「AIに聞けば一発で答えが返る時代に、あなたのコンテンツはAIに見えていますか？」

この本について

本書は、LLMO(LLM Optimization)を最短で理解し、今日から実装を始めるための入門書です。

LLMOとは、ChatGPT・Claude・Gemini・Perplexityといった大規模言語モデルの回答において、自分のコンテンツが参照・引用されるように最適化する技術です。SEOの次に来る、新しいWebの最適化手法として注目されています。

しかし、LLMOに関する情報はまだ断片的です。何から手を付ければいいのか、どれくらい効果があるのか、エンジニアとして何をすべきなのか。

私自身、技術ブログや自社サイトのAI検索対応に取り組む中で、「SEO対策のつもりでやっていたことがAIにはまったく届いていない」という現実に直面しました。そこから体系的に実践・検証した結果を、本書にまとめています。

これらの疑問に、本書は3章で答えます。

本書の構成

章	テーマ	所要時間
第1章	SEOが壊れる日: AIがコンテンツを見つける3つの経路	読むだけ(15分)
第2章	今日から実装できるLLMO: llms.txtと構造化データ入門	手を動かす(1時間)
第3章	測定してみよう: LLMOの効果を数値で把握する	仕組みを作る(30分)

第1章で「なぜ今LLMOなのか」を理解し、第2章でllms.txtとJSON-LDを実装し、第3章で効果を測定する。この流れで、LLMOの全体像を掴みつつ、読み終わった時点で手元に動くものがある状態を目指しました。

想定読者

• SEOは知っているが、LLMOは初めてというエンジニア
• 「AI検索」の変化を感じているが、何をすればいいかわからない方
• 技術ブログやOSSドキュメントをAIに見つけてもらいたい方
• 自社サイトのAI検索対応を任された方

コードが読める方を想定していますが、高度なプログラミング知識は不要です。

もっと深く学びたい方へ

本書はクイックスタートです。LLMOの技術的な背景、3つの経路の詳細なメカニズム、GEO論文の統計データ、Brave Search APIの内部構造などをさらに深掘りしたい方は、完全版の『LLMO: AIがあなたのコンテンツを見つける3つの経路』をご覧ください。

それでは、AI検索の世界へ踏み出しましょう。

この続きはKindleで →

第1章: SEOが壊れる日: AIがコンテンツを見つける3つの経路

あなたのSEO対策、AIは見ていません。

はじめに: なぜ今LLMOなのか

私はエンジニア歴8年のソフトウェアエンジニアで、現在はAIエージェントの開発・運用に取り組んでいます。ある日、自分のAIエージェントが情報を検索するとき、Googleではなく Brave Search を使っていることに気づきました。

これは衝撃でした。私がSEO対策で最適化していた検索エンジンと、AIが実際に使っている検索エンジンがまったく別物だったのです。

調べてみると、これは私のエージェントだけの話ではありませんでした。AnthropicのClaudeはBrave Searchを、ChatGPTはBingを、GeminiはGoogle Searchを検索バックエンドとして使っています。AIツールごとに参照する検索インフラが異なるのです。

そして何より、ユーザーの行動そのものが変わっています。

• 米国成人の 52% がChatGPT等のAI LLMを利用(Elon大学 2025年3月調査)
• Gartnerは 2026年までに従来の検索エンジンのトラフィックが25%減少 すると予測(2024年2月発表)
• AI Overviewsの表示でGoogle検索1位のCTRが 34.5%低下 した(Ahrefs調査)

「10本の青いリンク」から「1つのAI回答」へ。この変化は不可逆的です。一度「AIに聞けば一発で答えが返ってくる」体験をしたユーザーは、もう戻りません。

この新しい時代に対応するための最適化技術が LLMO(Large Language Model Optimization) です。

LLMOとは何か

LLMOとは、ChatGPT、Claude、Gemini、Perplexityといった大規模言語モデルの回答において、自分のコンテンツが参照・引用されるように最適化する技術です。

従来のSEOが「Googleの検索結果ページで上位表示される」ことを目指していたのに対し、LLMOは「AIの回答の中で情報源として引用される」ことを目指します。

似た用語がいくつかありますので、整理しておきます。

• LLMO: 大規模言語モデルへの最適化。本書ではこの用語を使います
• GEO(Generative Engine Optimization): 生成AIエンジン全体への最適化。学術的にはこちらが標準です
• AIO(AI Optimization): AI全般への最適化。日本で比較的使われています
• AEO(Answer Engine Optimization): 回答エンジン最適化。GEOよりやや狭い概念です

どの用語も本質は同じで、「AIの回答で自分のコンテンツが引用されるための最適化」を指しています。

SEOは死なない、でもSEOだけでは不十分

大切なことを先にお伝えします。SEOは死にません。

Googleの検索シェアは依然として約90%です。しかし、AI経由のトラフィックは質が桁違いに高いのです。

• LLM経由の訪問者のコンバージョン率はオーガニック検索の 最大23倍 に達するケースがある(Ahrefs調査)
• AI経由のコンバージョン率は 11.4% に対し、オーガニック検索は 5.3% (SimilarWeb)
• AI経由のリファラルトラフィックは前年比 357%増加 (SimilarWeb)

量は少ないが質が圧倒的に高い。これがAI検索トラフィックの特徴です。そしてこの「量」は、毎年数百パーセントの勢いで増加しています。

SEOの上にLLMOを積む。 これが、これからのWebにおける情報発信の基本戦略です。

LLMに情報が届く3つの経路

LLMOを理解するうえで最も重要なのが、「LLMがどうやってあなたのコンテンツを知るのか」です。大きく3つの経路があります。

経路1: 学習データ(長期戦: 効果が出るまで6ヶ月〜2年)

GPT-4やClaudeといったLLMは、膨大なテキストデータで事前学習されています。この学習データに含まれた情報が、モデルの「記憶」になります。

重要なポイントは、すべてのWebページが平等に扱われるわけではない ということです。GPT-3の学習データでは、WikipediaとWebText2(Redditで3つ以上のupvoteを受けた投稿に含まれるリンク先)に 5〜6倍の学習ウェイト が与えられています。

つまり、Redditコミュニティが「価値がある」と判断したコンテンツは、LLMの記憶に強く刻まれるのです。

ただし、学習データにはカットオフ日があります。今日公開したコンテンツが反映されるのは早くても数ヶ月後。そのため「長期戦」です。

経路2: RAG(中期戦: 効果が出るまで1〜3ヶ月)

RAG(Retrieval-Augmented Generation)は、LLMが「記憶」にない情報を補完するために、リアルタイムでWeb検索を行い、取得した情報をもとに回答を生成する仕組みです。

ChatGPTの「Browse with Bing」、PerplexityのWeb検索、Google AI Overviews。これらはすべてRAGです。AIの回答に引用URLが付くのは、主にこのRAG経由です。

RAGで特に重要な概念が Query Fan-out です。ユーザーが1つの質問をすると、RAGシステムは内部で複数のサブクエリに分解して検索します。

たとえば「HubSpotをスタートアップで使うべき？」という質問は、以下のようなサブクエリに展開されます。

• 「HubSpot スタートアップ 料金」
• 「HubSpot 代替ツール 比較」
• 「スタートアップ CRM おすすめ」

SurferSEOの分析によると、サブクエリでランクインしたコンテンツは、メインクエリのみよりも 49%引用されやすい という結果が出ています。つまり、「HubSpot 料金」「HubSpot 代替」のような周辺キーワードでも引っかかるコンテンツ構造にしておくと、AI回答に選ばれる確率が大幅に上がるのです。

もう一つ重要なのは、LLMは ページ全体ではなくパッセージ(段落)単位 でコンテンツを評価するということです。SEOで1位のページでも、回答が長文に埋もれていればAIに引用されません。逆に、SEOランキングが低くても、特定の段落が質問に的確に答えていれば引用される可能性があります。

経路3: AIエージェントのリアルタイム検索(即効性: 1〜3ヶ月)

3つ目の経路は、AIエージェントが独自に行うWeb検索です。

2025年にMicrosoftがBing Search APIの外部提供を廃止したことで、独立系の検索APIは Brave Searchが事実上唯一の選択肢 になりました。Claude、Perplexity、多くのAIコーディングアシスタントがBrave Search APIを利用しています。

ここで重要なのは、GoogleのインデックスとBraveのインデックスは異なる ということです。Googleで1位のページがBraveでは見つからないこともあります。AIエージェント経由のトラフィックを獲得するには、Brave Searchでの可視性も意識する必要があるのです。

3経路の最適化優先順位

どの経路から手を付けるべきでしょうか。以下の優先順位を推奨します。

条件	優先経路	効果が出るまで
既存コンテンツが豊富	経路2(RAG最適化)	1〜3ヶ月
新規コンテンツ計画中	経路2 + 経路3	3〜6ヶ月
ブランド認知を高めたい	経路1(学習データ)	6ヶ月〜2年
技術ツール・OSSを運営	経路3(エージェント検索)	1〜3ヶ月

最も効率的なのは、経路2(RAG)の最適化を起点に、経路3と経路1に波及させる アプローチです。コンテンツ構造を改善すれば、それは全経路に効きます。

なぜエンジニアがLLMOをやるべきなのか

「これはマーケターの仕事では？」と思った方もいるかもしれません。違います。LLMOは本質的にエンジニアリングの問題です。

• LLMのアーキテクチャ理解
• RAGのQuery Fan-outを意識したコンテンツ設計
• JSON-LDによる構造化データの実装
• llms.txtやrobots.txtによるAIクローラー制御
• Pythonスクリプトによるモニタリング自動化

これらはすべて、エンジニアのスキルセットに属する仕事です。

さらに、私たちエンジニアはLLMOの「当事者」でもあります。Claude Codeで技術調査をするとき、Perplexityでライブラリを比較するとき、私たちはAI検索のユーザーです。同時に、技術ブログやOSSドキュメントを書くとき、AI検索のコンテンツ提供者でもあります。

両方の立場を持つエンジニアこそが、LLMOを最もよく理解し、効果的に実践できるのです。

この章のまとめ

• AIエージェントはGoogleではなくBrave Searchで検索している。SEO対策の前提が崩れつつある
• LLMに情報が届く経路は3つ: 学習データ(長期)、RAG(中期)、AIエージェント検索(即効性)
• SEOは死なないが、SEOだけでは不十分。SEOの上にLLMOを積むハイブリッド戦略が必要
• LLMOは本質的にエンジニアリングの問題。技術的理解が不可欠
• 最も効率的な起点はRAG最適化。コンテンツ構造の改善から始めよう

次のアクション

• 自社サイトの robots.txt を開いて、AIクローラー(GPTBot、ClaudeBot等)がブロックされていないか確認する
• ChatGPTかPerplexityで自社名を検索し、何が表示されるか確認する
• Brave Searchで自社サイトが表示されるか確認する

次の第2章では、今日から実装できる具体的なLLMOテクニック、llms.txtの設置と構造化データ(JSON-LD)の実装を解説します。

この続きはKindleで →

第2章: 今日から実装できるLLMO: llms.txtと構造化データ入門

理論は十分です。ここからは手を動かしましょう。

前章で、LLMに情報が届く3つの経路を理解しました。本章では、今日から実装できる2つの具体的なテクニックを紹介します。

1. llms.txt: AIに「ここが重要です」と伝えるガイダンスファイル
2. 構造化データ(JSON-LD): AIがコンテンツの意味を正確に理解するためのメタデータ

どちらも実装コストが低く、デメリットがゼロで、即日効果が期待できるものです。

---

llms.txt: AIへの「コンシェルジュ」

llms.txt とは何か

llms.txtは、Webサイトのルートパス(yoursite.com/llms.txt)に配置するMarkdownファイルです。LLMにサイトの目的・構造・重要コンテンツを効率的に伝える「チートシート」として機能します。

Answer.AIのJeremy Howard氏が2024年に提案した新しい標準で、急速に普及が進んでいます。

robots.txtとの違いを押さえておきましょう。

特徴	robots.txt	llms.txt
役割	「何をクロールしないか」を指示	「何に注目すべきか」を指示
性質	ゲートキーパー(制限)	コンシェルジュ(案内)
対象	すべてのクローラー	主にLLM
形式	独自テキスト形式	Markdown

なぜllms.txtが必要なのか

LLMがWebサイトを利用するとき、いくつかの問題があります。

• コンテキストウィンドウの制約: LLMが一度に処理できるテキスト量には限界がある
• HTMLのノイズ: ナビゲーション、広告、JavaScriptなどコンテンツ以外の要素が多い
• 重要ページの特定が困難: サイトマップには全ページが並ぶが、どれが重要かわからない

llms.txtは、サイト運営者自身が「うちのサイトで重要なのはこれです」とキュレーションすることで、これらの問題を解決します。

実装手順(所要時間: 15分)

ステップ1: ファイルの基本構造を作る

# サイト名

> サイトの目的と主要コンテンツの説明(1〜2文)

## 人気記事

- [記事タイトル](URL): 簡潔な説明
- [記事タイトル](URL): 簡潔な説明

## ドキュメント

- [ページタイトル](URL): 簡潔な説明

## Optional

- [補足リソース](URL): コンテキストに余裕がある場合に参照

必須要素は2つだけです。

• H1タイトル: # サイト名(1つだけ)
• ブロッククオートサマリー: > サイトの説明(1〜2文)

ステップ2: 重要ページを10〜20件選ぶ

すべてのページを列挙する必要はありません。AIに「特に読んでほしいページ」を厳選します。アクセス数が多い記事、独自データを含む記事、FAQなどが候補です。

ステップ3: サイトルートに配置する

作成したファイルを yoursite.com/llms.txt として配置します。

• エンコーディング: UTF-8
• MIMEタイプ: text/plain
• HTTPS必須
• 推奨サイズ: 10KB以下

具体例: 技術ブログの場合

# Tech Blog — 田中太郎

> フルスタックエンジニアの技術ブログ。Next.js、TypeScript、
> AI/MLに関する実践的な記事を週1回公開しています。

## 人気記事

- [Next.js App Router完全ガイド](https://example.com/blog/nextjs-app-router): App Routerの設計パターンとベストプラクティス
- [Docker ComposeからKubernetesへの移行](https://example.com/blog/docker-to-k8s): ステップバイステップの移行手順

## チュートリアル

- [JSON-LD実装ガイド](https://example.com/blog/jsonld-guide): AI検索最適化のための構造化データ実装

## 著者について

- [プロフィール](https://example.com/about): 経歴、スキル、連絡先

llms.txtの効果に関する現実的な期待値

正直にお伝えすると、llms.txtの効果についてはまだ議論があります。Googleのジョン・ミュラー氏は「どのAIサービスもllms.txtを使用しているとは言っていない」と発言しています。

しかし、私の見解は明確です。

• 実装コストが極めて低い(15分)
• デメリットがゼロ(既存のSEOに影響しない)
• AI検索の進化に伴い重要度が増す可能性が高い
• 早期採用者のアドバンテージがある

保険に似ています。火事が起きてから火災保険に入ることはできません。llms.txtも、AI検索が本格化してから慌てて設置するより、今のうちに仕込んでおく方が賢明です。 やらない理由がほとんどない のであれば、実装すべきです。

---

構造化データ(JSON-LD): AIにコンテンツの「意味」を伝える

構造化データとは何か

構造化データとは、HTMLにメタデータを埋め込んで、機械がコンテンツの意味を理解できるようにする仕組みです。schema.orgというボキャブラリーに基づいたJSON-LD形式で実装します。

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "LLMOの完全ガイド",
  "author": {
    "@type": "Person",
    "name": "田中太郎"
  },
  "datePublished": "2026-02-01",
  "dateModified": "2026-02-20"
}
</script>

このコードをHTMLの<head>に配置するだけです。

なぜJSON-LDがAI検索に効くのか

SEOの世界では「構造化データを入れてもランキングに直接影響しない」と言われてきました。しかしAI検索では話が変わります。

最大の理由は、Brave LLM Context APIがJSON-LDを優先的に抽出する ことが公式に確認されているからです。

Braveの検索APIがページからデータを抽出する際の優先順位は以下の通りです。

1. 構造化データ(JSON-LD) ← 最優先
2. テーブルデータ
3. クエリ最適化スニペット
4. コードブロック
5. フォーラム議論

つまり、JSON-LDを実装しているページは、AIの回答生成に使われるデータとして優先的に選ばれるのです。

SurferSEOの分析では、適切なスキーマ実装でPerplexityでの可視性が最大 10%向上 するデータが報告されています。

今すぐ実装すべき3つのスキーマタイプ

schema.orgには800以上のタイプがありますが、まず押さえるべきは3つだけです。

1. Article / TechArticle(ブログ記事に必須)

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "TechArticle",
  "headline": "Next.jsでJSON-LDを実装する方法",
  "author": {
    "@type": "Person",
    "name": "田中太郎",
    "url": "https://example.com/about",
    "jobTitle": "シニアフロントエンドエンジニア"
  },
  "datePublished": "2026-01-15T09:00:00+09:00",
  "dateModified": "2026-02-20T14:30:00+09:00",
  "description": "AI検索での可視性を高めるJSON-LD実装方法を解説",
  "keywords": ["Next.js", "JSON-LD", "LLMO"]
}
</script>

ポイント:

• dateModifiedは最重要フィールドです。LLMは新鮮なコンテンツを優先します(Perplexityでは新鮮さが約40%のランキング要因)
• authorにはURLとjobTitleを含めて専門性をアピールしましょう

2. FAQPage(Q&Aコンテンツに最適)

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "LLMOとSEOの違いは何ですか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "SEOは検索エンジンでのランキング向上を目的としますが、LLMOはAI生成回答での引用・可視性向上を目的とします。"
      }
    }
  ]
}
</script>

ポイント:

• 各回答は2〜3文で完結させましょう。AIが「抜き出してそのまま使える」自己完結的な文にします
• FAQスキーマは実際にFAQコンテンツがあるページにのみ使ってください

3. HowTo(チュートリアル記事に最適)

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "HowTo",
  "name": "llms.txtの設置方法",
  "totalTime": "PT15M",
  "step": [
    {
      "@type": "HowToStep",
      "name": "llms.txtファイルを作成",
      "text": "Markdown形式でllms.txtファイルを作成します。"
    },
    {
      "@type": "HowToStep",
      "name": "サイトルートに配置",
      "text": "yoursite.com/llms.txt として配置します。"
    }
  ]
}
</script>

フレームワーク別の実装例

Next.js(App Router)

// app/blog/[slug]/page.tsx
function JsonLd({ post }) {
  const jsonLd = {
    '@context': 'https://schema.org',
    '@type': 'TechArticle',
    headline: post.title,
    author: { '@type': 'Person', name: post.author },
    datePublished: post.publishedAt,
    dateModified: post.updatedAt,
  }
  return (
    <script
      type="application/ld+json"
      dangerouslySetInnerHTML={{ __html: JSON.stringify(jsonLd) }}
    />
  )
}

静的HTML

<head>
  <script type="application/ld+json">
  {
    "@context": "https://schema.org",
    "@type": "TechArticle",
    "headline": "LLMO実装ガイド",
    "author": { "@type": "Person", "name": "田中太郎" },
    "datePublished": "2026-02-01",
    "dateModified": "2026-02-20"
  }
  </script>
</head>

重要な注意点: サーバーサイドレンダリング必須

ここでよくあるミスをお伝えします。AIクローラーの多くは JavaScriptを実行しません。そのため、クライアントサイドJavaScriptでJSON-LDを動的に挿入する方式は避けてください。せっかくJSON-LDを書いても、AIには見えていないことになります。必ずサーバーサイドレンダリング(SSR)またはビルド時に生成しましょう。

// ❌ NG: クライアントサイドで注入
useEffect(() => {
  const script = document.createElement('script')
  script.type = 'application/ld+json'
  script.text = JSON.stringify(jsonLd)
  document.head.appendChild(script)
}, [])

// ✅ OK: サーバーコンポーネントで直接出力
export default function Page() {
  return (
    <script
      type="application/ld+json"
      dangerouslySetInnerHTML={{ __html: JSON.stringify(jsonLd) }}
    />
  )
}

---

robots.txt でAIクローラーを歓迎する

llms.txtとJSON-LDに加えて、もう一つ確認すべきファイルがあります。robots.txtです。意外と見落とされますが、ここでAIクローラーをブロックしていると、他の施策が全て無駄になります。

AIクローラーのリクエスト数は Googlebotの20% に相当するまで成長しています。robots.txtでAIクローラーをブロックしてしまうと、AI回答から完全に消えてしまいます。

推奨設定

# robots.txt: AI検索最適化重視

User-agent: GPTBot
Allow: /

User-agent: ChatGPT-User
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: Google-Extended
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Applebot-Extended
Allow: /

# 管理画面は除外
User-agent: *
Disallow: /admin/
Disallow: /api/

Sitemap: https://example.com/sitemap.xml

有料コンテンツがある場合は、公開コンテンツのみ許可する「選択的許可」も可能です。

---

コンテンツ構造のベストプラクティス

llms.txt、JSON-LD、robots.txtを設定したら、コンテンツ自体の構造も見直しましょう。AIに引用されやすいコンテンツには共通パターンがあります。

見出しを質問形式にする

<!-- ❌ 曖昧な見出し -->
## まとめ
## 詳しくはこちら

<!-- ✅ 具体的な見出し -->
## llms.txtの設置に必要な3つのステップ
## JSON-LDはAI検索にどう影響するのか

AIは見出しをセクションの要約として利用します。見出しが質問形式なら、AIがQ&Aとして引用しやすくなります。

各セクションを自己完結的にする

<!-- ❌ 文脈依存 -->
前述の通り、これは非常に重要です。

<!-- ✅ 自己完結 -->
llms.txtはWebサイトのルートに配置するMarkdownファイルで、
LLMにサイトの重要コンテンツを構造的に伝えるための標準規格です。

LLMはページ全体ではなくパッセージ単位で引用します。各段落が「抜き出してもそのまま回答として使える」形にしましょう。

ファクト密度を上げる

GEO論文によると、統計データの追加でAI引用率が +115.1%向上 します。

<!-- ❌ 曖昧 -->
LLMOは効果的です。

<!-- ✅ 具体的 -->
SurferSEOの分析によると、適切なスキーマ実装で
Perplexityでの可視性が最大10%向上します。

「便利」「すごい」ではなく、具体的な数値とデータソースを示しましょう。

---

今日やることチェックリスト

• llms.txtを作成してサイトルートに配置する(15分)
• 主要記事にArticle/TechArticleのJSON-LDを追加する(30分)
• FAQコンテンツがあるページにFAQPageスキーマを追加する
• robots.txtでAIクローラー(GPTBot、ClaudeBot等)が許可されているか確認する
• Google Rich Results TestでJSON-LDをバリデーションする

これだけで、AI検索での可視性が大きく変わります。所要時間は合計1時間程度です。

この続きはKindleで →