AI検索での可視性をどう測定するか

WhoCanFindMeは2つの異なるものを測定しています。どちらも理解しておくことが重要です。

1. AI対応度（無料監査）。 あなたの公開ページから直接抽出したシグナル、robots.txtのルール、構造化データ、コンテンツの抽出可能性、鮮度シグナル、技術的健全性に基づく、決定論的でヒューリスティックなスコアです。ライブのAI APIを呼び出す必要がないため、数秒で完了し、費用もかかりません。あなたのページがAIクローラーやパーサーに見つけてもらえる位置にあるかどうかを示します。
2. 実測可視性（有料プラン）。 ChatGPT、Perplexity、Geminiにライブのグラウンディングクエリを送信し、さらに（ネイティブのウェブ検索APIをまだ持たない）Claudeには学習データ想起クエリを送信して、あなたのブランドが実際に回答内に登場しているかを測定します。3つのエンジンは検索ベースであり、Claudeは学習データの記憶を確認するものです。詳細はセクション4をご覧ください。

この違いは重要です。対応度スコアはAI可視性のための技術的な前提条件を示し、実測可視性は実際の結果を示します。対応度を「ドアの鍵が開いているか」、実測可視性を「実際に人がそこを通り抜けているか」と考えるとわかりやすいでしょう。

対応度スコアは、6つのシグナルカテゴリーを集約したものです。それぞれは、AI APIを呼び出すことなく、あなたの公開ページから独立して測定できます。

各AIエンジンは検索アーキテクチャが実際に異なるため、6つのシグナルカテゴリーへの重み付けもそれぞれ異なります。単一の「AIスコア」を示すのではなく、エンジンごとに対応度スコアを算出し、それらを平均して全体の指標を出しています。

ChatGPTは、引用の87%がBingの上位10件から来ており、BingはOAI-SearchBotへのアクセスを必要とするため、クローラーアクセスを重視します。Perplexityは、6段階のRAGパイプラインが新しさと事実密度を厳しくフィルタリングするため、鮮度と権威性を最も重視します。Geminiは、GoogleのE-E-A-Tの枠組みを反映し、構造化データと権威性シグナルを最も重視します。Claudeは最も選別が厳しいエンジンであり、引用の97.8%が確立された、明確に構造化された情報源から来ているため、抽出可能性を最優先します。

robots.txtでブロックされているエンジンは、統合スコアに55%のペナルティを受けます（スコアに0.45を掛けます）。これは、ブロックされたエンジンがページをまったくインデックスも引用もできないことを反映しています。

総合対応度スコアは、それぞれ[0, 100]の範囲に収められた4つのエンジン別スコアの算術平均です。

対応度スコアは、AI可視性にとって必要ではあっても十分な条件ではありません。実測可視性はさらに一歩進み、実際のAIエンジンに実際のクエリを送信し、あなたのブランドがグラウンディングされた引用付きの回答に登場するかどうかを測定します。

なぜ学習データへの問いかけではなく、グラウンディングクエリなのか

主要な消費者向けAIエンジンの多く（ChatGPT Search、Perplexity、Google AI Overviews、Copilot）では、回答はクエリの時点でのライブのウェブ検索にグラウンディングされています。学習データの記憶は、AIがあるブランドの存在を「知っている」かどうかを決めますが、ライブ検索は、AIが回答の中でそのブランドを引用するかどうかを決めます。GEOは本質的に検索の問題であり、だからこそエンジンが対応している限り、私たちはグラウンディングクエリを優先します。

ChatGPT、Perplexity、Geminiについては、ベースモデルへのプロンプト（ウェブ検索を使わずにAIにブランドについて「知っていること」を尋ねる方法）を使用しません。この方法は固定された学習データの記憶を試すものであり、非決定性が非常に高く、知名度の低いブランドではハルシネーションが起きやすく、グラウンディングされた消費者向けエンジンでユーザーが実際に目にするものを反映しません。Claudeだけは例外です。現行のAnthropic APIには、OpenAIやGoogleのものに相当するネイティブのウェブ検索ツールがまだ存在しないため、そのスコアは必然的にグラウンディングされた測定ではなく、学習データ想起の確認となります。この点はClaudeのすべてのスコアに明記しており、Anthropicがウェブ検索APIを提供次第、グラウンディングクエリに切り替えます。

クエリセットの設計

3つのカテゴリーをカバーする厳選されたクエリセットを構築します。発見クエリ（カテゴリーベースで、ブランド名を含まない）、比較クエリ（評価段階）、そしてブランド指定クエリです。比率はおおよそ60/30/10で、新しい見込み客を獲得できる発見クエリに最も重みを置いています。監査あたり最低30件のクエリで意味のあるシグナルが得られ、標準の完全な監査では50件を使用します。

反復実行と統計的な扱い

1つのクエリを1回だけ実行しても、ほとんど意味がありません。LLMの非決定性により、同じクエリでも実行のたびに異なる引用結果が生じることがあり、これはtemperature=0であっても同様です（GPUレベルでのバッチサイズのばらつきは排除できません）。Princeton GEO paperによれば、可視性の割合を安定させるには60から100回の反復が必要です。

各反復では、まったく同じクエリを再送信します。反復のあいだにプロンプトを変えたり言い換えたりすることはありません。標準の有料監査ではエンジンごと・クエリごとに3回の反復を実行し、無料/匿名プレビューおよびAgencyの定期再実行では1回のみ（単一サンプルのスナップショットで、区間なし）です。引用率は、ブランドが引用された実行の割合として算出されます（brandCited = true）。この割合の95%信頼区間の算出には、Wilsonスコア区間を使用します。これは、同一の呼び出しに対するプロバイダー側のばらつきのもとでの実行間の一貫性を反映するものであり、同じクエリの異なる言い回しによって引用がどう変わるかのサンプルではありません。

APIと消費者向けUIの再現度

ChatGPT、Perplexity、Geminiについては、各エンジンのプログラム用APIをウェブ検索を有効にした状態で使用します。これは業界標準であり、唯一スケール可能な方法ですが、既知のギャップも生じます。

• 消費者向けのChatGPT.comには、APIでは再現できないパーソナライズや閲覧履歴が反映されている場合があります。
• Google Searchグラウンディングを使用したGemini APIと、Google AI Overviewsとでは、上位引用ドメインの重なりが約38.5%にとどまります。これは構造的なギャップであり、Googleのすべてのスコアで明示的に開示しています。
• Perplexityは、APIと消費者向けUIのあいだに乖離が生じうることを文書化しています。
• ClaudeのAPIにはウェブ検索ツールが一切ないため、そのスコアはライブAPI呼び出しの代わりにモデルの学習データ想起を使用します。これは4エンジンの中で最も大きな再現度のギャップであり、Claudeのすべてのスコアで開示しています。

実測可視性スコアを含むすべてのレポートで、これらの限界を明示しています。測定の限界について透明であることは、見せかけの精度よりも価値があると私たちは考えています。

AI可視性スコアは推定値であり、事実そのものではありません。どの測定にも、ばらつきを生む3つの要因が影響します。

1. LLMの非決定性。 temperature=0であっても、GPUレベルのバッチサイズのばらつきによりAPIの応答は変動します。反復なしの一時点のスコアは、再実行すると±30%変動することがあります。私たちの実測可視性エンジンは、同一のクエリを複数回繰り返し実行し、得られた引用率についてWilsonスコアの信頼区間を報告します。これは、同じクエリの異なる言い回しによる変動ではなく、プロバイダー側のばらつきのもとでの実行間の一貫性を測定するものであり、各数値がどれだけ安定しているかがわかります。
2. モデルとアルゴリズムの更新。 OpenAI、Google、Perplexityは、公表なしに継続的にモデルを更新することがよくあります。6週間前のスコアは、現在の実態を反映していない可能性があります。すべてのスコアに測定日を表示し、30日を超えて経過したスコアにはフラグを立てています。
3. 地域とパーソナライズによる差。 同じクエリでも、地域、言語、アカウントの種類によって異なる回答が返されます。私たちの測定は標準化された場所から実行しています。他の地域では結果が異なる場合があります。

対応度スコア（無料監査）は、確率的なAIの出力ではなく決定論的なシグナル（robots.txt、構造化データ、HTMLコンテンツ）を検証するため、実測可視性よりもはるかに安定しています。対応度スコアの変化は、あなたのページに実際に起きた変化を反映しています。

測定の限界について知的に誠実であることこそが、役立つツールと、それらしく見えるだけのスコア生成器を分けると私たちは考えています。このツールが明確に伝えられないことは、以下の通りです。

私たちの測定方法は、公開された学術研究と一次的な実務者調査に基づいています。この分野は変化が速いため、主要な統計は四半期ごとに再検証しています。根拠の強さを示すラベルについて：実証済み＝対照研究、または複数の研究で再現されたもの。有力＝単一の研究、または妥当なメカニズムを伴う強い実務者間の共通認識。俗説＝広く語られているが研究の裏付けがないもの。