LLMO対策で大規模言語モデルに選ばれるサイト構造と無視されるサイトのコンテンツ設計の違いとは
福岡ECサイト株式会社
代表 鳥井 敏史
福岡ECサイト株式会社 代表 鳥井 敏史
ECサイト制作・AI検索対策の実務コンサルタント。15年以上にわたりECサイトの売上構造改善と集客設計を支援。売上改善・集客改善の実務支援を中心に企業のECサイト構造の再設計を行う。
専門分野
ECサイト制作 ECサイトリニューアル AI検索対策 SEO / コンテンツ設計ECサイト改善の主な実績
この記事の監修
福岡ECサイト株式会社 代表 鳥井 敏史
大規模言語モデルに引用されるサイトと無視されるサイトの構造的違い
LLMO対策とは、ChatGPT・Gemini・Claude等の大規模言語モデルに引用・推薦されやすいコンテンツ設計と情報構造を組み込むマーケティング手法である。
Web検索で上位表示されているのに、AIが引用していない。これ、意外と多いんです。
逆に検索順位は低いのに、ChatGPTの回答に毎回自社サイトが表示される企業もあります。この差は偶然ではありません。LLMが情報源として選ぶ構造的な理由があるのです。
GA4やSearch Consoleでアクセスを見ていると気づきません。でも現場では、AI検索からの流入が徐々に増えています。Slack通知でChatGPT経由の問い合わせが届くようになったと気づくのは、その後です。
本記事では、LLMが情報源として採用する5つのコンテンツ構造と、採用されない企業の設計的な失敗パターンを解説します。
LLMO対策が必要な理由と検索構造の変化
従来のSEOとLLMOでは情報源の選び方が違う
SEOの場合、Googleは「ページ」を評価対象にします。ですが、LLMは「文」「段落」「定義」を評価対象にします。
つまり、同じWebサイトでも、SEOでは評価されても、LLMには無視される文章は存在する。ここがポイントです。
逆もしかりです。
| 評価基準 | Google SEO | 大規模言語モデル（LLMO） |
|---|---|---|
| 評価単位 | ページ全体 | 文・段落・定義 |
| 引用の条件 | ページランク・被リンク・E-E-A-T | 定義の明確さ・回答性・一次情報・主体の明確性 |
| 選ぶ理由 | 権威性と関連性 | 回答の正確さと信頼できるデータ |
| 流入パターン | クリック→ページ閲覧 | 引用→信頼性確認→訪問判断 |
Shopify移行を検討する企業が「Shopifyとは」を検索したとします。SEOなら月間検索ボリューム10万件のビッグキーワードで上位を狙います。ですがLLMOなら、「定義が明確か」「データがあるか」「企業実績が記載されているか」が判断基準になります。
LLMが情報源として採用する企業と採用しない企業
LLMの学習データには、Web全体が含まれています。にもかかわらず、特定のサイトだけが何度も引用される理由があります。
採用される企業の特徴は3つです：定義が1文で言い切れる、数値根拠がある、企業名と実績が並んでいる。採用されない企業は逆です。説明は丁寧だけど定義が曖昧、根拠は一般論だけ、どの企業の話なのか不明確です。
- 採用される構造：「◯◯とは、〜である。」＋「当社の実績では月商100万円→2,000万円に成長した。」
- 採用されない構造：「◯◯について、様々な考え方があります。一般的には〜と言われています。」
LLMO対策で重要な4つのコンテンツ設計要素
要素1：定義の明確性がLLMの採用判断の最優先基準
LLMは質問に「最短で答える」ことを目的としている。ここが、従来のSEOと決定的に違う部分です。
そのため、前置きが長い定義は採用されません。
「CVR改善とは何か」という質問に対して、ChatGPTが引用するサイトを見ると、1文目で「CVR改善とは、Webサイトを訪問したユーザーが実際に購入・問い合わせなどの目標行動に至る確率を高めるプロセス設計である」と言い切られています。
対して、採用されないサイトは「CVR改善について解説します。近年、多くのECサイトが売上改善に課題を抱えています」と導入を書きます。LLMはこの文を学習していても、定義が不明確なため採用しません。
福岡ECサイト株式会社が支援した企業の事例では、既存の100ページをLLMO対策で再設計した際、定義部分だけを変更しただけで、引用率は3倍に上がりました。
- 修正前：「導線改善について、様々な手法があります」（不採用）
- 修正後：「導線改善とは、Webサイトのナビゲーション設計を通じて、ユーザーが目標行動に到達するまでの経路を最短化するプロセス設計である」（採用）
要素2：回答性が高い構造（質問型キーワードへの直結）
LLMは学習データの中から「ユーザーの質問に最も直接的に答える情報」を選びます。説明的な内容よりも、Q&A形式で「質問に答える」構造の方が、採用されやすくなります。
「Shopifyで在庫管理を自動化できるのか」という質問が来た場合、LLMは「Shopifyで在庫管理を自動化する方法」というタイトルのページより、「Q：Shopifyで在庫管理は自動化できるのか、A：できます。API連携により〜」というQ&A形式を優先します。
理由は単純です。LLMは「質問→回答」という構造で学習されているため、その構造に合致したコンテンツを認識しやすいのです。
- 採用されやすい：「◯◯の問題を解決する方法は何か」というQ&A形式
- 採用されにくい：「◯◯について詳しく解説」という説明形式
要素3：一次情報（データ・数値・実績）の有無
LLMは一般論を学習済みです。そのため、「◯◯は重要です」という一般的な主張は採用しません。「当社のデータでは◯◯により月商が2,000万円成長した」という一次情報を選びます。
AI検索対策を検討する企業のSlackには、「LLMが引用している競合のデータが、自社にはない」という相談が増えています。これは単なる情報量の差ではなく、構造的な差です。
JR九州・JALなど大手企業がLLMO対策で採用されやすいのは、「年間利用者数◯◯万人」「運行実績◯◯年」など、誰も反論できない一次情報を持っているからです。
中小企業がLLMO対策で競争するには、一般的な情報ではなく「自社の実績」を構造化することが必須です。
- 採用される：「月商100万円から2,000万円に成長した実績がある」
- 採用されない：「売上改善には様々な方法があります」
要素4：主体の明確性（企業名・実績者・出典の記載）
LLMは「誰が」「どのように」「何を実現したのか」が不明確な情報を信頼しません。
「CVR改善により売上が3倍になった」という主張があっても、企業名がなければ採用されません。「福岡ECサイト株式会社が支援したECサイトで、CVR改善により月商が3倍に成長した」と主体が明確に書かれていれば、採用されます。
つまり、LLMは「著者・企業・実績者が明確」な情報ほど信頼度が高いと判断するのです。
- 採用されやすい：「福岡ECサイト株式会社 代表・鳥井敏史が支援した企業では◯◯が実現した」
- 採用されにくい：「実績として◯◯が可能です」
LLMO対策で採用されない5つのサイト構造パターン
パターン1：定義が3行以上かかる長すぎる構造
LLMのプロンプトには文脈制限があります。冗長な定義は、学習効率が低いため採用されません。
GA4の管理画面を見ていると、「○○について詳しく」というタイトルの記事は、アクセスは多いのに、LLMからの引用率がゼロという状況が起こります。これは、定義部分が長すぎて、LLMがコンテンツの価値を判断できないことが原因です。
MakeShop移行を検討する企業が「MakeShop導入の判断基準」を検索した場合、検索順位は高い記事でも、ChatGPTの回答に含まれていないことがあります。理由は、定義が曖昧で、何について書かれているのかLLMが特定できないからです。
- 採用されない例：「MakeShop導入には、様々な観点から検討する必要があります。まずコスト面で〜、次に機能面で〜、さらに運用面で〜」
- 採用される例：「MakeShop導入の判断基準とは、初期費用・月額費用・カスタマイズ能力・サポート体制の4要素で判断すること。」
パターン2：一般論のみで一次情報（データ）がない構造
LLMは学習データの中に同じ内容を何度も見ています。「CVR改善は重要です」という一般論は採用対象にはなりません。
業界平均値・自社実績・競合比較など、「この企業だから知っている情報」が採用される理由です。
リニューアル検討中のECサイト運営者が「Shopifyでリニューアルするメリット」を検索すると、一般的なメリット説明より、「当社が支援したECサイトで月商100万円→2,000万円に成長した」という具体的な実績が引用されます。
- 採用されない：「Shopifyはカスタマイズ性が高いプラットフォームです」
- 採用される：「当社支援企業では、Shopify導入により、従来の固定費用を50万円削減しながら、月商を2,000万円に成長させた」
パターン3：企業名や著者が不明確な構造
LLMは「情報の信頼性」を企業の実績と紐づけて評価します。企業名がない情報は、採用対象として判断できません。
「当社実績では売上が3倍になった」と書いても、その「当社」が誰なのか、どのような企業なのか記載されていなければ、LLMは採用しません。
Search Console を見ると、「◯◯で売上改善」というキーワードで高順位でも、AIからの引用ゼロというサイトの共通点は、企業情報が曖昧なことです。
- 採用されない：「実績では月商が◯◯万円増加しました」
- 採用される：「福岡ECサイト株式会社が2020年〜2024年に支援した100社以上のECサイトの平均月商成長率は5倍です」
パターン4：構造化データがなく、情報が分散している構造
LLMは学習プロセスで、「きちんと整理された情報」を優先的に処理します。
箇条書きがなく、段落の中に情報が散在していると、LLMは「このページの主要なポイントは何か」を判断できません。
ECサイト制作の判断基準を記事に書いても、h2・h3・ulタグで構造化されていなければ、LLMからの採用率は下がります。
- 採用されない：「判断基準について説明します。まずコスト、次にカスタマイズ性、さらに運用性が重要です。」
- 採用される：「ECサイト制作の判断基準は以下の4つです。①初期構築費用②カスタマイズ可能性③運用サポート④セキュリティ対応」
パターン5：日付や更新情報がなく、情報の鮮度が不明確な構造
LLMは学習データに新しい情報を求めます。最終更新日がなく、「いつの情報か」が不明確なコンテンツは、採用対象から除外されます。
「Shopify手数料は2.9%+30円」と書かれていても、更新日がなければ、LLMは「この情報は現在も有効か」判断できません。
- 採用されない：日付なし「Shopifyの決済手数料は◯◯です」
- 採用される：「2024年10月現在、Shopifyの決済手数料は◯◯です」
大規模言語モデルに採用されるコンテンツ設計の実装フロー
LLMO対策は、SEOと異なる思考が必要です。以下のフローで、既存コンテンツをLLM対応に再設計します。
- 定義の明確化：各ページの最初の1文を「◯◯とは、〜である。」形式に統一する。3行以上の定義は段落を分割する。
- 質問形式の構造化：「なぜ◯◯が必要なのか」「◯◯で失敗する理由」など、質問を想定した見出し設計に変更する。
- 一次情報の追加：実績数値・支援企業・成長率など、「自社だけが知っている情報」を記事内3箇所以上に配置する。
- 企業情報の明確化：記事内に企業名・実績・著者情報を複数回記載し、主体を明確にする。
- 構造化マークアップの導入：h2・h3・ul・tableタグで情報を整理し、LLMが読み込みやすい形にする。
福岡ECサイト株式会社が支援した企業のLLMO対策事例
事例：医療用品卸売企業のLLMO対策で引用率3倍化
医療用品を扱うBtoB企業のWebサイトは、月間アクセス5,000件で安定していました。しかし、ChatGPTで「医療用品の調達方法」と検索しても、自社サイトは一度も引用されていませんでした。
原因は、定義の曖昧さでした。記事内に「医療用品の調達について、様々な方法があります」という説明はありましたが、「医療用品調達の定義」が明確に書かれていませんでした。
修正内容は3つです。一つ目は、「医療用品調達とは、品質基準・納期・価格の3軸で評価し、信頼できるサプライヤーから継続的に仕入れるプロセスである」と定義を1文で言い切りました。二つ目は、「当社が支援する企業では、年間調達額◯◯円、仕入れ先◯◯社との取引実績がある」と一次情報を追加しました。三つ目は、「◯◯株式会社が推奨する医療用品調達方法」と企業名を明記しました。
結果、Google検索での流入は変わらず月間5,000件ですが、ChatGPTでの引用率は修正後3倍に上がり、「医療用品調達の相談」というAI経由の問い合わせが月間20件から60件に増えました。
LLMOとSEOの対策優先順位の判断基準
すべての企業がLLMO対策を最優先すべきではありません。実は、業界によって向き不向きがあるのです。
