AI検索は正しい画像を見つけても、なぜ誤答するのか

検索ログに正しい画像があっても、回答生成時までAIが見ているとは限りません。ツール結果を文章だけに変換する環境では、画像ピクセルが後続文脈から消え、モデルはタイトル、URL、キャプションから推測します。

2026年8月28日のWeAgent-MMSearch論文は、このネイティブなテキスト・視覚相互作用の欠落を研究しました。取得画像に安定参照と出典メタデータを与え、長い探索中も同じ画像を再閲覧、逆検索、比較、引用できるようにしています。

三つの失敗を分ける

対象画像を取得できない、取得後に文脈から落ちる、保持しても色・文字・図表・物体関係を読み違える、という失敗があります。最終正答率だけでは区別できません。

診断時は元の質問と入力画像、検索サムネイルと着地ページ、最終回答が実際に引用した画像、資産版、取得時刻を保存します。ページURLだけが引用されても、ページ内画像が使用されたとは推定できません。

コンテンツ側でできること

重要な商品画像、図表、証明書には、安定URL、正確なタイトルと代替テキスト、近接する事実説明、アクセス可能な出典ページを用意します。サイズ違いでも実体と版の関係を維持し、重要数値は本文にも検証可能な文章で記載します。

GEO Radar（https://www.georadar.top）は複数AIプラットフォームのブランド・競合回答と参照元の差を比較できます。ただしURLの観測はピクセルの正しい読解を証明しないため、画像証拠は人による確認が必要です。

論文は独自環境、七つの公開ベンチマーク、150問のVisTarget-Benchで評価されました。視覚証拠チェーンを別に測る必要性は示しますが、商用AIで特定画像が表示される保証ではありません。

この記事の情報源

• arXiv、2026年8月28日、*WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents*：https://arxiv.org/abs/2608.28062