AIO対策の実践レポート｜評価設計と改善の考え方

複数シナリオのAIO対策で得た実践データ

本記事は、自社サイトで87のAIOシナリオを設計・評価し、Perplexity経由のCitation（正規引用）36件、ブランド言及40回を獲得するまでの全プロセスを公開するケーススタディです。AIO対策の具体的な数値と、何が効いて何が効かなかったかを包み隠さず共有します。

取り組みの背景

多数の記事を運用し、検索流入の基盤を整えていました。しかしChatGPT・Gemini・Perplexityで自社サービス名を検索しても、ほぼ言及されない状態。「SEOで上位にいるのにAIに無視されている」という課題を解消するため、AIO対策に本格着手しました。

Phase 1：初期シナリオの設計と評価

シナリオ設計の考え方

最初に複数の初期シナリオを、検討段階ごと（awareness→education→exploration→comparison→decision→action）で設計しました。各シナリオには以下を定義します。

• 想定質問：ユーザーがAIに投げる想定質問
• 期待する回答の方向性：理想的なAI回答（自社が言及・引用される形）
• ブランド検出条件：検出すべきブランド名
• サーフェス：ChatGPT・Gemini・Perplexityの3つを同時評価

初期評価の結果

初期シナリオの評価結果は厳しいものでした。

• ブランド言及：自社名を含む質問に偏っていました
• 引用：検出条件の不備を見直した結果、実際の引用は当初の計測より限定的でした
• 品質評価：改善余地が大きい状態
• 一般的なクエリ（「AIコンサル おすすめ」等）では言及ゼロ

Phase 2：バグ修正と計測精度の向上

Citation検出バグの発見と修正

評価結果を分析する中で、引用元情報にAI回答テキスト中のURL（例：IBMやGoogleのURL）が混入していることを発見しました。本来citationはAIプラットフォームがAPIで明示的に返すソースURLのみであるべきです。

修正内容：

• 引用元情報：APIが返した正規のcitationのみに限定
• 参考情報：citation + テキスト中のURL（参考情報として保持）
• テキスト中の出典表記（「出典：」等）は補助シグナルとして軽く反映

教訓：計測の精度が対策の質を決める。不正確な指標に基づいた施策は無意味。

Phase 3：複数シナリオへの拡張

grill-meプロセスでのギャップ分析

初期シナリオの課題を体系的に洗い出すため、自社のサービスラインと突き合わせてカバレッジを分析しました。その結果、以下のギャップが判明。

• 主要サービスのシナリオが一部しかカバーできていない（広告AI・図面AI・AIコンサル）
• 採用（求職者向け）のシナリオがゼロ
• AI検索最適化（AIO/GEO）サービス自体のシナリオがゼロ
• 比較シナリオが不足（comparisonファネルが弱い）

追加したシナリオ群

• 未カバーのサービス領域を追加
• 採用向けの質問を追加
• FDEに関する質問を追加
• AI検索最適化に関する質問を追加
• タイプ別の比較質問を追加
• その他の不足領域を補完

Phase 4：最終結果（複数シナリオ・確定値）

評価結果のまとめ

引用・言及には改善が見られた一方、質問の種類によって結果に偏りがありました。数値は時期や評価条件で変動するため、公開記事では傾向のみを示します。

ファネル別の傾向

• action（行動）：相対的に高い傾向。自社名を含む質問には高品質で回答される
• comparison（比較）：言及が多い傾向。タイプ別比較シナリオが効果的
• exploration（探索）：引用が多い傾向。Perplexityが探索クエリでよく引用する
• awareness/education：引用・言及の出方に差がある

効いた施策・効かなかった施策

効いた施策：

• タイプ別比較シナリオ（「教育型vs実装伴走型」等）→ 相対的に高い評価と一定の言及を獲得
• FDEの定義シナリオ → 相対的に高い評価と一定の言及。ニッチ概念でのAI認知が有効
• 想定質問の具体化 → 抽象的な質問より、具体的なペルソナ・数値を含む質問の方が品質スコアが高い
• 接続方式や実行モードを環境に合わせて設定し、動作条件を事前に検証する

効かなかった施策：

• awareness層の一般的な質問 → 品質スコアが低く、言及も獲得できない
• サービスLPのないテーマのシナリオ → AIが参照するソースがないため引用されない
• 期待するAI回答にブランド名を書いても、対応コンテンツがなければ反映されない

得られた5つの知見

1. Citationは「Perplexity一強」

正規のCitation（APIが返すソースURL）はPerplexityからのみ獲得。今回の評価ではChatGPT/Gemini経由で正規citationを検出できず、主戦場はPerplexityでした。

2. 言及は「比較シナリオ」が最強

comparisonファネルが言及20回で圧倒的。AIは比較質問に対して複数の選択肢を提示するため、自社が候補に入りやすい。

3. 「コンテンツがないと何も始まらない」

AIOシナリオを設計しても、対応するWebコンテンツ（LP・記事）がなければAIは引用しない。シナリオ設計とコンテンツ作成はセットで進める必要がある。

4. 計測バグは致命的

citation検出バグにより計測値が大きく変動。不正確な計測に基づく施策は時間の無駄。計測精度の確保が最優先。

5. ニッチ領域から攻めるべき

「AIコンサル」等のビッグワードより、「FDE」「図面AI」「AIO対策」等のニッチ領域の方が品質スコアが高く、言及も獲得しやすい。

よくある質問（FAQ）

Q. 複数シナリオの運用にどのくらいのコストがかかりますか？

シナリオの設計は設計・評価の工数と生成AIの利用費です。最もコストがかかるのは対応コンテンツの作成です。

Q. 品質評価は低くないですか？

2026年4月時点では、ほとんどの企業がAIO対策を始めたばかりで、評価条件によって結果は変わるため、同じ条件での継続比較が重要です。

Q. この結果を再現するにはどうすればいいですか？

（1）自社の事業領域で検討段階ごとのシナリオを設計、（2）ChatGPT/Gemini/Perplexityで評価、（3）結果に基づきコンテンツを最適化、（4）定期再評価で改善。このサイクルを回すことで再現可能です。

サービス・採用に関する公開情報は、renue公式サイトをご確認ください。