検索）が文書を選択・要約する意思決定プロセスをモデル化し、そこで考慮される文書要因を整理します（第2章）。
次に、検索連動型LLMの新たな動向として自己検証型RAG (Self-RAG)の仕組みや、LLM自身による回答評価（LLM-as-a-Judge）の活用とその偏り問題を概観します（第3–4章）。ar5iv.labs.arxiv.org
さらに、GoogleのAI概要機能を例に、生成AIが好む情報源の特徴（新鮮性・構造化・権威性・安全性など）を分析し、コンテンツ側で取り得る具体的施策（チャンク分割、スキーマ付与、エンティティ埋め込み、更新頻度、ライセンス表示等）を提案します（第5–10章）。
参考文献
・arxiv.org
・blog.google
・developers.google.com
・oliveandcompany.com
・ar5iv.labs.arxiv.org
2. 生成器の意思決定モデル
まず、生成AIが参照文書を選ぶ仕組みを数理モデルとして捉えます。
前述の通り、文書選択確率は質問との関連度 sim(f(q), f(d_i)) や文書特徴 g(d_i) に依存すると考えられます。
また、一問一答ごとに複数文書を選ぶ際、多様性を確保しつつ質問のあらゆる側面をカバーする必要があります。これを被覆問題として定式化すると、例えば次のようなサブモジュラー関数 F(S) を最大化する文書集合選択になると考えられます。
ここで T は回答に必要な知識要素（トピックや事実）の集合、p_{it} は文書 i が要素 t をカバーする確率、w_t は重要度重みです。F(S)は各要素が少なくとも一つの選択文書によってカバーされる確率的な被覆率を表し、サブモジュラー関数となります。arxiv.org
この種の被覆最大化問題には貪欲法で 1 – 1/e 以上の近似解が得られることが知られています。生成AIは概ねこのような関連度＋多様性最大化の原理で引用文書集合を決めているとみなせます。
実務上、生成器側で文書選好に影響する要因としては以下が考慮されています。
質問との内容関連性: キーワードマッチやベクトル類似度（embedding）によるスコア。質問との高い意味的類似度は基本要件ar5iv.labs.arxiv.org。
文書の構造・書式: 見出しやリスト、表など構造化度合い。生成AIは回答を組み立てやすい文章構造を好む傾向があります。
権威性・信頼度: 医療や法律など専門分野では著者資格やドメインの信頼性が重要。大手ニュースサイトや学術資料へのバイアスも報告されています。
情報の新鮮性: 特に時事や流行に関する質問では、より新しい更新日のページが選ばれやすい（一定期間で減衰）。
ライセンス適合性: コンテンツの利用許諾。明示的にCC BYなど再利用可能な表示があると引用しやすい。
安全性: 個人情報を含まないか、不適切な内容でないか。フィルタリングにより有害な文書は除外されます。
これらは前述のロジットモデル内の特徴量 g(d_i) やペナルティ項として組み込まれ、総合スコアの高い文書が採択されると考えられます。
生成AIシステムによって重み付け（パラメータ α, β 等）は異なりますが、コンテンツ提供者はこれら要因を意識して文書を設計することで採用率（Adoption Rate）を高める戦略を立てることができます。
参考文献
・arxiv.org
・ar5iv.labs.arxiv.org
3. 自己検証型RAGによる内省と引用制御
LLMを検索に組み合わせたRAGでは、常に外部情報を引くとは限りません。近年提案されたSelf-RAG（Self-Reflective Retrieval-Augmented Generation）は、生成途中でモデル自身が「今外部知識が必要か」を内省し、必要な場合にのみ検索・参照する手法です。ar5iv.labs.arxiv.org
Self-RAGではLLM内部にリフレクション・トークンと呼ばれる特別なトークンを導入し、
- ある段階で追加知識が要ると判断すれば検索トークンを出力して外部検索を呼び出し
- 複数取得したパッセージの関連性を評価しつつ回答文を生成
- さらに自らの出力内容を批評するトークンを出して事実性や完成度を吟味し、必要に応じて最良案を選ぶ
というサイクルを回します。ar5iv.labs.arxiv.org
従来のRAGが質問毎に固定数の文書を機械的に付与していたのに比べ、Self-RAGは「本当に必要な時だけ検索し、要らない時は引かない」柔軟性があります。ar5iv.labs.arxiv.org
この内省プロセスにより、LLMが無駄な引用で回答を乱さないようになり、結果として引用精度の向上と回答の事実性改善が報告されています。ar5iv.labs.arxiv.org
実験ではSelf-RAGを組み込んだ7B/13Bモデルが、ChatGPTや通常のRAG強化モデルよりオープンドメインQAや事実検証タスクで優れ、長文生成における引用の正確さも向上したことが示されています。ar5iv.labs.arxiv.org
Self-RAGの重要なポイントは、どの粒度でどの程度情報を引くかという判断をモデル自身が行う点です。ar5iv.labs.arxiv.org
この「引用の必要性判定」ロジックを逆手に取れば、コンテンツ側では適切な“意味の塊”で情報を提供することが有効だと推測できます。
すなわち、モデルが「この一段落だけで十分」と判断できるよう、文書を意味的に自己完結したチャンクに分けておくことが望ましいわけです（後述の「意味的原子化」セクションで詳述）。
また、Self-RAGではモデルが自ら引用箇所ごとに「この部分は出典Xに基づく」という注釈も生成するため、出典表示が細分化されます。ar5iv.labs.arxiv.org
したがって、文献単位ではなく段落単位・文単位での引用が増える傾向があり、コンテンツ側も各段落ごとに明確なトピックと出典性を持たせることが重要となります。
参考文献
・ar5iv.labs.arxiv.org
4. 帰属と評価: LLM-Judgeの活用とバイアス
人間に代わりLLMが回答の品質評価や勝敗判定を行うLLM-as-a-Judgeの手法が近年注目されています。arxiv.org
強力なモデル（例: GPT-4）に2つの回答を提示しどちらが良いか判断させるChatbot Arena方式や、チャット評価用ベンチマークMT-Benchが登場し、LLMジャッジは人間評価と80%以上の一致を示すとの報告もあります。emergentmind.com
これにより、大規模な自動評価が可能になりましたが、一方でLLMジャッジ特有のバイアスも明らかになっています。emergentmind.com
代表的なのは
- 位置バイアス：提示順序で後者を高く評価しがち
- 冗長さバイアス：（長文や丁寧な回答を過大評価する傾向）
- 自己優越バイアス：（自分が属するモデルの回答を高く採点する）
例えばMT-Benchの研究では、モデル判定は回答の長さや語調に影響され、本質的な正確さと関係なくスコア差がつく場合があると指摘されています。emergentmind.com
これらバイアスを緩和するため、評価時に回答の提示順をランダムにしたり、事前に数ショットプロンプトで評価基準を具体化する工夫が提案されています。emergentmind.com
それでも完全には偏りを除去できないため、LLMジャッジ結果を鵜呑みにするのには注意が必要です。
こうした背景から、評価尺度そのものを高度化する試みも現れています。REC (Rate-Explain-Cite)は、自動評価モデルに単にスコアを付けさせるだけでなく、評価理由の説明と根拠となる出典を同時に出力させるアプローチです。arxiv.org
RECでは8B〜70B規模の評価専用LLMをファインチューニングし、生成文の事実忠実度・指示遵守・一貫性・網羅性といった観点でスコアを付けさせつつ、その判断根拠を文章で説明させ、さらに判断を裏付ける引用箇所を提示させます。arxiv.org
これにより評価プロセスの透明性が増し、バイアスの軽減や誤評価の発見に繋がります。実際REC-70Bモデルは従来のGPT-4ベース評価より説明・引用の質が高く、評価バイアスも最小限だったと報告されています。arxiv.org
評価者自身が根拠を示すことで、例えば事実誤りを見逃さず指摘できる効果が期待されます。arxiv.org
以上のように、生成AIによる回答評価手法は進歩しつつありますが、完全自動で信頼できる評価基準を確立するには課題も残ります。
特に自己言及的な増幅（モデルが自分の出力傾向を好む）や評価モデル間の不一致を検出・調停する工夫が必要ですarxiv.org。
そのため本研究では、LLMジャッジの結果を用いる場合も複数モデル・複数プロンプトによるクロスチェックを行い、評価の安定度（評価者間の分散やコーエンκ係数）を測定する設計を採ります。
評価方法そのものの妥当性を担保しつつ、客観的な指標でLLMO施策の効果を測ることを目指します。
参考文献
・emergentmind.com
・arxiv.org
5. AI概要における情報選好：構造化と高品質コンテンツ
それでは具体的に、生成AI搭載の検索（AI Overviews）がどんな情報を好んで参照するか、Googleの公式見解と実例から考察します。
Googleは「AI検索においても基本は同じ。ユーザーにとって有益で独自性のあるコンテンツを提供するサイトが成功する」と述べており、また「ページの構造化データがマシン読み取り可能な情報を提供し検索機能で考慮される」と公式ガイドで明言しています。developers.google.com
具体的には、FAQやHowTo、医療系スキーマ (MedicalEntity) などを正しくマークアップし、コンテンツの要点が機械的にも把握しやすい形にしておくと有利だと言えます。
また画像や、動画の併用も推奨されています。AI検索ではテキスト以外に画像を解析して回答するマルチモーダル検索も行われており、関連する高品質な画像・動画をページに含めると総合的な回答の一部として採用される機会が増えます。developers.google.com
実際、Googleは「AI Overviewsでは写真を撮って質問すると包括的な回答とリンクが得られる」とアピールしており、画像付きコンテンツを用意しておくことが重要です。developers.google.com
一方、AI概要の出典表示の形式も進化しています。2024年8月のアップデートでは、AI生成回答の右側に引用元サイト一覧が目立つ形で表示されるようになりました。theverge.com
従来は回答文中に脚注的にリンクが埋め込まれていましたが、現在はデスクトップでは回答ボックス右欄にロゴ付きで出典サイト名が列挙され、モバイルでも回答右上のアイコンから出典一覧にアクセスできます。theverge.com
さらに、回答テキスト中の重要部分に直接ハイパーリンクを付与する試験も行われており、ユーザーがその場で関連サイトに飛べる導線が強化されています。theverge.com
Googleは「この変更により出版社サイトへのクリックが増加する傾向が確認された」と述べており、懸念された「AIが回答を完結させてしまいトラフィックが減る」という問題に一定の対策を講じています。theverge.com
回答要約の右上に出典サイトのアイコンが表示され、タップすると引用元リンク一覧が展開される（2024年8月のUI変更）。theverge.com
加えて「AI概要を保存して後から見返す」機能や、回答を簡略化するボタンの追加などユーザー体験向上のアップデートも続いています。theverge.com
とはいえ、生成AIが他サイトのコンテンツを要約・再構成することへの懸念もあります。例えばWIRED誌の記者は、自身の執筆記事がGoogleのAI概要に無断でほぼそのまま要約流用された事例を報告しています。wired.comwired.com
AI回答の冒頭段落が元記事の表現と言い回しを借用しているのに、出典リンクは回答末尾の脚注にひっそり載っているだけで読者には気づかれにくい、という問題提起でした。wired.comwired.com
これに対しGoogle側は「AI Overviewsはウェブ上の上位結果に現れる情報を概念レベルでマッチさせて要約しており、ウェブコンテンツの代替ではなくユーザーに概要を掴んでもらってさらにクリックしてもらうためのものだ」と弁明しました。wired.com
さらに「AI概要に含まれるリンクは、通常の検索結果としてページが載るよりもクリックされる割合が高い」という主張もしています。wired.com
しかしそのデータは公開されておらず、しかも比較対象が通常の青リンクであって、元記事が従来得ていたような強調スニペット枠での露出と比べてどうかは不明です。wired.com
このように、出版社側には依然「自サイトのコンテンツがAIに吸い取られ、ユーザーを取られるのでは」という不安があります。Googleは品質低下を招いた例として挙げられた「ピザに接着剤を塗る」「岩を食べる」等の誤回答（Reddit投稿や風刺サイトThe Onionの記事が元）に対応するため、AI概要にユーザー生成コンテンツ（UGC）が使われにくいよう調整を行い、ナンセンスなクエリではAI概要自体を出さない措置を取ったと明かしています。theverge.com
この結果、AI概要が表示される頻度は一時期低下し、RedditやQuoraが出典に選ばれるケースも激減したと報じられています。theverge.com
これらは安全性・信頼性確保の観点からの調整ですが、副次的に「速報性のあるUGCより既存メディアサイトを優先する」という傾向を強めたとも言えます。生成AIによる要約が情報流通に与える影響は今後も監視が必要であり、各国で著作権やニュースコンテンツ使用料の議論も進んでいます。theverge.com
コンテンツ提供者としては、自サイトの情報が適切に引用表示されるよう構造化しつつ、引用される価値をユーザーとAIの双方に提供するバランスが重要です。
参考文献
・developers.google.com
・theverge.com
・wired.comwired.com
6. 文書の「意味的原子化」：適切なチャンク分割
前述のSelf-RAGの文脈でも触れたように、AIに引用されやすい文書を作るには意味のかたまり（チャンク）を最適な大きさに分割して提供することがポイントです。チャンクが大きすぎると不要情報まで含まれノイズになり、逆に小さすぎると文脈が断片化して意味を成しません。
そこで文書を自己完結した意味原子に区切ることを考えます。oliveandcom
一つのアプローチは各候補セグメント s に対し以下のような原子性スコアを定義し、それが最大になるよう境界を調整することです。
ここで H(s) はテキストsのエントロピー、NLI_cons(s) は前後文脈との論理的一貫性（Natural Language Inferenceで矛盾がないか）、Entity_coh(s) は含まれるエンティティ群の関連の強さを表す指標です。
エントロピーはテキスト内の予測不能性を示し、高すぎると情報が混みいっている/ランダムであることを意味します。mdpi.com
したがって 1/H(s) の項でテキストの規則性・予測可能性が高い（=情報に冗長や重複が少なく筋が通っている）ほどスコアを上げます。
NLI_cons はチャンク内の文同士が矛盾せず一貫しているかを測り、Entity_coh はチャンク内で言及される人物・地名・用語などが互いに関係性が強いか（知識グラフ上で隣接しているか等）を見ます。
これらを組み合わせ、スコアAtom(s)が高いチャンクになるよう境界を動的に決めます。
例えばEntropy（情報量）に基づき局所的に最も乱雑さが低くなる点で文章を区切る手法が研究されています。Wangら(2025)はEDTS（Entropy-Optimized Dynamic Text Segmentation）を提案し、テキストを滑らせながら窓ごとの条件付きエントロピーを計算し最小値となる位置を境界とするアルゴリズムを示しました。mdpi.com
この方法では各チャンクがそれ以上細分すると情報量が急増するギリギリのサイズで保たれるため、「チャンク内で情報が完結していて予測可能性が高い＝自己完結度が高い」ことを保証できます。mdpi.com
実験ではEDTSにより抽出されたチャンクを用いると、従来の固定長分割や文単位分割よりもRAGの回答精度が向上したと報告されています。mdpi.com
以上を踏まえ、本研究では文書を章・節・段落といった論理構造に沿いつつ、各段落が単独でも意味を成す粒度となるようコンテンツを構成します。
具体的には一段落内に一問一答を想定した完結な情報を入れ、段落冒頭に要旨を述べ、後続文で詳細を加えるピラミッド型スタイルが有効です。oliveandcom
こうすることでAIが途中から抜き出しても意味が通りやすくなり、結果的にその段落全体が引用単位として扱われる可能性が高まります。oliveandcom
逆に長大な段落で複数トピックが混在する場合、AIは必要部分だけ切り取るのに苦労し、他により抽出しやすい文章を選ぶかもしれません。
適切なチャンク最適化はLLMOの根幹と言える施策であり、後述の実証実験でもチャンク再編成（大見出しを増やす、段落を分割する等）の効果を検証します。
参考文献
・oliveandcom
・mdpi.com
7. 構造化データとスキーマの活用
ウェブ標準の構造化データ (Structured Data)は検索エンジンにコンテンツを理解させる手段として長らく用いられてきました。
AI概要も基本的に従来の検索インフラ上で動いているため、構造化データの恩恵は引き続き有効と考えられます。salt.agency
実際Googleは「構造化データをマークアップしておけば当社システムが内容を把握し、検索結果での特定機能の対象になる」と述べています。developers.google.com
記事やニュースにはArticleスキーマ、Q&AにはQAPage、FAQにはFAQPage、製品にはProduct、組織情報にはOrganizationといったschema.orgのボキャブラリを適切に付与し、しかもマークアップ内容が実際のページ表示内容と一致していること（ポリシー遵守）を確認することが大切です。developers.google.com
構造化データが正しく実装されていれば、検索システム側で情報抽出の精度が上がり、AI生成時にも参照される確率が高まると期待できます。
しかし興味深いことに、最近の大規模調査によれば「特定のスキーマ型を入れればAI概要で引用されやすくなる」といった単純な優位性は確認されませんでした。salt.agency
SALT社の分析では、AI Mode（生成AI検索）で引用された約10万件のURLについて構造化データの有無を調べたところ、導入率は一般的なサイトと同程度であり、FAQやHowToスキーマを入れているサイトが特別多く引用される傾向は見られなかったのです。salt.agency
引用元となったページで特に多かったのはOrganization (82%)・WebPage/Article (76%)・BreadcrumbList (59%)・FAQPage/QAPage (41%) といった基本的なもので、要するに多くの優良サイトが通常から実装している標準的スキーマが主でした。salt.agency
これは「珍しいスキーマを追加すれば有利になる」というSEO的テクニックは通用せず、あくまでサイト全体が適切に構造化されていること自体がハイジーン要因（衛生要因）に留まる可能性を示唆します。salt.agency
背後には、LLMがページを読む際にJSON-LDをグラフ構造として理解するのではなく、生のトークン列として処理しているという事実があります。salt.agency
LLMにとっては構造化データの記述も他の本文と同じように文字列に分解されるだけであり、「@type”:”FAQPage” と書いてあってもその意味を直接解釈しているわけではない」ことに注意が必要です。salt.agency
したがってスキーマは依然として検索インデックスやリッチリザルトには有用でも、AI要約の文脈ではモデルに間接的に効く（情報の一貫性や網羅性を高める補助）程度と考えられます。salt.agency
以上より、構造化データ施策としては「サイト全体で基本スキーマを漏れなく正確に入れる」「特に記事の構造（見出しと段落）をHTML上正しくマークアップし、パンくずリストや著者情報もマシン判読可能にする」ことが重要です。salt.agency
FAQやHowToをコンテンツ内に持つ場合は対応するスキーマを付与し、AIに文脈を伝えます。ただしマークアップを増やしすぎて可読性を損なったり、実態と異なる誤ったスキーマ（例えばFAQでないものにFAQPageを付与する等）を入れるのは逆効果です。developers.google.com
構造化データはあくまで正確性と完全性（網羅すべき項目がきちんと埋まっている）を重視し、凝ったスキーマでの小手先策よりも基礎的な情報（組織名・ページタイトル・見出し階層）の機械可読性向上に注力すべきでしょう。salt.agency
参考文献
・salt.agency
・developers.google.com
8. エンティティと知識グラフの活用
AIが情報を統合する際には、単なるキーワード一致以上にエンティティ（実体）レベルでの整合を図っています。ipullrank.com
質問文を解析して、人名・地名・専門用語などの実体を特定し、それらに関連する知識を集約する動きがあります。ipullrank.com
従ってコンテンツ側でも、自分のページ内の重要語句を対応するエンティティにきちんと紐付けておくことがLLMOに有効です。
具体的には、可能であればWikidata等のIDを付与することが考えられます。Schema.orgのsameAsプロパティにWikidataやWikipediaのURLを入れたり、記事内で固有名詞に対して知名度の高いページへのリンクを貼る手法です。ipullrank.com
iPullRankの調査では「ページ内で一貫してエンティティを公共のIDにリンクしていると、検索エンジンやLLM機能がそのブランドや製品を曖昧さなく理解し、関連ページを統合し、側面ごとの評価を適切に行いやすくなる」とされています。ipullrank.com
例えば “Paris” という文字列も、それがパリ市 (Q90) なのか人物パリスなのか曖昧ですが、Wikidata QIDに紐付けておけばAIは確実に「都市パリ」と認識できます。また自サイト内の他記事への内部リンクも、AIにとってはその文脈を補完する手がかりになります。関連トピック同士を相互にリンクしておけば、AIが回答生成時に「このトピックに強いサイトだな」と判断し、包括的な情報源として引用を増やすことにも繋がります。
さらに、生成AIは裏でナレッジグラフを参照している可能性があります。ipullrank.com
Googleであれば社内のKnowledge Graphに加え、WikidataやDBpediaなどオープンなグラフ、そして医療ならMeSHやSNOMED CT、地理ならGeoNamesといったドメインごとの階層も活用していると考えられます。ipullrank.com
したがって、自分のコンテンツに含まれる専門用語がそうした外部知識体系でどう位置付けられているかを把握し、説明不足にならないよう補足したり定義を明示しておくことが有益です。例えば医学記事なら難解な疾患名に対し「（ICD-10コードXXX）」などと注を付けるだけでも、AIにはその疾患の同義語や上位カテゴリが伝わりやすくなります。エンティティ同定・リンク付けは検索エンジンが自動でも行いますが、こちらからマークアップやリンクで手助けすることで解釈の精度向上が期待できます。ipullrank.com
要するに、LLMO施策としては「もの・こと・人」をしっかり特定して示すことが重要です。固有名詞は正式名称を使い、省略やニックネームばかりに頼らないようにします。
また初出時に()で別名や英語名を補足したり、年号など時の情報を付与するのも有効でしょう。AI検索システムは「文字列ではなく実体」を理解しようとしているため、我々も自サイト内で実体同士の関連を明確に記述する（例：「Apple社 (米国の企業)」や「ジョーダン（国名）」「ジョーダン（人名）」のように曖昧性を下げる）ことで、AIから選ばれる精度を高められるのです。ipullrank.com
参考文献
・ipullrank.com
9. 新鮮性と安定性のトレードオフ
検索エンジンにおいて古く陳腐化した情報より、新しい情報が優先されるのは言うまでもありません。生成AIも知識のアップデートが求められますが、既存のLLMは学習時点までの知識を内包しており、急な事象には脆弱です。
そのため検索連携で最新のページを取りに行くわけですが、新しければ良いというものでもない点に注意が必要です。極端に新規公開されたページは内容検証が進んでおらず、不確かな情報を含む可能性があります。
またニュースやSNS投稿など一次ソースの場合、誤報やジョークをそのまま拾ってしまう危険もあります。theverge.com
実際GoogleはAI概要がRedditの冗談投稿を拾って有害な提案をしてしまった問題を受け、ユーザー投稿の引用を制限する方向に動きました。theverge.com
これは鮮度より信頼性を優先した措置と言え、システム側で鮮度・安定性のバランスを調整している例です。
LLMOの視点では、コンテンツの定期的な更新が採択率向上に寄与します。AI検索はページの更新日時も見ていますし、表示上も「○○日前に更新」と出ることでユーザーの信頼度も増します。oliveandcom
検索最適化の専門家は「AIシステムはコンテンツの新鮮さを確認しており、更新日が明示されていると関連性判断に有利になる」と指摘していますoliveandcom。従って記事には最終更新日を表示し、定期的に内容を見直して追記・訂正することが推奨されます。oliveandcom
特に統計データや価格情報など日進月歩の事項は、古いままだとAIが引用を避ける可能性があります。
一方で長年更新が不要な「定番知識」も存在します。その場合でも一度内容を精査し直し、「現在でも有効な情報である」旨を注記したり関連リンクを追加するなど、適度に手を入れることが望ましいです。
つまりEvergreenコンテンツであっても放置せず、時折アップデートして常緑状態を保つことがAIには好まれます。oliveandcom
また、新規公開コンテンツについては初期段階での露出を高めるため、検索コンソールへの迅速なインデックス登録（URL検査による送信）やサイトマップ更新も有効でしょう。AI検索は基本クロール・インデックスされたページから引用しますので、そのインデックス入りを早めるのは必要条件です。
総じて、新鮮性（Freshness）スコアは時間経過とともに指数関数的に減衰する要素とみなされます。prnewsonline.com
更新頻度が高いサイトはAIから見て「生きている情報源」と映り、低頻度のサイトは徐々にスコアが下がる可能性があります。
ただし前述のように、安定した信頼情報を持つサイトは鮮度が多少低くても採択される場合もあります。そのため自サイトの性質に応じて、速報性を重視すべきか、腰を据えた高品質解説路線で行くか戦略を定めると良いでしょう。
いずれにせよ、コンテンツの最新性をユーザーとAI双方に伝える工夫（更新日時の明示や新旧情報の比較掲載など）を施すことがLLMOにおける重要ポイントです。
参考文献
・theverge.com
・oliveandcom
・prnewsonline.com
10. 安全性とライセンス: AIに安心して引用させるために
生成AIが参照する情報源には、安全上のフィルターが掛けられています。具体的には、暴力・差別・わいせつなど不適切な内容を含むページ、個人情報が露出しているページ、医療助言で誤情報の恐れがあるページなどは、検索エンジン側で低評価・除外される可能性があります。
これは従来の検索品質評価ガイドライン（YMYL: Your Money Your Lifeの概念など）にも通じますが、AIの場合さらに厳格でしょう。なぜならAI回答で有害情報を生成してしまうと直接プラットフォームの責任問題になるため、出典段階でリスクを排除しにかかるからです。theverge.com
GoogleがAI概要からReddit等を遠ざけたのも、不特定ユーザによる玉石混交の情報源を避け、安全圏からまとめようとしたためと考えられます。theverge.com
以上を踏まえ、LLMO観点では自サイトの安全性を高めておくことが必要です。
具体的には:
- 個人情報や機微情報の扱い: 記事内に氏名や住所等をむやみに載せない。引用する場合も必要最低限にする。
- 医療・法律情報の表現: 権威ある出典に基づき、根拠を示しながら記述する。断定を避け免責事項を添える。可能なら専門家が監修した旨を明記する。
- 差別的・挑発的表現の排除: ユーモアや比喩でも、AIには文脈不明で不適切と判断される恐れがある表現は避ける。
- ユーザ投稿の管理: 自サイト内のコメント欄やフォーラムがある場合、不適切書き込みが放置されないようにする（検索クローラはコメントも見ることがあります）。
次にライセンスの問題です。AIが回答内で文章を直接引用する場合、著作権上の扱いがグレーな部分があります。
そのため生成AI側では、なるべくオープンライセンスの情報源を優先する可能性があります。
例えばWikipediaや政府サイト（公共ドメイン）は出典として好まれやすいでしょう。
また、Google検索中央ブログ自体も「当ページの内容はCC BY 4.0ライセンスで提供」と明記しており、AI機能に取り込まれることを前提にオープン化しています。developers.google.com
コンテンツ提供者としても、自社ポリシーで明確に「引用歓迎」「要約利用OK」等を示しておけば、AI側が安心して参照できるかもしれません（現状でそこまで細かく見ているかは不明ですが、少なくともクレームリスクが下がります）。逆に有料会員限定記事やDRM保護されたテキストはAIも避けるでしょう。
まとめると、安全性（Safety）とライセンス適合性（Licensing）はLLMOにおける参照されるための最低条件です。
コンテンツ側でできることは、健全で信頼できるトーンを維持し、引用元として問題ないオープン性を打ち出すことです。著作権表示や利用許諾に関するページ（例えば「転載・引用について」）を用意しておくのも良策です。
将来的に検索エンジンが「このサイトはAIへの引用を許可/拒否している」といったメタタグを導入する可能性もありますが、現時点ではそのような仕組みは無いため、サイト全体の印象として「安全でクリーンな情報源」であることを示しておくことが大切です。
参考文献
・theverge.com
・developers.google.com
おわりに
LLMOは従来のSEOを発展させた新領域であり、まだ確立された手法はありません。
しかしこの記事で述べたように、AI側の動作原理を逆算すればヒントは多く得られます。自己検証型のRAGが進めば、コンテンツ側も必要な時に役立つ原子知識を提供することが肝要になります。LLMジャッジの評価バイアスに対しては、RECのような説明・引用付き評価で補強しつつ、人間評価とも付き合わせていく必要があります。
AI概要の進化とそれに伴うウェブトラフィックへの影響にも注意が必要で、出版社はクリック減少への対策や、引用表示の改善要求など声を上げ始めています。
また、この記事が提案するLLMOアプローチは、サイト運営者が受け身にならず能動的にAI時代の検索最適化に取り組む指針を提供するものです。研究と実践を通じて検証を重ね、この新しいフロンティアにおけるベストプラクティスを解明していきたいと考えています。