GEO/LLMOのよくある誤解
目次
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ていきましょう。
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が30万ドメインを分析した結果でも、設置と引用頻度に相関は出ていません(Search Engine Journal, 2026年)。さらにGoogle自身も2026年5月のAI最適化ガイドで、AI専用ファイルの作成は不要だと明言しています(Google Search Central, 2026年5月)。
唯一意味があるとすれば、開発者向けエージェント用途くらいでしょう。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。Sprinklrの論文「What Gets Cited」(6 LLM・252,000試行で検証)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ており、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)。一方で同研究は、価格情報の明示と新しいタイムスタンプは一貫して引用を増やすとも示しています。つまり構造はあくまで読みやすさの土台にすぎず、中身が伴って初めて効くということです。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ではむしろ逆効果です。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、9手法のうちKeyword Stuffingだけがマイナスという結果でした(arXiv:2311.09735)。伸びたのは、むしろ権威ある直接引用の追加や統計の追加だったといいます。AIは不自然な反復を低品質と見なすのでしょう。
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。効くのは文字数ではなく、引用できる主張がどれだけ詰まっているかです。
Kevin Indigの大規模分析(120万件のChatGPT回答、検証済み引用18,012件)によれば、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よほど効きます。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
引用は数か月単位で入れ替わります。AirOpsとKevin Indigの「2026 State of AI Search」によれば、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、だから今月も」は通用しません。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
引用されたからといって、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)。3割が裏付けなしというのは、引用の有無だけを見ている人にとっては盲点になりやすい数字でしょう。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になります。全体像は2026年最新のLLM最適化からたどれます。