「うちのブランド、ChatGPTで何位くらいに表示されるんですか？」
もしクライアントや上司からこう問われたとしたら、少し慎重に答えたほうがいいかもしれません。なぜなら、生成AIの世界には、私たちが長く前提としてきた「固定されたランキング」という概念そのものが、そもそも存在しない可能性があるからです。

SEO業界で20年以上にわたり絶大な影響力を持つRand Fishkinが行った実験は、この違和感を感覚論ではなく、データとして突きつけました。本稿ではまずRandの記事の要点を整理し、そのうえでGEO（Generative Engine Optimization）をどう読み替えるべきか、筆者なりの見解を示したいと思います。

1. Rand Fishkinの実験：AIは「統計的な宝くじ」である

Rand Fishkinが、長年の友人であるPatrick O'Donnellとともに、AIツールの検索結果の揺れを暴く大規模な実験を実施しました。600人のボランティアの協力のもと、主要3ツール（ChatGPT, Claude, Google AI）に対し、2,961回ものプロンプトを実行するという執念の検証です。

その膨大なデータから浮かび上がったのは、私たちの常識を覆す「AIの気まぐれな構造」でした。

1. 順位の再現性は極めて低い
同じブランドが推薦されることはあっても、リストの並び順まで一致するケースは1,000回中1回あるかないかというレベルでした。1位だったブランドが次の瞬間には消え、また現れる。Randはこれを「統計的な宝くじ（statistical lottery）」と表現しています。

2. それでも「消えないブランド」の存在
一方で、興味深い「偏り」も見つかりました。 例えば、ChatGPTに西海岸のがん治療病院を尋ねた際、「City of Hope病院」は71回中69回（出現率97%）という高い確率で回答に含まれていました。

順位は毎回変わるものの、AIは「この話題なら、この病院は外せない」という一貫性を持っていたのです。

3. 「順位」は無意味だが「出現率」は有力な指標
当初、AI追跡ツール全般に懐疑的だったRandですが、この結果を受けて自身の立場を修正しました。

「ランキング順位を追跡することはナンセンスだ。しかし、Visibility（出現率）は、統計的に合理的な指標になりうる」

否定されたのはAIそのものではなく、私たちが無意識に当てはめていた「検索エンジン的な固定ランキング観」でした。AIは確率エンジンであり、毎回異なる答えを出すように設計されています。そのため、1位か2位かを競うのは無意味ですが、「何回問い直されても、考慮セット（候補群）に残れるか」を測る出現率こそが、新時代の可視性の正体だったのです。

2. 生成AIはランキング装置ではなく「分布装置」である

では、AIの回答は気分次第のデタラメなのでしょうか。実はそうではありません。Randの実験が示しているのは、ランダムさではなく「構造」です。

生成AIは、1位から10位までを順番に並べる棚を内部に持っているわけではありません。

代わりに存在しているのは、ある問いに対して考えうる答えが雲のように広がった巨大な意味の分布、いわば確率の雲です。

AIは質問されるたびに、その雲の中からもっともらしい答えをサンプリングし、文章として組み立てています。だから、並び順は再現されませんが、分布の中心に近い存在は高い確率で何度も現れるのです。

この点に、従来のSEOとGEOを分ける決定的な違いがあります。SEOが「順位をどう上げるか」を問う問題だったとすれば、GEOが向き合うのは「自社コンテンツを意味の分布のどの位置に存在させるか」という問題になります。

3. GEOとは何を最適化する施策なのか

この前提に立つと、GEOの意味は大きく変わって見えてきます。

GEOとは、AIにおける順位を操作する取り組みではありませんし、特定の回答を無理に引き出すためのテクニックでもありません。本質的には、ある問いや文脈において、自社のブランドがAIの内部で「思い浮かびやすい存在」として扱われる状態をつくることを意味します。

何度問い直されても、文脈が多少変わっても、自然と候補に含まれるかどうか。これを目指すことがGEOの本質になります。

4. 生成AIにとっての「思い浮かびやすさ」とアトラクター

では、生成AIにとって「思い浮かびやすい存在」になるためにはどうしたらよいでしょうか？

AIは毎回ゼロから候補となるコンテンツを評価しているわけではありません。過去の膨大な文書や言及の蓄積をもとに、「この話題なら、このあたりが代表的だろう」という安定した重心のようなものを内部に持っています。こうした安定領域をアトラクター（Attractor）と呼びます。

たとえば「北欧風の家具」という文脈を考えてみると、AIが回答を生成しようとした瞬間、その意味分布の中心には「IKEA」という強いアトラクターが存在します。

AIは毎回フラットに思考しているのではなく、「この話題なら、結局ここに戻ってきてしまう」という意味の塊に引き寄せられているのです。

Randの実験で観測された、同じ病院やブランドが順位を変えながらも何度も登場する現象は、このアトラクター的な振る舞いとして理解すると腑に落ちます。

近年の研究では、大規模言語モデルが扱う意味空間は、高次元空間に形成される manifold（多様体）として捉えられることが示唆されています。生成AIの応答は、manifold 上を揺れ動きながら生成されますが、特定の文脈では、応答が引き寄せられやすい安定した領域が存在します。本稿では、この安定領域を実務的に理解するために「アトラクター」という表現を用いています。

5. アトラクターは設計できるのか

では、そのアトラクターは意図的に設計できるのでしょうか。

結論から言えば、「このブランドをアトラクターにせよ」と直接指示することはできません。

アトラクターは、生成AIが学習してきた膨大な文書や言及、評価のされ方の積み重ねによって、時間をかけて形成される安定領域だからです。

ただし、だからといって何もできないわけではありません。アトラクターを無理やり作ることは難しくても、アトラクターに近づきやすくする条件を整えることは可能です。

特定の文脈と一貫して結びついて語られていること、複数の信頼できる情報源で同じ関係性が繰り返し示されていること、そしてユーザーの課題や利用シーンが語られる際に、解決の文脈として繰り返し想起される存在であること。

こうした積み重ねが、意味分布の中での位置取りを少しずつ変えていきます。

6. 短期的なGEOとしての「アンカー（anchor）」

ここまで述べてきたアトラクターの話は、どうしても長期的なGEOの視点になりがちです。

意味の分布そのものに影響を与え、AIの中で「戻ってきてしまう重心」を形成するには、時間と蓄積が必要だからです。では、短期的には何もできないのかというと、そうではありません。

短期的にできるのは、生成AIが持っている分布の「どの観点から答えを組み立てるか」を指定することです。このときに機能するのが、アンカー（anchor）です。アンカーとは、分布そのものを変えるものではなく、「今回はこの視点で考えてほしい」と、AIの思考の向きを一時的に定めるための手がかりです。

アンカーは、ユーザーのプロンプトとWebサイト上のコンテンツの両方から作用しますが、前者は制御できず、後者は設計できるという点が重要です。

では、アンカーとなるコンテンツの設計指針を考えてみましょう。

ここで重要となるのは、AIにとっての「参照のしやすさ」です。AIが無視できない情報には、判断の流れが一貫しているという共通点があります。

具体的には、以下の要素が無理なくつながり、一つの「意味のまとまり」を形成していることが求められます。

文脈：どのような利用シーンや前提で語られているのか
評価軸：何を基準に良し悪しを判断しているのか
理由・仕組み：どのような理由や仕組みで実現しているのか
条件・制約：どのような前提や制限があるのか
結論：その条件下では何を選ぶべきなのか

この一連の流れが明確であればあるほど、AIはそれを「意味のまとまり」として捉えやすくなります。そして、そのまとまり自体が「この観点から答えを組み立てよ」という強いアンカーとして機能します。

たとえば、価格を重視するという文脈のもとで、何を基準に比較し、なぜその判断が妥当で、どの条件が成り立つ場合にどの選択が適切なのかが一貫して語られていれば、AIが価格重視の観点で回答を生成しようとした際に、その情報を無視できなくなります。

ユーザーのプロンプトは制御できなくても、AIが使いたくなる判断の流れをWebサイト上のコンテンツで設計できるのです。
注意しなければいけないのは、アンカーによる効果はあくまで「その瞬間の切り出し方」を制御する一時的なものであるという点です。アンカーは順位を固定したり、恒常的な優位を生み出したりするものではありません。

しかし、こうした短期的なアンカー設計の積み重ねが、結果として文脈とブランドの結びつきを強め、長期的なアトラクター形成へとつながっていきます。

7. SEOは「競争」、GEOは「位置取り」

この視点に立つと、従来のSEOとGEOの違いは非常に明確になります。

SEOが限られた検索結果の枠を奪い合う競争だったとすれば、GEOはAIの意味空間の中で、いかに確固たる居場所を築くかという位置取りの営みです。

SEOでは順位の上下が成果として分かりやすかった一方で、GEOでは順位そのものに決定的な意味はありません。重要なのは、問い方や文脈が多少変わっても、AIの考慮集合から外れない存在でいられるかどうかです。

ここまでの議論を整理すると、従来のSEOとGEOの違いは次のようにまとめられます。

おわりに：Rand Fishkinの記事から見えてきたGEOの本質

Rand自身は、AIにおけるランキングは信用できないとはっきり述べています。この点については、そのまま受け取るのが正しいでしょう。

ただし、彼の実験が同時に示しているのは、順位が信用できない一方で、どの存在がどの程度の確率で想起されるのかには、明確な偏りが存在するという事実です。問題は順位そのものではなく、意味の分布の中でどこに位置しているかにあります。

Randの実験は、生成AIの可視性を順位で測ろうとする発想の限界を、データとして可視化しました。生成AIは順位を固定して返す装置ではなく、意味の分布の中から、その都度もっともらしい答えを切り出して返す装置です。そのため、同じ問いを繰り返しても並び順は再現されません。

一方で、信頼性の高い病院や代表的なブランドが、高い確率で何度も登場するという偏りも、同時に観測されています。この「揺れ」と「偏り」が共存する構造こそが、Randの実験が示した本質でした。

この構造を前提にすると、GEOとは順位を上げる技術ではなく、意味の分布の中で「どこに位置づけられているか」を設計する施策であることが見えてきます。長期的には、特定の文脈においてAIが自然と引き寄せられてしまう重心、すなわちアトラクターに近づくことが重要になります。

これは一朝一夕で作れるものではなく、文脈の一貫性や言及の蓄積を通じて、時間をかけて形成されていくものです。

一方で、短期的に何もできないわけではありません。アンカーによって、AIが同じ分布のどの観点から答えを組み立てるかを指定することで、語られ方や切り口を一時的に制御することは可能です。ただし、アンカーは順位を固定したり、恒常的な優位を生み出したりするものではありません。

短期的な切り出しと長期的な位置取りは別物であり、この二つを混同してしまうと、GEOは再び「新しいSEOテクニック」に矮小化されてしまいます。

結局のところ、これからの可視性測定は、たった一回の「順位」を追うものではなくなります。

たとえば、100回異なるプロンプトを投げた際の「出現率（シェア・オブ・ボイス）」や、自社ブランドがどのような文脈で語られているかを分析する方向へとシフトしていくでしょう。

生成AI時代に問われているのは、何位かではなく、何度問い直されても語られてしまう存在かどうかという方向になるのではと考えます。

執筆：渡辺一男

CONTENT MARKETING LAB ファウンダー

※本記事は執筆及び画像作成にあたり、生成AIを利用しています。