生成AIの台頭により、検索体験はこれまでにないスピードで変化しています。それに伴って、私たちコンテンツマーケターも新しいルールで臨む必要が出てきました。従来のSEOに代わって注目を集めるのがGEO（Generative Engine Optimization）です。
このGEOについては、数多くのテクニックや手法が議論されています。しかし、コンテンツ制作者として本当に押さえておくべきなのは、GEOという新しい環境でも揺らがない「コンテンツ制作の本質」に関わる視点です。むしろ、この視点を持つことで、これまで些末なSEOテクニックに翻弄されてきたウェブコンテンツの世界が、より本質的な価値に立ち返るきっかけになるかもしれません。
こうした観点から、これまで以下の3つの視点で記事を執筆してきました。
クエリファンアウトの理解とRAGへの対応はどちらかというと即効性のある対策、ナレッジグラフへの対応は比較的中長期的な視点の対策となります。
本稿では、これら3本の柱を整理し、これからのGEO対策を体系的に捉え直してみたいと思います。
詳細記事：「コンテンツマーケティングとGEO：生成AI時代に備えるための新戦略」
GEO対策の出発点として最も重視すべきは、GoogleのAI Modeにおける「クエリファンアウト（Query Fan-Out）」という仕組みです。
検索エンジンが単一のクエリを受け取った際、生成AIがその背後にある意図や文脈を分解し、数十〜数百のサブクエリに展開。それぞれに適した情報断片を収集・統合することで、最終的な回答を組み立てます。
この時、重要なのは「自社のどのパッセージが、どのサブクエリの中間思考に使われるか」という視点です。つまり、単に情報を網羅しているかではなく、「AIがどのように推論していくか」という流れに、自社コンテンツが自然に入り込めるかが問われます。
この仕組みを理解しないまま構造化データやFAQの設計をしても、AIの思考経路に乗ることは難しいでしょう。まずはクエリファンアウトという仕組みを理解することが、GEO対策の出発点となります。記事で紹介しているQforiaというツールを使って、実際にクエリファンアウトがどう展開されるかを体験してみるのもよい方法だと思います。
ただし、クエリファンアウトで生成されるすべてのサブクエリに対応するコンテンツを用意するのは現実的ではありません。そこでコンテンツマーケティングの原点に立ち返り、ペルソナを設定した上で、その人物がどのようなクエリを入力し、どのような深掘り質問を重ねていくかをあらかじめ想定しておくことが重要になります。そうすれば、どのサブクエリには対応し、どのサブクエリには対応しないかという判断が可能になります。
その際に有効なのが、JTBD（Jobs To Be Done）的なアプローチです。ペルソナがその検索行動に至った背景や文脈に想像力を働かせ、単なるキーワード分析にとどまらず、その背後にある動機や課題、期待、不安といった感情までを読み取ることで、設定したペルソナがどんな質問をするのかを考える際のヒントになるでしょう。
詳細記事：「GEO対策の基本：クエリファンアウトに対応したコンテンツの作り方」
RAG（Retrieval-Augmented Generation）とは、生成AIがクエリに直接答えるのではなく、まず外部の情報ソース（例：ウェブページやナレッジベースなど）から関連情報を検索・取得（Retrieval）し、それを情報ソースとして活用しながら自然言語での回答（Generation）を行う仕組みです。
GoogleのAI ModeではこのRAGの仕組みが基盤となっていると見られており、ウェブサイトをクロールした上で、パッセージ単位でベクトルデータ化（Embedding）を行い、クエリファンアウトされたサブクエリとの意味的な近さに基づいて適切なパッセージを選定し、回答するための参照情報として利用します。
この仕組みの中で重要になるのが、「どのパッセージが、どの問いに対して、意味的にどれだけ近いか」を定量的に測定する指標です。これに役立つのがコサイン類似度の計算です。
筆者が実験した例では、Qforiaで生成したサブクエリに対し、Googleの gemini-embedding-001 を用いて対応するパッセージとの意味的距離を測定しました。肌感覚にはなりますが、0.8以上のコサイン類似度を目指してパッセージを改善した結果、AIが引用しやすい構成への近道を見出すことができました。
AI検索に組み込まれているRAGの仕組みに対応するためには、もはや単に「キーワードが含まれているかどうか」ではなく、「意味的に近いかどうか」で評価される時代が到来しているということです。RAGの構造を意識することで、生成AIとの相性を論理的に高める改善が可能になります。
今後は、コサイン類似度を意識した「意味的に近いかどうか」に配慮したコピーライティングがますます重要になってくるでしょう。実際、これまでも良いコンテンツとはユーザーの情報ニーズとマッチしたコンテンツであり、それは本質的に意味の近さを追求してきたと言えます。単にキーワードを盛り込むという作業ではなく、ユーザーの問いに意味的に応えるという、コピーライター本来の役割に立ち返ることが求められているとも言えるでしょう。
詳細記事：「GEO対策のもう一つの基本：意味の設計力という視点」
GEO対策の文脈では、サブクエリにひとつひとつ対応することが理想のように思えますが、実際にはそれだけ多くのコンテンツを作成することは非現実的です。そこで必要になるのが、WordLift社のAndrea Volpini氏が提唱する、あらかじめ意味構造を整理してAIが推論する際の情報源を構築しておくという戦略、すなわち、オントロジカルコアの設計になります。オントロジカルコア設計は最小限のコンテンツで最大限のクエリカバレッジを実現でき、結果としてクエリファンアウトにも対応可能な戦略となります。
オントロジーとは、対象領域における概念や用語、属性、関係性などを体系的に定義・構造化した知識モデルのこと。オントロジカルコアとは、その中でも特にAIが理解・活用しやすい形で情報を再構成したマーケティング的な意味構造を指します。たとえば洗濯機であれば、「洗浄方式」「設置場所」「容量」といった主要エンティティとそれに付随するファセット（悩み・用途・性能比較など）をマッピングするようなイメージです。
オントロジカルコアを設計すると、大きく二つのメリットがあります。
１．最小限のコンテンツで幅広いAI応答に対応できる
オントロジカルコアがあれば、未知のサブクエリに対しても意味的に対応できるため、コンテンツ量を最小化しつつAIの回答生成に必要な情報ソースとして機能します。
２．ナレッジグラフを強化できる
GoogleのAI Modeは、RAGによるパッセージ引用だけでなく、ナレッジグラフの情報も参照します。ナレッジグラフはウェブ上の情報をエンティティ単位で整理し、関係性をグラフ構造として管理する知識ベースで、検索意図に沿った信頼性の高い回答の骨格となります。設計したオントロジカルコアの意味構造が、ナレッジグラフへの高品質な情報提供となり、検索結果やAI回答の信頼性向上に貢献します。構造化データ（特にJSON-LD）を付加すればさらにその効果が高まります。
以上のように、オントロジカルコアは、AI応答の精度向上とナレッジグラフ強化の両面で効果を発揮します。個人的にはGEOの長期的な対策として、オントロジカルコアを設計することが、もっとも再利用性の高い資産になっていくと考えます。
これまでのSEOが「検索順位との戦い」だったとすれば、GEOは「AIの意味理解への貢献度」が勝負になります。
この3つの支柱を横断的に設計していくことで、GEOの本質に近づくことができます。
一方で「GEO対策は従来のSEOと変わらない」といった意見や、「箇条書きが有利」「短文の方が引用されやすい」といった小手先のテクニックも語られています。確かにそうした工夫は無視できませんが、コンテンツマーケターにとって大事なのは「ユーザーにとって本当によりよいコンテンツとは何か」を改めて問い直すことだと思います。むしろGEOは、その問いを深める良いきっかけになるとさえ言えるでしょう。
その意味で、今回紹介した3つの柱にもとづくアプローチは、目先の変化に左右されにくい本質的な投資です。また、今後MCPやA2Aといった生成AIを活用した新たな仕組みがウェブサイトに求められるとしても、この基盤を整えておくことは非常に有効な手段だと考えます。
AIに引用される未来を見据えて、コンテンツを再設計していく。そのための座標軸として、この3本の柱が皆さんの実務にとって参考になれば幸いです。
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。