GEO/LLMOのよくある誤解

GEO/LLMOのよくある誤解

GEO（Generative Engine Optimization、生成エンジン最適化）の周辺は、検証されていない通説が多い領域です。広まっている割に、一次データに当たると効かないと分かっている施策がいくつもあります。煽りに時間を使う前に、出典付きで切り分けます。

llms.txtを置けばAIに引用される

llms.txtの設置とAI引用に相関はありません。Ahrefsが137,210ドメインのサーバーログを調べたところ、97%のllms.txtは一度も取得されず、ChatGPTやPerplexityの検索系ボットによる取得は全体の約1%でした（Ahrefs, 2026年6月）。SE Rankingの30万ドメイン分析でも、設置と引用頻度に相関は出ていません（Search Engine Journal, 2026年）。意味があるのは開発者向けエージェント用途で、詳しくはllms.txtは本当に効果があるのかに書きました。

表や見出しで構造化すれば引用される

書式だけ整えても、引用はほとんど増えません。査読論文「What Gets Cited」（Sprinklr、SIGIR 2026、6 LLM・252,000試行）は、引用を分ける最大の要因はトピック適合と掲載位置だと報告し、書式だけの編集はほとんど効かないと結論づけました（arXiv:2605.25517）。同研究では、価格情報の明示と新しいタイムスタンプも一貫して引用を増やしています。構造は読みやすさの土台ですが、中身が伴って初めて効きます。書式と中身の関係は「構造化すれば引用される」は本当かで深掘りしています。

キーワードを詰め込むほど有利

キーワード詰め込みはGEOでは逆効果です。Princeton大学らの論文「GEO」（KDD 2024、10,000クエリ×9ドメインのベンチで9手法を検証）では、Keyword Stuffingだけがマイナス（約8〜10%低下）でした（arXiv:2311.09735）。同論文で伸びたのは、権威ある直接引用の追加（約41%）や統計の追加（約25〜31%）です。AIは不自然な反復を低品質と見なします。

文字数を増やせば引用されやすい

長さそのものは引用を予測しません。効くのは引用できる主張の密度のほうです。Kevin Indigの大規模分析（120万件のChatGPT回答、検証済み引用18,012件）では、引用の44.2%が本文の冒頭30%から取られていました（Search Engine Land, 2026年）。後半に薄い文章を足すより、結論を前に出すほうが効きます。前方配置の作法は回答ファースト構造とはにまとめました。

一度引用されれば安定して引用が続く

引用は数か月で入れ替わります。AirOpsとKevin Indigの「2026 State of AI Search」では、3か月以上更新しないページは引用を失う確率が3倍以上で、AIに引用されるページの70%超が直近12か月以内に更新されていました（AirOps, 2026年）。「先月引用された＝今月も」は成り立たないので、継続計測が前提になります。

AIに引用されれば内容は正しく伝わる

引用されても、要約が正確とは限りません。Nature Communicationsに載ったSourceCheckupの研究では、Web検索付きのGPT-4oでも個々の主張の約30%が引用ソースに裏付けられていませんでした（Nature Communications, 2025年）。引用の有無だけでなく、文脈と正確性まで見る必要があります。詳しくはAIの回答は鵜呑みにできないで扱っています。

効く施策と効かない施策を一次データで分けられること自体が、煽りの多いこの領域での近道です。全体像は2026年最新のLLM最適化からたどれます。