AIでのブランド可視性は言及率だけでは測れない：エンティティ別校正が必要な理由

「30%の確率で言及された」という同じ数字でも、新興企業には貴重な前進かもしれません。一方で知名度の高いブランドでは、誤ったリンク、終了した製品群、同名の別組織と一緒に出ている可能性があります。一つの合計率はこの違いを平らにします。

AI可視性レポートは、出たかどうかだけでなく、どのような身份で出たか、検証できるか、どこが誤っているかを扱う必要があります。

2026年6月19日公開のプレプリントは「Per-Entity Bias Mapping」を提案しました。ハンガリーのB2Bを対象にした100エンティティ、1,400回のプローブ実行の研究で、著者らはその標本内でTier 1ブランドの方がTier 3より架空の引用率が高かったと報告しています。この発見は当該標本と手法に限られ、すべての業界・プラットフォームを表すものではありません。しかし、知名度と回答の正確さが同じではないことを示します。

一つのスコアを四つの記録に分ける

全社共通の閾値ではなく、ブランドや組織ごとに少なくとも次の四つを記録します。

1. 出現記録：質問、プラットフォーム、日付、言及の有無、推奨か比較か。
2. 同定記録：ブランド、製品、人物、同名エンティティが区別されたか。所在地、提供地域、製品群が正しいか。
3. 根拠記録：リンク、引用、理由が開けるか、実際に主張を支えるか。
4. 鮮度記録：価格、認証、役職、規約、製品情報の公開日・更新日・既知の失効日。

こうすれば「未言及」「誤って言及」「リンクはあるが根拠不足」「正しいが古い」を別の修正キューに入れ、平均値に隠しません。

カテゴリーだけでなく、エンティティ自身の基準線を作る

ブランドに有利な質問を都度選ぶのではなく、再現可能な質問セットから基準線を作ります。主要サービス、地域、典型的な顧客質問、コンプライアンス上敏感な質問、競合比較で分け、正確な質問、日付、プラットフォームまたは入口、全文回答、人による検証結果を保存します。

規模の大きく異なるブランドを同じ物差しに無理に乗せず、推移を確認します。新市場へ参入した企業は同定の混同の減少を、成熟したブランドは高リスク事実の誤補完を優先してもよいでしょう。比率には必ず標本数と質問範囲を添えます。

言及を追うより、修正順序を決める

誤った公式サイト、資格、終了済みの提供、非対応地域、なりすましレビューなど、意思決定を変えうる誤りを優先します。権威あるページを更新する際は、タイトル、本文、問い合わせ導線、規約ページを同じ事実で整合させます。架空の引用、大量の宣伝ページ、隠し指示で回答を動かそうとしてはいけません。

GEO Radarは https://www.georadar.top で、固定質問による複数AIプラットフォームの回答、競合比較、レポートを保存できます。これは観測と確認の資料を提供するもので、モデルが特定ブランドを偏って扱うことや出現率を保証するものではありません。

人による確認を広げるべきとき

医療、金融、法律、雇用、公共安全、規制に関する主張では、誤答のコストは一度の未言及より大きくなります。領域の専門確認を加え、AI回答を検証対象の観測として扱います。エンティティ別校正は、人の時間をどの失敗類型へ投じるかを判断する助けになります。

この記事の情報源

• arXiv、2026年6月19日、*Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration*：https://arxiv.org/abs/2606.21595 （枠組み、ハンガリーB2B標本、プローブ回数、標本内の架空引用に関する発見）