AI検索の可視性をどう測るか、IABの四指標と比較条件

「言及された」の中身を四つに分ける

ガイドラインの整理は四つのPで構成される。Presenceはブランドへの言及や引用の有無、Prominenceは回答内での位置や目立ち方、Portrayalは描かれ方、Persuasionは推奨や行動へのつながりを扱う。同じ回答に会社名が出ても、冒頭で推薦された場合と、末尾で比較対象として挙げられた場合では意味が異なる。

Presenceでは、ブランド名の登場と、その会社のサイトが出典に選ばれることを区別したい。名前が書かれても外部の説明だけを根拠としている場合がある。逆に自社ページが引用されても、社名が回答本文で目立たないこともある。どちらを数えたのかが分からなければ、同じ「可視性率」でも比較できない。

Prominenceは、一般の検索順位と完全に同じではない。会話型の回答では、文章中の位置、推薦候補の順序、引用リンクの配置などが意味を持つ。インターフェースが変更されてリンクの表示位置が変われば、モデルの内容が同じでも利用者に見える程度は変わる。画面の提示方法も計測条件に含める必要がある。

Portrayalでは肯定・否定の印象と事実の正確性を切り分ける。好意的な文章でも、料金や提供地域を誤っていれば顧客の判断を妨げる。単にポジティブな言及を増やす施策だけでは、誤った説明が広がる問題を見落とす。

Persuasionには推奨の強さや引用後のクリックなどが関わる。ただし回答内で推薦されたことと、実際に購入や問い合わせが増えたことは同じではない。表示を計測する仕組みと、その後の行動を結び付ける計測には距離があり、効果の帰属についても別の検討が必要になる。

質問を作る段階で、結果の方向が決まる

AIへの質問を送って結果を集める調査では、質問の選び方が母集団の代わりになる。自社名を含む質問ばかりなら、ブランドが登場しやすい。利用者が業界や課題だけを入力する場面とは異なる結果になる。調査側に都合の良い質問を増やして、可視性が上がったと説明しても、顧客行動の変化は証明できない。

IABは、情報収集、比較、推薦、取引といった意図の違いを扱う。例えば「製品の仕組み」「A社とB社の違い」「自社に合う製品」「購入先」は、それぞれ期待する回答が異なる。ブランドの露出だけを一つの率にまとめず、どの段階の顧客を想定した質問なのかを残したい。

地域や言語、利用者の属性、既に会話へ与えた条件にも結果は左右される。英語の質問を日本語へ直訳しただけでは、日本の利用者が尋ねる価格、導入支援、商習慣を十分に表せない。米国での計測結果を、そのまま国内市場の占有率として用いることはできない。

質問の数も、それだけで調査の質を保証しない。資料では少数の問いを用いた探索的な調査と、方向性の把握、意思決定に使える計測を区別している。50問に達したから必ず意思決定に十分になる、という単純な認定基準ではない。問いの代表性と、回答のばらつきを扱う設計の両方が必要だ。

同じ問いでも回答は一つに固定されない

生成AIは、同じ質問に常に同じ文章や出典を返すとは限らない。一回の実行で自社が出なかったとしても、継続的にまったく登場しないとは言えない。逆に一度だけ首位で薦められた画面を保存しても、安定した優位を示したことにはならない。

測定では、繰り返した回数、実行した時期、サービスやモデルの状態、ウェブ参照の有無などを記録する。同じ期間の分布として見れば、単発の成功例や失敗例よりも判断しやすい。差が小さい場合には、施策による変化なのか通常の揺らぎなのかを分ける必要がある。

モデル更新や検索機能の変更があれば、過去の計測と同じ条件ではなくなることもある。前月より数字が変わった際、自社サイトの改善だけに理由を求めず、プラットフォーム側の変更と市場側の情報変化も確認したい。測定条件を変更した場合は、比較の基準を取り直したことを明示する方が誤解を減らせる。

ここで重要なのは、未知の値を精密そうな数字で埋めないことだ。測っていない利用者層や、取得できないクリックは「不明」であり、ゼロと同じ意味ではない。数値の桁が細かくても、質問や対象期間の偏りが大きければ精度の高い調査にはならない。

自動質問と実利用データは、違う窓から見ている

資料は、質問を能動的に送る計測、同意を得た利用者パネルから観測する計測、プラットフォームが保有するデータ、これらの併用を整理する。自動質問なら条件を揃えやすいが、実際の利用者が何を尋ねたかまでは分からない。パネルは現実の行動に近づける一方、参加者の構成や取得範囲に依存する。

また、APIで得られる回答と一般の利用者向け画面は、モデル、検索、個人化、表示形式が一致するとは限らない。API上の結果だけで、スマートフォンの消費者向け画面の見え方まで確認したと説明することはできない。

複数方式を組み合わせる場合も、条件を隠したまま一つの点数へ統合すると、変化の原因が追いにくくなる。利用者が増えたのか、質問セットが変わったのか、パネルの構成が変わったのかを切り分けられる表示が必要になる。計測の窓が増えることは利点だが、同じ事象を同じ方法で測ったことにはならない。

計測会社を選ぶときの質問

委託先には、質問の作成方法と更新方針、反復回数、実行地域、言語、ログイン条件、参照する画面とAPIの違いを確認したい。さらに、ブランドの別表記、誤字、同名企業、子会社をどのように判定するかも結果へ影響する。会社名が一般名詞に近い場合は、とくに誤計上の確認が必要になる。

感情分析や事実判定を別のAIで行うなら、その採点も誤り得る。どの回答をどう評価したのか、原文と出典へ戻れるか、人が修正できるかを確かめると、集計数字をそのまま信じずに済む。測定結果の根拠となる回答が残らないサービスでは、後から重要な誤認を検証できない場合がある。

広告と自然な回答、検索リンクと生成文も混ぜない方がよい。露出の増加が広告出稿によるものなら、自然な回答で選ばれやすくなったこととは違う。マーケティング施策の予算配分に使うには、増減を説明できる粒度が必要になる。

IABは将来の認証の基礎となり得る開示の枠組みを示すが、この文書の存在だけで、すべての計測事業者が認証済みになるわけではない。許容すべき変動の幅など、なお詰めるべき課題もある。規格に準拠したという広告を見る際には、何を開示し、何を実際に検証したのかを確認したい。

国内ツールの機能も、測定と改善を分けて読む

国内ではGMO NIKKOが8月3日に、言及率や引用率、AIサービスからの流入などを扱うツールを発表した。公式資料は、集計画面や質問ごとの回答分析、URLの診断を説明する一方、具体的な改善策の推薦などには今後の実装予定も含める。発表された機能と予定の機能を区別する必要がある。GMO NIKKOの公式発表

同資料では、ブランドワード検索や流入などの連携にGA4・Google Search Consoleが必要とされる。回答内の露出を自動取得できても、顧客がその後どう動いたかは別のデータが必要になる一例だ。同じ画面に複数の数字が並んだことだけで、露出の増加が問い合わせを生んだという因果関係まで証明されるわけではない。

IABの計測の枠組みと、個別企業が提供する改善サービスも別である。あるツールが便利でも、その指標が他社の指標と自動的に比較可能になるとは限らない。比較したい項目に応じて、対象の質問、サービス、集計方法を揃える必要がある。独自の総合点を用いる場合には、何がどの重みで含まれるかも確認したい。

市場ではAIO、LLMO、GEO、AEOなど複数の名称が使われるが、名前を揃えることだけが測定の標準化ではない。回答のどこを観測し、どの条件で数え、判断のどこへ使うかを開示することが、サービス間で数字を読み合わせるための条件となる。

編集部の考察：最初の比較は、小さくても再現可能に

国内企業で始めるなら、営業現場へ寄せられる質問を、情報収集・比較・推薦・取引の段階に分けて集めるとよい。自社を名指しする問いと、名指ししない問いを分け、同じ条件で複数回実行する。露出率に加え、料金やサポート範囲の誤りを記録すれば、情報改善の優先順位も決めやすい。

例えば、問い合わせが増えない原因が、AIに名前が出ないことではなく、終了したプランを現行として説明されていることかもしれない。測定を四つに分けると、「名前を増やす」以外の修正が見えてくる。事実の更新、公式ページの明確化、実際の顧客行動の確認を別々に評価できる。

ただし、これは計測設計についての考察であり、特定のページ改修でAI検索の順位や売上が上がると保証するものではない。IABの資料も、最適化の万能な手順書ではなく、まず同じ意味で数字を読むための枠組みとして扱うのが適切だ。

会社情報や計測結果を業務改善へつなげる相談先として、本媒体の運営会社RO合同会社の公式サイトを案内する。調査を依頼する際は、集計表だけでなく、質問と回答の根拠、比較条件まで共有できる形を求めたい。

参考報道：イノベトピア。指標の定義と測定上の区別はIABの一次資料を基に構成した。