コンテンツがAIに引用されない理由は、Googleで何ページ目に表示されているかではないかもしれません。文章が「ベクトル空間」上で、読者が実際に入力した質問から離れすぎている可能性があります。その距離を左右するのが、Embeddings（埋め込みベクトル）です。この仕組みを理解すると、時間をかけて作り込んだページがAIにまったく参照されない理由も見えてきます。
埋め込みベクトルとは何か
埋め込みベクトルとは、テキストを長い数値の列へ変換する技術です。対象は画像、動画、コードなどにも広げられます。数値列は通常、数百から数千の次元を持ち、「意味を表す座標」と考えると理解しやすいでしょう。意味が似た文は座標も近くなり、関係の薄い文は遠くなります。たとえば「従業員の離職率を下げる方法」と「優秀な人材を定着させる方法」では、使われる言葉はほとんど重なりません。それでも同じテーマを扱っているため、ベクトル空間では非常に近い位置に配置されます。
これは、従来のキーワード照合とは異なる考え方です。キーワード照合は、「離職率」という語が文章に含まれているかを見ます。一方、埋め込みベクトルが捉えるのは、その文章が意味として何を述べているかです。前者は言葉を探し、後者は意味を探します。AI検索はほぼ後者を軸にしているため、GEOの時代にはキーワードを詰め込むだけでは通用しません。
AI検索は埋め込みベクトルをどう使ってコンテンツを探すのか
ユーザーがChatGPT、Perplexity、Google AI Overviewsで質問すると、システムはまず質問を埋め込みベクトルへ変換します。次に、コンテンツの断片が蓄積されたベクトルデータベースと照合し、ベクトルが最も近い断片を抽出します。最後に、それらの断片を大規模言語モデルへ渡し、回答として整理して出典を付けます。この一連の仕組みは、一般にRAG（Retrieval-Augmented Generation、検索拡張生成）と呼ばれます。
重要なのは、途中にある「検索」の工程です。モデルがインターネット全体を読んでから回答するわけではありません。まずベクトル間の距離を使い、少数の候補コンテンツへ絞り込みます。ページがこの候補に入らなければ、その後どれほど優れた文章が生成されても、ブランドの知名度が高くても、その回答に関与する余地はありません。GEOで本当に獲得すべきなのは、この候補集合に入る資格です。
- ユーザーの質問をクエリベクトルへ変換する
- ベクトルデータベースから、意味が最も近いコンテンツの断片を探す
- 最も近い段落を参照情報として言語モデルへ渡す
- モデルが断片を基に回答を生成し、引用する情報源を決める
良質なコンテンツでもAIに見つからないのはなぜか
クライアントのGEO監査でよく見つかるのが、Googleでは上位に表示され、検索流入も十分にあるのに、AI検索ではほとんど引用されていないページです。詳しく調べると、問題はコンテンツ全体の品質ではなく、断片に分割されたときの意味のまとまりにあるケースが少なくありません。ベクトル検索は記事を丸ごと取得するのではなく、セクション単位で取得します。各セクションは個別にベクトルへ変換され、照合されます。
要点が長い前置きの後ろに埋もれていたり、1つの段落で3つの話題を同時に扱ったりすると、その段落のベクトルは「意味が曖昧」になります。どの明確な質問にも十分近づけず、結果として検索されにくくなるのです。反対に、冒頭から要点を示し、1つの問いだけに答え、その段落だけで意味が通じる文章は、ベクトルが特定の意味に集中します。そのため、関連する質問で候補に選ばれやすくなります。
AI検索が評価するのは文章量ではありません。短い段落ごとに論点を1つに絞り、それだけで意味が成立するほど明確に伝えることが重要です。
ベクトル検索に見つかりやすいコンテンツの書き方
仕組みが分かれば、取るべき対策は明確です。アルゴリズムの機嫌を取る必要はありません。各段落の意味を整理して1つの論点に集中させ、ベクトル空間上で明確な位置を占められるようにします。
- 1つの段落では、1つの問いだけに答えます。結論を冒頭に置き、導入や背景説明は後ろへ移すか、不要なら削除します。
- 見出しやリードには社内用語ではなく、読者が実際に検索や質問で使う言葉を選びます。ベクトル照合は意味を比較するため、質問に近い表現を使うほど距離を縮めやすくなります。
- 「従業員の離職率」と「人材定着」のような同義・関連表現を、段落の中へ自然に盛り込みます。より多様な質問に対応できるようになります。
- 各段落を、それだけで意味が通じる内容にします。前後の文脈から切り離されても、何を述べているのか読者が理解できる状態が理想です。
- 数値、定義、手順は、できる限り構造化して示します。こうした明確な情報は、検索や引用の対象として特に扱われやすくなります。
これらの原則に共通するのは、AIエンジンが記事全体ではなく、断片ごとに内容を理解するという点です。したがって、コンテンツの最小単位は記事ではなく段落です。各段落が単独で検索され、引用される状態を目指す必要があります。
埋め込みベクトルはマーケティング用語ではない——AI上の可視性を支える基盤
GEOを別名のSEOだと捉え、キーワード密度や外部リンクの考え方をそのまま持ち込む人は少なくありません。しかし、AI検索の情報検索は埋め込みベクトルを基盤としており、ゲームのルールは変わっています。コンテンツが見つかるかどうかを左右するのは、リンクグラフ上の重みではなく、意味空間上の位置です。この違いを理解すれば、AIがそもそも参照しない指標に時間を費やさずに済みます。
