この記事のまとめ
LLMO観点のリライトは、優先順位付けから公開後の定点観測まで、6つのステップで進められます。新規記事を大量に作らなくても、すでにAIに参照されている既存記事を直すだけで成果が出た事例もあります。要点は4つあります。
- LLMOには、自社サイトが参照元として引用されることと、サービス名がおすすめとして挙がることの2点があり、事業成果に直結するのは後者だとされています。
- 手順は、リライト記事の優先順位付け、現状調査、構成と訴求の見直し、本文の書き換え、構造化データの確認、公開後の計測という6ステップです。
- 引用されていた3記事に自社サービス名と実績を追加した事例では、Gemini推奨率が18%から49%へ上がりました。
- 既存の評価を損なわないこと、短く要約しすぎないこと、日付だけを更新しないことが注意点です。
LLMOリライトの前提
引用と推奨の違い
LLMOのゴールは、大きく2つに分けて考える必要があります。
LLMOには、自社サイトがAIの回答の参照元として引用されることと、自社サービス名がおすすめとして挙がることの2点があります。参照元は、事業成果に直結するのは後者だとしています（参照*1）。
つまり、リライトの目標を決める際は、まず「引用を狙うのか、推奨まで目指すのか」を明確にしなければなりません。ここを曖昧にしたまま作業を始めると、どの記事をどう直せばいいのか判断できなくなります。
実際に、参照はされているものの推奨はされていない状態も起こります。ある事例では、自社記事がAIの情報源として使われていたものの、業者選びの一般的な情報として引用されるにとどまり、自社サービス名は推奨されていませんでした（参照*1）。
この違いを把握すると、記事のどこに手を入れるべきかが具体的に見えてきます。引用を増やしたいなら情報の網羅性や出典としての信頼性を高める方向に、推奨を狙うなら選ばれる理由を書き足す方向に、それぞれ作業の中身が変わります。私自身、メディア運営の中でSEO上位の記事がAIに引用されていても、自社名がまったく出てこないという経験をしており、この二段階の違いは実感を持って重要だと思っています。
SEOとの関係とリライトの位置づけ
AI検索においても、通常のSEOの基本が土台となります。これは「SEOはもう古い」という論調に乗っかって既存資産を捨てるのは間違いだ、ということでもあります。
Googleは、AI OverviewsやAI Modeなどの生成AI機能も、検索インデックス、コアランキングシステム、品質システムを基盤にしていると説明しています。そのため、AI検索に出るための別ジャンルの対策をゼロから始めるのではなく、既存のSEOを高精度に実行することが基本姿勢となります（参照*2）。
AIが参照する情報の多くは、そのテーマで検索上位にあるWebページです。AI Overviewsの引用元を見ても、該当キーワードで上位20位以内にランクインしているページが大半を占めています。SEOで上位にいることはLLMOの前提条件に近く、SEOをやめてLLMOへ移行するのではなく、SEOで培った資産の上に、AIが推奨理由として使える情報を肉付けしていく順序となります（参照*1）。
だからこそ、新規記事を大量に作るよりも、すでに評価を得ている既存記事のリライトが出発点になりやすいのです。土台のないところにLLMO対策だけを積み上げても、効果は出にくいと考えています。
LLMOリライト手順6ステップ
リライト記事の優先順位付け
すべての記事を一斉に改修する必要はありません。
更新の優先度が高いコンテンツの条件は5つあります（参照*3）。
- トラフィックが減少している
- 統計や参照情報が古くなっている
- キーワードの検索順位が低い
- エンゲージメント指標が低い
- 表示回数は多いがクリック数が少ない
まずはこれらの条件に当てはまる記事をリスト化すると、候補を絞り込めます。全記事を一斉に改修しようとすると工数が分散して結果が見えにくくなるため、優先順位の判断は最初に済ませておくべきです。
もう1つの重要な観点が、すでにAIに読み込まれているかどうかです。引用されていた3記事を改修した事例では、Gemini推奨率が18%から49%へ上昇し、改修したのは3記事だけでした。すでにAIに読まれているページを特定できれば、そこに手を入れるのが最も効率的です（参照*1）。私がAI検索の手動監視をする際も、代表的なプロンプトを20〜30本作って複数のエンジンで定期的に確認するところから始めますが、その過程で「この記事が参照されている」という事実が見えてくると、改修の優先順位が一気に決まります。
流入や問い合わせに近い記事と、AIに引用されている記事を照らし合わせることで、着手すべき順序を決めやすくなります。
現状調査とギャップの洗い出し
次に、現在のAIの回答結果と検索データの両方を調査します。
現状確認の観点は3点あります（参照*1）。
- 推奨されているかどうか。そもそも候補リストに出ているか、何番目に言及されているか、競合がどう提示されているかを確認します。
- どのように推奨されているか。どんな比較軸や理由で選ばれているか、自社が望む強みで語られているか、不利な文脈や誤情報になっていないかを確かめます。
- どこを参照しているか。公式サイトか、第三者メディアか、比較記事か、どのURLが引用元になっているかを見ます。
生成AIの回答は同一の質問でも結果が変動するため、同じプロンプトを定期的に複数回投げることが前提です。計測時には、過去の会話履歴が回答に影響しないよう、AIのメモリ機能を無効化しておくことも重要です（参照*1）。一度の確認で結論を出してしまうと、たまたま良い回答が出ただけなのか、改善が定着したのかを判断できません。
検索データ側では、Search Consoleの検索クエリを確認し、表示回数が多くクリック数の少ないクエリを抽出します。クリック数が少ない場合、そのページが該当クエリに関する具体的な質問に答えきれていない可能性があり、古いコンテンツを更新する貴重な手がかりとなります（参照*4）。
構成と訴求の見直し
調査で見つかった不足要素を、見出しの並びへと落とし込みます。
ページを開いた読者が、自分向けの内容か、何が分かるか、どの条件なら結論が変わるかを短時間で判断できる構成に整えます。比較記事なら単なるおすすめだけでなく選定条件と除外条件を、手順記事なら必要な権限と失敗時の復旧手順を冒頭で提示します（参照*2）。
どの根拠をどこに配置するかは、「問い」「評価軸」「証拠」をひとそろいで捉えると整理しやすくなります。たとえば、問いが「30代 乾燥肌 化粧水」、評価軸が低刺激性・安全性、証拠がセラミド高濃度配合・パッチテスト完了、配置先が公式FAQ・成分解説記事・比較メディア、という形で設計されています（参照*1）。
なお、AIに理解させる目的で内容を過度に小さな断片へ分割する必要はないとGoogleは案内しています。簡潔さが求められるテーマもあれば、詳細に説明すべきテーマもあるため、読者の判断に必要な情報単位で構成します（参照*2）。
本文の書き換えと根拠の追加
リライトの中心となるのは、選ばれる理由を的確な文章として補強することです。「手厚いサポート」「業界最安値」のような抽象的なキャッチコピーは、AIには引用する根拠として機能しません。比較判断に使える具体的な情報に置き換える必要があります。
前述の事例では、引用されていた3記事を特定し、冒頭文、結論部、おすすめ理由、比較表、サービス情報表に、自社サービス名と実績を追加しました（参照*1）。
手を入れる場所が具体的に定まっていると、作業の分担もスムーズに進められます。
抽象的なキャッチコピーは、客観的に比較できる情報へと置き換えます。別の事例では、トップページと「選ばれる理由」ページを改修し、定量実績をテキストで追加した上で、その実績が顧客にとって何を意味するのかまで明記しました。「手厚い支援」というキャッチコピーを、独自メソッド・支援体制・定着実績という比較判断に使える情報に置き換えた形だと説明されています（参照*1）。
なお、実績や条件は事実のみを記載し、数値や事例を捏造しないことが大前提です。AIが読みやすい文章を作ることと、事実として正しいことは別問題であり、読みやすさだけを追って根拠が薄い記述を増やすと、引用されたとしても誤情報を広める結果になりかねません。
構造化データと読める状態の確認
構造化データは、記述すべき項目を整理するチェックリストとしても活用できます。
LANYは、構造化データ単体での直接的な効果というより、間接的な効果が大きいと考えていると述べています。正しく実装しようとする過程で、必要な情報を適切な形式で記述せざるを得なくなるためです。たとえばFAQの構造化データを入れるには質問と簡潔な回答のセットが必要となり、Productの構造化データを入れるには価格・提供者・仕様を明示することになります（参照*1）。
書き方における注意点は3つあります（参照*2）。
- 画面に存在しない評価、口コミ、FAQ、著者情報をマークアップしない
- 日付・見出し・画像・著者・パンくずを実際に表示されている情報と一致させる
- リッチリザルトテストやSearch Consoleで検証する
公開後の計測と定点観測
公開後は、確認する順番を決めて定点でモニタリングします。ここで重要なのは、一発の成果で判断しないことです。
最初に見やすい指標は、AIの回答内における推奨状況です。推奨率を測定する際は、単発の結果で判断せず、同じプロンプトを定期的に複数回投げることが前提となります。計測時はAIのメモリ機能をオフに設定します（参照*1）。
検索側のデータ分析も並行して進めます。生成AIパフォーマンスレポートは、AI機能での表示回数を確認するものであり、専用の順位や問い合わせ数を直接示すものではありません。通常検索のWebレポートに含まれるデータであるため、双方の数値を合算せず、同じ期間・ページ・国・端末で傾向を比較します（参照*2）。
認知経路の把握も有効な手段です。計測ツールの導入を検討する前に、問い合わせフォームへ「どこで当社を知りましたか」という設問を1つ設けることが、最も迅速かつ確実だとされています（参照*1）。AI検索対策は完全な成果測定が難しく、定量と定性を組み合わせながら傾向を見ていくしかない時期が続きます。ツールから入るより、まず手動で数ヶ月観察してどの質問や引用元を見るべきかを掴んでから自動化を考えるほうが、現実的です。
既存記事3本の改修で推奨率18%→49%
LANYが公表している事例をもとに、課題・施策・成果の流れを確認します。この事例が示唆していることは、LLMOの成果がかならずしも新規コンテンツ量に比例しない、という点です。
当初の課題は、参照はされているものの推奨されていない状態でした。自社記事がAIの情報源として使われていたにもかかわらず、業者選びの一般論として引用されるにとどまり、自社サービス名は推奨されていませんでした（参照*1）。
これは、6ステップでいえば現状調査の段階で把握できる状態にあたります。
施策としては、引用されていた3記事を特定し、冒頭文、結論部、おすすめ理由、比較表、サービス情報表に、自社サービス名と実績を追加しました。成果として、わずか3記事の改修のみでGemini推奨率が18%から49%へ上昇したと報告されています（参照*1）。
優先順位の選定と本文の書き換えが、この事例の中核にあたります。ただし、同様の成果がどの記事でも一律に出るとまでは示されていません。AIに参照されている記事をどれだけ正確に特定できるかが、効果の出やすさに直結します。
既存ページの改修だけで成果が出た例は他にもあります。紹介された事例のうち4事例は、新規ページを作成せず既存ページの改修のみで成果を創出しました。LLMOと聞くと新しいコンテンツを大量に作る必要があると思われがちですが、実際には、すでにAIに参照されているページに「選ばれる理由」が書かれていないケースが多いと説明されています（参照*1）。私自身の経験から言っても、1次情報の発信は、資金や人手が限られている状況でも始められる施策です。大量制作より、すでにある資産を正確に手入れするほうが、コストパフォーマンスは高いと考えています。
リライトで壊さないための注意点
既存評価を壊さない書き換え
書き換えにあたっては、すでに確立されている検索評価の基盤を損なわないことが前提となります。LLMOのためにSEOで積み上げたものを壊してしまっては本末転倒です。
Googleは、AI OverviewsやAI Modeなどの生成AI機能も、検索インデックス、コアランキングシステム、品質システムを土台にしていると説明しています。AI検索のために別個の対策をゼロから始めるのではなく、既存のSEOを高精度に実行することが基本です（参照*2）。
短くしすぎる書き換えにも注意が必要です。Googleは、AIに理解させる目的で内容を小さな断片へ分割する必要はないと案内しています。簡潔にまとめるべきテーマもあれば、詳しく説明すべきテーマもあるため、読者の判断に必要な単位で構成します（参照*2）。
AIのために要約するのではなく、読み手が判断できるだけの十分な情報量を保つことが先決です。AIが読んでいるのは、人が読んで分かる文章だという点は、実際に生成AIを使い続けてきた経験からも納得感があります。
見せかけの更新と過剰最適化
更新したように見せかけるだけの表面的な作業は、かえって逆効果になります。これはSEOでも以前から言われてきたことですが、AI検索の時代になっても変わりません。
内容や出典が古いまま更新日だけを変更すると、読者の信頼を損ねます。年度をタイトルに含める場合は、その年度に確認した変更点を本文中でも具体的に示します（参照*2）。
AI向けに作り込みすぎることにも注意が必要です。AIに最適化しすぎて人間にとって読みにくい文章になっては本末転倒であり、AIが読んでいるのは人が読んで分かる文章だと述べられています。結論を先に書く、Q&A形式にする、根拠に数字を入れるといった手法は、人にとっても読みやすさを高める工夫です（参照*1）。文章術は装飾ではなく設計であり、読み手が迷わず判断できることを優先するという原則は、AI検索対策においても変わりません。
おわりに
LLMOのリライトは、優先順位付け、現状調査、構成と訴求の見直し、本文の書き換え、構造化データの確認、公開後の計測という流れで進みます。いきなり全記事に手を広げるのではなく、すでにAIに参照されている記事や、表示回数のわりにクリックが少ない記事から着手することで、作業範囲を効率的に絞り込めます。新規コンテンツを量産するよりも、既存の資産を正確に手入れするほうが、多くの場合コストパフォーマンスは高いというのが、私自身がメディア運営を通じて持っている実感です。
まずは現状を把握するところから始めれば、何が足りないかが具体的に見えてきます。一連の手順を型として確立しておけば、2本目以降の記事改修にもそのまま活用でき、属人化を防ぐことにもつながります。
監修者
安達裕哉（あだち ゆうや）
デロイト トーマツ コンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」 が、95万部（2026年6月時点）を売り上げる。
（“2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））
