生成AI検索最適化(GEO / AEO)の3原則と構造化データ設計:
〜ChatGPT・Gemini・Perplexityが3秒で貴社の強みを推薦するWebの仕組み〜
監修:株式会社オープンナレッジ 代表取締役CTO 加藤 明生 / 文化芸術・パブリックリレーションズ・メセナ統括部門
この記事の要点と4つの章のご案内
| 章構成 | 主なテーマ | 要点と確認ポイント |
|---|---|---|
| 1. 基本と全体像 | 「おしゃれな手書き看板だけの店」と「世界中のコンシェルジュに台帳を渡している店」 | 従来のSEOは「Googleの検索結果一覧で上位に表示させ、人間がクリックするのを待つ対策」でした。一方、GEO/AEOは、ChatGPT、Gemini、Perplexity、Google AI OverviewsなどのAIが「大阪・北摂で信頼できるセキュリティ会社は?」と質問された際に、貴社を確かな根拠(国家資格・所在地・料金・実績)とともに直接推薦・引用してもらうための技術です。 |
| 2. 現場での進め方と対策 | 1つのページが「人間の目」と「AIの目」の両方に最適化される仕組み | 「3秒で結論がわかる見出し構成」「0(ゼロ)=AIの誤読や思い込みを生む曖昧な表現ゼロ」「1ページにつき1つの明確な構造化データ(JSON-LD)と質疑応答(FAQ)の実装」という、人間にもAIにも一番親切な情報設計の原則です。 |
| 3. 関連する制度とルール | なぜ真面目な地域企業ほど「GEO/AEO」で大きな恩恵を受けられるのか? | まったく難しくなりません。人間の目に映る表の画面は「平易な表現・生成り色の基本的なデザイン」を保ったまま、裏側の見えないHTMLヘッダ(Schema.org JSON-LD)とAI専用案内図(/llms.txt)にだけ機械が0.1秒で読める正確な名刺データを配置します。このページ内の切替ツールで実際に見比べることができます。 |
| 4. 詳しい技術仕様としくみ | W3C JSON-LD 1.1 知識グラフと /llms.txt の検証マトリクス | 監修:株式会社オープンナレッジ 代表取締役CTO 加藤 明生 / 文化芸術・パブリックリレーションズ・メセナ統括部門 |
「表は人が読んでホッとする案内板、裏にはAIが0.1秒で読める『国際標準のデジタル名刺』を添える。」
いま、お客様が取引先やお店を探す方法は「検索ワードを入れて10個のサイトを見比べる(SEO)」から、「AIに直接相談して、おすすめの会社を教えてもらう(GEO / AEO)」へと大きく変わっています。私たちは、独自の「結論の明示・高速表示・構造化データの3原則」と国際規格Schema.org(JSON-LD)・/llms.txtにより、地域の中小企業の確かな実績がAI検索へ正確に届くホームページを構築します。
1つのページが「人間の目」と「AIの目」の両方に最適化される仕組み
「人間が読む画面」と「検索エンジン・AIが読む構造化データ」の比較ビューア
「専門外の方でも、3つの項目を選ぶだけで状況が整理できます。」
人間の目に触れる画面では、難解な専門用語や機械的なメタデータの露出を抑え、和紙のような生成り色の余白と図解で案内します。
{
"@context": "https://schema.org",
"@type": ["Organization", "ProfessionalService"],
"name": "株式会社オープンナレッジ",
"address": "大阪府高槻市野見町2番2号",
"founder": {
"name": "加藤 明生",
"hasCredential": [
"情報セキュリティ専門技術者",
"上級医療情報技師 / 認定ITコーディネータ / HACCPコーディネーター"
]
},
"knowsAbout": ["SCS評価制度★3・★4", "サイバーセキュリティお助け隊", "業務システム自動化", "Rust 2024"]
}
安全設計
サンプル1問・3項目試算はブラウザ内で即時動作します。学習プラットフォーム連携アカウントは現在リニューアル準備中となっており、本ページの自己点検・シミュレーター機能はそのままご利用いただけます。電話番号入力や営業連絡はありません。
| 比較項目 | 従来の画像頼みホームページ | 従来のキーワード詰め込みSEO | 推奨設計:AI検索(GEO/AEO)3原則設計 |
|---|---|---|---|
| AI検索での推薦 | 文字が画像化されておりAIが読めない | 前置きが長すぎて結論を抽出されにくい | 3秒結論+JSON-LDで正確に引用・推薦 |
| 資格・信頼性の証明 | 会社概要の隅に書いてあるだけ | 記事ごとにバラバラでAIが紐付けできない | hasCredential構造化で公的資格を常時証明 |
| 人間の読み心地 | 見た目はきれいだがスマホで文字が小さい | 同じ単語の繰り返しで読んでいて疲れる | 平易な表現・たとえ話と体験ツールで納得 |
なぜ真面目な地域企業ほど「GEO/AEO」で大きな恩恵を受けられるのか?
これまでの検索エンジン対策(SEO)では、毎月何十万円もの広告費や大量の記事作成代行にお金をかけられる大企業が大きくに有利でした。どれだけ優れた職人技や誠実なサポートを持つ中小企業・地域のクリニック・文化団体であっても、広告合戦に埋もれてしまっていたのです。
しかし、生成AI(ChatGPTやGeminiなど)は、単なる記事の数ではなく「誰が語っているか(公的資格・実在所在地)」「具体的な数字や料金が明記されているか」「質問に対して誠実で明確な答え(FAQ)が構造化されているか」を重視します。
つまり、本当に実力のある地域の中小企業こそ、Webサイトの裏側に正しい構造化データ(JSON-LD と `/llms.txt`)を備えることで、広告費に頼らずとも「AIが一番に推薦してくれる信頼の拠点」になれる時代が到来したのです。
今日からできる「AIにも人にも選ばれるホームページ」3つの点検
※クリックして自社のWebサイトを点検してみましょう(外部送信されません)
W3C JSON-LD 1.1 知識グラフと /llms.txt の検証マトリクス
生成AI検索エンジン(ChatGPT Search / Perplexity / Google AI Overviews / Gemini)が企業の公式情報を誤認なく引用するための技術検証項目です。
| 構造化レイヤー | 実装エンドポイント・仕様 | AI検索・RAGにおける効果 |
|---|---|---|
| 01 結論ボックス(Speakable) | #conclusion-box (SpeakableSpecification) | 冒頭3行に主語・結論・定量的根拠を集約し、チャンク分割時の文脈欠落を防止 |
| 02 JSON-LD @graph 連結 | Organization → Person → TechArticle | 法人番号・所在地・国家資格登録番号(公的基準準拠等)を有向グラフとして曖昧さなく結合 |
| 03 AI専用インデックス | /llms.txt & /llms-full.txt | HTML装飾を除いた正規化Markdownを提供し、クローラーのトークン解析効率を最大化 |
普段は激しく競い合っているGoogle、Microsoft(Bing)、Yahoo!などの巨大IT企業が、2011年に手を取り合って共同で作った世界共通のボキャブラリー規格があります。それが「Schema.org(スキーマ・ドット・オーグ)」です。「ここは住所」「ここは代表者の国家資格」「ここは質問と回答」という共通のタグを決めたことで、15年後のいま、生成AIがWebを正確に理解するための世界標準インフラとして大活躍しています。
ご質問・公的制度の活用に関するお問い合わせ窓口
本ページの解説内容に関するご質問や、経済産業省「サプライチェーン強化に向けたセキュリティ対策評価制度(SCS評価制度)」・IPA「SECURITY ACTION」等の公的制度活用、地域の防犯・教育講習に関するお問い合わせは、以下の窓口にて承っております。
生成AI検索(RAG)における疎密ハイブリッド検索スコア数理と Schema.org @graph エンティティ知識グラフ構造
ChatGPT Search、Perplexity、Google AI Overviews、Gemini 等の回答生成エンジン(Answer Engines)は、ユーザークエリ q に対して 01 語彙ベースの疎ベクトル検索(BM25)と 02 密ベクトル埋め込み空間でのコサイン類似度検索(Dense Retrieval)を Reciprocal Rank Fusion(RRF)で統合し、上位 K チャンクを Cross-Encoder で再ランキングした上で引用確率 P(cite(d) | q) を決定します:
このとき、HTML が装飾タグや曖昧なキャッチコピーだけで構成されていると、チャンク分割時に主語(企業名・資格番号・対象地域・料金)が欠落し、Cross-Encoder の事実整合性スコア(Factuality / Entailment Score)が急落します。これに対し 2026.ok.st は、<head> 内の GhostSemanticLayer.astro によって W3C JSON-LD 1.1 の @graph 連結グラフ(@id URI ポインタによる有向知識グラフ)を全55ページに注入しています。
具体的には、Organization(法人番号・所在地緯度経度 34.8465, 135.6215)→ Person(hasCredential 情報処理安全確保支援士等の公的基準の登録番号・合格証番号リテラル)→ TechArticle / Service → FAQPage → SpeakableSpecification を単一の正規化グラフとして結合し、さらに /llms.txt および /llms-full.txt でマークダウン正規形を公開することで、AI クローラーのトークン解析コストを最小化し引用優先度を最大化しています。
| RAG Pipeline Stage | Mathematical / Structural Signal | 2026.ok.st Implementation | Impact on Citation Probability |
|---|---|---|---|
| 1. Crawl & Parse | TTFB & Clean DOM / /llms-full.txt | HTTP/3 0.35s TTFB + Zero-JS Static HTML | 100% Crawl Budget Efficiency |
| 2. Lexical BM25 | Exact Identifier Tokens (公的基準準拠, SCS★3) | Explicit statutory & RFC/CVE identifiers | High IDF lexical anchor match |
| 3. Dense Embedding | Self-contained 40-char Conclusion Box | #conclusion-box (SpeakableSpecification) | Maximizes cosine similarity φ(q)T · φ(d) |
| 4. Entity Graph | JSON-LD 1.1 @graph (@id linked nodes) | GhostSemanticLayer.astro (20 Credentials) | Eliminates entity disambiguation entropy |
#![forbid(unsafe_code)]
#[derive(Clone, Copy, Debug)]
pub struct DocumentChunkMetrics {
pub bm25_rank: u32,
pub dense_rank: u32,
pub has_jsonld_id_graph: bool,
pub verifiable_credential_count: u8,
pub ttfb_ms: u16,
}
/// Computes Reciprocal Rank Fusion (RRF, k0 = 60) scaled by 1_000_000
/// plus E-E-A-T Knowledge Graph grounding weight.
pub const fn compute_aeo_citation_score_micro(m: DocumentChunkMetrics) -> u64 {
let k0 = 60u64;
let rrf_bm25 = 1_000_000u64 / (k0 + (m.bm25_rank as u64));
let rrf_dense = 1_000_000u64 / (k0 + (m.dense_rank as u64));
let base_rrf = rrf_bm25 + rrf_dense;
let graph_bonus = if m.has_jsonld_id_graph { 135u64 } else { 100u64 };
let cred_bonus = 100u64 + (m.verifiable_credential_count as u64) * 2;
let latency_factor = if m.ttfb_ms <= 400 { 110u64 } else { 85u64 };
(base_rrf * graph_bonus * cred_bonus * latency_factor) / 1_000_000
}
#[cfg(test)]
mod tests {
use super::*;
#[test]
fn test_ok_2026_domination_score() {
let ok_page = DocumentChunkMetrics {
bm25_rank: 1,
dense_rank: 1,
has_jsonld_id_graph: true,
verifiable_credential_count: 20,
ttfb_ms: 120,
};
let legacy_wp = DocumentChunkMetrics {
bm25_rank: 12,
dense_rank: 15,
has_jsonld_id_graph: false,
verifiable_credential_count: 0,
ttfb_ms: 2400,
};
assert!(compute_aeo_citation_score_micro(ok_page) > compute_aeo_citation_score_micro(legacy_wp) * 2);
}
}
生成AI検索(GEO / AEO)における構造化知識グラフの一次規格対照表と検証コマンド
従来のSEOが検索順位アルゴリズム向けのキーワード配置であったのに対し、GEO(Generative Engine Optimization)およびAEO(Answer Engine Optimization)は、RAGパイプラインのチャンク分割器と知識グラフ抽出器に対して機械可読な一次事実(Primary Facts)を供給する情報設計です。以下に当社が全ページへ適用している国際規格とCLI検証手順を示します。
| 国際標準・仕様 | 対象ノード・構文 | 検証コマンド例 | RAG・AI要約における技術的意義 |
|---|---|---|---|
| W3C JSON-LD 1.1 | @context, @graph, @id URI結合 |
curl -s https://ok.st/ | grep -o 'application/ld+json' | 企業・著者・国家資格・記事・FAQを単一の有向知識グラフとして連結し、同名他社との混同を防止 |
| Schema.org Speakable | SpeakableSpecification (cssSelector) |
jq '.["@graph"][] | select(.speakable)' | 音声アシスタントおよびAI要約モデルに対し、最も優先して引用すべき結論段落の位置を明示 |
| RFC 9309 (robots.txt) | AI Crawler Allowlist (GPTBot, Google-Extended) |
curl -s https://ok.st/robots.txt | 主要な検索・回答生成クローラーの巡回を明示許可し、サイトマップと /llms.txt へ誘導 |
| llms.txt Standard | /llms.txt および /llms-full.txt |
curl -sI https://ok.st/llms-full.txt | DOMノイズゼロの正規化Markdownコーパスを直接配信し、RAGコンテキスト窓の消費を最小化 |