AI検索の可視性測定に「繰り返し測定」が必要な理由とは

今日、AI検索エンジンに「ランニングシューズを作っている一番良いブランドはどこ？」と尋ねれば、答えが返ってきます。ところが、全く同じ質問を明日、あるいはほんの5分後に尋ねてみると、引用されるソースのおよそ3分の2が入れ替わっています。これは不具合ではありません。AI検索とはそういうものなのです。

このガイドで得られること：

• なぜAI検索の可視性が、Googleのような固定的なランキングではなく確率のように振る舞うのか
• AIの回答が本当に変化したかどうかを研究者がどう測定するのか（JaccardとRBO）を平易に解説
• データに基づく6つの発見（それぞれ図表付き）：ソースの入れ替わり、ブランドの安定性、引用の集中度、モデルのランダム性、エンジン間の違い、プロンプトの感度
• 本当に重要な数字：信頼できるデータを得るためにプロンプトごとに何回実行すべきか、そして観測期間はどれくらい必要か
• 実際に信頼できるGEO測定を構築するための、そのまま使えるチェックリスト
• 実行回数、観測期間、エンジン、指標に関するFAQ

ある新しい学術研究が、この現実を居心地悪いほど具体的に示しています。「Don’t Measure Once: Measuring Visibility in AI Search (GEO)」（arXiv、2026年4月）という論文の中で、University of St. Gallen（Aurora Intelligenceとの共同研究）の研究者Julius Schulte、Malte Bleeker、Philipp Kaufmannは、4つのAI検索エンジンを4つの業界にわたって6週間以上、毎日追跡しました。その結論は、AI検索の可視性は決定論的ではなく確率的であるというものです。単発のクエリは信頼できないスナップショットにすぎず、それをGoogleのランキングのように扱えば誤った結論に導かれてしまいます。これは、マーケターのAI visibilityに対する考え方を塗り替えつつある、急速に増えているGEOに関する学術研究 の一つです。

マーケターにとって、この事実は見た目以上に重要な意味を持ちます。もしあなたが、自社ブランドがChatGPTやPerplexityに表示されるかどうかを一度だけ確認して「測定した」と考えているなら、実際の可視性を大きく過大評価、あるいは過小評価している可能性があります。解決策は、より優れた単発クエリではありません。求められているのは、発想そのものの転換です。可視性は分布として測定しなければなりません。多くの実行回数、多様なプロンプト、そして持続的な観測期間が必要なのです。

以下では、この研究が実際に何を発見したのか、なぜAI検索がこのような挙動を示すのか、そして数字が意味を持つようになるまでに実際どれだけの測定が必要なのかを、順を追って見ていきます。

TL;DR（研究の要点）：

• 引用ソースは激しく入れ替わる。 AIエンジンが引用するソースのうち、翌日まで持ち越されるのはわずか34〜42%程度で、つまりソースの約65%が毎日入れ替わっています。
• ブランド言及はより安定しているが、それでも変動は大きい。 日ごとのブランドの重複率は**45〜59%**で、個々のURLよりは信頼できるものの、安定とは程遠い水準です。
• 引用は極端に偏っている。 ごく少数のドメインが、可視性の大半を独占しています。平均Gini係数は0.715で、1が「単一ドメインがすべての引用を独占する」ことを意味する0から1のスケールにおいて、非常に偏った状況であることがわかります。
• 原因はニュースではなく、モデル自身のランダム性にある。 同じ日に全く同一のプロンプトを複数回実行しても同程度の変動が生じることから、不安定さの大部分はモデル自体に由来しており、現実世界の変化によるものではないことが示されました。
• 1回の実行ではほとんど何もわからない。 信頼できるブランド可視性の推定値を得るには、1日あたり少なくともプロンプトごとに7回の実行が必要であり、個々のソースURLも追跡する場合は8回が必要です。
• 短い観測期間は実態を見誤らせる。 ソースの入れ替わりがあまりに速いため、ブランドの真の可視性について安定した数値を得るには、2〜4週間のローリングウィンドウが必要です。

なぜAI検索の可視性はGoogleランキングのように振る舞わないのか

SEOの世界から来た人であれば、あなたの直感はもはや通用しない世界に合わせて調整されています。従来型の検索では、結果はランキング化されており、おおむね安定しています。あなたのページが今日4位にあれば、おそらく明日も4位か5位に近い順位にあるでしょう。1回の確認で公平なスナップショットが得られ、変化が起きるとしても、予測可能な範囲の中で徐々に動いていきます。順位の推移を見ながら対応することができます。

Generative Engine Optimization（GEO） はそのようには機能しません。GEOは全か無か、論文の言葉を借りれば二値的な包含・除外のダイナミクスです。ある回答において、あなたのブランドやソースは目立つ形で組み込まれるか、完全に除外されるかのどちらかです。「8位」というような妥協の余地はありません。回答に含まれているか、まったく見えないかのどちらかであり、どちらの結果になるかは、大規模言語モデルがテキストを生成し根拠を選択する確率的な仕組みによって、実行ごとに反転しうるのです。

この不安定さをさらに悪化させているのが、第二の問題です。AI検索エンジン はブラックボックスだということです。ある回答であなたのブランドが取り上げられ、次の回答では外された理由を知ることはできません。モデルは多くのソースから得た情報を、短く制約された回答へと圧縮しますが、その選択プロセスは透明でも再現可能でもありません。可視化されたランキングの中で上下するSEOの順位とは異なり、AI visibilityは何の警告も説明もなく、突然消えてしまうことがあります。

この2つの問題に輪をかけているのが、測定ツールの欠如です。SEOの世界では、マーケターにはGoogle Search Consoleという、自社がどのクエリで表示され、どのくらいの頻度で表示されているかを教えてくれるファーストパーティのツールがあります。LLMの提供各社は、それに相当するものを提供していません。ある質問が実際にどのくらいの頻度で尋ねられているかといった基本的な事実さえ、GEOのエコシステムでは見ることができません。この盲点こそが、マーケターが外部からの繰り返しサンプリングによって測定を組み立てなければならない理由であり、また単発で静的な「可視性」の数値がこれほど誤読されやすい理由でもあります。この記事の残りの部分では、その測定を正しく行う方法について解説していきます。

研究の中身：研究者たちが実際に行ったこと

この研究は驚くほど具体的に設計されており、数字を信頼する前に、その設計を理解しておく価値があります。University of St. Gallen（Aurora Intelligenceと共同）の研究者たちは、毎日4つのAI検索エンジンにクエリを送り、それぞれがどのソースとブランドを返したかを正確に記録するモニタリングの仕組みを構築しました。

対象となったのはChatGPT、Google Gemini、Google AI Mode、Perplexityの4つのエンジンです。各エンジンには、スイス市場で検索トラフィックが多い4つの実世界の業種（論文では「キャンペーン」と呼ばれています）にわたって、同じ一連の質問が投げかけられました。その業種とは家電製品、不動産販売、スポーツ用品、通信です。

各業種について、研究チームは8つのプロンプトを作成しましたが、ここに賢い工夫があります。これらのプロンプトは架空のものではありません。検索ボリュームの多いSEOキーワードを取得し、それをGoogleに入力して、Googleの**「他の人はこちらも質問」**（People Also Ask）ボックスから実際の質問文をそのまま採用したのです。つまり、これらの質問は実際に人々が尋ねるような、会話調でファネルの入口に近いもの、たとえば「良いランニングシューズを作っているブランドはどこ？」といった内容であり、単なるキーワードの羅列ではありません。

各エンジンへのクエリは、2026年1月24日から3月20日までの45〜46日間、毎日、スイスにあるサーバーから送信されました。これは、AIがどのように結果をパーソナライズするかに関わる重要な条件です。分析の対象となったのは合計4,044組の連続する日付ペアで、全エンジン、全プロンプト、全業種にわたる「今日対明日」のすべての比較を含んでいます。

研究デザインの概要は以下の通りです。

これは相当な規模の反復測定であり、まさにこの論文が伝えたいポイントそのものです。

Ready to Monitor Your AI Visibility?

Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.

始める お問い合わせ

「回答は変化したのか」を測定する2つのシンプルな方法

「今日の回答は昨日のものとどれだけ違っていたか」を問うために、研究者たちは2つのリストを互いに比較してスコア化する方法を必要としました。彼らが用いたのは2つの指標であり、理解するのに統計学の知識は必要ありません。

Jaccard類似度が問うのは単純です。両日にわたって登場したすべてのソースのうち、両方の日に現れたのはいくつあるか、というものです。両者に共有されているソースの数を数え、それを両日を通じたユニークなソースの総数で割ります。

小さな例を挙げましょう。今日の回答が5つのソースを引用し、明日の回答も同じく5つのソースを引用したものの、そのうち同一のものが2つだけだったとします。この2つの回答は2つのソースを共有しており、両者を合わせると8つの異なるソース（5＋5から、二重にカウントされた2を引いたもの）が言及されています。したがってJaccardスコアは2 ÷ 8 = 0.25となり、ソースの約4分の1しか維持されておらず、残りの約4分の3が一夜にして入れ替わったことを意味します。Jaccardが1.0であれば完全に同一のリスト、0.0であれば重複が全くないことを意味します。

Rank-Biased Overlap（RBO）は同じ問いを立てますが、Jaccardが無視しているある要素、すなわち順位を加味します。1番目に引用されることは5番目に引用されることより価値が高いため、RBOはリストの上位により大きな重みを与えます。共有されている項目が単に存在するだけでなく、近い順位に現れることを求めるため、RBOは常に2つの指標のうちより厳格な方になります。だからこそ、この研究では一貫してRBOがJaccardよりも低い値になっているのです。

これらの数値の読み方は以下の通りです。

• 数値が高いほど安定している。 1.0に近いスコアは回答がほとんど変化していないことを、0に近いスコアはほぼ完全に入れ替わったことを意味します。
• Jaccardは「同じ項目が存在するか」に答えます。
• RBOは「同じ項目が存在し、かつ同じ順序で並んでいるか」に答えます。
• 両者の差は、同じ項目が繰り返し登場している場合でも、順位がどれだけ変動しているかを示します。

こうした指標が他の物差しとどう組み合わさるかを知りたい方は、AI visibilityの重要指標10選 のガイドで、重複度スコアをモニタリングダッシュボードの他の指標と合わせて位置づけて解説しています。

発見その1：引用ソースの3分の2が毎日入れ替わる

もしAI検索がGoogleのように機能するのであれば、同じ質問を2日連続で尋ねれば、おおむね同じページが表示されるはずです。しかし実際にはそうなりません。St. Gallen大学の研究者たちが、4つのAIエンジンが毎日引用するソースを1ヶ月半にわたって追跡したところ、引用ソースのリストは1日ごとにほぼ完全に入れ替わることがわかりました。

代表的な数値はJaccard、すなわち両日で共通して引用されたソースの割合です。4つの業種を通じて、家電製品のわずか0.336から通信の0.423までの範囲にあり、スポーツ用品は0.355、不動産販売は0.378でした。平易に言えば、Jaccardが0.35であるということは、引用ソースのうち約35%だけが翌日も同じであり、つまりソースの約65%が毎日入れ替わっているということです。通信業界が最も安定していた一方、家電製品が最も変動が大きく、いずれの業種も安定とは呼べる状態には程遠いものでした。

順位を考慮に入れると、事態はさらに悪化します。リストの上位により大きな重みを与えるRBOは0.21から0.26の範囲にとどまり、Jaccardよりも明らかに低い値でした。この差は示唆的です。日によって変化しているのはどのソースが表示されるかだけでなく、それらが表示される順序も入れ替わっているということです。翌日まで生き残ったわずかなソースでさえ、しばしば順位が入れ替わるため、昨日「トップ」だった引用元が今日は埋もれてしまっていることもあります。

これはまさに、以前私たちが7%の重複問題 について書いた際の入れ替わりと同じものです。単発のクエリは、動き続けるターゲットの1枚のスナップショットにすぎません。一度だけAI引用を確認して結果を記録しても、それは翌朝には入れ替わってしまう分布のうち、たった1コマを捉えたにすぎないのです。

Stay Updated on AI Visibility Trends

Get the latest insights on AI mentions, brand monitoring, and optimization strategies.

Email address

Subscribe

発見その2：ブランド言及はより安定しているが、それでも安定とは程遠い

個々のURLは激しく入れ替わりますが、マーケターが通常気にしているのはもう少し粗い粒度の話、すなわち「自社ブランドはそもそも言及されているか」です。個々のソースからブランド名へと集約することで、ノイズの多くは平滑化されますが、それでもブランドレベルでの日ごとの様相は、従来型の検索から想像されるような安定したランキングとは程遠いものです。

ブランドレベルのJaccardは0.45から0.59の範囲にあり、ソースで見られた0.34〜0.42よりも明確に高い水準でした。通信業界が0.589で最も安定しており、家電製品もそれに近い0.557、スポーツ用品が最も低く0.453でした。つまり、今日言及されたブランドのおよそ半数が明日も再び登場する一方、ソースについては3分の1程度にとどまるということです。ブランドの露出はより持続的なシグナルであり、だからこそ個々のURLを追跡するよりも優れた中核KPIとなります。

ここで掘り下げておくべき点が2つあります。まず、不動産販売はブランド分析から完全に除外されました。エンジンが不動産関連の回答で特定のブランド名を挙げたのは53.6%にとどまり、これは研究者が「業種として信頼できるブランド分析を行うのに十分な言及がある」とみなす70%という基準を下回っていました。理由は、多くのプロンプトが税務や投資に関する一般的な質問であり、LLMが特定の企業を引用せずに回答してしまうことが多かったためです。これを含めてしまうと数値が歪んでしまうため、除外されました。

次に、スポーツ用品が最も低かったのには具体的な理由があります。ランニングシューズのブランドには、互いに代替可能な選択肢が非常に多く存在するため、モデルはそこから何十もの近しい選択肢を引き出すことができ、日によって異なる候補をローテーションで取り上げているのです。

そして、ここでも順位は不安定です。ブランドについてのRBOはわずか0.19から0.30であり、ブランドが表示される順位も依然として大きく変動しています。ソースよりは安定しているものの、一度だけ測定して信頼できるようなものではありません。だからこそ、単発のチェックではなく、継続的なAIブランドモニタリングアラート が必要になるのです。

発見その3：ごく少数のドメインがほぼすべての引用を独占する

すべての引用ドメインが均等に恩恵を受けているわけではありません。AI検索において、特定のトピックにおけるAI引用 の大部分を、ごく一部のドメイン群が吸い上げており、それ以外は残り物を奪い合っている状態です。

この論文では、これを標準的な不平等指標であるGini係数を用いて測定しています。0から1の範囲を取り、Giniが0であればすべてのドメインが均等に引用されていることを、1であれば単一のドメインがすべての引用を独占していることを意味します。経済学者が所得格差を表現するのに使うのと同じ数式を、ここでは引用数に適用しています。

すべてのエンジンとキャンペーンを通じて、平均Giniは0.715でした。これは高い数値です。引用の風景が大きく偏っており、ごく一部のドメインが各トピックにおける可視性の大半を占めていることを意味します。

集中度はエンジンによって異なります。Perplexityが引用を最も均等に分散させており（Gini 0.671）、それにChatGPT（0.684）、Gemini（0.723）が続きます。Google AI Modeが最も集中度が高く0.782で、限られた信頼できるソース群に最も強く依存していることを示しています。

トピックによっても異なります。スポーツ用品が最も集中度が低く（0.680）、次いで家電製品（0.713）、不動産（0.718）、最も集中度が高いのは通信で0.750でした。

戦略的な示唆はこうです。どのトピックにおいても、ごく少数のドメインがAI visibilityを独占しており、それ以外はほぼ見えない存在になっています。真の見返りが得られるのはその上位層に食い込むことであり、あなたのAIシェア・オブ・ボイス 戦略は、AIがめったに表面化させないロングテールを追いかけるのではなく、この集中した中核に食い込むことに焦点を当てるべきです。

発見その4：原因はニュースサイクルではなくモデル自体

ソースが日ごとに入れ替わるのは、単に世の中が変化しているだけではないか、という疑問が浮かぶかもしれません。新しい記事が公開され、ドメインの権威性が変化し、インデックスが更新される、というように。これを検証するため、研究者たちは巧妙な実験を行いました。

彼らは4つすべてのエンジンに対して、同じ日のうちに同一のプロンプトを最大10回実行しました。同じクエリ、同じ条件で、数分おきにです。もし日ごとの入れ替わりが外部のニュースやインデックス更新に起因するのであれば、同じ日のうちにプロンプトを再実行すれば、ほぼ同一のソースが返ってくるはずです。従来型の検索の前提に従えば、ほぼ完全な重複が期待されるところです。

しかし、そうはなりませんでした。同日内でのソースの重複率（Jaccard）は、キャンペーンを通じて0.32から0.43の範囲にとどまり、同じ日に実行された2回のうち、一致する引用ソースはわずか3分の1程度にすぎませんでした。家電製品は0.327、スポーツ用品は0.321、不動産は0.391、通信は0.434でした。

ここに核心があります。この範囲は、日をまたいだ場合の0.34〜0.42という範囲とほぼ同一なのです。ニュースサイクルという要因を取り除いても、結果はほとんど変わりませんでした。

導かれる結論は避けようがありません。この入れ替わりは、外部の更新やアルゴリズムの変化、動くニュースサイクルから生じているのではありません。それはモデル自体が持つランダム性、すなわちAIが各回答のためにソースを生成し選択する確率的な仕組みから来ています。同じエンジンに2回続けてクエリを送っても、世の中が動いたからではなく、モデルが再びサイコロを振ったから、意味のある違いのあるソースが返ってくるのです。だからこそ1回の測定では不十分であり、モニタリングが意味を持つためには繰り返し実行した結果を平均化する必要があるのです。

発見その5：4つのエンジンは互いに置き換え可能ではない

「AI検索」を単一のものとして扱いたくなる誘惑があります。しかしデータはそれとは異なることを示しています。4つのエンジンの挙動はあまりにも異なっており、あるエンジンの傾向が他のエンジンにも当てはまると仮定すれば、大きく道を誤ることになります。

同日内の再実行結果をエンジン別に見ると、一貫性に大きな開きがあることがわかります。ソースについては、Geminiが群を抜いて最も一貫しており、同日Jaccardは0.505で、引用ソースの約半数が繰り返し実行を通じて維持されていることを意味します。ChatGPTが最も一貫性が低く、わずか0.233、重複はほぼ4分の1にとどまりました。Perplexity（0.282）とGoogle AI Mode（0.318）はその中間に位置します。

ブランドで見ると、順位はまるごと入れ替わります。ブランド言及については、Perplexityが首位（Jaccard 0.492）で、ChatGPT（0.437）がそれに僅差で続き、Gemini（0.409）、Google AI Mode（0.375）が続きます。つまり、ソースについて最も安定しているエンジンが、ブランドについても最も安定しているわけではないのです。単一の「最も安定したエンジン」というものは存在しません。

ChatGPTには、もう一つ際立った特徴があります。実行の57.8%で引用がゼロになるのです。半数以上の場合、定義を尋ねる質問ではウェブ検索自体をスキップし、記憶に基づいて回答しています。「ノートパソコンとラップトップの違いは何ですか」と尋ねると、誰も引用しないことがよくあります。これは、ウェブに頼る頻度がはるかに高いGeminiやPerplexityとは全く異なる挙動です。

得られる教訓はシンプルですが重要です。あるエンジンの挙動が他のエンジンにも当てはまると仮定してはいけません。それぞれが独自のランダム性、独自の引用の癖、独自の特性を持っています。本格的なモニタリングプログラムやAI Visibility Index は、すべてを一つの数値に混ぜ合わせて一般化を期待するのではなく、エンジンごとのベースラインを設定する必要があります。

発見その6：選ぶプロンプトによって結果が大きく変わる

多くの人を戸惑わせるのが、この点です。何回実行するかと同じくらい、どのプロンプトを選ぶかが結果を左右するのです。この研究では、あらゆるキャンペーンにわたってプロンプトごとの一貫性を測定しましたが、そのばらつきは非常に大きなものでした。あるプロンプトは実行を重ねてもほぼ同じソースとブランドを返し、Jaccardが0.8を超える、つまり項目の80%以上が繰り返し登場するものもあります。一方で、ほぼ純粋なノイズと言えるプロンプトもあり、0.2未満、つまり5件のうち安定して維持されるのは1件未満というものもあります。

このばらつきの背後にあるパターンは、一度見れば直感的に理解できます。具体的な商品に関するクエリの方が、広く一般的な質問よりも一貫した答えが得られるのです。「どのランニングシューズが一番良いか」といった的を絞った質問は、より絞り込まれ、再現性の高いブランドとソースの集合を引き出します。一方、十数通りの正当な答え方ができるような漠然としたファネル入口の質問は、モデルを毎回はるかに広いプールへと向かわせます。

実務上の教訓はこうです。1つや2つのプロンプトではキャンペーン全体を代表することはできません。 たまたま一貫性の高い2つのプロンプトを選べば、安定性を過大評価してしまいます。逆に不安定な2つを選べば、そのカテゴリー全体が混沌としていると思い込んでしまいます。いずれにせよ、あなたが測定しているのは実際の可視性ではなく、自分が選んだプロンプトの癖にすぎません。

解決策は、実際のユーザーが尋ねる方法を反映した、大規模で多様なプロンプトのポートフォリオを用意することです。具体的なものと広範なもの、トランザクショナルなものと情報探索的なものを組み合わせます。多くのプロンプトにわたって平均化することだけが、このクエリレベルのノイズを打ち消し、キャンペーンの実態をありのままに見る唯一の方法です。

各プロンプトを何回実行すべきか

単発のクエリを、1回のコイントスだと考えてみてください。1回の投げだけでコインが公平かどうかを判断することは決してないはずですが、単発のAI検索クエリは、まさにそれをあなたに求めているのです。AI検索エンジンは確率的であるため、実行のたびにサイコロが新たに振られており、あなたのブランドが実際にどれくらいの頻度で表示されているかを知る唯一の方法は、プロンプトを何度も実行して結果を平均化することです。実行回数を積み重ねるほど、標準誤差（SE）、すなわち推定値の周りの不確実性のマージンは小さくなります。

この論文は、そのマージンがどれだけ速く縮小するかを正確に数値化しています。

収束は最初は急峻で、その後平坦になっていきます。1回だけの実行ではSEが0.370であり、事実上使い物になりません。平易に言い換えれば、真の検出率が**50%であるブランドが、単発実行のスナップショットではおおよそ0%から100%**のどこにでも見える可能性があるということです。これでは何もわかりません。

実行回数を増やすと、霧は急速に晴れていきます。

ブランド追跡においては、SEは7回の実行で信頼性の目安である0.10を下回ります（6回時点ではまだ0.101です）。ソースレベルの網羅性はよりノイズが多く、そこに到達するには8回の実行が必要です。

したがって、具体的な推奨事項はこうです。ブランドの可視性をモニタリングする場合はプロンプトあたり少なくとも1日7回、ソースレベルの網羅性が重要な場合は少なくとも8回実行してください。それより少なければ、依然として1回のコイントスを測定と呼んでいるにすぎません。これが、本物のAI Visibility Index と、単なる幸運な当てずっぽうとの違いです。

どれくらいの期間観測すべきか。2〜4週間のローリングウィンドウが必要な理由

各プロンプトを十分な回数実行すれば、1日の中のノイズは解消されます。しかし、もう一つの変動要因があります。AIの回答は日をまたいでも変化しており、引用ソースの約65%が24時間ごとに入れ替わることを考えると、1日（あるいは1週間ですら）では、シグナルとノイズを切り分けるにはあまりにも短すぎます。日々の入れ替わりを平均化できるだけの、十分な幅を持った観測期間が必要です。

この研究では、観測期間が長くなるにつれて推定精度がどのように向上するかを測定しています。

同じ収束のロジックが、実行回数の代わりに暦の上での時間経過に対して当てはまります。

推定値は10日で0.10を下回り、24日前後で0.05を下回ります（21日で0.053、28日で0.033）。実務的に言えば、1週間分のデータでは個々のブランドを追跡するにはまだ不安定ですが、0.05のマージンであれば、実際に40%の頻度で引用されているブランドは、おおよそ30%から50%の範囲で観測されることになり、トレンドを信頼するには十分な精度です。2〜4週間というのが、ブランドごとの数値が本当に安定してくる期間です。

推奨されるのは2〜4週間のローリングウィンドウです。ローリングウィンドウは二重の役割を果たします。統計的マージンを縮小するのに十分な日数を集めると同時に、AIエンジンが定期的に行う軽微なモデルアップデートやインデックス更新も静かに平均化してくれるため、火曜日にたまたま起きた小さな変化が、あたかも本物のトレンドであるかのように見えてしまうことを防いでくれます。これが、あなたの可視性が実際に動いたのかどうかを結論づける前に、モニタリングダッシュボードやAI visibilityのA/Bテスト手法 に組み込んでおきたい観測期間の長さです。

あなたのGEO戦略にとって何を意味するのか

この研究は、GEO プログラムを運用するすべての人にとって、いくつかの具体的なルールへと直結します。以下を、本当に信頼できる測定体制を構築するための運用要件として捉えてください。

各プロンプトを1日あたり少なくとも7回実行する（ソースが重要な場合は8回）。 単発のクエリは、ブランドの検出率について0.370という標準誤差を持っており、これはデータのふりをしたコイントスにすぎません。誤差は、ブランドの露出については7回の実行で0.10を下回り、ソースレベルの網羅性には8回が必要です。この基準を下回っている場合、あなたは可視性を測定しているのではなく、ノイズに反応しているだけです。

各トピックを、幅広く多様なプロンプトのポートフォリオでカバーする。 プロンプトレベルの重複率は、単一のキャンペーン内でも0.2未満から0.8超まで変動するため、1つや2つのプロンプトでは、その正確な言い回しの癖を捉えているにすぎず、実際の立ち位置を反映していません。1トピックあたり少なくとも8つの多様なクエリ、具体的な商品に関する質問と広範な「どれが一番良いか」というフレーズの組み合わせを用意し、数値がたまたまの言い回しではなく、キャンペーンの実態を反映するようにしてください。

1日や1週間ではなく、2〜4週間のローリングウィンドウで集計する。 引用ソースの約65%が毎日入れ替わることを考えると、短い観測期間ではシグナルとノイズを切り分けられません。ブランドごとの推定値は、10日で標準誤差0.10、24日で0.05を下回るところでようやく落ち着きます。2〜4週間のローリングウィンドウは、日々の入れ替わりや軽微なモデルアップデートを平滑化し、持続的な読み取りへとつなげます。

エンジンごとに個別のベースラインを設定する。 引用の集中度はPerplexityの0.671からGoogle AI Modeの0.782まで幅があり、同日内のソースの一貫性もChatGPTの0.233からGeminiの0.505まで幅があります。4つのエンジン全体に単一のしきい値を適用すれば、少なくとも1つのエンジンについて判断を誤ることになります。エンジンごとに独自の基準でベンチマークしてください。

ブランドの露出とソースURLを、それぞれ別のKPIとしてモニタリングする。 ブランドレベルの安定性（Jaccard 0.45〜0.59）はソースレベルの安定性（0.34〜0.42）を上回るため、集計されたブランドの露出状況がより信頼できる主要指標となります。ただし、URLレベルでのソース追跡も続けるべきです。それが、どのページが実際に自社の掲載を後押ししているかを教えてくれるからです。

知っておく価値のある正直な限界

著者たちは、このデータセットが何を語り、何を語れないのかについて驚くほど率直です。そしてそれぞれの留意点は、一つの研究に頼るのではなく、自ら継続的な測定を行うべき理由でもあります。

スイスのデータである。 すべてのデータはスイスにあるサーバーから、スイスのIPアドレスとロケール設定のもと、ドイツ語のプロンプトを用いて取得されています。地域に応じてパーソナライズされるインデックス選択や引用パターンは、あなたの地域や言語では異なる可能性があるため、正確な数値は普遍的なものではなく、方向性を示すものとして扱うべきです。

単一の観測期間である。 すべては45〜46日間（2026年1月〜3月）という単一の期間から得られたものです。AIエンジンは絶えずアップデートされているため、この期間も含め、いかなる固定期間のスナップショットも時間とともにずれていく可能性があります。

ChatGPTはしばしば何も返さなかった。 ChatGPTは実行の**57.8%**でウェブ検索をスキップし、引用がゼロの結果を返しており、それらの実行はソース分析から除外されています。あなた自身のChatGPTでの網羅状況は、見出しの数値が示唆するよりもまだら模様になる可能性があります。

ブランドの検出は部分文字列マッチングに基づいている。 言及は固定の語彙リストと照合されたため、同義語や略称、言い換え表現は見逃されています。実際のブランドの露出は、測定値よりもいくらか高い可能性があります。

Google AI Overviewsは別の製品として除外されている。 もしAIOがあなたにとって重要であれば、それはこの研究がまったく触れていない、まるごと別の領域だということになります。

これらはいずれも、核心となる発見を揺るがすものではなく、むしろそれを裏付けるものです。あなたの市場、あなたの言語、今この月において可視性がどう振る舞うかを知る唯一の方法は、自ら継続的に測定することです。

繰り返し測定を実践に移す方法

この研究から導かれる実践的なチェックリストを以下に示します。これは、あなたが実際に着手できるGEO測定の最小限の構成です。

• 各プロンプトを1日あたり7〜10回実行する。 7回でブランド検出が信頼性ラインを下回り、8回でソースをカバーし、10回であれば余裕が生まれます。
• 1トピックあたり8件以上の多様なプロンプトのポートフォリオを維持する。 具体的な商品に関するクエリと、広範な「どれが一番良いか」というフレーズを組み合わせます。
• エンジンごとのベースラインを追跡する。 ChatGPT、Gemini、Google AI Mode、Perplexityは一貫性と引用の集中度の両方において異なる挙動を示すため、それぞれ個別にベンチマークしてください。
• 2〜4週間のローリングウィンドウを使う。 14〜28日間にわたって検出率を集計し、日々のソースの入れ替わりや軽微なモデルアップデートを平滑化してください。
• ブランドの露出とソースURLを別々にモニタリングする。 ブランドレベルの露出は安定した主要KPIであり、ソース追跡はどのページが掲載を後押ししているかを教えてくれます。
• 引用の集中度を注視する。 Giniの上昇は、回答を独占するドメインの集合が縮小していることを意味するため、自社がその内側にいるのか外側にいるのかを把握してください。

これらすべてを、4つのエンジン、何十ものプロンプト、そして毎日の再実行にわたって手作業で行うのは、動かすべき部品が非常に多い作業です。amicitedのようなAI visibilityモニタリングプラットフォームは、まさにこのパターン（ChatGPT、Gemini、Google AI Mode、Perplexityにまたがる、複数回実行・複数プロンプト・ローリングウィンドウでの追跡）を自動化し、単発のクエリから目分量で判断するのではなく、分布そのものを計算してくれます。選択肢をより広く俯瞰したい方は、AI引用追跡ツールガイド をご覧ください。また、変化が起きた瞬間に気づくためには、AIブランドモニタリングアラート を設定してください。

結論：可視性は数値ではなく分布である

この研究から得られる最も重要な教訓は、発想そのものの転換です。AI検索の可視性は、1回のクエリで読み取れるような固定的なランキングではありません。それは、多くの実行を通じてしか姿を現さない言及される確率なのです。冒頭で取り上げたランニングシューズの質問を思い出してください。一度尋ねればあなたのブランドが表示されるかもしれませんが、全く同じ条件で1分後に再度尋ねれば、消えているかもしれません。ソースの集合は日ごとにわずか**34〜42%しか重複せず、より安定したシグナルであるはずのブランドでさえ、重複するのは45〜59%**にとどまります。

つまり、単発の確認から得られる数値はどれも、背後にある分布から取り出された一回きりのランダムな抽出結果にすぎず、一度の抽出では、その分布の形についてほとんど何もわからないということです。ある実行では引用され、次の実行では引用されなかったブランドは、「脱落した」わけではありません。あなたは単に、サイコロを振るようなプロセスを一度サンプリングし、その一つのサンプルを真実だと誤解しただけなのです。

だからこそ、「自社は引用されているか」ではなく、「どれくらいの頻度で引用されており、それはどう推移しているか」を問うようにしてください。繰り返しの実行、多様なプロンプト、エンジンごとのベースライン、そしてローリングウィンドウが、ノイズだらけのスナップショットを、意思決定に使える安定した推定値へと変えてくれます。瞬間ではなく、分布を測定してください。それこそが、AI検索というゲームのすべてです。