GEO（Generative Engine Optimization）とは — 意味・起源・SEO との違い・「最大40%改善」の正しい読み方

• 最終検証日：2026年8月13日
• 正式名称：Generative Engine Optimization
• 日本語表記：生成エンジン最適化
• 用語ステータス：Established Research Concept / Industry Usage Broadening
• SILVE での扱い：Adopted Concept（独立したスコアのレイヤーには使わない）
• 本文中の「2026.08.xx」：その訂正を行った判断基準の版の番号です。公開した版は書き換えず、訂正は新しい版として残しています

結論

GEO（Generative Engine Optimization）は、外部の情報源を検索・取得し、それらを生成 AI で統合して回答するシステムにおいて、自社や自社コンテンツが発見・利用・引用・提示される状態を改善するための最適化概念です。

AEO や LLMO と違い、GEO は起源をかなり明確に追跡できます。 Pranjal Aggarwal ら 6 名が 2023 年 11 月 16 日に論文「GEO: Generative Engine Optimization」を公開し、生成エンジン上での可視性を改善する枠組みとして体系化しました。論文は 2024 年の ACM SIGKDD に採択されています。

この記事で最も伝えたいのは、最も広く引用されている「GEO で最大 40% 改善」という数字の読み方です。この数字は実在しますが、「AI 検索からの流入が 40% 増える」という意味ではありません。すでに回答生成の材料として与えられた情報源を書き換えたとき、生成された回答の中での扱われ方が改善したという結果です。

さらに、同研究が公開している実験プロンプトには架空の統計・人工的な引用・でっち上げの出典を許容する指示が含まれています。本文の手法説明（「信頼できる出典」）と、実際の実験条件が食い違っています。 これは、論文の表層的な手法をそのまま企業サイトへ転用してはいけない理由になります。

SILVEにおける操作的定義

SILVE では GEO を次のように定義します。

外部情報を検索・取得して生成回答を構成するシステムにおいて、自社または自社コンテンツが適切に発見・取得され、回答生成に利用され、必要に応じて引用・提示される状態を整える取り組み。

重要なのは、GEO を「AI に引用されるための文章術」とは定義しないことです。

生成 AI が Web 上の情報を回答に使うまでには、少なくとも概念上、発見 → クロール・インデックス → 取得 → 再ランキング → 文脈への割り当て → 生成 → 引用 → 提示という複数の段階があります。2026 年 7 月に公開された GEO 研究 45 本の批判的レビューも、GEO を単一のランキング問題ではなく、検索の起動からユーザー行動まで続く多段階かつ確率的なパイプラインとして整理しています。

SILVE はこれらの段階を一つの「GEO Score」にまとめず、下位のシグナルへ分解して評価します。

この定義は業界標準を主張するものではありません。 SILVE の記事・診断・評価基準を一貫させるための操作的定義です。

起源と初期史

GEO は、現在の研究・実務分野につながる体系的な起点を比較的高い確度で特定できます。AEO のように提唱者側の資料が食い違っている、という状況ではありません。

GEO は、2023 年 11 月 16 日に公開された Aggarwal らの論文によって体系化されました。論文は 2024 年の ACM SIGKDD に採択されています。ただし SILVE は、これを「現在の GEO 研究領域につながる定義・指標・ベンチマークの起点」として扱い、「歴史上初めて Generative Engine Optimization という文字列を使った」とまでは断定しません。

著者は Pranjal Aggarwal・Vishvak Murahari・Tanmay Rajpurohit・Ashwin Kalyan・Karthik Narasimhan・Ameet Deshpande の 6 名で、GEO を Web コンテンツ制作者の可視性を改善するための一般的な枠組みとして明示的に導入しています。

したがって SILVE では Formalization Origin: Aggarwal et al. / 2023-11-16 / Origin Confidence: High とします。

原論文の問題意識

論文の出発点は、生成 AI によって検索体験が変わると、従来 SEO の「検索順位」だけでは Web サイトの可視性を測れなくなる、という点にあります。

生成回答では複数の情報源が一つの文章に統合されるため、どの情報源がどれだけ使われたか、どの位置に現れたか、どれだけ長く利用されたか、引用がどの程度目立つか、といった要素が可視性に影響します。そこで論文は通常の順位とは異なる複数の可視性指標を設計し、それを最大化するためにコンテンツを書き換える枠組みとして GEO を提案しました。あわせて 10,000 件規模のクエリを含む GEO-bench を構築しています。

歴史

現在の業界用法

2026 年現在、業界での GEO は原論文より意味が広がっています。

Google は AI Overviews や AI Mode への可視性向上を表す業界用語の一つとして GEO を認識しています。Microsoft は AI アシスタント、ブラウザ、さらにエージェントが購入を完了する場面まで GEO の対象として説明しています。

そのため SILVE では、原論文で定義された GEO と 現在のマーケティング業界で広義に使われている GEO を区別します。同じ語で違うものを指している場面が実際に多く、どちらの意味で使われているかを確認せずに議論すると噛み合いません。

プラットフォーム別の位置づけ

Google

Google は公式ドキュメントで GEO という業界用語を認識した上で、Google Search の観点では生成 AI 検索への最適化も検索体験への最適化、すなわち SEO であるとしています。

Google の AI Overviews / AI Mode は Search のインデックスと既存のランキング・品質システムを基盤とし、RAG やクエリ fan-out で関連ページを取得して回答を生成します。AI 機能に表示される条件も、ページがインデックスされスニペット付きで表示される資格があること、つまり通常の Search の技術要件を満たすことです。AI 専用のマークアップなど、新しい技術実装は要求されていません。

ただし技術要件だけではありません（2026.08.34 で追記）。 Google の生成 AI 向け最適化ガイドは、Search の技術要件に加えて、サイトが Search Console で Search generative AI features に含まれている必要があるとしています。設定の既定は「含める」で、「除外する」を選ぶと AI Overviews・AI Mode・Discover の生成 AI 機能で使われなくなります（通常の検索結果には影響しません。一部のサイトへの段階的な提供です）。詳細はAEO の記事に書いています。

したがって Google に関して「SEO を捨てて GEO へ移行する」という考え方は成立しません。

Microsoft

Microsoft Advertising は 2026 年 1 月、GEO を「AI による発見において推薦を勝ち取る方法」として公式に説明しています。対象範囲は明確に広く、

whether that's an assistant answering a question, a browser surfacing recommendations, or an agent completing a purchase

とされ、発見経路も feeds / crawled data / offsite data の 3 つのデータ経路として整理されています。「AI アシスタント、ブラウザ、エージェントは、あなたのサイトをインデックスするだけではない。サイトの内外のデータを推論して、そのブランドを推薦する価値があるかを判断する」という位置づけです。

これは原論文よりかなり広い GEO です。 SILVE は Microsoft の GEO 定義と学術的な GEO 定義を同じものとして扱いません。

関連用語との違い

SEO との違い

SEO は検索エンジンが Web ページを発見・インデックスし、検索結果として提示する環境への最適化です。GEO は、取得された複数の情報源を生成モデルが統合し、自然言語の回答として提示する環境での可視性を考えます。

ただし実際の AI 検索では、従来 Search の基盤がそのまま重要な場合があります。Google がその代表例です。

一方で生成回答には、取得・情報源の選択・引用・統合・回答内での目立ち方という、従来の 10 本のリンクとは異なる評価段階が加わります。したがって 「SEO だけを見れば十分」でも「SEO はもう不要」でもありません。

SILVE では、SEO で情報発見の基礎を整え、その情報が生成回答の中でどう利用されるかまで対象を広げるのが GEO、と整理します。

AEO との違い

歴史的には次の違いがあります。

しかし 2026 年現在は対象領域が大幅に重なっています。Google も AEO / GEO を並列の業界用語として扱い、Google Search では双方を SEO の範囲として整理しています。

そのため SILVE では、用語の違いは知識ベースで説明しますが、診断の内部を AEO Score / GEO Score へ分割しません。

実務で何を最適化するのか

GEO という略語そのものを診断の単位にはしません。前述のパイプラインに沿って、次のような段階ごとのシグナルへ分解します。

• 発見・取得できるか — クロール可能性、インデックス可能性、プラットフォーム別のクローラ許可
• 候補として選ばれるか — クエリとの関連性、実体の明確さ
• 情報源として使う価値があるか — 一次データ、独自分析、具体的な仕様や条件
• 検証できるか — 出典、数字の根拠、運営主体、著者、更新日

「取得されなかった」「取得されたが引用されなかった」「引用されたがクリックされなかった」は、まったく別の失敗です。 一つの「GEO 順位」で表現することは避けます。

根拠が比較的強い施策

原論文で効果が観測された手法

原論文は複数のコンテンツ最適化手法を比較しています。研究用の生成エンジンでの結果は次のとおりです。

どの列から計算したかを明示します。 Table 1 の Position-Adjusted Word Count は Word / Position / Overall の 3 つの下位指標に分かれており、Subjective Impression も 7 つの下位指標と Average に分かれています。上の表はそれぞれの総合列（Overall / Average）を使っています。基準は Overall 19.3 / Average 19.3 で、Quotation 27.2 / 24.7、Statistics 25.2 / 23.7、Cite Sources 24.6 / 21.9 です。

論文自身も caption で「The best methods improve upon baseline by 41% and 28%」と書いており、Overall / Average から計算した値と一致します。

2026.08.35 で 2 つ訂正しました。 Statistics Addition を +33% としていましたが、これは Word 下位指標（25.9 / 19.5）から計算した値で、他の 2 行が Overall なのに 1 行だけ指標が揃っていませんでした。Overall では +31% です。Cite Sources の Subjective Impression は 2026.08.34 で +15% から +13% に訂正済みです。

Subjective Impression は人間による評価ではありません。 論文は 7 つの下位指標を GPT-3.5 で評価しており（G-Eval の手法）、さらに G-Eval のスコアは較正が悪いため、Position-Adjusted Word Count と同じ平均・分散になるよう正規化したと明記しています。したがって「+28%」は、読者が 28% 強く感じたという意味ではありません。 研究上の指標です。

当時稼働していた Perplexity.ai を使った実験でも改善が観測されており、Quotation Addition が Position-Adjusted Word Count で +22%、Statistics Addition が Subjective Impression で +37% でした（test set から 200 件）。

ただしこれを「実際の Perplexity 検索でも効いた」と読んではいけません（2026.08.34 で訂正）。 論文は実験条件をこう書いています。

Since perplexity.ai does not allow the user to specify source URLs, we instead provide source text as file uploads to perplexity.ai while ensuring all answers are generated only using the file sources provided.

情報源は研究者がファイルとして与えており、Perplexity に Web を検索させていません。 したがってこの結果が示すのは、商用の稼働サービスでも、あらかじめ与えた情報源であれば生成回答内の可視性に差が出たということであって、Web から自然に発見・取得される経路でも効いたという証拠ではありません。

この区別は、この記事全体の主題そのものです。発見可能性（Discoverability）と、取得された後の可視性（Post-retrieval Visibility）を混同しない。 実験の場所が研究環境か商用サービスかは、この線引きとは別の軸です。

一方、Keyword Stuffing は有効ではありませんでした。 生成エンジンの回答にほとんど改善をもたらさず、Perplexity では基準値を下回っています（Position-Adjusted Word Count で −9.1%）。従来 SEO の単純なキーワード追加が生成エンジンでそのまま効くわけではない、という結果です。

SILVE が採用するのは「表層パターン」ではなく「検証可能性」

原論文の結果を実務へ持ち込むとき、SILVE は次のように解釈します。

• 「数字を入れる」ではなく、検証可能な具体的データを提供する
• 「引用文を増やす」ではなく、追跡可能で正確な一次情報・第三者情報を明示する

具体的には、自社調査、実測値、公的統計、製品仕様、実名の専門家コメント、正確な外部研究、一次資料への出典などです。

この区別が決定的に重要である理由は、次の節で説明します。

まだ確立していないこと

「最大 40% 改善」が意味していないこと

GEO について最も頻繁に引用されるのが「最大 40% の可視性向上」という数字です。この数字自体は原論文にあります。しかし次のように読み替えることはできません。

• ❌ GEO をすると AI 検索からの流入が 40% 増える
• ❌ ChatGPT に引用される確率が 40% 上がる
• ❌ Web 上で発見される確率が 40% 上がる

原論文の中心的な実験では、生成エンジンが回答を作るために使う情報源の集合があらかじめ用意され、その中の一つを GEO 手法で書き換えて、生成された回答の中でその情報源がどれだけ利用・強調されるようになったかを比較しています。

つまり検証されたのは、すでに回答生成の文脈に入っているコンテンツを書き換えたとき、回答内での扱われ方を改善できるかという問題です。

2026 年 7 月の批判的レビューも、原論文の有名な改善値について「実験設定の中では妥当だが、情報源がすでに固定された文脈に存在することを条件としており、オーガニックな発見可能性も持続的な流入も立証していない」と評価しています。

したがって SILVE では、「原論文の実験環境では、すでに候補として与えられたコンテンツを書き換えることで、生成回答内の可視性指標が最大で約 40% 改善した」と表現します。

公式実装には架空の情報を許容する指示が入っている

ここは特に注意が必要です。

論文本文の手法説明では、Statistics Addition は「定量的な統計」、Quotation Addition と Cite Sources は「信頼できる出典（credible sources）からの引用と出典」の追加とされています。しかし同じ研究が公開している実験プロンプトを見ると、記述が異なります。

これは「隠されていたものを掘り当てた」という話ではありません（2026.08.34 で表現を訂正）。 食い違っているのは、本文の抽象的な手法説明と、同じ論文が載せている具体的な実験条件のあいだです。

★ しかも、プロンプトは論文の付録そのものに載っていました（2026.08.35 で訂正）。

つまり査読を経て KDD '24 に収録された版の付録に、架空のデータを許容する指示が印刷されていました。 リポジトリだけの話ではありません。以下の引用は v2 の付録から取っています。

公開リポジトリの src/geo_functions.py にも同じ趣旨の指示があります（Statistics Addition は "even if hypothetical" と語が少し違います）。

つまり実験で測定された改善は、架空の統計・人工的な引用・でっち上げの出典を含みうる書き換えによって得られたものです。

この事実から導かれる結論は 2 つあります。

1. 本文の手法説明と、実験プロンプトは別の粒度の記述である。 本文は著者が主張する方法と結果、プロンプトは実際に何が行われたかです。前者だけを読んで施策に落とすと、実験が何をしたのかを取り違えます。 論文の格が高いことは、本文の抽象的な言い換えが実験条件を正確に表していることを保証しません。

そして、この落差は版の新しさの問題ではありません。 v2 では付録に印刷され、v3 でリポジトリ参照へ移りましたが、本文の手法説明が「credible sources」であることは両方の版で変わっていません。 変わったのは、読者がプロンプトに到達するまでの手数だけです。

2. SILVE はこれらを施策として採用しない。 架空の統計や引用を企業サイトへ追加することは、GEO 施策として採らないだけでなく、拒否します。

そしてもう一段、慎重に読む必要があります。この実験が示したのは「統計の形をしたテキストを足すと生成回答内での可視性が上がる」ということであって、「正確な統計を足すと発見されやすくなる」ということではありません。 両者は別の主張です。SILVE が「検証可能な具体的データ」と言い換えているのは、単なる言葉の言い替えではなく、原論文が実証していない領域へ踏み込まないための線引きです。

Google が必要性を否定しているもの

Google は公式ガイドで次を明言しています。いずれも GEO 施策として広まっているものです。

研究全体の到達点

2026 年 7 月の批判的レビューは 45 研究をレビューし、GEO 研究全体について用語・指標・実験条件・証拠水準が依然として不均一だと整理しています。

重要な区別は次のとおりです。

• 証拠がある — すでに取得されたコンテンツを書き換えることで、引用や生成回答内での利用を変えられる
• まだ確認されていない — 特定の GEO 施策が、Web 全体からのオーガニックな発見可能性を、長期的かつ複数プラットフォーム横断で安定して高めること

ただしこのレビュー自体も 2026 年 7 月公開の arXiv プレプリントであり、単著の批判的レビューです。SILVE は「最新研究で完全に否定された」とは扱わず、2026 年時点の研究群をレビューした一つの重要な評価として扱います。

SILVE Readinessとの関係

SILVE の診断が測っているのは 準備状態 です。サイトが生成エンジンから発見・クロール・インデックス・取得・解釈・利用されるための状態が整っているか。これはサイト上から比較的決定論的に評価できます。

一方 可視性 は、実際に取得された・引用された・言及された・支持リンクとして表示された・ブランドが推薦された・AI 経由の流入が発生した、という観測結果です。プラットフォーム、クエリ、モデル、時期によって変化するため、準備状態のスコアには混ぜません。

発見可能性と取得後の可視性を混同しない

GEO では特にこの分離が重要です。

原論文の手法で引用内での可視性が改善しても、そのページが Web 全体から取得される確率が改善したとは限りません。 逆に、検索順位が高くて取得されても、生成回答で目立って利用されないこともあります。

2026 年の批判的レビューも、発見可能性（discoverability）・引用（citation）・生成内容への吸収（absorption）・経済的成果を分離した可視性ベクトルを提案しており、この分離を GEO 研究上の重要課題として扱っています。

測定と限界

GEO の成果を測るときは、少なくとも次の 4 層を分けます。

原論文が直接測ったのは 3 層目です。1 層目と 2 層目については、原論文は何も示していません。

「GEO をやったら AI 流入が増えた」という報告を読むときは、対照群があるか、プラットフォーム全体の成長を差し引いているか、どの層を測っているのかを確認してください。層を取り違えた比較は、施策効果を大きく見誤らせます。

まとめ

GEO（Generative Engine Optimization）は、2023 年に Aggarwal らが体系化した、生成 AI の回答内で Web コンテンツの可視性を改善するための研究・実務概念です。

要点は次のとおりです。

1. GEO の体系的な起点は 2023 年 11 月 16 日の論文まで明確に追跡できる。論文は 2024 年の ACM SIGKDD に採択された
2. 「最大 40%」は AI 検索流入やオーガニックな発見可能性が 40% 改善したという意味ではない。 すでに回答生成の文脈に入った情報源の、回答内での扱われ方を測っている
3. Quotation / Statistics / Cite Sources に改善が観測されたが、効果は指標と分野によって異なる。Keyword Stuffing は有効ではなかった
4. 著者らの公式実装には、架空の統計・人工的な引用・でっち上げの出典を許容するプロンプトが含まれている。 論文の表層的な手法をそのまま企業サイトへ転用してはならない
5. 2026 年時点でも、発見可能性を複数プラットフォームで長期安定的に改善する万能な GEO 手法は確立していない
6. Google は GEO という語を認識しているが、Google Search では生成 AI 最適化も SEO の延長としている
7. Microsoft は GEO を推薦やエージェントの購入完了まで含む、より広い概念として使っている
8. SILVE は GEO を独立したスコアにせず、下位のシグナルを評価する。準備状態と可視性、発見可能性と取得後の可視性も分離する

GEO で求めるべきなのは、AI を騙して引用させる方法ではありません。 価値があり、正確で、取得可能で、検証可能な情報を公開し、それが生成 AI の取得・生成パイプラインの各段階で適切に扱われる状態を整えること。これが SILVE における GEO の基本原則です。

Canonical Record

この記事の判断を、あとから検証できる形で記録したものです。本文の結論（Core Rules）と、SILVE が内部で持つ記録の項目、参照した一次資料が入っています。

Term: GEO Canonical Name: Generative Engine Optimization Japanese: 生成エンジン最適化 Status: Established Research Concept / Industry Usage Broadening SILVE Adoption: Adopted Concept（独立したスコアのレイヤーには使わない）

起源

Formalization Originators	Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande
Formal Publication Origin	2023-11-16（arXiv）
Peer-reviewed Publication	ACM SIGKDD 2024
Origin Confidence	High

現在の GEO 研究領域につながる体系的な定義・指標・ベンチマーク・最適化フレームワークの起点として扱う。「歴史上初めて GEO という文字列を使った人物」とまでは断定しない。

原論文が直接示していること / いないこと

示していること

• 生成回答内の情報源の可視性は、従来の検索順位とは異なる複数の指標で測れる
• 取得済み・供給済みの情報源のコンテンツを変更すると、生成回答内での可視性に影響しうる
• 効果は手法・クエリ・分野・指標によって異なる
• 研究環境および当時の Perplexity で、一部手法に改善が観測された

示していないこと

• Web 全体からのオーガニックな発見可能性が 40% 改善すること
• ChatGPT / Gemini など現行のすべてのプラットフォームで同じ効果が出ること
• 流入が 40% 増えること
• 統計・引用・出典が普遍的なランキング要因であること
• 正確な統計を足すと可視性が上がること（実験は架空の統計を許容していた）

資料の役割に関する注記

本文の手法説明 — 研究者が方法を要約した記述。抽象度が高い。 実験プロンプト — 実際に何をしたか。v2（KDD '24 の版）は付録 B.5 に Figure 10〜13 として掲載し、v3 は公開リポジトリを参照する形へ変えた。

両者を同一の証拠として扱わない。 本件では、本文が「定量的な統計」「信頼できる出典（credible sources）からの引用」と記述している一方、実験プロンプトは "Addition of fake data is expected" / "even though fake and artificial" / "You may invent these sources" を許容していた。本文の記述は v2 と v3 で変わっていない。

「隠されていたものを掘り当てた」という構図にはしない。 査読を経た版の付録に印刷されており、食い違っているのは抽象的な手法説明と具体的な実験条件のあいだである。資料の格が高いことは、本文の言い換えが実験条件を正確に表していることを保証しない（EVIDENCE_POLICY.md の Claim scope と同じ判断）。

★ 版を確認せずに「載っていない」と言わない。 SILVE は一度、v2 の付録にプロンプトが無いと判断した。HTML 変換された版だけを見ており、PDF の組版を見ていなかった。 図として組まれた内容は、テキスト抽出では落ちることがある。

SILVE Operational Definition

外部情報を検索・取得して生成回答を構成するシステムにおいて、自社または自社コンテンツが適切に発見・取得され、回答生成に利用され、必要に応じて引用・提示される状態を整える取り組み。

証拠の範囲

確立している

• 生成回答内の可視性は従来の検索順位とは異なる複数の指標を持つ
• 取得済みコンテンツの変更が、生成回答内での利用・引用へ影響しうる
• 効果はプラットフォーム・クエリ・分野によって変わる
• Google の AI 検索では従来 Search の基盤が前提になる
• GEO と SEO には重複がある

暫定（Provisional）

• 正確な統計の追加
• 正確な引用の追加
• 出典表示の強化
• 読みやすさ・提示の改善による引用可視性の向上

普遍的な要因としては未確立

• llms.txt / AI 専用チャンキング / AI 専用の文体 / AI 専用の構造化データ / 人工的な外部言及 / キーワードの詰め込み / 学習用クローラの許可

SILVE が明示的に拒否するもの

• 架空の統計 / 架空の引用 / 架空の出典 / GEO の効果を偽装するためのコンテンツ操作

測定方針

準備状態・Discoverability・Post-retrieval Visibility・Traffic / 成果の 4 層を分離する。原論文が直接測ったのは 3 層目のみ。

Last Verified: 2026-08-13

一次資料

研究

• Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan & Deshpande — GEO: Generative Engine Optimization（arXiv 2023-11-16 / ACM SIGKDD 2024） https://arxiv.org/abs/2311.09735
• GEO 公式実装（src/geo_functions.py） https://github.com/GEO-optim/GEO
• Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)（preprint、2026-07-15） https://arxiv.org/abs/2607.14035

プラットフォーム公式

• Google Search Central — AI features and your website https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
• Microsoft Advertising — From Discovery to Influence: A Guide to GEO（2026-01-06） https://about.ads.microsoft.com/en/blog/post/january-2026/from-discovery-to-influence-a-guide-to-geo