Pipeline で測る成果

課題

選定フェーズの質問にまったく登場しない

買い手が ChatGPT に「中堅企業向けの人事システムのおすすめ」と尋ねると、回答リストには競合しか並びません。監査の出発点で突きつけられた事実は厳しいものでした。選定系の重要質問において、ブランドの引用率はほぼゼロ — 製品力はあるのに、AI に読まれず、まだ信頼もされていなかったのです。

手法

監査 → コンテンツエンジン → ナレッジグラフ

私たちはいきなり書き始めず、まず欠落を数値化し、Pipeline へのインパクト順に攻める優先度を決めました。

• 30日の GEO 監査：6エンジンでの引用ギャップを特定し、競合が引用される構造的な理由を分解
• GEO コンテンツエンジン：「人事システムの選定」シーンに向け、引用されるコンテンツを再構築 — 定義パート、比較表、独自データ
• ナレッジグラフ構築：エンティティと構造化データで、AI エンジンにブランドと「人事システム」というカテゴリをしっかり結びつける

結果

月40件超の Inbound Demo

6か月で AI エンジンの引用数は 312% 成長し、「人事システムのおすすめ」系の質問で ChatGPT と Perplexity の定番回答に。Demo フォームの流入元欄に「ChatGPT に勧められて」が現れ始め、Pipeline を初めて AI 検索へ直接ひも付けられるようになりました。

「Demo フォームの流入元欄に、初めて『ChatGPT に勧められて』と書かれた。」

課題

比較系の質問を競合が独占

「A vs B」「最高のマーケティングオートメーションツール」といった購買意欲の高い質問は、AI の回答をほぼ2社の競合が占めていました。開始時の回答シェアはわずか 11% — 買い手が意思決定するまさにその瞬間、ブランドは会話の中にすらいなかったのです。

手法

320組の質問を選定 + 3週間のリライトループ

比較系の質問は1組ずつ奪い合う陣地戦。私たちは一定のリズムで、陣地を一つずつ取り戻していきました。

• 購買意欲の高い質問320組を選定し、検索ボリュームではなく Pipeline インパクト順に並べる
• 毎週の引用追跡で各質問のシェア変化を数値化し、ギャップは自動でリライト待ち行列へ
• 3週間のリライトループ：診断 → リライト → 検証。各コンテンツを引用されるまで磨き込む

結果

SQL 獲得コストが半減

6か月で回答シェアは 11% から 58% へ。高意欲な質問の主要おすすめ枠を1組ずつ奪い返しました。AI 経由の買い手は到達時点でリサーチの大半を終えており、SQL コストはそれにより半減 — 同じマーケ予算で、2倍の有効パイプラインに。

「初めて、これらの SQL は AI 検索が運んできたと CEO に報告できる数字が出た。」

課題

トラフィック不安

従来の自然流入が四半期ごとに減り続け、チームの第一感は「とにかく流入を取り戻す」。しかし監査が示した本当の問題は量ではありませんでした — ブランドが AI の購入レコメンド会話にまったく登場していなかったのです。

洞察

AI レコメンドの流入は小さいが、信頼はすでに築かれている

買い手が AI に商品を勧めてもらうと、返ってくるのは10本の青いリンクではなく、すでに絞り込まれ、比較済みの短いリストです。このリストに入れたブランドが得るのは、「友人のおすすめ」に近いレベルの信頼 — 私たちは最適化の重心を「クリックの奪還」から「おすすめ枠の確保」へと移しました。

結果

量より質の GEO トラフィック観

90日の集計期間で、AI エンジン経由の訪問規模は Organic のごく一部にすぎませんでしたが、CVR はその 4.7 倍。この事例はチームの流入の測り方を変えました。減り続けるクリックを追うより、AI の回答内のおすすめ枠を押さえる方がいい — 到達する一人ひとりは、すでに信頼が築かれているのですから。

「AI から来たお客様は『あなたは誰?』とは聞かない。いきなり『どう注文するの?』と聞いてくる。」