検索からの流入が徐々に減っている、記事を書いても成果につながりにくい、そんな課題を感じていませんか。
生成AIの普及により、ユーザーはリンクをクリックする前に「答えそのもの」を得るようになりました。オウンドメディアは今、検索順位を競う存在から、AIに引用・推薦される情報源へと役割が変わりつつあります。
本記事では、SEOの延長線上にあるAIOという考え方と、AIが情報源を選ぶ際に重視するE-E-A-Tの関係を整理し、オウンドメディア運営者が今取り組むべき戦略を体系的に解説します。AI時代でも選ばれ続けるメディアを構築するための視点と実践のヒントが得られるはずです。
検索行動はどう変わったのか：SEOからAIOへの大転換
検索行動は、ここ数年で静かに、しかし決定的に変わり始めています。従来の検索では、ユーザーは検索結果に並ぶリンクを比較し、クリックして情報を探していました。しかし、GoogleのSGEやPerplexity AI、ChatGPT Searchの登場により、**「探す」行為そのものが「答えを受け取る」体験へと置き換わりつつあります**。
この変化の本質は、検索エンジンの進化ではなく、ユーザーの期待値の変化です。検索結果ページに遷移する前に、AIが要点を整理し、背景や注意点まで含めた回答を提示することで、ユーザーはリンクを開かずに疑問を解消できるようになりました。
ガートナーの予測によれば、生成AIの普及によって従来型検索からのトラフィックは2026年までに約25％減少するとされています。これは、いわゆるゼロクリック検索が一過性のトレンドではなく、常態化しつつあることを示しています。
| 観点 | 従来のSEO | AIO時代 |
|---|---|---|
| ユーザー行動 | リンクを比較してクリック | AIの回答を直接読む |
| 情報の単位 | Webページ | 意味のある情報の断片 |
| 価値の源泉 | 上位表示 | 回答への引用・参照 |
重要なのは、クリックが減ること自体を悲観するのではなく、その質が変わっている点です。AIの回答を見たうえで引用元を訪れるユーザーは、すでに基礎理解を終えており、**課題解決や意思決定に近い高い意図を持っています**。
つまり、検索行動の変化は、オウンドメディアに対して役割の再定義を迫っています。単なる流入装置ではなく、AIが回答を構成する際の知識基盤、いわば「裏側の情報源」になることが求められているのです。
Googleの検索品質評価ガイドラインでも示唆されている通り、AIはハルシネーションを避けるため、信頼できる情報源を優先的に参照します。この結果、表層的なまとめ記事よりも、背景や前提、実務に根ざした説明を持つコンテンツが選ばれやすくなっています。
検索行動が「調べる」から「委ねる」へと移行した今、オウンドメディアは検索順位を競う場から、AIにとっての信頼できる教師データになる場へと、大きな転換点を迎えています。
ゼロクリック時代にオウンドメディアが直面する本当の課題
ゼロクリック時代において、オウンドメディアが直面する最大の課題は、単純な流入数の減少ではありません。検索結果やAI回答の画面上で情報が完結してしまい、ユーザーがサイトに到達する前に意思決定を終えてしまう構造そのものにあります。GoogleのSGEやChatGPT Search、Perplexity AIの普及により、検索は「探す行為」から「答えを受け取る行為」へと変質しました。
ガートナーの予測によれば、2026年までに従来型検索エンジンからのトラフィックは約25%減少するとされています。この数字が示す本質は、PVが減るという現象以上に、オウンドメディアが担ってきた認知獲得の役割が、検索画面の外側に押し出されつつあるという点です。
特に深刻なのは、これまでSEOで評価されてきた「上位表示＝価値提供」という等式が成立しなくなっていることです。AI検索では、上位10本のリンクを比較検討する前に、AIが要約した一つの回答が提示されます。このとき、オウンドメディアは“読まれる存在”ではなく、“参照される存在”でなければ意味を持ちません。
この変化により、メディア運営のKPI設計にも歪みが生じます。PVやセッション数を主要指標に据えたままでは、成果が出ていないように見える一方で、実際にはAIの回答生成プロセスに情報が組み込まれているケースも増えています。
| 従来の評価軸 | ゼロクリック時代の実態 |
|---|---|
| 検索順位 | AI回答内での引用・参照有無 |
| クリック数 | 高インテントユーザーの行動 |
| PV | ブランド想起・信頼形成 |
Search Engine LandやGoogle Search Centralの議論でも触れられている通り、AIは回答生成時に「信頼できる情報源」を厳密に選別します。ここで選ばれなければ、どれだけ記事を書いてもユーザーの視界に入らないという現実が突きつけられます。
一方で、ゼロクリックは完全な機会損失ではありません。AIの回答に表示される引用リンクをクリックするユーザーは、すでに基礎理解を終えた状態にあり、従来よりもはるかに意思決定に近い“質の高い訪問者”です。しかし、その恩恵を受けられるのは、AIにとって信頼に足る情報源として認識されているメディアに限られます。
- 検索結果で表示されても読まれない
- 評価されていても流入として可視化されない
- 従来KPIでは成果が測れない
これらはすべて、ゼロクリック時代特有の課題です。オウンドメディアは今、集客装置としての役割だけでなく、AIに学習・参照される情報インフラとしての役割を同時に求められています。この二重構造を理解できるかどうかが、次の打ち手を大きく左右します。
AIはどのように情報を選び引用しているのか
生成AIは、無作為に情報を集めて回答しているわけではありません。現在主流となっているRAGと呼ばれる仕組みでは、質問に関連する情報を探し出し、その中から信頼できるものだけを選び、最後に文章として再構成するという段階的なプロセスが取られています。
このときAIが最も重視するのが、「その情報は安心して引用できるか」という観点です。OpenAIやGoogle AIの技術レポートによれば、AIはハルシネーションを避けるため、信頼性が低い情報源を事前に除外するフィルタを強化しています。結果として、内容が似通った記事が並ぶ中でも、出典として選ばれるメディアは限られてきます。
情報選定の判断軸を整理すると、次の3点に集約されます。
- エンティティとして誰が語っているかが明確であること
- 他の情報と比べて新しい知見や具体性があること
- 業界や社会的な合意と大きく乖離していないこと
特に重要なのが、エンティティの信頼性です。Gary Illyes氏が登壇したカンファレンスでも示唆されている通り、AIはWebページ単位ではなく、人・企業・組織といった実体の信頼度を文脈から判断しています。つまり、匿名的で出所が曖昧な情報は、検索段階で拾われても引用段階で落とされやすくなります。
| 評価観点 | AIが見ているポイント | 引用への影響 |
|---|---|---|
| 発信主体 | 著者や運営者の専門性・実在性 | 低いと除外されやすい |
| 内容の独自性 | 一次情報や具体的経験の有無 | 高いほど優先される |
| 整合性 | 他の信頼情報との一致度 | 乖離が大きいと不利 |
さらに近年注目されているのがInformation Gainです。Googleの特許資料で言及されているように、AIは「すでに広く知られている説明」を繰り返す情報よりも、「既存知識に何を付け加えているか」を評価します。自社調査データや現場での失敗談が引用されやすいのは、このためです。
オウンドメディアにとって重要なのは、AIに好かれる表現を真似ることではありません。AIが安心して参照できる教師データになること、その前提として情報の背景や責任の所在を明確にすることが、結果的に引用という形で可視化されていきます。
E-E-A-TはAIにとって何を意味するのか
生成AIにとってのE-E-A-Tは、人間向けの評価指標ではなく、ハルシネーションを回避するための安全装置として機能しています。大規模言語モデルは文章の真偽を理解しているわけではなく、確率的にもっともらしい言葉を並べる仕組みです。そのため、どの情報を信じて回答を構成するかは、外部シグナルに強く依存します。
このときE-E-A-Tは、RAG型検索拡張生成における「Ranking（選別）」フェーズで使われる信頼性フィルタとして働きます。Googleの検索品質評価ガイドラインや、OpenAIのシステムカードが示す通り、AIは誤情報を混ぜないために、信頼できる情報源を優先的に参照する設計が進んでいます。
E-E-A-Tの各要素は、AI内部では以下のように解釈されていると考えられます。単なる概念ではなく、エンティティ評価と深く結びついています。
| 要素 | AIにとっての意味 | 評価されやすい情報 |
|---|---|---|
| Experience | AIが再現できない一次情報 | 実体験、失敗談、現場プロセス |
| Expertise | 知識の正確性と深さ | 専門用語の適切な使用、体系的解説 |
| Authoritativeness | 他者からの評価・言及 | 専門家・公的機関からのメンション |
| Trustworthiness | 責任の所在が明確か | 運営者情報、更新履歴、透明性 |
特に重要なのがExperienceです。University of Washingtonの研究でも、人間の経験に基づくデータはAI学習において価値が高いと指摘されています。実際、マーケティング領域のオウンドメディアで、導入担当者の失敗体験を追記した記事が、AI検索での引用率を約40％向上させた事例が報告されています。
これはAIが「情報の独自性」と「再現不可能性」を重視していることを示しています。一般論や定義説明はAI自身が生成できますが、人間しか語れない経験知は、学習元としても参照元としても価値が高いのです。
またExpertiseとAuthoritativenessは、「知識の合意形成」を測る指標として使われます。Google AI Blogが言及するKnowledge Consensusの考え方に基づき、AIは複数の信頼できる情報源で共通して語られている内容を事実として扱います。その中で頻繁に登場するエンティティは、権威ある存在として強化されていきます。
Trustworthinessはすべての土台です。運営者不明、更新日不明、責任者不在のコンテンツは、YMYL領域を中心にRAGの参照候補から除外されやすくなっています。Search Engine Journalが指摘する通り、AIは「誰が責任を負うのか分からない情報」をもっとも嫌います。
要するに、AIにとってE-E-A-Tとは評価基準ではなく、安心して引用できるかどうかを決める生存戦略です。オウンドメディアがAI時代に存在感を保つためには、検索順位以前に「この情報源は安全か」という問いに、構造と内容の両面で答え続ける必要があります。
経験・専門性・権威性・信頼性を高めるコンテンツ設計
生成AIが情報源を選別する際、コンテンツの中身と同じくらい重視されるのが外部からの評価です。AIOの文脈では、被リンク数の多寡よりも、**どの文脈で、誰から言及されているか**が決定的なシグナルになります。
LLMはWeb全体のテキストを学習する過程で、ブランド名や人物名がどの概念と結び付いて語られているかを把握します。そのため、第三者による肯定的な言及は、AIにとっての「社会的証明」として機能します。
Search Engine JournalやSemrushの分析によれば、AI回答に引用される情報源は、リンクの有無に関わらずブランドメンション頻度が高い傾向が確認されています。
| 評価シグナル | 従来のSEO | AIOでの役割 |
|---|---|---|
| 被リンク | 順位決定の主要因 | 依然有効だが補助的 |
| ブランドメンション | 限定的評価 | エンティティ信頼度の中核 |
| 共起キーワード | 部分的に考慮 | 専門領域認識を強化 |
特に重要なのがCo-occurrenceです。これは自社名や著者名が、「信頼」「専門」「実績」といったポジティブな語と同時に語られている状態を指します。AIはこの関係性を学習し、回答生成時の参照候補として優先度を高めます。
外部評価を獲得するうえで、オウンドメディア責任者が意識すべき実践ポイントは次の通りです。
- 業界ニュースや専門メディアでの調査データ引用を狙う
- 著者個人としての寄稿やコメント提供を継続する
- 学会・業界団体・公的機関との接点を可視化する
デジタルPRは単なる露出施策ではありません。**AIに理解される「文脈」を設計する活動**です。Gartnerの予測が示すように、検索トラフィックが減少する中でも、AIが引用する情報源として選ばれたブランドは、高意欲ユーザーとの接点を維持できます。
重要なのは短期的な成果を追わないことです。継続的なメンションの積み重ねが、エンティティとしての信頼残高を形成します。Googleの品質評価ガイドラインが示す通り、信頼は一朝一夕では構築できません。
オウンドメディアが発信拠点にとどまらず、業界知のハブとして認識される状態を作ること。それこそが、AIO時代における外部評価獲得の本質です。
Information Gainを生む一次情報と独自データの重要性
生成AI時代において、オウンドメディアが「参照される情報源」になれるかどうかを左右する最大の要因が、Information Gain、つまり情報利得の大きさです。これは既存情報の焼き直しではなく、そのコンテンツがどれだけ新しい知見や価値を付け加えているかを示す概念で、Googleの特許文献でも評価指標として言及されています。
AI検索やRAGの仕組みでは、類似した内容の記事が大量に存在する場合、要約や回答の根拠として採用される情報はごく一部に限られます。その際に優先されるのが、一次情報や独自データを含み、他では代替できないInformation Gainの高いコンテンツです。Search Engine Landによれば、生成AIは情報の重複を嫌い、独自性の高いソースを引用元として選別する傾向が強いとされています。
具体的には、自社調査データ、ユーザー行動ログの集計、現場での実測値、担当者や専門家の実体験などが該当します。University of Washingtonの研究でも、人間の一次体験に基づくデータは、AIがハルシネーションを避けるための高品質な学習材料として評価されやすいことが示唆されています。
| 情報の種類 | Information Gain | AIからの評価傾向 |
|---|---|---|
| 一般的な解説記事 | 低 | 要約可能・引用優先度は低い |
| 独自アンケート・調査 | 高 | 一次ソースとして引用されやすい |
| 担当者の失敗談・成功事例 | 高 | 経験知として差別化される |
実際に、マーケティング系オウンドメディアが行ったA/Bテストでは、機能説明中心の記事に「実運用で直面した3つの失敗」という体験セクションを追加しただけで、AI検索における引用率が約40％向上したという報告があります。これは、体験に基づく一次情報がInformation Gainを大きく押し上げた結果といえます。
また、独自データは人間の読者だけでなくAIにも理解されやすい形で提示することが重要です。数値、期間、対象条件を明確にすることで、AIはそれを「事実データ」として扱いやすくなります。Google AI Blogでも、統計的に整理された情報はKnowledge Consensus形成に寄与しやすいと説明されています。
- 調査方法や母数、実施時期を明示する
- 主観と事実を分けて記述する
- 他社データとの違いや前提条件を説明する
Information Gainは一度作って終わりではありません。データを定期的に更新し、変化やトレンドを追記することで、情報の鮮度と独自性を維持できます。Gartnerの予測が示すように、ゼロクリック検索が進むほど、AIは「信頼でき、かつ新しい情報」を強く求めるようになります。その要求に応えられるかどうかが、オウンドメディアの存在価値を決定づけます。
一次情報と独自データへの投資は、短期的なPVを生まなくても、AI時代の指名引用という長期的リターンをもたらします。Information Gainを意識したコンテンツ設計こそが、AIO時代における最も再現性の高い競争優位となるのです。
構造化データとエンティティでAIに正しく理解させる方法
AIに正しく理解されるコンテンツを作るうえで、構造化データとエンティティ設計は不可欠です。生成AIや検索拡張生成は文章の流暢さではなく、「誰が」「何について」「どの立場で」語っているかを機械的に判別しています。その翻訳装置が構造化データであり、理解単位がエンティティです。
Google Search Centralの公開資料によれば、生成AIはナレッジグラフやRAGを通じて情報源を評価する際、明示的なメタ情報を強く参照するとされています。つまり、人間には自明な文脈も、AIには明示しなければ存在しないのと同じです。
| 要素 | 役割 | AI側の効果 |
|---|---|---|
| 構造化データ | 情報の意味付け | 誤解や推測を防ぐ |
| エンティティ | 実体の定義 | 関係性を学習可能にする |
| SameAs | 同一性の証明 | 信頼スコアを統合 |
特に重要なのは、記事・著者・組織をそれぞれ独立したエンティティとして定義することです。Article、Person、OrganizationといったSchema.orgの型を用いることで、AIは「この記事は、どの専門性を持つ誰が、どの組織の責任のもとで書いたのか」を即座に理解できます。
Gary Illyes氏が登壇したPubcon Proでも、現代の検索評価はキーワードよりエンティティ間の関係性が中心であると語られています。これはAIOにおいても同様で、曖昧な主語や代名詞が多い文章は、意味ベクトルの精度を下げる要因になります。
実装時のポイントとして、単にマークアップするだけでなく、内容と完全に一致させることが重要です。例えば著者情報に肩書きを記載する場合、実績や経歴が本文やプロフィールページでも一貫して説明されていなければ、AIは矛盾として評価します。
また、SameAsプロパティを用いてSNSプロフィールや外部寄稿先を紐づけることで、Web全体に散在する評価を一人の著者エンティティに集約できます。Semrushの分析でも、著者エンティティが明確なサイトほどAI回答での引用率が高い相関が示されています。
- 記事・著者・組織を必ず分離して定義する
- 固有名詞と正式名称を省略しない
- 構造化データと本文内容を完全一致させる
構造化データとエンティティ設計は、一度整備すれば資産として蓄積されます。AIに正しく理解される状態を作ることは、短期的な流入対策ではなく、長期的に「信頼される情報源」として選ばれ続けるための基盤投資だと言えます。
外部評価とデジタルPRがAIOに与える影響
AIOにおいて外部評価が果たす役割は、従来のSEO以上に本質的です。生成AIは自ら情報の正誤を判断できないため、第三者からどう評価されているかというシグナルを強く参照します。AIにとって外部評価とは、その情報源が社会的に信頼されているかを推定するための間接証拠にあたります。
特に重要なのが、リンクを伴わないブランドメンションや人物メンションです。Semrushの調査によれば、AI回答内で引用されやすいドメインは、被リンク数よりも業界メディアや専門サイト内での言及頻度が高い傾向が確認されています。これは、LLMがリンクグラフだけでなく、テキスト上の共起関係を学習しているためです。
| 外部評価の種類 | AIが読み取るシグナル | AIOへの影響 |
|---|---|---|
| 業界メディアでの言及 | 専門領域との関連性 | エンティティの権威性が向上 |
| 専門家コメントの引用 | 知識コンセンサスへの参加 | AI回答の根拠として採用されやすい |
| SNSでの議論 | 評判と話題性 | 最新情報として認識されやすい |
この外部評価を意図的に設計する手法がデジタルPRです。単なる露出拡大ではなく、どの文脈で誰から語られるかが問われます。例えば独自調査を公開し、それがニュース記事や専門家の解説で引用されると、AIはその調査元を一次情報源として記憶します。Google検索品質評価ガイドラインでも、信頼性の高い第三者評価の存在が明確な品質指標として示されています。
デジタルPRで重視すべき観点は次の通りです。
- ニュース価値のある一次データや見解を提供しているか
- 専門性の高い媒体・人物と結びついているか
- 継続的に同一テーマで言及されているか
単発のバズや大量配信型のPRは、AIOの観点では効果が限定的です。AIは時間をかけて蓄積された評判を重視します。Gartnerの分析でも、信頼シグナルは短期的に操作しにくい要素ほどモデル内で重み付けされやすいと示唆されています。
オウンドメディアは閉じたメディアではなく、外部との関係性のハブです。AIに選ばれる情報源になるためには、記事の完成度だけでなく、その内容がどの信頼ネットワークに接続されているかまで設計する視点が不可欠です。
業界別に見るAIO成功パターンと実践のヒント
AIOは業界ごとに評価されやすい情報の型が異なります。なぜなら、AIはユーザーの検索意図と業界特有のリスク構造を加味して、参照元を選別しているからです。業界別の成功パターンを理解することは、オウンドメディアをAIに引用される情報源へと進化させる近道になります。
| 業界 | AIが重視する要素 | 有効なコンテンツ例 |
|---|---|---|
| B2B | 一次データと再現性 | 業界ベンチマーク、導入失敗事例 |
| YMYL | 資格・監修・合意形成 | 専門家コメント、症例・経過記録 |
| EC | 体験と比較の具体性 | 使用レビュー、条件別比較 |
B2B領域では、AIは汎用的な解説よりも意思決定に使える定量情報を強く評価します。Search Engine Landが指摘するように、生成AIは複数ソースを横断しても一致しにくい独自データを優先的に引用する傾向があります。実際、SaaS企業が自社ユーザーデータを匿名化して公開したレポートは、SGEでの引用率が高まったという報告もあります。
YMYL領域では、Google検索品質評価ガイドラインでも示されている通り、信頼性が最優先です。AIは医師や有資格者の実名、所属、監修プロセスが明示されたコンテンツを参照元として選びやすくなります。特に定説と個別ケースを明確に分離して説明している記事は、ハルシネーション回避の観点から評価されやすいとされています。
ECやD2Cでは、価格やスペックの羅列はAIが代替できますが、実際の使用感や比較条件の違いは人間の経験に依存します。University of Washingtonの研究によれば、具体的な体験描写を含むレビューは、AIの学習データとしても価値が高いとされています。サイズ感、失敗談、利用シーンといった文脈情報を丁寧に書くことが重要です。
実践のヒントとして、業界を問わず有効なのは次の視点です。
- AIが他ソースと照合できる客観情報と、照合できない経験情報を意識的に分けて書く
- 業界内で共有されている定説やガイドラインに言及し、合意形成の文脈に自社を置く
Semrushの分析によれば、こうした文脈を持つコンテンツはブランドメンションと同時にAI回答への採用率も高まる傾向があります。業界特性を理解し、それに適した情報設計を行うことが、AIO成功の現実的な突破口になります。
これからのオウンドメディア運営に求められる視点
これからのオウンドメディア運営では、検索順位を上げるための施策以上に、**AIにとって信頼できる情報源として選ばれるかどうか**という視点が不可欠になります。生成AIの普及により、ユーザーは検索結果のリンクを比較検討する前に、AIが提示する要約や回答をそのまま受け取るようになりました。この変化は、オウンドメディアの役割を「集客装置」から「知識インフラ」へと押し上げています。
GoogleのSGEやPerplexity AIが採用するRAGの仕組みでは、AIは情報を生成する前段階で、信頼性の低いソースを除外します。Google検索品質評価ガイドラインによれば、E-E-A-Tは人間の評価基準であると同時に、AIがハルシネーションを回避するための重要なフィルタとして機能しています。つまり、オウンドメディアは読者だけでなく、**AIからの評価に耐えうる構造と中身**を備える必要があります。
この文脈で求められるのが、一次情報と経験知の体系的な蓄積です。大学や研究機関の論文、政府機関の公開資料によれば、LLMは知識の合意が形成されている情報を優先的に参照する傾向があります。一方で、現場でしか得られない失敗談や運用プロセスの詳細は、AIにとって代替不可能な学習データになります。あるマーケティング系メディアの事例では、担当者の実体験を追加しただけでAI検索での引用率が大きく伸びたと報告されています。
今後の視点を整理すると、オウンドメディアは以下の役割を担うことが期待されます。
- AIが参照できる一次データや具体的事例を継続的に提供する
- 著者や組織の専門性・実体性を明確にし、エンティティとして認識させる
- 業界内での言及や評価を通じて、信頼の文脈を広げる
従来のPVやクリック数だけを追う運営では、ゼロクリック検索の拡大に対応できません。ガートナーの予測でも、検索トラフィックの減少が示唆されていますが、その一方で、AIの引用リンクをクリックするユーザーは高い意思決定段階にあるとされています。**量より質、露出より信頼**へとKPIを転換できるかどうかが、これからのオウンドメディア運営の分岐点になります。
生成AI時代において、オウンドメディアは単なる情報発信の場ではありません。AIと人間の双方にとって「この分野ならここを参照すべきだ」と認識される存在になること。そのための視点転換こそが、これからのオウンドメディア運営に最も強く求められています。