LLM の影響を測る指標の二つの系統
GEO（Generative Engine Optimization、生成エンジン向けの検索最適化）を測るとは、ChatGPT、Perplexity、Gemini、Copilot、そして Google の AI Overviews の回答の中で自社ブランドが占める位置を追うことです。仕組み全体は一つのシンプルな区別の上に成り立っています。プレゼンス指標は回答内でのその位置を測るもので、動きが速く、日々の作業の指針になります。成果指標はビジネスへの実際の効果、つまりリード、登録、売上を測るもので、数週間遅れて現れます。前者は労力を、後者は予算を正当化します。両方が必要です。
プレゼンス指標：プロンプトのモニタリング
プロンプト監視とは、自社の事業と製品目標を代表する質問のライブラリを毎日、複数のモデルで再実行し、回答が自社ブランドについて何を語っているかを記録することです。たとえば電子インボイスのソフトウェアを販売しているなら、財務責任者が選定前に投げかける質問がそれにあたります。「中小企業向けの電子インボイスソフトはどれを選ぶべきか？」「制度改正に対応しているソリューションはどれか？」。商談、サポートチケット、そして自然な言葉に言い換えた Search Console の検索クエリから拾い出しましょう。自社ブランド名を含むプロンプトは別に管理してください。ほぼ必ず自社が言及されるため、あらゆるスコアを水増ししてしまいます。
Peec、Profound、Otterly のようなプロンプト監視ツールはこの収集を自動化し、各回答から三つのデータを記録します。メンション（ブランド名が挙がる）、順位（回答が挙げるブランドの中での自社の位置）、サイテーション（モデルが情報源として表示するページ。自社のものでも第三者のものでも）です。
メンションとその順位から、私は五つの指標を導きます。サイテーションは後ほど、定性的な読み方で使います。
| 指標 | 計算方法 | 何が分かるか |
|---|---|---|
| シェアオブボイス | 追跡する全ブランド（自社を含む）のメンションに対する自社メンションの割合 | 他社と比べた成果。単独ではビジネス上の意味はないが、その推移が努力の成否を裏付ける。 |
| 可視性 | 実行したプロンプトのうち自社が言及された割合 | プロンプトライブラリが定義する範囲のカバー度。良い運用指標。 |
| ポジション | 言及されたブランドの中での自社メンションの平均順位。自社が登場するプロンプトのみで算出 | 最初に名前が挙がるのは、より高い信頼の表れである可能性が高い。ただし単独で読むと見栄えが良すぎる。順位の低かったプロンプトから消えるだけで改善するからだ。 |
| 加重メンション | 不在のプロンプトも含む全プロンプトでの順位の逆数の平均を100点満点に換算（式は表の下） | カバー度と順位を一つの数字に統合する。毎日追えば、これこそが運用指標であり、最も雄弁な一つ。 |
| 加重シェアオブボイス | 追跡する全ブランドの加重メンションの合計に対する自社の加重メンションの割合 | カバー度と順位を合わせた、市場に対する回答内での自社の重み。従来のシェアオブボイスより豊かで、補完的。 |
加重メンションには式を示す価値があります。作業の指針となる指標だからです。各プロンプトで、メンションは順位の逆数として数えます。1位なら1、2位なら0.5、3位なら0.33、不在なら0。ライブラリ全体の平均に100を掛けると指標になります。プロンプト100件の例：1位30回、2位20回、3位10回、残り40件は不在なら、30 × 1 + 20 × 0.5 + 10 × 0.33 + 40 × 0 = 43.3、すなわち100プロンプトで43.3点となり、加重メンションは100点中43点です。40件の不在が重くのしかかります。これがこの指標をポジションと分けるものです。平均を取る前に、モデルごとに計算してください。ChatGPT と Perplexity は同じようにあなたを順位付けしませんし、両者の差からはしばしば何かが学べます。
定性的な読み方を二つ加えます。まずサイテーション。引用されたページはモデルの語りに影響します。効いているものを見つけ、投資の根拠や施策の優先順位付けに使いましょう。最初に働きかける議論スレッドはどれか、連絡すべき動画クリエイターは誰か。競合のサイテーションも観察します。次にセンチメント。モデルがあなたをどう語るかです。ブランドについて語ってくれる第三者に定期的に情報を提供しているなら、新しい認証の取得といった各出来事が、全体または製品別のセンチメントに与える効果を追跡しましょう。
四つの補完的な情報源：検索エンジン、ログ、パネル、AI Overviews
この四つの情報源はプレゼンスも成果も測りません。その間にある仕組み、つまりロボットが何を読み、検索エンジンが何を表示し、訪問者がどこから来るのかを照らします。月に一度、あるいはプロンプト監視の数字が目に見える理由なく動いたときに確認します。
| 情報源 | 得られるもの |
|---|---|
| 検索エンジンのデータ | Bing Webmaster Tools と Google Search Console はそれぞれ、生成回答（一方は Copilot、他方は AI Overviews と AI Mode）の中で自社ページが占める位置に関するデータを公開しています。主に予算配分の根拠づけや、特定の論点の深掘りに役立ちます。 |
| サーバーログ | ログから LLM のロボットを抽出し、二つの系統に分けましょう。モデルとそのインデックスに供給する学習・インデックス用ロボット（GPTBot、ClaudeBot、PerplexityBot、OAI-SearchBot）と、モデルが回答を組み立てる瞬間にページを読む回答用ロボット（ChatGPT-User、Perplexity-User、Claude-User）です。後者は、自社が情報源として使われていることをページ単位で証明します。そして、モデルがサイトを理解しやすくする技術改善を導入したとき、クロール側での効果が読み取れるのはここです。 |
| サードパーティのデータ | Similarweb のようなパネルは、自社サイトの訪問者のうち同じ日に ChatGPT や Perplexity も使った人の割合や、各アシスタントが競合と比べてどれだけの訪問を自社に送っているかを推定します。慎重に扱うべき推定値ですが、外部からの比較という視点は貴重です。 |
| AI Overviews のモニタリング | 順位追跡ツール（Semrush、Ahrefs、SE Ranking が提供しています）は、キーワードごとに AI Overview が表示されるか、そこで自社サイトが引用されているかを示します。サイトに加えた変更の効果を測る良い運用指標です。新しいコンテンツ、新しい体裁。 |
成果指標：見込み客への実際のインパクト
まず自己申告。「私たちをどこで知りましたか？」という質問は実際のビジネスインパクトを測り、その答えはアトリビューションモデルの結論としばしば食い違います。これがないと、最も一般的なシナリオを見逃します。誰かが LLM で推薦を読み、Google であなたのブランドを検索し、広告または自然検索のリンクをクリックする。この連鎖はどのアトリビューションモデルにも見えません。
次に分析ツール。GA4 で、セッションの参照元に対する正規表現で定義したカスタムチャネルグループ「LLM」を作成します。chatgpt.com、perplexity.ai、copilot.microsoft.com、gemini.google.com、claude.ai、chat.mistral.ai です。これがないと、これらの訪問は「Referral」チャネルに埋もれてしまいます。回答内のリンクをクリックして来た訪問者は帰属できます。この数字は下限です。AI Overviews や AI Mode からのクリックは Google の自然検索流入として届き、従来の SEO と区別できませんし、アシスタントのモバイルアプリはリファラーを送らないことが多く、それらの訪問は直接流入に落ちます。クッキーで補完しましょう。見込み客がサイトを訪れ、LLM を経由して戻ってきたなら、どのアトリビューションモデルを選んでいても、コンバージョン経路レポートにその経由が中間の接点として表示されます。
最後に間接シグナル。説明のつかないブランド検索流入と直接流入の増加は、多くの場合、自己申告と同じシナリオを表しています。推薦を読み、それから検索する。営業チームの通話記録を毎日分析させ、LLM を情報源として挙げる見込み客を拾いましょう。小さな自動化で十分です。各記録についてモデルに一つだけ質問する、「見込み客は AI でブランドを知ったと言っているか？」というスクリプトを用意し、答えが「はい」なら CRM の項目にチェックを入れる。そして、人々の検索行動を記録した公開・有償の調査にも目を配りましょう。常に示唆に富みます。
| シグナル | 捉えるもの | 限界 |
|---|---|---|
| 自己申告 | 見込み客があなたを知った実際の経路 | 回答者の記憶と誠実さに依存する |
| 分析ツール（GA4） | LLM の回答からの直接クリック | 推薦を読んでからのブランド検索と、リファラーのないクリックは見えない |
| 間接シグナル | ブランド流入、営業記録、調査 | 相関にとどまり、単独では証拠にならない |
すべてをまとめる、そしてどこから始めるか
最後の環が最も簡単です。ただし順序を守ることが条件です。初日に、無料で、履歴を後から取り戻せないものを設置します。フォームの「私たちをどこで知りましたか？」という質問と、GA4 の LLM チャネルグループです。最初の一週間でプロンプトライブラリを作り、監視を始めます。最初の一か月で補完的な情報源をつなぎます。
その後、これらすべてのデータを一箇所に集め（はじめは表計算シートで十分です）、AI アシスタント、私の場合は Claude に週次分析を任せ、トレンドの短い要約を Slack メッセージで届けてもらいます。読み取りのリズムは三つ。加重メンションは毎日、作業を担当する人が。要約は毎週、マーケティングチームが。プレゼンスと成果を並べたものは四半期ごとに、経営陣の前で。予算を決めるのはこの比較だからです。測定は、毎週誰かが読んではじめて価値を持ちます。
2026年、LLM がリード獲得に与える影響は、出来合いのダッシュボードからは読み取れません。指標を一つずつ、片側にプレゼンス、もう片側に成果と積み重ね、二本の曲線が同じ物語を語るまで再構築していくのです。ある四半期に加重メンションが上がり、次の四半期に AI を挙げる見込み客の割合が上がる。二本が食い違っている間は、どこを探すべきかが分かります。成果のないプレゼンスなら、買い手を連れてこないプロンプトで引用されている。プレゼンスのない成果なら、ライブラリが買い手の本当の問いを覆っていない。
よくある質問
GEO の測定と生成検索に関するその他の分析はジャーナルの記事一覧でどうぞ。