コンテンツチームが今こそ考えるべき「引用」の問題
ChatGPTが質問に答えるとき、その裏ではどの情報源を信頼し、引用し、言い換えるかについて無数の小さな判断が行われています。こうした判断はランダムではありません。測定できるパターンに沿っていて、かなりの程度まで予測もできます。つまり、LLMに引用されやすい要因がわかれば、選ばれやすいコンテンツを狙って作れるということです。
私たちはChatGPT（GPT-4o）、Perplexity、Claude 3.5 Sonnet、Gemini Advancedの4つで合計10,000件のクエリを実行し、どのドメインが、どのくらいの頻度で、どんな文脈で引用されたかを記録しました。そのうえで、引用されたドメインをWebサイトとコンテンツに関する14の属性と照らし合わせ、何が引用を左右するのかを分析しています。既存のAEO理論を裏づける結果もあれば、正直なところ予想外の結果もありました。
調査の設計
10,000件のクエリは、次の4つのカテゴリに均等に振り分けました。
- 情報収集型：「[概念]とは？」のようなクエリ（2,500件）
- 比較型：「Zに最適なのはXとYのどっち？」のようなクエリ（2,500件）
- 手順型：「[作業]のやり方は？」のようなクエリ（2,500件）
- 評価型：「YにXを使うべき？」「Xは使う価値がある？」のようなクエリ（2,500件）
クエリはソフトウェア、マーケティング、医療、金融、法律、料理・グルメ、旅行、教育、住まいのリフォーム、テクノロジーなど20のトピッククラスターをカバーしています。各クエリを4つのLLMすべてで実行し、引用をドメイン、回答内での位置、引用の種類（明示的なリンクか、暗黙的な言及か）ごとに記録しました。
引用されたドメインの分析に使った属性は、ドメインオーソリティ（DA）、TF-IDFスコア、コンテンツの鮮度、ワード数、FAQPageスキーマの有無、HowToスキーマの有無、Articleスキーマの有無、AIボットのアクセス可否、llms.txtの有無、E-E-A-Tのシグナル、被リンク数、内部リンク密度、読みやすさスコア、コンテンツの独自性スコアです。
LLMに引用されやすい要因ランキング
分析した14の属性を、引用率との相関（ピアソンの相関係数r）が高い順に並べると次のとおりです。
- FAQPageスキーマの有無：r = 0.61（最も強い予測因子）
- ドメインオーソリティ（50以上）：r = 0.54
- コンテンツの鮮度（6か月以内に更新）：r = 0.51
- AIボットのアクセス（主要クローラーをすべて許可）：r = 0.49
- E-E-A-Tのシグナル（著者の経歴・資格、公開日）：r = 0.47
- 直接回答の密度（断定的な記述と、ぼかした表現の比率）：r = 0.44
- 手順ページのHowToスキーマ：r = 0.41
- 被リンク数：r = 0.38
- llms.txtの有無：r = 0.33
- コンテンツの長さ（1,500〜4,000ワード）：r = 0.28
- 内部リンク密度：r = 0.19
- Articleスキーマの有無：r = 0.18
- 読みやすさスコア：r = 0.14
- TF-IDF／キーワード密度：r = 0.09
このランキングには、詳しく見ておきたい意外な点がいくつかあります。
意外な発見2：コンテンツの鮮度が3番目に強い要因だった
コンテンツの鮮度（6か月以内に更新されていること。ArticleスキーマのdateModifiedフィールドで示されるもの）は、今回の調査で3位に入りました。AIボットのアクセス、E-E-A-Tのシグナル、被リンクのいずれよりも上です。AEOに関する解説は構造やスキーマに注目しがちで、時間に関わるシグナルはあまり語られないため、これは私たちにとっても意外でした。
理由はクエリの種類によって変わるようです。変化の少ない概念についての情報収集型クエリでは、鮮度の影響はごくわずかです。ところが、今回のテストセットの大半（ソフトウェア、AIツール、規制、ベストプラクティスなど、動きの速いトピッククラスター）では、AIエンジンは最近更新された情報源をはっきりと優先していました。変化の速いテーマで情報が古いコンテンツは、一貫して後回しにされています。
ここから得られる教訓は、コンテンツの鮮度はSEOだけの話ではなく、AEOのシグナルでもあるということです。重要なページを更新し続け、その更新をArticleスキーマのdateModifiedで正しく伝えれば、新しさが重視されるテーマでLLMに引用される率が上がります。
意外な発見3：キーワード密度は最も弱い要因だった
TF-IDFとキーワード密度は、14の属性の中で最下位でした。相関係数はわずか0.09で、実質的にはノイズです。これはSEOとAEOの根本的な違いを示す最もわかりやすいデータでしょう。キーワード密度を中心にしたSEO対策は、LLMの引用の判断にはまったく関係がありません。AIエンジンはキーワードの出現頻度ではなく、意味の分析によってトピックを理解しています。
キーワードを詰め込んだり、密度を意図的に調整したりせず、質問にわかりやすく、漏れなく答えるように書かれたコンテンツは、キーワード最適化されたコンテンツよりも一貫して高い率でLLMに引用されています。アルゴリズムのために書くより、人のために書いて質問にストレートに答えるほうが、AIエンジンにも評価されるのです。
LLMごとに見ると、引用のパターンは同じではない
ここまでの予測因子は、4つのLLM全体の平均値です。プラットフォームごとに分けて見ると、重要な違いが見えてきます。
ChatGPT（GPT-4o）
ドメインオーソリティは、ChatGPTで他のどのプラットフォームよりも強い予測因子になっています（r = 0.61）。ChatGPTの学習データはオーソリティの高い情報源に偏っているため、実績のあるドメインが有利な状態が続きやすいのです。FAQPageスキーマの効果もありますが、比較的小さめです（r = 0.48）。これは、ChatGPTのベースモデルがリアルタイムの構造化データ抽出よりも、主に学習データに頼っているためです。スキーマがしっかりした新しいドメインにもメリットはありますが、オーソリティによる上乗せのほうが大きくなります。
Perplexity
Perplexityは、予測因子のバランスが最も取れたプラットフォームです。最も強い予測因子はコンテンツの鮮度で（r = 0.68）、Perplexityは検索・取得のモデルで新しいライブのコンテンツを明確に優先しています。FAQPageスキーマ（r = 0.58）とAIボットのアクセス（r = 0.57）も非常に強い要因です。Perplexityはライブのウェブから能動的に情報を取得して引用するため、AEO対策に最も「反応しやすい」LLMだといえます。
Claude
Claudeは、E-E-A-Tのシグナルとの相関が最も強く出ました（r = 0.59）。情報源の質に対するAnthropicのアプローチは、著者の経歴・資格、組織としての権威、コンテンツの出所を重視しています。著者の資格が明確で、所属機関が示され、手法がきちんと記録されているサイトは、他のLLMよりもClaudeで頻繁に引用されます。また、llms.txtの効果も、今回の調査ではClaudeで最も強く出ています（r = 0.41）。
Gemini
Geminiは、最もGoogleらしいパターンを示しました。最も強い予測因子はドメインオーソリティ（r = 0.62）と被リンク数（r = 0.52）で、他のどのLLMよりも従来のSEOに近い結果です。これは、GoogleのナレッジグラフやPageRank由来のシグナルを取り込んでいるGeminiのアーキテクチャと一致します。Geminiに引用されるための近道は、AEO特有のシグナルよりも従来のSEOでのオーソリティにあります。とはいえ、FAQPageスキーマ（r = 0.44）も依然として大きな意味を持っています。
クエリの種類別：それぞれの場面で何が引用されるか
情報収集型クエリ
FAQPageスキーマが圧倒的です（r = 0.71）。2番目に強い予測因子は直接回答の密度（具体的な質問に答える断定的な記述が、コンテンツのどれだけを占めるか）でした。ドメインオーソリティも関係しますが、3番目にとどまります。AEO対策の影響を最も受けやすいクエリの種類です。
比較型クエリ
最も強い予測因子はドメインオーソリティです（r = 0.65）。「X vs Y」のようなクエリでは、AIエンジンはドメイン単位ですでに信頼している情報源、つまり定評のあるレビューサイトや大手メディアを引用する傾向があります。ただし、機能をわかりやすい表にまとめ、FAQPageスキーマを付けた具体的な比較コンテンツを持つサイトは、構造化が弱い比較記事を持つオーソリティの高いサイトを実際に上回っています。
手順型クエリ
「〜のやり方は？」というクエリでは、HowToスキーマが最も強い予測因子です（r = 0.67）。スキーマの理論から予想されるとおりの結果です。2番目はコンテンツの鮮度で、ツールやソフトウェアの手順を説明するコンテンツは、最新でなければ引用されにくいことを示しています。HowToスキーマの引用への効果が最もはっきり、最も測定しやすく表れるクエリの種類です。
評価型クエリ
評価型クエリで最も強い予測因子はE-E-A-Tのシグナルです（r = 0.61）。「Xは使う価値がある？」「YにXを使うべき？」といったクエリでは、著者の経歴・資格、手法の透明性、組織としての権威が、どの情報源を引用するかを最も強く左右します。資格や経歴が示されていないコンテンツが、最も一貫して不利になるクエリでもあります。
ボットのアクセスが与える影響
特に強調しておきたい発見があります。AIクローラーをブロックしているドメインは、リアルタイム型のAIシステム（Perplexity、ChatGPT Browse）での引用率がほぼゼロまで落ちます。ブロックされたボットはコンテンツを読めないので、これは想定どおりです。ところが意外だったのは、ベースのChatGPTでは学習データ経由の引用がある程度残っていたことです。GPTBotをブロックしているドメインでも、ブロックする前にコンテンツが学習コーパスに含まれていれば、ベースのChatGPTにときどき引用されます。
これが、AIクローラーをブロックしたパブリッシャーに誤った安心感を与えています。過去の学習データによるChatGPTでの引用がいくらか見えるため、「ブロックしても影響はない」と結論づけてしまうのです。本当の影響が見えるのは、PerplexityとChatGPT Browseでの引用を測ったときで、そこではブロックによって引用率がほぼゼロになっています。AI Rank Labの引用分析を使えば、誤検知を起こしているかもしれない1つのLLMだけでなく、主要4つのLLMすべてで引用率を測定できます。
この調査結果をどう活かすか
引用の予測因子ランキングからは、AEOに投資する優先順位がはっきり見えてきます。
- すべての情報提供ページにFAQPageスキーマを入れる：すべてのクエリの種類、すべてのLLMで引用との相関が最も高い
- 質の高い被リンクでドメインオーソリティを高める：2番目に強い予測因子で、特にChatGPTとGeminiで重要
- コンテンツを更新し続け、鮮度を伝える：Perplexityと、新しさが重視されるあらゆるテーマで欠かせない
- AIボットのアクセスを整える：PerplexityとChatGPT Browseにリアルタイムで引用されるための必須条件
- E-E-A-Tのシグナルを育てる：特にClaudeと評価型クエリで重要
- チュートリアルにHowToスキーマを追加する：手順型コンテンツで最も効果の大きいスキーマ
- llms.txtを導入する：特にClaudeで効果がはっきりあり、導入コストも比較的低い
キーワード密度の最適化はもうやめましょう。今回の調査で、LLMの引用との相関が最も弱かった要因です。同じ労力をFAQPageスキーマの実装に回せば、引用の改善効果はおよそ7倍になります。
まとめ
主要なLLMの引用パターンは、測定でき、一貫していて、実際の施策に落とし込めます。FAQPageスキーマは、クエリの種類やプラットフォームを問わず、引用を最も強く予測する単独の要因です。コンテンツの鮮度は、多くのAEO担当者が考えている以上に重要です。キーワード密度は関係ありません。そしてLLMごとの引用パターンの違いは大きく、Perplexity（鮮度＋スキーマ）、ChatGPT（オーソリティ＋スキーマ）、Claude（E-E-A-T＋llms.txt）、Gemini（従来のSEO＋スキーマ）とプラットフォーム別に優先順位を付けた戦略のほうが、1つのLLMだけを想定したやり方よりも良い結果につながります。
AI Rank Labの引用分析を使えば、4つのプラットフォームすべてで自社の引用率を追跡し、自分のトピッククラスターでどの予測シグナルが最も強いかをモニタリングできます。この調査のデータは全体の集計値です。あなたのカテゴリやコンテンツの種類によっては、要因の重みづけが異なる場合もあります。
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.
