← GEO Academyへ戻る
トレンド

2026年GEO研究解説（I）：ブランドのAI可視性に階層別の測定が必要な理由

2026年6月に公開されたブランドのAI可視性に関する大規模研究を読み解き、言及率、引用元、ブランド成熟度、感情の安定性を分けて測る理由と、再現可能なGEOベースラインの構築方法を解説します。

2026/07/13公開 7分で読めます
GEO研究AI検索可視性ブランド言及GEOモニタリング

2026年GEO研究解説（I）：ブランドのAI可視性に階層別の測定が必要な理由

「AIにブランドが言及された」という事実は、GEOレポートの出発点であり、結論ではありません。

2026年6月18日に公開されたプレプリント *Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines* は、2026年3月から5月にかけて、100を超えるブランドについて100,000件以上のAI検索回答を分析しました。企業にとって最も有用な教訓は、特定ブランドの出現率ではなく、言及、順位、引用元、感情をそれぞれ分けて評価するという、より実践的な研究フレームワークです。

本稿は「2026年GEO研究解説」シリーズの第1回です。個別の記事をどう修正するかではなく、企業が最適化を始める前に確立すべき可視性のベースラインを扱います。

論文が明らかにしたブランド可視性の階層

この研究はブランドを成熟度に応じて3階層に分け、最初のテストにおける関連AI回答での言及率を、世界的に認知されたブランドで約73%、確立された中規模または地域ブランドで44%、ニッチおよび小規模ブランドで11%と報告しました。

これは、すべての大手ブランドが必ず推薦されるという意味でも、小規模ブランドに機会がないという意味でもありません。研究対象のサンプル、質問セット、観測期間では、既存のブランド認知度がAI検索における初期可視性に大きく影響したことを示しているにすぎません。

企業にとって本当に重要なのは、ブランドが当初表示されない原因を、公式サイトの特定コンテンツが弱いことだけに帰さないことです。AI回答でのブランド可視性は、ブランド認知度、情報源のエコシステム、質問の種類、プラットフォームの検索メカニズム、時間の経過に伴う変化によって共同で形成されます。

したがってGEOプロジェクトでは、2つの目標を区別すべきです。1つは、すでに知られているブランドが競合比較や購入判断の質問でどう提示されるかを改善すること。もう1つは、AIがまだ理解していないブランドを、発見、ユースケース、カテゴリに関する質問の候補群へ入れることです。この2つでは、質問セット、コンテンツ、評価基準が異なります。

企業サイトからの引用が78%でも、公式サイトが78%を占めるわけではない

論文によると、AI検索回答に引用が示された場合、その約78%が企業ウェブサイトのカテゴリに分類されました。しかし著者らは、その大半が分析対象ブランドの公式サイトではなく、第三者企業のサイトだったとも記しています。要約表では、ブランド自身が所有するウェブサイトはごく一部にとどまりました。

この結果は「公式サイトを拡充すればAIからの引用が増える」と誤読されがちです。より正確には、AIは企業、製品提供者、小売業者、レビュー事業者、業界サービス提供者が公開した情報を頻繁に利用するものの、その情報エコシステムは単一ブランドの公式サイトと同じではない、ということです。

企業は3つの情報源レイヤーを同時に管理する必要があります。

第1は、自社が保有する事実情報源です。製品ページ、料金ページ、ヘルプセンター、事例ページ、仕様、サービス範囲のページなどが該当し、正確で、検証可能かつ更新可能な一次情報を提供します。

第2は、第三者による検証情報源です。メディアレビュー、業界ディレクトリ、専門機関、パートナー、小売チャネルなどが該当し、独立性と比較の文脈を加えます。

第3は、発見されやすいコンテンツ形式です。この研究では、順位付きの「おすすめ」リストが、サンプル内で最も頻繁に引用されたページ形式の1つでした。これは、外部から評価、比較、集約できるコンテンツの入口が不足していないかを企業が確認すべきことを示しています。ランキング記事を大量生産すべきだという意味ではありません。

感情とメンションを1つのスコアに統合すべきでない理由

論文では、感情ラベルの反転率が45.5%、言及シグナルの反転率が6.8%で、前者は約6.7倍高いことが観測されました。つまり、この研究ではAIがブランドに言及するかどうかは比較的安定していた一方、ブランドをどの程度肯定的または否定的に説明するかは、はるかに不安定でした。

これは月次GEOレポートにとって重要です。出現回数、順位、感情を1つの総合スコアにまとめると、感情の大きな変動によって本当の可視性変化が隠れたり、実際には存在しない異常が生じたりする可能性があります。

より有用なのは、指標を3つのグループに分ける方法です。

  1. カバレッジ指標：ブランドが出現するか、どの質問で出現するか、どの競合と同時に出現するか。
  2. エビデンス指標：AIがどのページを根拠にするか、情報源が古くないか、公式情報と第三者情報が一致しているか。
  3. 提示指標：どのような推薦、留保、リスク警告、感情傾向が含まれるか。

このように分ければ、AI回答でブランドが突然より否定的に示されたとき、チームはサイト全体を急いで変更する前に、言及の減少、情報源の差し替え、事実の変化、モデルの表現揺れのいずれが原因かを判断できます。

研究の境界：最適化成果の約束ではなく、観察によるベースライン

論文の著者らは、この研究が観察によるベースラインであり、特定の施策がブランド可視性を因果的に高めたという結論を裏付けるものではないと明記しています。ランダム化比較試験とクローズドループのプロトコルは、今なお開発中の研究課題です。ブランド階層には研究者による手動コーディングも含まれ、感情の変動にはモデル出力と分類器ノイズの両方が影響している可能性があります。

そのため、73%、44%、11%を業界への約束や企業KPIとして使うべきではありません。AI検索はすべてのブランドが同じ条件から始まるわけではなく、シグナルごとに信頼性が異なることをチームに認識させる材料として使う方が適切です。

この論文を企業のモニタリング実務に変える方法

単一の「AI可視性スコア」を追うことから始めてはいけません。まずブランド用の固定質問セットを確立し、ブランド言及、推薦位置、引用元、競合との共起、回答での提示をそれぞれ記録します。優先ページについては、どの質問によってAIが公式サイト、第三者メディア、製品チャネル、古いページを利用したかを記録する情報源台帳を維持します。

https://www.georadar.top のGEO Radarは、複数プラットフォームにおけるAI検索可視性分析、固定質問セットの反復テスト、競合比較、構造化レポートを支援します。プラットフォーム間で回答がどう異なるかを把握する助けになりますが、コンテンツ変更による改善の有無は、対照条件、記録、反復テストによって判断する必要があります。

この研究から得られるGEOの第一原則は単純です。最適化の規模を論じる前に、階層化したベースラインを確立することです。

この記事の情報源