AI検索時代のSEO情報ブログ

「AIによる概要」（Google検索結果の最上部に表示される、生成AIによる要約回答）に自社ページを引用してもらうには、まず検索順位でトップ10に入ることが大前提――ほんの1年ほど前まで、これは業界のほぼ共通認識でした。

ところが2026年に入って公表された複数の大規模調査によって、この前提が大きく揺らいでいます。引用元ページのうち、同じキーワードでトップ10にランクインしていたものの割合が、わずか8か月ほどで76%から38%へと半減したのです。調査によっては17%という、さらに低い数字も出ています。

この変化を「SEOはもう効かない」と読むのは早計です。順位が引用確率を押し上げる効果は、データ上はっきり残っています。ただし、「トップ10に入りさえすれば引用される」という古い前提のまま予算配分を決めている企業は、確実に成果を取りこぼします。

今回は、2026年時点で確認できる最新の調査データをもとに、検索順位と「AIによる概要」の引用の関係が今どうなっているのか、そして実務としてどこに手を打つべきなのかを整理していきます。

引用元のトップ10比率は76%から38%へ半減した

まず、最も規模の大きい調査から見ていきます。

Ahrefsが2026年3月に公表した調査は、86万3,000キーワード、400万件の「AIによる概要」引用URLを対象にした大規模なものです。この調査によると、引用されたページのうち、同じクエリの検索結果トップ10にもランクインしていたのは38%でした。

同社が2025年7月に実施した前回調査では、この数字は76%でした。つまり、8か月ほどで半分に落ちたことになります。

残りの引用がどこから来ているのかも重要です。11〜100位のページが31.2%、100位圏外のページが31.0%と、ほぼ均等に分かれています。広告・強調スニペット・「他の人はこちらも質問」といった検索結果内の各種枠を除外し、通常のオーガニック検索結果だけに絞った場合でも、トップ10が37%、トップ100圏外が36%という結果でした。



ここで押さえておきたいのは、「順位30位以下のページが引用される確率はほぼゼロ」といった認識は、少なくとも2026年時点では成り立たないということです。100位にすら入っていないページから、実に3割の引用が発生しています。

BrightEdgeの調査では17%――手法が変われば数字も変わる

同じテーマを扱った別の調査では、さらに低い数字が出ています。

BrightEdgeが2026年2月に公表したデータでは、「AIによる概要」で引用されたソースのうち、オーガニック検索トップ10にもランクインしていたのは約17%にとどまりました。しかもこの数値は、追跡期間を通じてほとんど動いていません。裏返せば、引用のおよそ6件に5件は、従来型検索の1ページ目に入っていないコンテンツから来ていることになります。

一方で、トップ100まで範囲を広げた場合の重なりは約49%から約53%へと、緩やかに上昇しています。「ランクインしているページ全体」との関係はむしろ強まっているのに、「1ページ目」との関係だけが弱いままだ、というのがBrightEdgeの示す構図です。



38%と17%――同じテーマでこれだけ差が出るのは、調査対象のキーワード群も、引用を検出する解析手法も異なるためです。社内やクライアントさんへの説明でこうした数字を使うときは、「どちらが正しいか」を争うのではなく、「調査手法によって17〜38%の幅がある。ただしどの調査も、以前より大幅に下がったという方向では一致している」と伝えるのが誠実で、実務的でもあります。

なぜ順位との相関が下がったのか

この急激な変化について、Ahrefsは2つの要因を挙げています。

1. 引用の検出精度が上がった
1つ目は、調査側の技術的な事情です。Ahrefsは、2025年7月の調査以降に引用箇所を読み取る解析手法を改善したと説明しています。以前は取りこぼしていた引用まで拾えるようになったため、2つのデータセットは厳密には直接比較できません。下落幅のうち一定部分は、Googleの挙動変化ではなく「以前は見えていなかったものが見えるようになった」ことによるものです。

2. クエリファンアウトの影響が大きくなった
2つ目が本質的な要因です。クエリファンアウト（ユーザーが入力した1つの検索キーワードを、Googleが複数の関連する小さな質問＝サブクエリに自動的に分解し、それぞれについて裏側で検索を実行する仕組み）の比重が高まっている、とAhrefsは指摘しています。

「AIによる概要」が生成されるとき、Googleは元のキーワードだけを見ているわけではありません。分解された複数のサブクエリそれぞれの検索結果を横断して、繰り返し登場するページを引用元として選びます。つまり、あなたが順位を追いかけているそのキーワードは、実際にAIが参照している検索結果の一部でしかないのです。

これは、レストランの予約を任された秘書のようなものだと考えてください。「来週の会食の店を押さえて」と頼まれた秘書は、その言葉だけで検索するわけではありません。「駅から近い個室のある和食店」「接待に向く価格帯」「10名で入れる店」といった具合に、自分で複数の条件に分解して調べます。最終的に提案されるお店は、どれか1つの条件で1位だった店ではなく、複数の条件に何度も顔を出した店になります。

なお、Googleは2026年1月末に「AIによる概要」の基盤モデルをGemini 3へグローバルで切り替えており、Ahrefsはこのタイミングも背景の1つとして挙げています。ただしファンアウトの挙動そのものについて、Google側が具体的な変更を認めているわけではありません。

トップ100圏外から3割――その主役はYouTube

「100位にも入っていないページが3割も引用されている」という数字は、直感に反します。何が引用されているのでしょうか。

Ahrefsのデータによると、同じキーワードでトップ100に入っていなかった引用のうち、18.2%がYouTubeのURLでした。データセット全体で見ても、YouTubeは全引用の5.6%を占めています。同社のブランド分析ツールのデータでは、YouTubeは「AIによる概要」で最も多く引用されるドメインであり、直近6か月で34%伸びています。

この傾向は他社調査とも一致します。SE Rankingがドイツ語圏の健康関連クエリを対象に行った調査でも、YouTubeが医療機関の公式サイトを上回って最も引用されるドメインになっていました。

テキストのウェブページだけを競合として見ていると、この動きは視界に入りません。自社のテーマで動画コンテンツが引用され始めていないか、一度確認する価値があります。

それでも検索順位は効いている――相関データが示すもの

ここまでの数字だけを見ると「順位はもう関係ない」と結論したくなりますが、それは誤りです。

Ahrefsが別途行った相関分析では、トップ10入りしていることと「AIによる概要」の上位3引用に入ることの間に、スピアマン相関係数0.347という中程度の正の相関が確認されています。順位が高いほど引用されやすい、という関係自体は明確に存在します。

同時に、この分析は限界も示しています。1位のページであっても、上位3引用に入るのは約50%です。1位を取っても、引用されるかどうかは実質的にコイン投げに近いということです。

さらに興味深いのは、引用された場合の「扱われ方」です。引用URLの掲載位置とオーガニック順位の相関は0.445と、より強く出ています。順位が高いページは、引用される確率が上がるだけでなく、引用されたときに目立つ位置に置かれやすいのです。

54本の関連研究をレビューしたZyppyの分析も、同じ方向を示しています。AI引用に効く要因の多くは従来型SEOの実践と重なっており、結論は「SEOで勝てばAI引用でも勝てる。多くの場合、ただし追加の手間はかかる」というものでした。同分析では、URLがクロール可能でアクセス可能であること（robots.txtでのブロック、ペイウォール、エラー返しがないこと）が最も基礎的な条件として位置づけられ、検索順位はそのすぐ下に置かれています。

つまり、順位は「必要条件」ではなくなりましたが、「有力な条件」であり続けています。トップ10入りは入場券ではなく、当選確率を大きく引き上げるくじの枚数だと考えるのが実態に近いでしょう。

業種によって数字はまったく違う

もう1つ、実務上きわめて重要なのが業種差です。

BrightEdgeの調査では、トップ10とのオーバーラップはヘルスケア分野で24%、金融分野では11%と、2倍以上の開きがありました。「順位を上げれば引用されやすいのか」という問いへの答えは、業界によって変わるということです。

「AIによる概要」の表示率そのものにも大きな差があります。2025年2月から2026年2月にかけて表示率は58%増加し、ヘルスケアで88%、教育で83%、BtoBテクノロジーで82%と、ほぼすべての検索で表示される水準に達した分野がある一方、ECでは表示率がむしろ下がっています。Googleが広告を出しやすい取引型のクエリでは、AI要約の表示を意図的に抑えている可能性が指摘されています。

業界平均の数字をそのまま自社に当てはめると判断を誤ります。まずは自社の主要キーワード群で「AIによる概要」がどの程度表示されているかを実測することが出発点です。

実務としてどこに手を打つか

以上を踏まえ、優先順位を整理すると次のようになります。

1. 単一キーワードではなく、サブクエリ群のカバー率を見る
「そのキーワードで何位か」だけを追いかける管理は、もはや実態と噛み合いません。対策キーワードから派生する質問（比較、費用、注意点、失敗例、手順、選び方など）を洗い出し、それぞれについて自社サイト内に答えがあるかを点検します。ファンアウト先で何度も顔を出すサイトが引用されるという構造を、そのまま対策に落とし込む発想です。

2. トップ10入りは引き続き狙う。ただし目的を読み替える
順位対策をやめる理由はありません。1位で約50%という引用確率は、依然として他の何よりも高い水準です。ただし目的は「引用の保証」ではなく「確率の引き上げと、引用時の露出位置の確保」に読み替えます。

3. クロール可能性という土台を最初に確認する
robots.txtでのブロック、認証の壁、エラーを返すURL、レンダリングしないと本文が見えない構造――こうした要素があると、順位以前に引用の対象外になります。E-E-A-T（経験・専門性・権威性・信頼性というGoogleのコンテンツ品質評価軸）や構造化データ（スキーマ。ページの意味をGoogleに正確に伝えるためのタグ）の議論に入る前に、まずここを潰します。

4. テキスト以外のフォーマットを検討する
YouTubeが最多引用ドメインになっている以上、テーマによっては動画を持たないこと自体が機会損失になります。既存記事の内容を短い解説動画にするだけでも、引用の入口が1つ増えます。

産業機械メーカーのクライアントさんの事例

ある産業機械メーカーのクライアントさんはBtoB分野の専門性の高いキーワードでAIに取り上げられることを目指していました。

このクライアントさんは既に一部のキーワードでトップ10に入っていましたが、引用は限定的でした。調べてみると、製品の仕様や導入手順を説明したページの多くが、ログインが必要な会員エリアの中に置かれていました。最も専門性の高い情報が、AIから見えない場所にあったのです。

そこで、概要レベルの解説だけを公開領域に出し、詳細な設計データや価格表は会員エリアに残す、という分け方に変更していただきました。あわせて、技術担当者による短い解説動画をYouTubeに公開しました。

数カ月後、公開領域に出した解説ページからの引用が明確に増え、動画も一部のクエリで引用されるようになりました。順位を1つ上げる前に、「そもそもAIが読める場所にあるか」を疑うことの大切さを、あらためて実感した事例です。

まとめ

今回の話をまとめると、「AIによる概要」に引用されるページのうちトップ10にランクインしているものは、調査によって17〜38%であり、かつては76%だった水準から大きく下がっているということです。100位圏外からも約3割が引用されており、「上位表示していなければ引用されない」という前提はすでに崩れています。

一方で、順位が高いほど引用されやすいという相関は依然として存在し、1位のページは約50%の確率で上位引用に入ります。順位対策は「引用の保証」から「確率を引き上げる手段」へと役割が変わっただけで、価値を失ったわけではありません。

これからの実務は、単一キーワードの順位管理から、サブクエリ群を含めたトピック全体のカバー率と、クロール可能性・フォーマットの多様性を含めた総合的な設計へと軸足を移すことになります。まずは自社の主要テーマで「AIによる概要」がどの程度表示され、どのサイトが引用されているかを実測するところから始めてください。

「AIモード」と「AIによる概要」は、どちらもGoogleのAI検索機能ですが、その裏側で動いている「クエリファンアウト」という仕組みの規模と深さに、圧倒的な違いがあります。同じユーザーの質問でも、「AIモード」では「AIによる概要」の数倍規模のサブクエリに展開されるため、生成される回答の深さや網羅性が根本的に異なります。この違いを理解することで、企業がなぜ「AIモード」対策に特別な設計が必要なのかが見えてきます。

現場でクライアントさんに接していると、「AIモード」のクエリファンアウトの深さを実感する場面が急激に増えました。かつては「シンプルなキーワード対策」で対応できていた検索行動が、今は「複雑な質問への多面的な回答」の中で判断される時代になっています。この変化に対応するには、クエリファンアウトの実態を正しく理解する必要があります。

多くの企業のWeb担当者は、「クエリファンアウト」という技術用語を耳にしたことがあっても、その具体的な仕組みや、「AIモード」と「AIによる概要」でどう規模が異なるかを、詳細に把握していないケースが多くあります。しかし、この違いを理解しないと対策の方向性を誤り、労力の割に成果が出ない事態に陥ります。

今回は、「AIモード」のクエリファンアウトが「AIによる概要」よりどう深いのか、その圧倒的な違いと、企業のコンテンツ設計への影響について解説します。

クエリファンアウトとは何か

クエリファンアウト(Query Fan-Out、1つのクエリから多数のサブクエリに展開する仕組み)について、実務的に整理します。

ユーザーがGoogle検索やAI検索に1つの質問を投げかけると、AIはその質問をそのまま検索するのではなく、まず質問を細かなサブクエリ(元のクエリを細分化した派生クエリ)に分解します。例えば「初心者向けのミラーレスカメラの選び方」という質問なら、「ミラーレスカメラとは」「初心者向けとは何を意味するか」「主要メーカー別の初心者向けモデル」「価格帯別の比較」「レンズの選び方」といった数十から数百のサブクエリに自動的に展開されるのです。

各サブクエリについてAIは個別に情報を集め、それを統合して1つの包括的な回答を組み立てます。この分解と統合のプロセスが、クエリファンアウトです。



この構造は、1本の川の源流が上流から下流に向かって多数の支流に分岐していく流れと似ています。源流という1つの水源から始まった川は、下流に行くほど多くの支流に分岐し、広い範囲の土地を潤していきます。最終的には広大な河口を形成し、大きな水量となって海に流れ込むのです。

クエリファンアウトも、まったく同じ構造で動作します。ユーザーの1つの質問(源流)から、多数のサブクエリ(支流)が生まれ、それぞれで情報が集められ(潤される)、最終的に統合された包括的な回答(海に注ぐ広大な水量)が生成されるのです。

「AIによる概要」のクエリファンアウトの規模

「AIによる概要」でも、クエリファンアウトは動作していますが、規模は比較的限定的です。

「AIによる概要」は、通常検索の結果画面に自動表示される要約回答という役割上、素早い回答生成が求められます。このため、クエリファンアウトも、ユーザーの質問を数個から数十個程度のサブクエリに展開するのが一般的です。



具体的には、1つの質問に対して以下のようなサブクエリ展開が行われます。質問の主要な要素の説明(3〜5個)、関連する背景情報(3〜5個)、比較や選択の観点(数個)、具体例や事例(数個)、といった規模です。合計して10個〜30個程度のサブクエリで、要約回答を組み立てるのが「AIによる概要」の典型的な動作です。

この規模で生成される回答は、簡潔で分かりやすい要約として仕上がりますが、深い分析や網羅的な情報提供という点では限界があります。

「AIモード」のクエリファンアウトの規模

「AIモード」のクエリファンアウトは、「AIによる概要」より圧倒的に深く広く展開されます。

「AIモード」では、ユーザーの1つの質問に対して、数十から数百のサブクエリに展開されるのが標準です。特にDeep Searchを有効化した場合、数百のサブクエリで並列に情報を集めることで、専門家レベルのレポートを生成する仕組みになっています。

規模の違いを具体的に見ると、「AIによる概要」が10〜30個程度のサブクエリで対応するのに対して、「AIモード」は100〜500個程度、Deep Searchでは1000個規模まで拡張されるケースもあると報告されています。この数十倍の規模の違いが、生成される回答の深さと網羅性に決定的な差を生んでいるのです。



さらに、「AIモード」のクエリファンアウトは、サブクエリの階層構造も深くなります。1階層目のサブクエリの結果を受けて、さらに2階層目・3階層目のサブクエリが自動生成され、深い調査が展開される仕組みです。「AIによる概要」ではほぼ1階層のサブクエリで完結するのに対し、「AIモード」は多階層のサブクエリを積み重ねるという構造的な違いがあります。

深いサブクエリ展開が生む効果

「AIモード」の深いサブクエリ展開が生む効果を整理します。

1. 多面的な観点からの回答生成
数百のサブクエリで多様な情報を集めることで、1つの主題について複数の観点からの回答が生成されます。単一視点の要約ではなく、多面的な理解を促す情報が提供されるのです。

2. 網羅性の確保
主要な観点に加えて、細部・例外・条件といった補足情報まで含めた網羅的な回答が生成されます。ユーザーが「このテーマについて漏れなく理解できた」と感じる水準の情報密度になります。

3. 引用ソースの多様性
多数のサブクエリが並行実行されるため、引用ソースも多様化します。テキスト記事だけでなく、動画・PDFレポート・研究論文・コミュニティ投稿など、多様な形式の情報源が引用対象になります。

例えば、ある製造業のBtoBサービスを提供するクライアントさんのケースでは、「AIモード」で自社関連の複雑なクエリに対する回答を分析したところ、引用ソースの内訳が自社サイトの技術記事、業界メディアの解説、社員のLinkedIn投稿、YouTube動画、業界レポートといった具合に多様化していました。「AIによる概要」時代には想定していなかった引用経路が実際に機能していることを示す事例です。

どこまでファンアウトが広がるのか

「AIモード」のクエリファンアウトが、実際にどこまで広がるのかを整理します。

階層の深さ
「AIモード」のクエリファンアウトは、通常3〜5階層まで自動展開されます。1階層目で主要な要素を分解、2階層目でそれぞれの詳細を展開、3階層目で具体的な例や条件を掘り下げる、という形です。

広がりの規模
各階層で数十のサブクエリが生成されるため、全階層を合計すると数百のサブクエリになります。Deep Searchではこの規模がさらに拡大します。

時間の使い方
通常検索や「AIによる概要」がミリ秒単位の応答なのに対し、「AIモード」は数秒から数十秒、Deep Searchは数分から数十分の時間をかけて調査を実行します。時間をかける代わりに、はるかに深い情報が集められるのです。

調査の自律性
「AIモード」のAIは、集めた情報を評価して「もっと調べる必要がある領域」を自律的に判断し、追加のサブクエリを生成する能力を持っています。ユーザーが指示しなくても、必要に応じて調査を深めていく自律的な動作です。

サブクエリ展開の実際の動作例

サブクエリ展開の実際の動作を、具体例で示します。

ユーザーが「AIモード」に「50代の女性向けに、抗酸化作用のあるサプリメントを選ぶ時のポイントは?」と質問した場合を想定します。「AIモード」は、この1つの質問を以下のようなサブクエリに展開します。

1階層目のサブクエリ例:「抗酸化作用とは何か」「50代女性の身体的特徴」「加齢と抗酸化の関係」「主要な抗酸化成分」「サプリメントと食事の使い分け」「選び方の基本」「注意すべきこと」など数十個。

2階層目のサブクエリ例:1階層目の各項目について、「主要な抗酸化成分」なら「ビタミンCの役割」「ビタミンEの働き」「ポリフェノールの種類」「コエンザイムQ10とは」「アスタキサンチンの特徴」といった詳細に展開。全体でさらに数十〜数百個。

3階層目のサブクエリ例:各成分について「摂取推奨量」「相性の悪い薬」「食品からの摂取量目安」「50代での摂取ポイント」といったさらに詳細に展開。

このように、1つの質問から数百のサブクエリが生成され、それぞれで集められた情報が統合されて、包括的で専門家レベルの回答が生成されるのです。

引用されるためのコンテンツ設計

「AIモード」の深いクエリファンアウトで引用されるためのコンテンツ設計を整理します。

1. 主題の網羅性を確保する
1つの記事で、主題に関連する多様な観点をカバーします。基本概念・背景・詳細・条件・例外・具体例・注意点といった要素を、体系的に整理した記事が有利になります。

2. 階層構造を持つ情報設計
概要から詳細へと階層構造を持つ情報設計が、多階層のサブクエリに対応しやすくなります。見出しの階層化、内部リンクによる詳細記事への誘導、といった構造が有効です。

3. 多様な情報源としての位置付け
テキスト記事だけでなく、動画・図表・PDFレポート・データ集といった多様な形式で情報を発信することで、多様なサブクエリからの引用機会が生まれます。

4. 関連クエリの網羅
主要な質問だけでなく、関連する派生的な質問への回答も準備します。1つのテーマについて包括的な情報を持つ企業が、多階層のサブクエリで繰り返し引用される情報源になります。

コンサル事例:農産物加工品メーカーでの網羅的情報整備

先日、ある農産物加工品メーカーのクライアントさんからこんなご相談をいただきました。「有機農産物加工品の情報を発信しているが、『AIモード』で全く引用されない。どうすれば深いクエリファンアウトに対応できるのか」と。

拝見したところ、記事は個別商品の紹介や単発の栄養情報が中心で、有機農産物や加工技術に関する体系的で網羅的な情報がほぼゼロの状態でした。「AIモード」の深いクエリファンアウトで生成される多面的な質問に対して、部分的にも対応できていない状況だったのです。

私は、有機農産物と加工品に関する主要テーマごとに、深く網羅的な情報群を体系的に整備することを提案しました。有機農産物の栽培基準の詳細、加工技術別の栄養価への影響、保存方法と鮮度、原料の産地と特徴、健康への影響を扱った研究知見、といった主要テーマそれぞれについて、5000字規模の網羅的な記事を整備する形です。同時に、動画で加工工程の様子を公開し、代表者の農業経営の経歴と実績も詳細に開示しました。

数ヶ月後サーチコンソールの検索パフォーマンスのデータを検証したところ、有機農産物や加工品に関する多様な相談的クエリで「AIモード」への引用が発生するようになりました。深いクエリファンアウトの中で、複数の観点から自社情報が繰り返し引用される形になり、ECサイトへの流入と注文が明確に増加していきました。網羅性と深さを両立した情報構造への転換が、深いクエリファンアウト時代の集客成果に直結することを示した事例です。

まとめ

今回の話をまとめると、「AIモード」のクエリファンアウトは「AIによる概要」の数十倍規模で展開され、多階層の深いサブクエリで包括的な回答を生成する仕組みになっており、企業は主題の網羅性を確保する情報設計・階層構造を持つ情報体系・多様な情報源としての位置付け・関連クエリの網羅という4つの方向で対応する必要がある、ということです。

「AIによる概要」対策で有効だった短く簡潔な情報だけでは、「AIモード」の深いクエリファンアウトには対応できません。同じ主題について複数の観点をカバーし、深く網羅的な情報を体系的に整備することが、「AIモード」時代の集客成果の基盤になります。

「AIモード」を実際に使ってみると、これまでのGoogle検索とは根本的に違う体験に気付きます。最初の質問への回答を見た後、「もう少し詳しく」「別のパターンは?」「その理由は?」といった追加質問を投げかけると、「AIモード」は最初の質問の文脈を保ったまま、深掘りした回答を返してくれるのです。この「会話履歴を覚えている」という機能こそが、「AIモード」がこれまでの検索と一線を画す最大の武器です。

多くのユーザーは、この会話履歴機能を無意識のうちに体感し、「AIモード」の便利さに惹かれて日常的に使い始めています。しかし、企業側のWeb担当者は、この機能が自社のコンテンツ発信にどう影響するかを深く考える機会が少ないままです。会話履歴機能を前提としたユーザーの行動変化を理解しないと、企業のコンテンツ戦略は的外れなものになってしまいます。

今回は、「AIモード」の会話履歴機能の意味、マルチターン検索という新しい体験、そして企業のコンテンツ発信への影響について解説します。

「会話履歴を覚えている」とは何か

「会話履歴を覚えている」機能について、実務的に整理します。

「AIモード」では、ユーザーが最初の質問を投げかけた後、追加質問を続けることができます。この時、「AIモード」はこれまでの会話の文脈を保持したまま、追加質問に応答します。例えば「初心者向けのミラーレスカメラのおすすめは」と最初に質問し、その後「予算8万円以下だと?」と追加質問すると、「AIモード」は「先ほどおすすめした中で予算8万円以下のもの」として絞り込んだ回答を返してくれるのです。

この機能を支えているのが、コンテキストウィンドウ(一度に処理できる文脈の長さ)の拡張です。Gemini 3.5 Flash(2026年5月時点の「AIモード」既定モデル)は、非常に長いコンテキストウィンドウを持ち、複数のやり取りを含む長い文脈を一貫して処理できる能力を持ちます。



この構造は、行きつけの居酒屋のマスターが常連客の好みや過去の会話を覚えていて、それを踏まえた提案や会話ができる関係性と似ています。常連の店では、マスターは前回訪れた時の注文、その日の話題、好みの傾向、といった情報を覚えています。次に訪れた時、「先週おすすめしたお酒はいかがでした?」「いつものメニューでよろしいですか?」といった、履歴を踏まえた対話ができるのです。この関係性は、常連客にとって「自分を理解してくれている」という深い満足感を生み、店との関係を長期的に深めていく基盤になります。

「AIモード」の会話履歴機能も、まったく同じ構造でユーザーとの関係性を築きます。ユーザーが積み重ねた質問と回答が保持されることで、AIは徐々にユーザーの意図と関心を理解し、より的確な回答を返せるようになるのです。

マルチターン検索という新しい体験

マルチターン検索(複数回の対話を1つのセッションとして扱う検索方式)という新しい体験を整理します。

従来のGoogle検索は、シングルターン検索(1つの質問と1つの回答で完結する検索方式)でした。ユーザーが1つの質問を入力し、Googleが結果を返す。ユーザーが追加の情報を求める場合は、また新しい質問として検索し直す必要があります。前の質問との関連性は、Google側では保持されない仕組みです。

マルチターン検索では、この構造が根本的に変わります。ユーザーが最初の質問を投げかけた後、追加質問を続けることで、深い理解に至る対話的な検索が可能です。「AIモード」は、1つのセッションの中で複数の質問を統合的に扱い、一貫性のある回答を提供します。



この新しい体験は、以下のような特徴を持ちます。

1. 徐々に深まる理解
シングルターン検索では、ユーザーは自分で複数の検索を行って情報を集める必要がありました。マルチターン検索では、対話を続けるだけで、徐々に理解が深まっていきます。

2. 文脈に応じた回答
同じ追加質問でも、それまでの会話の文脈によって回答が変わります。ユーザーの状況や関心に応じた、パーソナライズされた情報が得られます。

3. 曖昧な質問への対応力
シングルターン検索では、質問が曖昧だと的外れな回答になりがちでした。マルチターン検索では、対話を通じてAIがユーザーの意図を正確に把握できるようになります。

会話履歴を活用した対話の実際

会話履歴を活用した対話の実際を、具体例で示します。

例えば、「AIモード」で以下のような対話が行われる場面を想定します。

最初の質問:「50代の初心者にオススメのヨガの種類は?」

「AIモード」の回答:50代初心者向けに適したヨガの種類として、リラックス系のハタヨガ、体を温めるヴィンヤサヨガ、深い呼吸と瞑想を重視するヨガ・ニドラーといった選択肢を、それぞれの特徴とともに提示。

追加質問1:「膝に不安がある場合は?」

「AIモード」の回答:直前の回答の文脈(50代初心者向けヨガの種類)を保持したまま、膝への負担が少ないヨガの選び方を絞り込んで回答。ハタヨガの中でも椅子を使うチェアヨガ、座位中心のプラクティスといった、より具体的な選択肢を提示。

追加質問2:「初心者向けのポーズは?」

「AIモード」の回答:これまでの文脈(50代・膝に不安・初心者)をすべて保持したまま、膝を保護しながら実践できる初心者向けポーズを提示。

このように、ユーザーが最初の質問を細かく指定しなくても、対話を続けることで徐々に絞り込まれた具体的な回答が得られる体験が実現します。

会話履歴が企業に与える影響

会話履歴機能の登場が、企業のWeb集客に与える影響を整理します。

1. 1回の露出から複数回の露出へ
マルチターン検索の中で、ユーザーは1回のセッションで自社に関する情報に複数回触れる可能性があります。会話が続く中で、繰り返し引用される情報源となることが、深いブランド認知に繋がります。

2. 関連情報の網羅性の重要性
「AIモード」がマルチターン対話の中で追加情報を求めた時、それに応えられる関連情報を持つ情報源が繰り返し引用されます。1つのテーマについて幅広い関連情報を持つ企業が有利になります。

3. 相談的な情報構造の価値
ユーザーの追加質問に応えられるためには、企業側の情報も「相談的な深さ」を持つ必要があります。単に事実を並べるのではなく、状況別・条件別の対応や、実務経験に基づく判断のポイントを含む情報が価値を持ちます。

会話履歴時代の情報発信設計

会話履歴時代の情報発信設計のポイントには次のようなものが考えられます。

1. 関連情報の網羅的な体系化
1つの主題について、基本情報だけでなく、条件別・状況別・応用別の情報を体系的に整備します。マルチターン対話の中で発生する追加質問に、幅広く対応できる状態を作ります。

2. 対話的な相談情報の発信
「〇〇の場合はどうすべきか」「△△を検討している時のポイント」といった、対話的な相談に応える情報を意識的に発信します。実際にクライアントさんから受ける質問と回答を、そのまま記事化する形も有効です。

3. サイト内の相互リンクによる情報網の構築
関連する記事を相互にリンクで結ぶことで、ユーザーが1つの記事から関連情報へと自然に辿れる情報網を構築します。この情報網が、マルチターン対話での繰り返しの引用を生む基盤になります。

4. 著者の一貫した視点の維持
複数の関連記事の中で、著者の視点や専門性が一貫していることが重要です。マルチターン対話の中で「同じ情報源からの一貫した視点」を提供できることが、AIから見た信頼性シグナルになります。

記事間の関連性を示すことの重要性

会話履歴時代においては、記事間の関連性を明示的に示すことが、これまで以上に重要になります。

内部リンクの構造化、関連記事の推薦、シリーズ記事の連続性の明示、といった対策が、AIから見た「体系的な情報源」というシグナルを強化します。関連する記事同士が明確にリンクで結ばれている情報構造は、マルチターン対話での追加情報の提供源として選ばれやすくなります。

さらに、記事間の関連性をパン屑リストや構造化データで機械可読な形で示すことも有効です。AIが「この記事は、より広い〇〇というテーマの一部である」という認識を持てる情報構造が、体系性の評価を高めます。

石材店のクライアントさんの実際のケースでは、以前は個別の墓石商品ページや墓地の選び方の記事が独立して存在していましたが、追加質問への対応が構造化されていない状態でした。関連記事同士を体系的に相互リンクで結び、「墓石選び」「墓地探し」「相続と墓」「家族の意向調整」といった関連テーマを1つの情報体系として再構築した結果、「AIモード」での引用機会が明確に増えていきました。関連性の明示が、マルチターン検索時代の情報構造の核であることを示す事例です。

まとめ

今回の話をまとめると、「AIモード」の最大の武器である「会話履歴を覚えている」機能は、マルチターン検索という新しい体験を可能にし、企業には対話的な情報構造と関連情報の網羅的な体系化が求められる、ということです。

関連情報の網羅的体系化、対話的な相談情報の発信、相互リンクによる情報網の構築、著者の一貫した視点の維持という4つの方向で情報発信を設計することで、会話履歴時代の「AIモード」に繰り返し引用される情報源になれます。単発の記事から対話的な情報体系への転換が、これからの集客成果の基盤になります。

「AIモード」への対応は、何か特別なAI向けコンテンツを大量に作ることではありません。ユーザーが抱く疑問を先回りし、必要な情報を丁寧につなぎ、専門家として答え続けられるサイトを作ることです。マルチターン検索が広がるほど、こうした情報の積み重ねが大きな差になっていくはずです。

AI検索時代の記事作成では、「良い記事を書く」だけでは足りません。AIに引用されるためには、「AIが抜き出したくなる段落」を意図的に設計する必要があります。

同じテーマを扱った記事でも、あるサイトは頻繁に「AIによる概要」に引用され、別のサイトはまったく引用されない、という現象が起きています。両者の違いは、記事全体の品質よりも、「段落レベルでのライティング技術」にあることが分かってきました。

英語圏の複数のサイトで発表されているレポートを解読し、実際にクライアントさんのサイトに実施して一定の成果を検証したことにより、AI引用率の高い記事には5つの共通したライティング技術があることが見えてきました。

今回は、これらのAIにサイトを取り上げられるための5つの技術を、具体例とともに紹介していきます。

「良い記事」だけではAIに引用されない時代

以前は、丁寧に書かれた情報量の多い記事が、そのまま検索上位に表示されていました。しかし、AI検索時代においては、「良い記事」であることは前提条件にすぎません。その良い記事の中に、AIが抜き出しやすい段落が何個入っているか、という点が問われています。

AIは、パッセージレベル抽出（Passage-level Extraction、Googleがページ全体ではなく、ページ内の特定の段落を1つの評価単位として抽出する仕組み）という技術を使い、ページ全体ではなく段落単位で情報を評価しています。つまり、記事全体の品質と、段落単位の設計は、別々に磨く必要があるのです。



以下で紹介する5つの技術は、記事全体の質を保ちながら、「AIが抜き出したくなる段落」を意図的に量産するためのものです。

技術1：段落冒頭に「主語+動詞」を明示する

日本語の記事でありがちなのが、主語を省略した書き出しです。「この場合、〇〇となります。」「そのため、△△が重要です。」といった書き方は、日本人読者には通じますが、AIから見ると「何について書かれた段落か」が判別できません。

段落冒頭で「◯◯は、△△である」という主語+動詞の構造を明示することで、AIはその段落のトピックを即座に理解できます。

悪い例：「そのため、まずは適切な設定を行うことが重要です。」

良い例：「GoogleサーチコンソールでURL検査を行う際は、まず適切な設定を行うことが重要です。」

段落の冒頭に「何について語っているか」の主語を明示するだけで、その段落は独立して意味を持つようになります。この修正は、AI引用率だけでなく、通常のSEO順位にも良い影響を与えます。

技術2：数字と固有名詞を1段落に必ず1つ以上入れる

事実密度が高い段落は、AIから見て信頼できる情報源と判定されます。数字、日付、固有名詞、具体的な事例といった「動かない事実」を、段落ごとに最低1つは入れることを意識します。

抽象的な段落の例：「AI検索の登場によって、多くのサイトのアクセスが減少していると言われています。」

事実密度が高い段落の例：「BrightEdgeの2024年調査によると、『AIによる概要』が表示されるクエリでは、上位表示サイトのクリック率が平均で34.5%減少しています。」

後者の方が、AIから見て「引用に値する情報」として認識されます。具体的な数字と出典元の名前が入っているだけで、段落の重みが大きく変わるのです。

特に、パーセントや金額といった数値情報は、AIが「この段落は具体的な答えを持っている」と認識する強力な手がかりになります。抽象的な表現があったら、可能な限り数字に置き換えられないかを検討してみてください。

技術3：疑問形の見出しと直下段落を「Q&A」の対応関係にする

見出しに疑問を書き、直下の段落でその答えを完結させる、というQ&A構造は、AIにとって最も認識しやすい情報の単位です。

例えば、「◯◯とは何か」という見出しの直下に「◯◯とは、△△のことです。」と答える構造にします。この対応関係が明確な段落は、AIが「疑問と答えのペア」として認識し、引用の第一候補になります。

さらに、この構造にFAQPageスキーマ（構造化データ、GoogleにHTMLの意味をより正確に伝えるためのタグ）を組み合わせると、AIに対して「これはQ&A形式の情報です」と明示的に伝えられます。単に本文で書くよりも、抽出精度が上がる傾向があります。

例えるなら、図書館の司書に「この本のどこに答えがありますか」と聞かれたときに、目次でパッと該当ページを指せる状態を作るようなものです。見出しと直下段落のQ&A対応は、AIから見た「目次と本文の一致」なのです。

技術4：段落の長さを100〜250字に揃える

段落が長すぎると、AIは「どこで切り出せばよいか」判断できず、引用候補から外れます。逆に短すぎると、情報量が足りないと判定されます。100〜250字という範囲が、AIから見て最も切り出しやすい長さです。

具体的な長さの目安を整理します。

100字未満：情報量が不足しており、引用候補から外れる傾向があります。

100〜250字：最も引用されやすい範囲です。答えと根拠が1段落で完結できる長さです。

250〜400字：引用は可能ですが、AIが要約する際に一部がカットされることが多くなります。

400字超：AIが処理をあきらめ、その段落全体が引用候補から外れる傾向があります。

既存記事を見直す際は、長すぎる段落を2〜3つに分割し、それぞれで意味が完結するように書き直すのが効果的です。

技術5：段落末に出典を明示して信頼シグナルを送る

事実主張の直後に出典を明示することで、AIに対して「この段落は根拠がある」というシグナルを送れます。特に「AIによる概要」では、AIがハルシネーションを避けるため、根拠が明確なソースを優先的に選ぶ傾向があります。

具体的には、段落末に「（出典：△△△）」と記載するか、《出典》ブロックとして独立させる形が有効です。出典元は、権威性の高い媒体（政府機関・大手調査会社・学術誌など）を選ぶことで、より強い信頼シグナルになります。

英語圏では、Google Developers公式ドキュメント、Search Engine Land、Ahrefs、Semrushといった媒体が権威性の高い引用元として認識されています。日本語記事の場合でも、これらの英語圏媒体を出典として引用することで、E-E-A-T（経験・専門性・権威性・信頼性、Googleがコンテンツの質を判断する4つの指標）を強化できます。

出典を明示することは、YMYL（Your Money Your Life、健康・金融など人生に影響する分野）ではさらに重要になります。医療・法律・金融といった分野では、出典なしの主張はほぼ引用されない、と考えておくのが安全です。

5つの技術を組み合わせた時の相乗効果

ここまで5つの技術を1つずつ解説してきましたが、実は単独で導入するよりも、組み合わせて使う方が効果が大きくなります。

例えば、技術1（主語明示）と技術3（Q&A対応）を組み合わせると、見出しに書かれた疑問と、直下段落の主語が一致した状態になります。「◯◯とは何か」という見出しの直下に「◯◯とは、〜」と主語を明示した答えを置く形です。この一致がAIから見た「引用しやすさ」を大きく押し上げます。

技術2（数字・固有名詞）と技術5（出典）の組み合わせも強力です。「BrightEdgeの2024年調査によると、〇〇は34.5%減少した」という文章の末尾に《出典》ブロックを付ければ、AIから見て「数字がある・出典がある・根拠が明確」という三重のシグナルが揃います。

さらに、技術4（段落長さ）を組み合わせることで、この情報を100〜250字の1段落に凝縮できます。AIから見て「引用しやすい情報の塊」の完成です。

5つの技術を導入した事例

先日、あるWeb制作会社のクライアントさんからこんなご相談をいただきました。「サービス紹介記事を書いても書いても、AI検索経由の問い合わせが増えない」と。

記事を拝見したところ、内容自体は詳しく、専門用語も適切に使われていました。ただ、5つの技術のうち、どれ1つも意識的には使われていない状態でした。段落冒頭で主語が省略され、数字がなく、見出しと直下段落が対応せず、段落の長さもバラバラで、出典もほぼゼロだったのです。

私は、5つの技術をチェックリスト化して、全記事の書き直しを提案しました。一気にやると大変なので、月に10記事ずつのペースで改善していく計画を立ててもらいました。

半年後、AI検索経由の流入は約2倍近くに増え、そこからの問い合わせ数も明確に増加していました。書き手が変わったわけでも、記事のテーマが変わったわけでもありません。5つのライティング技術を意識するようになっただけで、記事の「AIにとっての価値」が大きく変わった事例です。

5つの技術を既存記事に適用する順序

すべての技術を一気に導入するのは大変なので、優先順位をつけて段階的に導入することをおすすめします。

ステップ1：まず技術3（Q&A対応）を優先する
見出しと直下段落の対応関係を整えることが、最も引用率への影響が大きい改善です。全記事の全見出し直下1段落目を見直すところから始めます。

ステップ2：次に技術1（主語明示）と技術4（段落長さ）を組み合わせる
段落を分割しつつ、各段落の冒頭に主語を明示するよう書き直します。この2つは同時に対応するのが効率的です。

ステップ3：最後に技術2（数字・固有名詞）と技術5（出典）を追加する
事実密度の向上と出典の追加は、リサーチが必要なため時間がかかります。ステップ1〜2で構造を整えた後で、余裕を持って追加していきます。

まとめ

今回の話をまとめると、AI検索時代に引用される記事は、5つのライティング技術を意識的に組み合わせて書かれている、ということです。

主語の明示、事実密度の向上、Q&A対応、段落長さの調整、出典の明示。これらは1つひとつは地味な改善ですが、組み合わさることで「AIが抜き出したくなる段落」が量産できるようになります。

すでに公開している記事に対しても、優先順位をつけて段階的に導入すれば、時間をかけずにAI引用率を改善できます。大掛かりなリニューアルより、地道な段落単位の書き直しの方が、AI検索時代の露出には効きます。

AI検索時代になったからSEOが終わるのではありません。むしろ、本当に信頼される専門家や企業が評価される時代が始まったのです。今後のSEOで成果を出すためには、「検索順位を上げること」だけではなく、「AIやユーザーから信頼される存在になること」を目指す必要があります。

「AIによる概要」に引用されているページを分析していくと、意外な傾向が見えてきます。同じ情報を伝える場合、箇条書きよりも表形式の方が引用されやすい、という現象が起きているのです。

多くのWebサイトでは、情報を整理する際に箇条書きを使うのが一般的です。しかし、AI検索時代においては、この箇条書きが必ずしも最適解ではないことが分かってきました。特に、複数の項目を比較する情報や、条件と結果を対応させる情報では、表形式の方がAIから引用される確率が高くなります。

この「箇条書きから表への転換」は、多くのサイトで導入できる改善余地の大きい領域です。コンテンツを書き足すことなく、既存情報の見せ方を変えるだけで、AI引用率を上げられる可能性があります。

今回は、なぜAIが表を好むのか、その仕組みと、実務で表を効果的に使うための書き方の型を、具体的な事例とともに解説します。

「箇条書き」より「表」が引用されやすいという新しい発見

Ahrefsの2024年調査によると、「AIによる概要」に引用されるコンテンツ要素のうち、表形式のデータは箇条書きに比べて約1.7倍の引用確率があると報告されています。特に比較検討系のクエリでは、この差がさらに広がる傾向が見られます。

これは、AIが情報を要約する際、表形式の方が構造化された情報として認識しやすいためです。箇条書きは項目が並んでいるだけで、項目間の関係が明示されていません。一方、表は行と列の交差点で情報が定義されるため、意味関係が構造として保持されます。



例えば、「業界別のAIによる概要出現率」を伝える場合、箇条書きだと「教育・学習分野：25〜35%」「医療分野：20〜30%」と単純に並びますが、表だと「業界」「出現率」「特徴」といった列で情報の意味構造が明示できるのです。

なぜAIは「表」を好むのか、その3つの理由

AIが表を優先的に引用する理由は、主に3つあります。

1. 構造化された情報として認識しやすいから
表は行と列という明確な構造を持っているため、AIから見て「これは複数項目を対応関係で示した情報だ」と即座に認識できます。この構造がスキーマ（構造化データ、GoogleにHTMLの意味をより正確に伝えるためのタグ）としても機能し、AIが引用しやすい形になります。

2. 比較関係を保持したまま抽出できるから
箇条書きの場合、AIが抽出した際に項目間の対応関係が失われがちです。一方、表であれば「A社は月額5,000円、B社は月額7,000円」といった対応関係を保持したまま、AIが情報を要約できます。

3. 視覚的な処理のパターンが一致するから
AIは、視覚的にも構造化されたコンテンツを高く評価します。表はレイアウトそのものが情報の構造を示しており、AIから見て「意味のある単位」として扱われやすくなります。

表として認識される具体的な形式

「表」と一口に言っても、AIが認識しやすい形式には条件があります。

1. HTMLのTableタグで正しくマークアップされている
見た目だけを表のように整えるのではなく、HTMLの正式なTableタグでマークアップされていることが基本です。div要素の組み合わせで見た目だけを表にしても、AIには「表」として認識されません。

2. ヘッダー行と本文行が区別されている
一番上の行がヘッダー、それ以降がデータ行として区別されている表は、AIから見て「意味構造が明確な表」と判定されます。

3. 各セルの内容が簡潔である
各セルに長い文章を詰め込むと、表の構造としての明確性が失われます。1セルに1つの明確な情報が入っている表が、最も引用されやすい形です。

箇条書きが完全に不要という意味ではない

表が有利、と説明してきましたが、箇条書きが完全に不要という意味ではありません。使い分けが重要です。

箇条書きが向いているのは、以下のようなケースです。順序が意味を持つ手順（ステップ1、ステップ2）、対応関係のない単純な列挙（注意事項のリスト）、項目ごとに詳しい説明が続く場合（strong見出し+段落形式）などが該当します。

一方、表が向いているのは、複数項目の比較（製品A vs 製品B vs 製品C）、条件と結果の対応（価格帯別のサービス内容）、時系列や地域別のデータ（年別統計、都道府県別データ）といった、対応関係を含む情報です。

情報の性質に応じて使い分けることで、それぞれの形式の強みを最大限に活用できます。

表を効果的に使うための書き方の型

表を効果的に使う書き方は、電車の時刻表と似ています。時刻表は「駅名」と「時刻」という2つの軸で情報を配置し、乗客が「〇〇駅を〇時に発つ電車は」といった疑問に一瞬で答えられる形式です。誰も時刻表を上から順番に全部読むわけではなく、必要な情報だけを瞬時に抽出します。

AIが表を引用する際も同じ発想です。「〇〇の条件では△△となる」という対応関係を、行と列の交差点で瞬時に抽出できるように設計するのです。

具体的な書き方の型を3つに整理します。

1. 縦軸と横軸を明確に決める
表を作る前に、「何を比較するか（縦軸）」「どんな観点で比較するか（横軸）」を明確に決めます。例えば、業界別のデータなら縦軸に業界名、横軸に評価項目を並べます。

2. 各セルは30字以内を目安に
長文をセルに詰め込むと表の意味構造が壊れます。数字・簡潔な文言・キーワードを中心に、1セル30字以内を目安にします。

3. 表の直前に「この表は何を示すか」を1文で説明する
表そのものだけを配置するのではなく、直前に「以下は業界別のAIによる概要出現率をまとめたものです」といった説明文を1文入れます。AIから見て「表の目的」が明確になり、引用しやすくなります。

成功事例：保険代理店での商品比較記事の書き換え

ある保険代理店のクライアントさんから「保険商品の比較記事を数十本書いているが、AI引用がほとんどない」というご相談をいただきました。

拝見すると、商品比較の記述が箇条書きに近い形で並んでいました。「A社は月額5,000円、給付金は100万円、B社は月額7,000円、給付金は150万円」といった書き方です。読めば理解できますが、AIから見ると項目間の対応関係が抽出しにくい構造でした。

私は、商品名・月額保険料・給付金額・特徴という4列の比較表として整理しましょう、とお伝えしました。すべての商品比較記事について、表形式に転換する作業を進めていただきました。

数ヶ月後、保険商品の比較系クエリで「AIによる概要」への引用が以前より明らかに増えたということをクライアントさんがおっしゃってくれました。

まとめ

今回の話をまとめると、「AIによる概要」に引用されやすいコンテンツ形式として、箇条書きよりも表の方が有利な傾向があり、比較検討系の情報や対応関係を含むデータでは、表形式への転換が大きな引用率向上をもたらすということです。

HTMLのTableタグでの正しいマークアップ、ヘッダー行と本文行の区別、簡潔なセル内容、表の前後の説明文といった実務ポイントを押さえることで、既存コンテンツを大きく書き足すことなく、AI引用率を高められます。

AI検索時代になったからSEOが終わるのではありません。むしろ、本当に信頼される専門家や企業が評価される時代が始まったのです。今後のSEOで成果を出すためには、「検索順位を上げること」だけではなく、「AIやユーザーから信頼される存在になること」を目指す必要があります。