AIエンジンは引用元を選ぶとき、まず「このページにキーワードが含まれているか」ではなく、「このブランドは、このテーマについて信頼できるエンティティか」を見ます。ここに、キーワード思考とエンティティ思考の決定的な違いがあります。前者が文字列を最適化するのに対し、後者は機械が扱う知識の中で、自社がどのような存在として認識されるかを設計します。ChatGPT、Perplexity、Google AI Overviewsが回答を生成する際に選ぶのは、キーワードを最も多く詰め込んだページではありません。AIが認識し、信頼している情報源です。
キーワード一致だけを追う時代は、すでに終わっています
従来のSEOは、ユーザーが検索した語句と同じ文字列がページ内に存在することを前提としてきました。キーワード密度、タイトル、H1も、すべて同じ語句を軸に設計されます。一方、生成AIエンジンの内部構造はまったく異なります。LLMはテキストをベクトル化し、意味的な距離から関連性を判断します。「GEO Audit」と「AI Visibility Detection」が同じ領域の話だと理解し、Perplexity、Claude、AI Overviewsが同じ概念グループに属することも認識します。ページ全体に「トピカルオーソリティ」という語を何度繰り返しても、それだけではほとんど評価されません。AIが読んでいるのは語句の出現頻度ではなく、概念とその関係性だからです。
さらに重要なのが、信頼のレイヤーです。同じ問いに対して候補となる情報源が数千件あっても、モデルはミリ秒単位で何を信じるかを決めなければなりません。その重みを左右するのは、ネットワーク全体におけるエンティティの一貫性と権威性です。誰があなたに言及しているのか、どの概念と同時に登場しているのか、過去と現在の主張に矛盾がないかが見られます。どれほど完成度の高い記事でも、その背後に明確で識別可能なエンティティがなければ、機械が内容を事実として引用する理由は生まれません。
そもそもエンティティとは何か
エンティティとは、ナレッジグラフ上で明確なアイデンティティを持つノードです。企業、人物、製品、概念などが該当し、単なるキーワードとは異なります。「GEO audit」は、さまざまな表記が可能な文字列にすぎません。一方、「台北に拠点を置き、B2Bを専門とするGEOエージェンシー」には、固有のアイデンティティ、属性、ほかのエンティティとの関係があります。Googleのナレッジグラフ、Wikidata、各種LLMのパラメータに内包された知識も、キーワードではなくエンティティを基準に世界を整理しています。
機械がエンティティを理解するとは、「それは何か」「どのような属性を持つか」「どのエンティティと関係しているか」という3つの問いに答えられることです。複数の情報源でこの3つが一致すれば、エンティティの輪郭は明確になり、安心して引用できる対象になります。反対に、名称が統一されていない、説明が食い違う、信頼性の高い情報源からの裏づけがないといった曖昧なエンティティは、モデルに参照されにくくなります。
- キーワードは検索クエリの文字列であり、エンティティはナレッジグラフ上で固有のアイデンティティを持つノードです。
- キーワードは文字列の一致で見つけられますが、エンティティは属性と関係性を通じて理解されます。
- キーワードには無数の言い換えがありますが、エンティティには情報源をまたいだ一貫した名称が必要です。
- キーワード最適化が個別ページの順位を狙うのに対し、エンティティ最適化はブランド全体の信頼性を蓄積します。
トピカルオーソリティ――単一順位ではなく、概念領域全体を押さえる
トピカルオーソリティとは、検索流入の多い一部のキーワードだけを狙うのではなく、特定のテーマについて読者と機械が必要とする概念領域を、コンテンツ全体で網羅している状態を指します。GEOを例にすると、トピカルオーソリティのあるブランドは「GEOとは何か」という記事だけで終わりません。GEO audit、AEO、エンティティ最適化、schema、AI visibility tracking、各エンジンのクローリングロジックまで、関連する概念を明確に説明し、相互につなげます。機械がそこに見いだすのは、十分な密度を備えた概念ネットワークです。そのネットワークをもとに、この情報源はテーマについて十分な専門性があると判断します。
断片的に記事を公開するだけでは、GEOの成果を積み上げにくい理由もここにあります。テーマに関連性のない10本の記事は、機械から見れば孤立した10個の点です。一方、同じテーマを軸に展開され、相互にリンクし、同じエンティティ名を共有する10本の記事は、ひとつのネットワークになります。そこには中心、境界、内部の関係性があり、モデルはそれらをたどりながらブランドの全体像を評価できます。オーソリティは、1本の記事だけで得られるものではありません。コンテンツ群全体によって築かれるものです。
エンティティへの信頼を築くコンテンツネットワーク――4つのレバー
トピカルオーソリティを実装するうえで、すぐに着手できる実務上のポイントは4つあります。いずれもマーケティング上のスローガンではなく、機械が実際に読み取り、比較できるシグナルです。
- トピックマップ：まず、テーマに関する概念を漏れなく洗い出します。1つのピラーページと、そこから展開する複数の関連ページを設計し、明らかな抜けがないことを確認してから制作順を決めます。概念の空白は、機械に「網羅性が不十分」と判断される要因になります。
- 内部リンクと名称の統一：同じエンティティには、サイト全体で同じ名称と定義を使用します。そのうえで関連概念を内部リンクで結び、機械がリンクをたどりながらテーマ構造を理解できるようにします。
- エンティティの共起：ブランド名が、その分野で権威性のある概念、ツール、標準と同じ文脈に現れるよう、意図的に設計します。無関係なリンクによって関連性を薄めるのではなく、正しい結びつきを蓄積することが重要です。
- 構造化データ：schemaを使い、「自社は何者で、何と関係しているのか」を機械可読な形で明示します。機械の推測だけに任せないことが大切です。
schemaと外部情報の一貫性で、機械に正しく認識させる
サイト内を整えるだけでなく、サイト外の情報にも対応する必要があります。エンティティの信頼性は、情報源をまたいだ一貫性に大きく左右されるからです。具体的には、Organization schemaで名称、ロゴ、所在地をマークアップします。sameAsを使い、公式サイト、Wikidata、LinkedIn、業界ディレクトリなどの信頼できるノードを同一エンティティとして結びます。記事単位ではaboutとmentionsを用い、記事がどのエンティティを扱っているかを明示します。同時に、外部プラットフォーム上の名称、説明、ポジショニングも統一してください。媒体ごとに名称が異なると、機械が別々の曖昧なエンティティとして分割し、信頼性が分散するおそれがあります。
機械が見ているのは、最新記事だけではありません。これまでに観測したブランドに関するあらゆるシグナルを統合しています。そこに矛盾があれば、信頼の評価は下がります。
効果はどう判断すればよいのか
この評価は、従来の順位計測ツールでは捉えられません。見るべき問いは、もはや「誰が何位か」ではなく、「ユーザーが実際に尋ねる質問に対して、AIは自社に言及したか。どのような文脈で、何と一緒に語ったか」です。そのためには、各AIエンジンの回答におけるブランドの可視性と文脈を継続的に追跡する必要があります。TentenのBrand Radarは、まさにこのためのツールです。抽象的なAIからの信頼を、毎週確認できる指標へと変換します。AIから見て自社のエンティティが明確か、トピックネットワークのどこが不足しているかを把握したい方は、30分のGEO診断をご予約ください。実際に貴社ブランドを使って診断し、改善すべきギャップを具体的にお伝えします。
