AI に見つけてもらうには、自社サイトだけ直せばいいのか — 情報環境という考え方

• 最終検証日：2026年8月13日
• Methodology バージョン：2026.08.57（訂正）
• 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
• 位置づけ：SILVE の測定モデル。業界標準の手順ではありません
• 関連記事：エンジンごとの情報源の違い / 新しさと有効性 / エンティティとは何か

AI は自社サイトだけを読んで自社を語るわけではない

AI 検索対策というと、まず自社サイトの改善を考えます。会社概要を詳しくする。FAQ を足す。構造化データを整える。

自社サイトは重要です。 ただ、ここには一つ問題があります。

「この会社は信頼できますか？」「この製品の評判は？」「おすすめの CRM は？」

こうした質問への回答に使われ得る情報は、公式サイトだけではありません。 ニュース、業界ポータル、レビューサイト、マーケットプレイス、百科事典、SNS、フォーラム、動画、政府資料、企業ディレクトリ。Web 上のさまざまな情報源が、その企業についての情報環境を作っています。

この記事では、それを Owned / Platform / Earned / Community の 4 層に分けます。

ただし目的は言及を増やすことではありません。 目指すのは、重要な事実が情報環境の中で正しく、一貫し、追跡可能な状態になっているかを把握することです。

実際、公式サイトの引用比率は低い

中国語圏の 4 プラットフォーム（Doubao / DeepSeek / Tencent Yuanbao / Qwen）を調べた 2026 年の研究は、160,860 件の引用のうち 159,423 件を 7 種類へ分類しました。

上位 3 分類だけで約 69%。公式サイトは 12.9% です。

別の 2026 年のプレプリントは、128 ブランド・12 市場・13 言語の 167,551 件の引用を分析し、Nordic-Baltic の URL 基盤（131,514 件）で 第三者 85.7% / 自社 14.3% と報告しています。論文の要約では「AI がブランドについて第三者を読む頻度は自社サイトの 4〜6 倍」です。

★ この 2 つの数字は、標本が違うだけではありません（2026.08.57 で明示）。測っている概念そのものが違います。

前者は分類、後者は当該ブランドとの所有関係です。 「A 社について尋ねたら B 社の公式サイトが引用された」という引用は、Zhen では公式サイトに数えられ、Żatuchin では自社に数えられません。

数字が近いことに意味を持たせないでください。 「AI 引用の 85% は必ず第三者」も、「真の自社比率は約 14%」も、どちらも作れません。

それでも、企業についての情報環境が企業自身の Web だけでは閉じていないという点は、独立した複数のデータセットで観測されています。

ただし「だから自社サイトは無意味」ではない

ここが最も誤読されやすいところです。

公式サイトの 12.9% は、6,589 の異なるドメインへ分散していました。 分類できた 9,384 ドメインのうちの 6,589 です。HHI は約 0.0008 で、論文の表現では relatively dispersed（比較的分散している）です。

★ 2026.08.57 で説明を撤回しました。 以前はここに「公式サイトはブランドの数だけ存在するので、1 社あたりの取り分が小さいのです」と書いていました。これは論文にない、私の因果の説明です。

同研究は、6,589 ドメインへ分散した理由を分析していません。 そしてこの 6,589 は、各クエリの対象企業自身のサイトとは限りません（上の表のとおり、これはサイト種別の分類です）。

言えるのはここまでです。

• 言える — 公式サイトという分類は 6,589 ドメインへ広く分散しており、12.9% というカテゴリ比率だけから「公式サイトは引用されない」とは言えない
• 言えない — 1 社あたりの取り分が小さいのは、公式サイトがブランドの数だけあるから

なお論文自身は、この節の見出しを「Direct Citation of Official Sites Is Rare」としています。 分散していることは、まれであることを打ち消しません。

そして Owned には、引用シェアでは測れない役割があります。

正典となる事実の出所であることです。

レビューサイトが「製品 X は月額 8,000 円」と書くためには、どこかに元の情報が必要です。第三者の記述の正しさは、元の情報が明確であることに依存します。

数字の基準を確認する

85.7% という数字にも注意が要ります。基準を変えると値が変わります。

• Nordic-Baltic の URL 基盤（131,514 件）— 第三者 85.7% / 自社 14.3%
• URL を持たない暗黙的知識の行を含む 150,093 行 — 自社 14.4% / 第三者 76.1% / URL の無い行 9.5%
• company_website というラベル基準 — 自社 16.4%

★ 2026.08.57 で分母を訂正しました。 以前は「URL を持たない回答が 9.5%」と書いていましたが、回答の割合ではありません。

9.5% の分母は、Nordic-Baltic の 150,093 件の帰属行です。 行の単位はブランド × 言語 × モデル × プロンプト × 引用であり、論文はこれを no-URL implicit-knowledge rows と説明しています。1 つの回答が複数の行を生みます。

「回答の 9.5% には引用が付かない」とは読めません。

だから SILVE は、Owned / 第三者とは別の軸を持ちます。

sourceAttributionMode: explicit_url | no_url_attribution | unknown

URL の無い行を、無理に Owned か第三者へ振り分けません。 どちらでもなく、根拠となる URL が示されていないという状態です。

★ 2026.08.57 で名前を変えました。 以前は groundingMode: explicit_url | implicit | unknown でした。implicit は「モデルの内部知識から生成した」と断定してしまいます。

URL が開示されていないことと、内部知識から生成したことが確認されたことは別です。 前の記事で決めた「提供元が開示したログは、内部の取得の全体とは限らない」と同じ形です。

implicit knowledge は Żatuchin のデータセット内のラベルとして保持し、SILVE 共通の語彙へは写しません。 SILVE 側は観測できた事実（URL があるか無いか）だけを保存します。

12.9% と 14.3% が近いことを「真の比率は約 14%」の根拠にもしません。 上で見たとおり、定義も標本も、測っている概念も違います。

さらにこの研究では、型付きの分類のうち catch-all の other_web が 77.0% を占めます。論文自身が「実在するニュースやレビューのドメインの多くは other_web に落ち、型付きの分類に届かない」としています。つまり、この研究のカテゴリ比率を他の研究のカテゴリ比率と直接比較できません。

平均は、ブランドごとの差を隠している

14.3% という平均には、もっと大きな幅が隠れています。

自社引用が最も多いのは Tatra Banka の 34.4%、以下 Statkraft 33.9%、ESET 33.2%、Wise 32.4%、Allianz 29.2%、Pipedrive 27.5%。

一方で、自社ドメインの引用が 0.0% のブランドが複数あります（Slovak Telekom、PKN Orlen、Swedbank Estonia、Kiwi.com、Latvijas Gāze、Swedbank Latvia）。

論文の要約はこうです。ブランド自身の Web サイトは、最も自社引用の多いブランドにとってさえ少数派の情報源であり、多くのブランドにとっては情報源ですらない。

B2B は 13.1%、B2C は 15.7% でした。

業界平均の自社引用比率を、自社の目標値にしないでください。0% から 34% までの幅があります。

4 層に分ける — 分けるのは統制の度合い

マーケティングの Owned / Earned と言葉は同じですが、目的が違います。 広告予算の配分ではなく、AI が取得し得る情報の統制構造を区別するためのものです。

Platform を Owned に混ぜない

これが最も重要な分離です。Google は Business Profile の情報の出所をこう説明しています。

Information in profiles is compiled from a variety of sources:

• Publicly-available information, such as crawled web content (e.g., information from a business' official website)
• Licensed data from third parties
• Users who contribute factual information (such as addresses and phone numbers), and content (such as photos and reviews), including business owners who claim profiles through Google Business Profile
• Information based on Google's interactions with a local place or business

事業者が一部を管理できることと、事業者が情報全体を統制していることは別です。

だから SILVE はフィールドを 2 つに分けます。

「公式サイトを直せば Google 上の企業情報も自動的に直る」とは言えません。

★ ただし「Platform = 一部しか管理できない」と層で固定しないでください（2026.08.57 で追記）。

Merchant Center の管理対象の商品について、Google は属性・表示・Google の各面での見え方を完全に管理できるとしています。一方管理対象外の商品はクロール由来で、直接の統制は弱くなります。

同じ Platform 層の中で、統制の水準が違います。

だから SILVE は sourceControlClass（Owned / Platform / Earned / Community）と controlLevel を別のフィールドにしています。

層から統制の水準を自動的に決めません。 層は「誰の面か」、controlLevel は「実際にどこまで変えられるか」です。

Web ページの改善だけが「自社側の施策」ではない

Google は商品情報を 2 つの経路で得ていると説明しています。

• managed products — Merchant Center で事業者が直接管理する。属性・表示可否・見え方を完全に管理できる
• unmanaged products — Merchant Center のアカウントが無くても、Google が Web サイトのクロールで発見する

さらに 2026 年現在、Merchant Center には conversational attributes があります。

Conversational attributes help AI systems and conversational agents better understand your products' specific nuances. They are completely optional... you can help customers discover information about your products across AI-driven surfaces, like AI Mode in Search

question_and_answer、document_link、related_product、item_group_title、variant_option などです。

「完全に任意」と明記されている点は落としません。 そしてこれは Google の商品面に限定された仕様で、他の提供元へ一般化できません。

要点は、Owned Web と Managed Platform Data は別の経路だということです。サイトだけ正確でもフィードが古ければ、情報環境としては不整合です。逆も同じです。

何が重要な第三者情報源かは、業界で変わる

同じ研究の中で、情報源の構成が業界によって大きく違いました。

「Reddit が重要」も「Wikipedia を押さえろ」も、普遍則にはできません。

市場が変われば情報源も変わる

Żatuchin の研究がこれを直接示しています。

言語で切った分析では、Wikipedia が 12 言語のうち 11 言語で最も引用されるドメインでした。 ただし占有率はポーランド語の 3.71% からフィンランド語の 5.70% です。首位でも 5% 前後で、1 つのドメインが情報環境を支配しているわけではありません。

例外はリトアニア語で、経済紙 vz.lt が 4.38% で Wikipedia を上回りました。

ここで単位に注意が要ります。 同じ研究は、市場で切った別のデータセットも持っています。

ポーランド市場の 46 の国内ブランド（35,880 引用）では、最も引用された単一ドメインは youtube.com（2,289 件、6.4%）でした。 価格比較・マーケットプレイスの ceneo.pl と allegro.pl がそれに続き、さらに4 つの人材・求人ポータルの合計がポーランド語版 Wikipedia の約 2 倍を供給しています。

★ この件数には、論文内部に食い違いがあります（2026.08.57 で記録）。

同じ論文の中で絶対件数が一致していません。 どちらか一方を真値として採らず、絶対件数を断定しません。

ただし、どちらの組でも求人ポータル側が 2 倍以上という方向は一致しています。 SILVE はその方向だけを採ります。

なお論文自身が、割合の表現（「HR 10.6% 対 Wikipedia 4.6%」）は分母のプールに依存すると明記しています。 順位は全体のプールでも保たれるが、割合は基準依存だとしています。

ポーランド語で切れば Wikipedia が首位（3.71%）、ポーランド市場で切れば YouTube が首位（6.4%）。 矛盾ではありません。分析の単位が違います。

言語と市場を同じ軸にしないでください。 同じ国について、切り方を変えると先頭のドメインが変わります。

英語圏の情報源地図を日本へそのまま持ち込めません。 そしてこの研究に日本市場は含まれていません。

引用の 80% が約 18% のドメインから来るという集中も報告されていますが、これは分布の形についての観測であって、「上位 18% だけ対策すればよい」という優先順位ではありません。

SILVE は固定の重要ドメイン一覧を持ちません。対象のクエリ集合とプラットフォームで実測します。

コミュニティ — 証拠はある。ただし方向を間違えない

コミュニティが AI 検索の情報環境になり得ることには、比較的強い証拠があります。

Emory 大学とワシントン大学の研究は、Google が安全でない内容のサブレディットを AI Overviews で参照しないという方針を利用しました。通常の検索にはインデックスされるが AI Overviews には参照されない群を対照にした差分の差分法です。

★ 処置が何であるかを 2026.08.57 で明確にしました。ここは誤読しやすいところです。

処置は「実際に AI Overviews で引用されたこと」ではありません。AI Overviews から参照され得る資格（SFW）と、参照され得ない群（NSFW）の差を、AI Overviews の展開の前後で比べたものです。

「引用されたらコメントが 12% 増えた」という研究ではありません。 著者らは手作業の監査でこの方針の差自体は検証していますが、個々のサブレディットが実際に引用されたかどうかは処置に使っていません。

2024 年 1 月 1 日から 2025 年 7 月 31 日まで 578 日にわたり日次で追跡した 105,012 サブレディット（対象群 70,683 / 対照群 34,329）、60,696,936 のサブレディット日次観測。処置日は AI Overviews が 6 か国へ拡大した 2024 年 8 月 15 日。

結果は 日次コメント +12.0%、日次のコメント投稿者数 +12.4%。 効果はコミュニティの規模の四分位すべてに及び、中小規模のコミュニティで相対的な増加が最も大きいという結果でした。

さらに、コミュニティを事実型と体験型（意見・助言・個人的経験）に分けると、体験型では効果がコメントで 2.3 倍、投稿者で 2.8 倍 大きくなりました。

AI の要約で足りる情報と、要約しきれない情報がある、という整理です。

この研究の結論は、そこで終わっていない

ここが決定的です。

However, the subsequent introduction of Google AI Mode, which allows users to interact conversationally with the AI summary, largely eliminates these gains in experience-based content.

同研究は静的な要約である AI Overviews と、検索ページ内で追加の質問ができる AI Mode を比較しています。

AI Mode の登場後、体験型コンテンツの上乗せ効果は大きく減衰しました。

事実型コミュニティへの基本の処置効果も AI Mode 後に低下していますが（コメント −2.91、投稿者 −1.75）、体験型に集中した追加の低下はその 2 倍以上です。

論文の結論は、効果の大きさが AI 検索のインターフェース設計に決定的に依存するというものです。

★ 2026.08.57 で射程を限定しました。 以前はここに「インターフェースが静的な要約から対話型へ変わると、効果の符号すら変わり得ます」と書いていました。全体の処置効果が負に転じたようにも読めます。そうではありません。

負に転じたのは、体験型の「上乗せ分」（事実型との差）のコメントだけです。 事実型への基本の処置効果も低下していますが（コメント −2.91、投稿者 −1.75）、符号は変わっていません。

正確にはこうです。

対話型のインターフェースが入ると、体験型が事実型に対して持っていた上乗せ分が、コメントではわずかに負へ反転する。

この分析は主分析とは期間も標本も違います。 2025 年 12 月まで延長した 104,975 の分類済みサブレディット・76,736,725 観測を使っており、AI Mode 後の期間が短いことは著者自身が限界に挙げています。

それでも、面が違えば効果の大きさが決定的に変わるという前の記事の結論は、因果推定つきで裏づけられています。

「AI Overviews はコミュニティを助ける」で止めると、逆の話になります。

そして、これは「Reddit に投稿すれば AI に出る」の証拠ではない

測られているのは、AI Overviews への露出がコミュニティの参加へ与えた効果です。

測られていないのは、ブランドが投稿を増やしたときの AI 可視性への効果です。

この 2 つを混同すると、まったく別の主張の根拠に見えてしまいます。

言及数を採点に入れない

複数の情報源にまたがる出現回数が、ブランドが回答へ選ばれるかの予測モデルで比較的重要だった、という観測はあります。

しかしこれは予測上の関連であって、介入実験ではありません。

逆の因果もあり得ます。 もともと知られているブランドだから多くの情報源が書き、AI にも出る。単純な観測だけでは分離できません。

同じ研究で、引用プールに現れたブランドのうち回答本文へ入ったのは 8.3%、約 91.7% は入りませんでした。 引用されることと回答に出ることも別です。

だから SILVE は 0〜10 件で 0 点、100 件以上で 10 点 のような配点を採用しません。

言及数は、ブランドの規模・市場の年齢・報道の量・不祥事・広告・利用者数に左右されます。言及が増えたことが、可視性の質の向上とは限りません。

見るべきは量ではなく不一致

より具体的なのは、こちらです。

fact: pricing
  owned:     9,800 円
  platform:  9,800 円
  earned:    7,800 円   ← 不整合
  community: 7,800 円   ← 不整合

「AI に強い / 弱い」より、はるかに具体的な問題が分かります。

住所でも同じです。公式と Business Profile は新住所、ディレクトリとレビュー site は旧住所。この状態の方が、言及数そのものより現実的なリスクです。

先に企業側で正典となる事実を定義し、層ごとに突き合わせます。

factConsistency: aligned | conflicting | outdated | unverifiable | not_applicable

事実と意見を分ける

否定的なレビューがあること自体を、不整合として扱いません。 実際の利用者の経験かもしれません。

「高いと思う」は意見です。「すでに販売終了している」が事実と違えば、それは情報の不整合です。

コミュニティを操作の対象にしない

これははっきり書きます。

AI での可視性を狙って、偽のレビュー、なりすましアカウント、装った利用者の証言、大量の書き込み、関係を明かさない推薦を作る。

これは情報環境を良くする行為ではありません。汚染する行為です。

SILVE は推奨も採点もしません。

統制できないことと、観測できないことは違う

第三者の記事を自由に書き換えることはできません。フォーラムの投稿も消せません。

しかし次はできます。

• 観測する — どの情報源が実際に使われているか
• 正典を明確にする — 公式の価格・仕様・変更履歴・問い合わせ先を、明確な URL で維持する
• 正当な方法で訂正の可能性を上げる — 訂正依頼、正確な資料の提供

統制できない ≠ 観測できない。 これが 4 層に分ける実務上の理由です。

まとめ

• 中国語圏 4 プラットフォームの研究で、公式サイトは引用の 12.9%。ニュース・業界ポータル・ソーシャルの合計が約 69%
• ただし公式サイトという分類は 6,589 ドメインへ広く分散している（論文の表現では relatively dispersed）。12.9% というカテゴリ比率だけから「公式サイトは引用されない」とは言えない。★ 分散の理由は論文が分析していないので説明しない
• 別の研究で第三者 85.7% / 自社 14.3%。ただし基準を変えると 76.1% にも 83.6% にもなり、URL の無い帰属行が 9.5% ある（回答の 9.5% ではありません）
• ★ 12.9% と 14.3% は概念が違う。 前者は「公式サイト」というサイト種別、後者は回答対象のブランド自身が所有するドメイン。数字が近いことに意味を持たせない
• その 14.3% という平均は、0%〜34.4% というブランド間の幅を隠している
• Google 自身が、Business Profile は公式サイト・ライセンスデータ・利用者投稿・Google のやり取りから編成されると説明している
• 言語で切れば Wikipedia が 11/12 言語で首位（占有率 3.71〜5.70%）。ポーランド市場で切れば YouTube が首位（6.4%）
• AI Overviews の展開後、参照され得る（SFW）コミュニティ全体でコメント +12.0%、投稿者 +12.4%。 その増加は体験型で相対的に強かった（コメント 2.3 倍 / 投稿者 2.8 倍）。★ +12% は体験型の数字ではなく、対象群全体の数字です
• ★ 処置は「実際に引用されたこと」ではなく、「参照され得る資格 × 展開時期」です
• AI Mode の登場後、体験型の上乗せ分はコメントで −0.17 まで下がり、投稿者で 59% 低下した。★ 負に転じたのは上乗せ分であって、全体の効果ではありません
• 言及数は採点に入れない。予測上の関連は介入の効果ではない

必要なのは言及を 100 件増やすことではありません。どの情報が現在正しいのかを明確にし、情報環境の不整合を減らすことです。

統制できるものは正確にする。統制できないものは観測する。

Framework 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。

Framework Name: External Information Environment & 情報源の統制 Version: Methodology 2026.08.57 Status: SILVE Operational Framework（業界標準の手順ではない） Last Verified: 2026-08-12 実装: 未実装

記録する軸

統制構造 — sourceControlClass（owned / platform / earned / community）/ controlLevel（direct / managed / independent / user_generated）

所有と管理 — brandOwned と brandManaged を別のフィールドで持つ

正典 — canonicalFact / canonicalValue / canonicalSource

整合性 — factConsistency（aligned / conflicting / outdated / unverifiable / not_applicable）

事実と意見 — 事実は整合性、意見は分布として扱う

市場 — sourceMarket / sourceLanguage（別の軸として持つ。固定の重要ドメイン一覧を持たない）

根拠の様態 — sourceAttributionMode（explicit_url / no_url_attribution / unknown）。URL の無い帰属行を Owned / 第三者へ振り分けない。「内部知識から生成した」とも断定しない

利害 — interestDisclosure（commercial / advocacy / stakeholder）

Core Rules

1. Owned Web ≠ 情報環境の全体
2. Owned ≠ Platform で管理できるもの
3. Earned ≠ Community
4. 第三者の引用比率 ≠ 施策の配分
5. 言及数 ≠ 情報の質
6. 複数情報源での出現 ≠ 証明された因果の梃子
7. 否定的な意見 ≠ 事実の誤り
8. 情報源の量 ≠ 情報源の権威
9. どの情報源が重要かはクエリ依存
10. 情報源の構成はプラットフォーム依存
11. 情報源の構成は市場依存。そして言語 ≠ 市場
12. インターフェースが変われば効果の符号も変わり得る
13. 統制できない ≠ 観測できない
14. 情報環境の改善 ≠ 言及の操作

確立していないこと

• AI 引用のうち第三者が占めるべき普遍的な比率
• Owned と Earned の最適比率
• 外部の言及 1 件あたりの因果的な可視性の増加
• フォーラムへの投稿を増やすことによる因果的な可視性の増加
• レビュー件数だけを増やすことによる因果的な可視性の増加
• すべてのブランドが狙うべき第三者ドメインの普遍的な一覧
• すべての市場・エンジンにおける Wikipedia / Reddit / YouTube の普遍的な重要度
• 日本市場における引用元の構成（本記事の研究に日本は含まれていない）

重要な限定

Zhen ら（2026）は中国語圏 4 プラットフォームの未査読プレプリントで、単一要因の無作為化を行っていません。結果は当該クエリ集合とプラットフォームの範囲内での条件付きの関連です。

Żatuchin（2026）は未査読で、著者は分析対象のデータセットを持つ Rankfor.AI に所属しています。 自社ドメインの判定はリダイレクタ解決に依存し、引用は情報源単位で採点されるため、回答が複数ブランドを列挙して 1 つの情報源を引くと、その情報源が言及された全ブランドへ結び付きます。 論文自身が「測っているのは LLM が何を引用するかであって、引用の構成が実際の評判や人々の認識と等しいと主張するものではない」と明記しています。なお論文の結論部は marketers を earned media と GEO へ向けるとしていますが、これは著者の推奨であって観測結果ではないため、SILVE は採っていません。

Zhang ら（2026）は差分の差分法ですが未査読で、コミュニティの分類に LLM を判定器として用いています。推定されているのは AI Overviews への露出がコミュニティの参加へ与えた効果であり、ブランドの投稿による可視性の効果ではありません。

一次資料

• Zhen, Liu, Zhang & Niu — What Do Chinese-Language Generative Search Engines Cite and Surface? A Large-Scale Empirical Study（preprint、arXiv 2607.15771） https://arxiv.org/abs/2607.15771
• Dmitrij Żatuchin — How Large Language Models Source Brand Reputation Across Languages and Markets（preprint、arXiv 2606.25787） https://arxiv.org/abs/2606.25787 利害の記録： 著者は Estonian Entrepreneurship University of Applied Sciences と Rankfor.AI の両方に所属し、分析対象は Rankfor.AI の 3 データセットです。
• Zhang, Cui & Zhang — The Impact of AI Search on the Online Content Ecosystem: Evidence from Google and Reddit（preprint、arXiv 2605.16428、Emory University / Washington University in St. Louis） https://arxiv.org/abs/2605.16428
• Google Business Profile Help — Understand how Google sources & uses info in Business Profiles & local search results https://support.google.com/business/answer/2721884
• Google Merchant Center Help — Manage products in your Merchant Center account https://support.google.com/merchants/answer/14996874
• Google Merchant Center Help — How to use conversational attributes https://support.google.com/merchants/answer/17085370