前回の記事「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」では、GEO（Generative Engine Optimization）の全体像と、その背景にある検索体験の進化について解説しました。 

特に注目すべきは、GoogleのAI Modeに代表されるように、検索エンジンがユーザーのクエリをそのまま処理するのではなく、複数の観点からクエリを自動展開（クエリファンアウト）し、それぞれのサブクエリに対して情報を収集・統合するという構造が一般化しつつある点です。 

つまり、今後の検索における可視性を高めるには、単にメインクエリだけを意識してコンテンツを作るのでは不十分であり、「生成されるであろう複数のサブクエリ」にも応えられるようなコンテンツ設計が求められます。 

そこで今回は、最重要ステップとも言える「クエリファンアウトに対応したコンテンツ設計」について、実際のツール（Qforia）やベクトル計算の方法を交えて解説していきたいと思います。 

1.クエリファンアウトとは？ なぜ対応が必要なのか

生成AI時代の検索では、ユーザーが入力した問いをもとに、AIが背後で数十〜数百のサブクエリ（Synthetic Queries）を自動生成し、それぞれの視点から情報を収集して統合的な回答を作成します。このプロセスを「クエリファンアウト」と呼び、Google AI Modeではこれが検索アルゴリズムの中核をなしています。 

たとえば、「ドラム式洗濯機 おすすめ」という検索クエリが入力された場合、AIは以下のように多様な観点やタイプのクエリに展開し、それぞれに対応する情報を収集します。 

• Related Queries：「人気のある洗濯機のモデルにはどんなものがありますか？」  
• Implicit Queries：「子育て中の家庭に適した洗濯機を選ぶには？」  
• Comparative Queries：「ドラム式と縦型の洗浄力にはどんな違いがありますか？」  
• Recent Queries：「音が静かな洗濯機を探しています。どれが良いですか？」  
• Personalized Queries：「マンション住まいに適した洗濯機にはどんな特徴がありますか？」  
• Reformulation Queries：「2025年におすすめの洗濯機を教えてください」  
• Entity-Expanded Queries：「パナソニックのNA-LX125ALは他のモデルと比べてどうですか？」 

このように、1つの問いから複数の意味的・文脈的な派生クエリが生成され、それぞれが「推論の材料」として活用されます。従来のSEOでは、こうしたサブクエリは補助的な役割にとどまり、AIによる意味的統合の文脈で重要視されることはあまりありませんでした。しかしGEOでは、AIが最終的な回答を導き出すために参照する重要な情報断片となります。 

したがって、GEO対策においては、こうした多様なサブクエリに応答できる構造的かつ意味的にカバレッジの広いコンテンツ設計が不可欠です。単にメインクエリに対応するだけでなく、背後にあるユーザーの意図や問いの展開を先回りして設計することが、生成AIに「選ばれる」ための第一歩になります。 

Qforiaでサブクエリを生成する

GEO対策の出発点として有効なのが、Mike King氏が開発したツール「Qforia」です。Qforiaを使えば、特定のクエリに対して生成される可能性のあるサブクエリを、GoogleのAI Modeに近い形で出力することができます。Qforiaは、GoogleのAI Modeそのものを再現したツールではありませんが、その中核機能であるクエリファンアウトの仕組みを模倣するよう設計されたツールです。Googleの公開論文や特許、I/Oでの発表内容をもとに、Geminiを用いたプロンプト展開や関連クエリの抽出を通じて、AI Modeが生成していると考えられる多様なサブクエリを再現します。AIに引用されやすいコンテンツを作るための「可視化された思考の地図」を得る手段として、GEO対策の実践に活用できると考えます。 

Qforiaの使い方 

1. GeminiのAPIキーを取得して、Qforiaに設定します。 
2. 分析したいクエリ（例：「初心者におすすめのミラーレスカメラ」）を入力します。 
3. 「AI Overview」または「AI Mode」を選択し、「Run Fan Out」をクリックします。 
4. 出力された複数のサブクエリをCSV形式などでエクスポートします。
   

出力結果の例（AI Mode）

3.クエリごとのコンテンツとの類似度を把握する 

次にQforiaによって生成された複数のサブクエリに対して、自社コンテンツがどの程度一致しているか（引用されやすいか）を客観的に判断するために、ベクトル埋め込み（Vector Embedding）とコサイン類似度（Cosine Similarity）の分析を行います。 

この評価には、Googleが一般提供している最新のEmbeddingモデル「gemini-embedding-001」を使用しました。Gemini APIおよびVertex AI経由で利用可能なこのモデルは、テキストの意味を高精度にベクトル化でき、多言語や多様なタスクにおいて高い性能を発揮するとされています。 

AI Modeが実際にどのようなEmbeddingモデルを用いているかについては公表されていないものの、「gemini-embedding-001」はGoogleが提供している最新のモデルであることから、近い設計思想が反映されている可能性があります。そのため、今回のシミュレーションでは、AI Modeにおける引用のされやすさをある程度再現できると考えました。 

4.クエリファンアウトを利用したコンテンツ改善ステップ 

ここまでの手順とその後の改善ステップをまとめると以下のようになります。 

1. クエリファンアウトの実行

ユーザーの元クエリ（例：「初心者におすすめのミラーレスカメラ」）に対して、Qforiaなどのツールを使いサブクエリ群を生成する 

2. サブクエリとコンテンツパッセージを対応させる

得られたサブクエリをベースに、それぞれに対応する自社コンテンツ内の該当パッセージを探してサブクエリに対応するよう並べる 

3. 対応パッセージがないものはブランクで記録

対応する情報がコンテンツ内に存在しない場合は、そのセルを空欄にしておく。これにより自社サイトでカバーできていない検索意図が明示される 

4. 各パッセージとクエリのコサイン類似度を算出

Googleのgemini-embedding-001を使って、クエリと対応パッセージをそれぞれベクトル化する。その後、ベクトル同士のコサイン類似度を計算することで、意味的にどの程度近いかを数値で把握する 

5. 改善戦略を立てる

コサイン類似度の結果をもとに、どのパッセージをどのように改善すべきかを判断する 

• 該当するパッセージが存在しない場合は、そのサブクエリに対応した新たなコンテンツを作成するかどうかを判断する。 
• コサイン類似度が低い場合は、より明確で具体的かつ整合的な表現に修正することで、意味的な距離を縮めていく。 
• コサイン類似度が高い場合は、さらなる強化を行うか様子をみるか判断する
  
  

以上のステップを経て以下のようなクエリファンアウト対応シートが完成します。 

（スペースの都合上、前半の４つのサブクエリについてのみ抜粋していますが、実際には26個のサブクエリ全てについて同様の作業をしていきます。） 

5. コサイン類似度を改善するには？

では次にコサイン類似度を改善するためにどのようにコンテンツを修正していけばよいかについて説明したいと思います。例えば以下のサブクエリと対応コンテンツの場合で考えてみましょう。 

【サブクエリ】 

初心者向けミラーレスカメラ選びで重要な機能とは？

【対応する自社コンテンツ】 

コンテンツ改善ステップ 

Step 1：サブクエリの意図を明確に読み取る 

意図の読み取り 
サブクエリは「どのモデルがよいか」ではなく、「どの機能が重要か」という評価基準を求めている。 

Step 2：話題の軸を感覚から機能へシフトする 

• Before： 
  まずはデザインやサイズ感で気に入ったモデルから試してみるのも良いでしょう。 

  After： 
  初心者にとって重視すべきなのは、撮影の失敗を防ぐ基本機能です。 
  

• 改善ポイント
  選定基準を感覚ではなく目的ベース（失敗を防ぐ）に切り替えることで、サブクエリの「機能」に対する意図と整合性が取れる。 

• ---

•  

• Step 3：具体的な機能を列挙・定義する 

  Before： 
  最近のミラーレスカメラは、操作が直感的で軽量なモデルが多く、女性やシニア層にも人気があります。 

  After： 
  たとえば「手ブレ補正」「オートモードの充実度」「オートフォーカス性能」などは、初心者が直感的に使えて、撮影失敗を減らせる重要なポイントです。軽量なボディやスマホとの連携といった利便性も含め、日常使いしやすい仕様になっているかを確認することが、初心者にとっての後悔しない選び方につながります。

改善ポイント 
抽象的な使い心地から、AIがピックアップしやすい具体的名詞（機能名）に変更。サブクエリの「重要な機能とは？」という問いに、「撮影を支援する機能」だけでなく、「持ち運びや日常利用に関わる機能」も含めて広く応える。構文的にも意味的にも類似度が高まりやすい。 

• ---

• 
  Step 4：機能の意味を説明し意図に合致させる 

  Before：
  購入後は撮影を楽しみながら、少しずつカメラの使い方に慣れていくことが大切です。 

  After：
  これらの機能を備えたカメラは、初心者が「撮れた」という成功体験を得やすく、撮影へのハードルを下げてくれます。機能面から選ぶことで、デザインや価格だけでは判断しづらい「使いやすさ」や「失敗しにくさ」といった観点もカバーできます。 

   改善ポイント 
  単に機能を列挙するだけでなく、なぜそれが重要なのかを言語化することで、サブクエリの「重視する理由」にも応えている。 

• ---

  
  

   Step 5：パッセージとして再構成する 

  ここまでの改善点を反映させながらまとめると下記のようなパッセージが完成します。 

  コサイン類似度が0.8599にまで向上しています。 

• 初心者向けミラーレスカメラ選びで重視すべき機能とは？  初心者にとって、どんなミラーレスカメラを選べばよいのか悩むことも多いはずです。特に注目したいのは、「手ブレ補正」や「オートモードの充実度」「オートフォーカス性能」など、撮影の失敗を防ぎ、使いやすさを高める機能です。これらは専門知識がなくても直感的に撮れることを支援するため、初めての1台には欠かせません。さらに、軽量な本体やスマホ連携機能も、日常的に持ち歩いて撮影するスタイルにマッチします。こうした観点で機能を比較しながら選ぶことが、初心者にとっての後悔しないカメラ選びにつながります。  コサイン類似度:0.8599

   

6. コサイン類似度だけを追求しすぎてもよくない 

基本的にはコサイン類似度が高い方がよいのですが、具体的かつ論理的であることを追求していくとAIにとってはよくても、人間にとっては読みにくくなるケースがあることを知っておくことも重要です。下記は実験としてさらにコサイン類似度を高めた例ですが、人にとっては共感性にかけるコンテンツになってしまっています。色々と実験してみた結果、コサイン類似度が0.8以上であれば、意味的に十分近いと判断できるケースが多いことがわかってきました。もちろん数値だけで判断するのではなく、実際の読みやすさや文脈との整合性も含めて総合的に評価することが重要ですが、改善の目安としては「まずは0.8以上を目指す」というのが現実的なラインと言えそうです。 

生成AI時代のコンテンツ設計では、「AIが引用したくなるパッセージ」と「人が納得して読み進められる文章」とのバランスが重要になります。AIに選ばれるには、クエリと意味的に強く一致する構文や語彙を用いたパッセージが必要ですが、それだけでは人の心に届きません。一方で、人間にとって読みやすく共感しやすい文章は、必ずしもAIにとって最適ではないこともあります。 

これからのコンテンツは「AIと人の両方に配慮した二層構造」で設計することが求められます。たとえば、冒頭ではクエリに対応した要点を簡潔に提示し、AIが引用しやすいパッセージを明示する。そのうえで、続く本文では読者の関心や疑問に寄り添いながら、背景や理由、感情に訴えるストーリーを展開するといった構成です。このように、構造上のメリハリをつけることで、「AIに伝わる」精度と、「人に届く」深度の両方を担保できるのではないかと考えます。 

今回紹介した方法が、AIに選ばれ、ユーザーにも信頼されるコンテンツづくりへの第一歩となれば嬉しく思います。 
 

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。