LLMO（Large Language Model Optimization）とは、生成AIの回答に自社の情報が引用されるよう、コンテンツを設計する取り組みのことです。ChatGPTやGemini、GoogleのAIによる概要といったAIが答えを返すとき、その根拠として自社のページが選ばれる状態をつくる。ほぼ同じ意味でGEO（Generative Engine Optimization）とも呼ばれます。
本記事では、LLMOの定義と仕組み、具体的に何をするのかを整理します。あわせて、自社で実際に17本の記事をこの設計で書き、AIに引用されたあと何が起きたかも、数字とともに記録します。うまくいかなかった部分も含めて書きます。
LLMOとGEOは、何が違うのか
結論から言うと、実務上はほぼ同じものを指しています。
LLMOは大規模言語モデル（Large Language Model）を主語にした呼び方、GEOは回答を生成する場（Generative Engine）を主語にした呼び方です。対象とする施策の中身に、はっきりした線引きはありません。
呼称が二つある状態は、この分野がまだ新しいことの表れです。参考までに、2026年9月時点のAhrefsのデータでは、日本語での月間検索数は「LLMOとは」が約2,200、「GEOとは」が約700でした。検索する側にはLLMOのほうが浸透している一方、支援事業者の提案資料ではGEOが使われることも多く、場面によって呼び方が分かれています。
以降、本記事ではLLMOで統一します。
AIは、どうやって引用する情報源を選ぶのか
施策の話に入る前に、仕組みを押さえます。
従来の検索エンジンは「ページ」を単位に順位をつけていました。一方、生成AIは、ページ全体ではなくその中の一節を単位に引用します。ユーザーの質問に対して、複数のサイトから「この部分が答えになる」という一節を抜き出し、組み合わせて回答を作る。
つまり、引用されるかどうかは、ページ単位ではなく一節ごとに決まります。どの一節も、それだけを読んで意味が通り、答えとして抜き出しやすい形にしておく。これがLLMOの出発点です。
LLMOで、具体的に何をするのか
やることは、大きく5つです。
1. 各セクションの冒頭で、結論を答える。 長い前置きの後に答えを置かない。問いに対する答えを、探さなくてよい位置に置きます。
2. 見出しを質問の形にする。 「サービス概要」ではなく「LLMOとGEOは何が違うのか」。AIは見出しを手がかりに、その節が何に答えているかを判断します。
3. 段落を短く、一つの論点に絞る。 定義と手順を同じ段落に混ぜない。長い塊は解釈されにくくなります。
4. 固有名詞・数字・出典を明記する。 「多くの企業が」ではなく「調査では約6割が」。検証できる具体を含む記述のほうが、引用されやすくなります。
5. FAQを用意する。 問いと簡潔な答えのペアは、AIが最も引用しやすい構造の一つです。
そして、これら全部の前提として、検索エンジンにクロールされ、インデックスされている状態が必要です。機械に読まれていないページは、引用のしようがありません。
実際にやってみて、何が起きたか
ここからが、この記事の本題です。
当メディアは2026年6月末から本格運用を始め、上記の設計に沿って記事を書いてきました。その結果を、順に記します。
3週間で、引用は確認できました。 2026年7月、「専門誌 収益化 Web」といった検索・質問に対して、GoogleのAIによる概要とPerplexityの回答に、当メディアの記事が引用されることを確認しています。Perplexityについては、利用履歴の影響を排除するため、ブラウザのシークレットモードでも確認しました。
しかし、その約3か月後の実態はこうです。 記事数は17本。直近28日間のセッション数は64、1日あたり2件ほど。内訳はオーガニック検索35、直接流入26、参照2、そしてAIアシスタント経由が1でした。
引用は起きている。ただ、規模が小さい。
原因を調べたところ、記事の書き方ではありませんでした。 狙っていたキーワードの検索母数が、ほぼ存在していなかったのです。「専門誌 収益化」「専門誌 Web化」といった語は、Ahrefsで調べても検索数のデータが返ってきません。月に数回あるかどうか、という水準です。
どれだけ抜き出しやすい形に整えても、そのテーマが問われる機会自体が少なければ、引用も流入もそれに応じた規模にしかなりません。
対照的だったこと
もう一つ、示唆的な観測があります。
当社は同じドメイン上で、別の自社メディアも運営しています。そちらはLLMOをとくに意識して設計したものではなく、営業やマーケティングの話題を扱う媒体です。
この2つを同じツールで比べると、差がはっきり出ました。AI引用の観測数は、LLMOを意識していない側が20件、当メディアが0件。月間のオーガニック流入は、前者が200超、当メディアは計測データなしでした。
違いは明確で、前者は検索で実際に流入のある記事を持っていることです。「クロージングとは」のような、月に数千回から1万回検索される語で順位を取っています。
なお、この観測にも限界があります。計測ツールのAI引用データは、そのツールが保有するキーワード集合に対する観測です。日本語のニッチな語は、そもそも観測対象に入っていない可能性があります。当メディアの0件は「一度も引用されていない」を意味しません。実際、引用のスクリーンショットもありますし、AIアシスタント経由の流入も発生しています。
それでも、同じドメイン・同じ言語・同じ観測範囲で20件対0件という差が出たことは、無視できないと考えています。
そこから言えること
ここは慎重に書きます。
検索ボリュームは、AIに問われる回数の代理指標として不完全です。 AIへの入力は、検索窓に打つ語とは違います。もっと長く、会話的で、Googleには打たなかった質問も含まれます。「専門誌 収益化」と検索する人がいなくても、「紙の専門誌をWebで収益化するにはどうすればいいか」とAIに尋ねる人はいる。だから検索母数がゼロでも、AIで問われていないとは言えません。
言えるのは、観測された事実までです。検索で見つかる状態にある媒体のほうが、AI引用も多かった。 そして、検索母数のないテーマを選んだ媒体は、引用は起きたものの、成果と呼べる規模には届かなかった。
これは、LLMOがSEOの置き換えではなく、その上に積むものである、という理解と一致します。
筆者の見解：順番を、逆に考えていた
ここからは私の意見だが、私はLLMOを「AIに好かれる書き方」の問題として捉えていた。結論を先に書き、見出しを問いにし、FAQを足す。その設計自体は間違っていなかったと思う。実際、3週間で引用は確認できた。
間違っていたのは順番だ。書き方を整える前に、そのテーマが問われている場所かどうかを確かめるべきだった。誰も問わない領域で完璧な一節を用意しても、抜き出される機会は訪れない。
そして、この失敗は特殊なものではないと思っている。専門性の高い事業者ほど、自社の言葉でテーマを設定しがちだ。業界の内側では当たり前の言い回しが、外の人がAIに投げる言葉とは違っている。LLMOに取り組む前に、自分たちの顧客が実際にどんな言葉で問うているかを確かめる。地味だが、そこを飛ばすと後から取り返せない。
計測は、どこまで追えるようになったか
最後に、効果測定の現状に触れておきます。
環境は、この1年で改善しました。2026年5月にはGA4に「AI アシスタント」チャネルが追加され、ChatGPTやGemini、Claudeなど認識済みのサービスからの流入が自動で分類されるようになりました。GoogleのAIによる概要とAI Modeについても、2026年8月末にSearch Consoleの生成AIパフォーマンスレポートが全世界のサイトへ展開され、自社のページがどれだけ表示されたかを確認できます。
ただし、穴は残ります。Search Consoleのレポートで分かるのは表示回数だけで、クリック数も実際の質問内容も公開されていません。参照元の情報が渡らない訪問は、いまも直接流入に混ざります。AIの回答で社名を知った人が後日あらためて訪れる分も、記録には残りません。
追える範囲は広がりましたが、AIの影響を一つの指標で把握できる状態ではありません。
まとめ
LLMOとは、生成AIの回答に自社の情報が引用されるようコンテンツを設計する取り組みです。GEOとほぼ同義で、日本では検索される語としてLLMOのほうが多く使われています。
やることは、結論の先出し、問いの形の見出し、短い段落、固有名詞と数字の明記、FAQの用意。そしてその前提として、検索エンジンにクロール・インデックスされている状態が必要です。
当メディアで実践したところ、3週間で引用は確認できました。一方で、検索母数のないテーマを選んだため、成果と呼べる規模の流入には至りませんでした。同じドメイン上で検索流入のある別の媒体のほうが、AI引用の観測数も多いという結果も出ています。
書き方を整える前に、そのテーマが問われている場所かどうかを確かめる。ここが出発点だと考えています。
よくある質問（FAQ）
Q. LLMOとは何ですか？
A. 生成AIの回答に自社の情報が引用されるよう、コンテンツを設計する取り組みです。Large Language Model Optimizationの略で、ChatGPTやGemini、GoogleのAIによる概要などが答えを返すとき、その根拠として自社のページが選ばれる状態をつくることを指します。
Q. LLMOとGEOは何が違うのですか？
A. 実務上はほぼ同じものを指します。LLMOは大規模言語モデルを主語にした呼び方、GEOは回答を生成する場を主語にした呼び方で、施策の中身に明確な線引きはありません。2026年9月時点では、日本語で検索される語としてはLLMOのほうが多く使われています。
Q. SEOはもう必要ないのですか？
A. 必要です。生成AIの多くはウェブを検索して情報源を探すため、検索エンジンにクロールされ、インデックスされていることがLLMOの前提になります。当社が2つの自社メディアを比較したところ、検索で流入のある媒体のほうが、AI引用の観測数も多いという結果でした。
Q. 何から始めればよいですか？
A. 書き方を整える前に、そのテーマが実際に問われているかを確かめてください。専門性の高い事業者ほど、自社の言葉でテーマを設定しがちですが、業界の内側の言い回しと、顧客がAIや検索に投げる言葉は一致しないことがあります。当社はここを確認せずに17本を書き、成果と呼べる規模の流入に至りませんでした。
参考にした資料
Introducing Search Generative AI performance reports in Search Console（Google Search Central, 2026）
生成 AI のパフォーマンス レポート（Search Console ヘルプ）
※ 検索ボリュームおよびAI引用の観測数は、Ahrefsで2026年9月に取得したものです。
