AI検索 低品質判定アルゴリズムの仕組みと回避策【2026年版】

AI検索 低品質判定アルゴリズムの仕組みと回避策【2026年版】

この記事の結論: AI検索における低品質判定は、従来のパンダアップデートと異なり「機械的なコンテンツ量」ではなく「情報の独自性・権威性・構造整合性」を軸に行われます。LLMO視点では、6つの低品質シグナル（情報密度・一次情報・著者権威性・構造化データ不整合・ファクト可否・鮮度）を把握し、判定後はトピック単位で段階的に修正・再クロールを促すロードマップを実行することが最短復帰の近道です。

最終更新日: 2026-06-01

はじめに

Google AI OverviewやChatGPT Search、Perplexityなど複数のAI検索プラットフォームが本格稼働する2026年において、「なぜ自社サイトはAI検索で引用されないのか」という問いへの答えは従来SEOの延長では見つけにくくなっています。

SEOにおけるパンダアップデートは薄いコンテンツ・コピーコンテンツを対象にしましたが、AI検索の低品質判定はさらに多層的です。AIモデルはコンテンツを取得する際に「回答に使えるか」という視点でスコアリングするため、情報の独自性・権威性・構造的整合性が欠けていると、Googleのインデックスには存在していても引用候補から外れます。

本記事では、AI検索における低品質判定の仕組みを従来SEOとの差異を踏まえながら解説し、6つの低品質シグナル・判定チェックリスト・回避策・復帰ロードマップまでを実務レベルで説明します。AI検索で引用されない原因に悩んでいる方にとって、改善の出発点となる内容です。

---

AI検索における低品質判定とは（従来SEOとの違い）

従来のGoogle低品質判定（パンダアップデート）は、ページ数・重複率・直帰率・滞在時間といったシグナルを統計的に処理し、サイト全体のドメインスコアを下げる方式でした。個別ページへの対処よりも「サイト全体の品質管理」が主眼でした。

AI検索の低品質判定は設計が根本的に異なります。

AI検索では「引用するに値するか」をモデルがオンザフライで判断します。検索順位で10位以内にあるページでも、回答生成AIが「引用に値しない」と判断すれば引用されません。この「引用されない」という現象が、AI時代の実質的な低品質判定の結果です。

AIO（AI Overview）はGoogleの品質評価システムと連動しているため、E-E-A-T（経験・専門性・権威性・信頼性）スコアが低いサイトは特にリスクが高くなります。

---

AIが「低品質」と判定する6つの信号

AI検索が低品質と判断する主な信号を6つに整理します。

1. 情報密度の低さ

「情報密度」とは1,000文字あたりに含まれる独自の事実・数値・具体例の数です。密度が低い（汎用的な説明を繰り返すだけ）コンテンツは、AIが引用しても読者に付加価値を提供できないため回避されます。

目安として、AI引用率が高いページは1,000文字あたり3〜5つの具体的なファクト（数値・固有名詞・統計・実例）を含んでいます。情報密度を高める最も簡単な方法は、「〇〇の場合、△△という調査では□□%という結果が出ている」という形式のファクト文を増やすことです。

2. 一次情報の欠如

他サイトの情報を言い換えただけのコンテンツは二次情報です。AI検索モデルはトレーニングデータで広範な知識を持っているため、二次情報の再構成には引用価値を感じません。

一次情報とは：自社の調査データ・実験結果・事例・独自インタビュー・社内統計・専門家コメントです。GEO（Generative Engine Optimization）研究（arXiv:2311.09735）でも、一次情報を含むコンテンツは生成AI引用率が統計的に高いことが確認されています。

3. 著者権威性の不明確さ

著者名・資格・経験が明示されていないコンテンツはE-E-A-Tの「Experience（経験）」「Authoritativeness（権威性）」の観点でマイナス評価されます。

AI検索においてはメタデータだけでなく、本文中に著者の実体験・専門知識の証拠（具体的な実装経験、所持資格、組織名）が書かれていることが重要です。著者プロフィールページとArticleスキーマのauthorプロパティで本文との一致を取ることで評価が安定します。

4. 構造化データ不整合

JSON-LDなどの構造化データが実装されていても、本文の内容と矛盾している・または内容を反映していない場合、AI検索エンジンはそのページを「信頼性が低い」と判断します。

典型的な不整合例：FAQスキーマに記載されている回答が本文のFAQセクションと異なるテキストになっている、ArticleスキーマのdateModifiedが実際の更新日と乖離している、などです。GSC（Google Search Console）の「拡張機能」タブで構造化データのエラーを定期確認することが予防策になります。

5. ファクトチェック可能な情報の欠如

AI検索モデルは、自らのトレーニングデータと照合できる事実（企業名・統計データ・固有名詞・引用元URL）を持つコンテンツを優先引用する傾向があります。逆に「〜という傾向があります」「〜と言われています」のように出所不明の主張だけが続くコンテンツは引用価値が低いと評価されます。

解決策は各主張に出典を括弧書きで明示すること、および外部の一次情報源へのリンクを張ることです。

6. 鮮度の低さ

AI検索は特に「最新情報を求めるクエリ」において、公開日・更新日が古いコンテンツを引用候補から外す傾向があります。「2026年版」「最新」を謳いながら内容が2024年のままのページは、AI検索から見ると実質的に低品質扱いです。

定期的な内容アップデートと、ArticleスキーマのdateModifiedを実際の更新日に反映させることが基本対策です。

---

低品質判定によるAI引用確率の低下（数値データ含む）

AI検索の低品質判定がどの程度引用確率を下げるか、実測データを含む業界報告を整理します。

GEO研究（arXiv:2311.09735）では、構造化されたファクトを持つコンテンツはそうでないコンテンツと比較してAI引用確率が平均41%高かったことが報告されています。また、Search Engine Journalの2025年調査では、E-E-A-Tシグナルが弱いドメインのページはAI Overviewへの引用割合が全体の2.3%に対し0.4%と約83%低い結果が出ています。

AI Overview引用率を上げる実践手法では、具体的な改善施策ごとの引用率変化データも紹介しています。

---

低品質判定チェックリスト

コンテンツ面

• 1,000文字あたり3〜5つ以上の具体的ファクト（数値・固有名詞・統計）が含まれている
• 自社独自のデータ・調査・事例・経験が記述されている
• 各主張に出典（括弧書きまたはリンク）が明示されている
• 著者の経験・資格・組織が本文内に書かれている
• 直近12ヶ月以内に内容が実質的にアップデートされている
• 「〜と言われています」のような出所不明の表現が5%以下

技術面

• ArticleスキーマのdateModifiedが実際の最終更新日と一致している
• AuthorスキーマまたはPersonスキーマが実装されている
• JSON-LDの内容が本文と矛盾していない
• GSCの「拡張機能」で構造化データエラーがゼロ
• llms.txt（またはrobots.txtのAIクローラー設定）でクロールを許可している
• Core Web Vitalsが合格（LCP 2.5秒以下・INP 200ms以下・CLS 0.1以下）

構造面

• H1→H2→H3の論理的な見出し階層がある
• 結論・主張が記事冒頭500文字以内に記述されている
• FAQPageスキーマが実装されFAQが5問以上ある
• テーブルが3つ以上ある（比較・数値データを視覚化）
• 内部リンクで関連記事に導線がある

---

低品質判定を回避する3ステップ

ステップ1: 情報密度強化

まずコンテンツの情報密度を定量的に計測します。記事全体の文字数を数え、含まれるファクト（数値・固有名詞・統計・引用）の数を数えて密度を計算します。密度が1,000文字あたり3未満の場合、以下の手順で改善します。

1. 各段落で「何が具体的な証拠か」を問い、抽象的な文を具体的なファクト文に書き換える
2. 業界の公開統計・調査レポートを引用し、数値を本文に組み込む
3. 自社または顧客の実例を匿名で追加する
4. 改善後にAI引用率測定ツールで変化を計測する（AI引用率無料チェックツール参照）

ステップ2: 構造化データ整合

既存のJSON-LD実装を棚卸しします。

1. GSCの「拡張機能」でエラー一覧を確認
2. 各スキーマの内容を本文と照合し矛盾を修正
3. ArticleスキーマのdateModifiedを更新サイクルに合わせて自動更新する仕組みを構築
4. FAQPageスキーマを追加し、本文FAQとの完全一致を確認
5. Rich Results Testで再検証

ステップ3: E-E-A-T強化

E-E-A-T強化は数週間〜数ヶ月かかる施策ですが、AI引用率への影響が最も大きいレイヤーです。

1. 著者ページの整備（経歴・資格・実績・顔写真）
2. 本文内に著者の実体験・一次情報を組み込む
3. 外部権威サイトからの被リンク獲得（業界メディアへの寄稿・プレスリリース）
4. Googleナレッジグラフへのエンティティ登録（Wikidata・会社情報の整合）
5. LLMO完全ガイドで紹介するブランドメンション施策の実行

---

低品質判定後の復帰ロードマップ

AI検索の引用確率が急落した場合、または改善を始めた場合のタイムライン別アクションプランです。

0〜2週目: 診断フェーズ

• GSCのカバレッジ・拡張機能・コアウェブバイタルを全確認
• AI引用状況をPerplexity・ChatGPT・AI Overviewで手動サンプリング（主要クエリ20本）
• 低品質シグナルを全ページで棚卸し、優先順位付け
• 修正コスト vs 引用頻度マトリクスを作成し、対応ページを絞る

3〜6週目: 改善フェーズ

• 優先度高ページの情報密度改善（上記ステップ1実施）
• 構造化データのエラー修正と整合確認（上記ステップ2実施）
• 著者情報・E-E-A-Tシグナルの追加（上記ステップ3開始）
• 低品質ページの統合または削除（薄いページはメインページにリダイレクト）
• Search Consoleから再クロールをリクエスト

7〜12週目: 観測フェーズ

• AI引用数の変化を週次でサンプリング
• GSCの「AI Overview引用インプレッション」（beta機能）で定量確認
• 指名検索数・直接流入数の変化を月次でモニタリング
• 効果が出たページの施策パターンを他ページに横展開
• E-E-A-T施策の継続（外部寄稿・被リンク獲得）

---

FAQ

Q1. AI検索の低品質判定はGoogleのコアアップデートと同じ仕組みですか？

Googleのコアアップデートとは異なります。コアアップデートはランキングアルゴリズム全体のリフレッシュですが、AI検索の低品質判定はAI回答生成時のリアルタイムスコアリングです。コアアップデートで順位が上がっても、AI引用に必要な情報密度・構造整合性が低ければ引用されないケースが多く見られます。

Q2. 低品質と判定されるとインデックスから外れますか？

AI検索の低品質判定でGoogleのインデックスから削除されることは基本的にありません。インデックス自体は維持されつつ、AI回答生成時に引用候補から外れるという形で影響が出ます。ただし複数の品質シグナルが極端に悪い場合、コアアップデートで検索順位が大きく落ちることもあります。

Q3. 情報密度を高めるためにどの程度の文字数が必要ですか？

文字数よりも「ファクト密度」が重要です。3,000文字でも具体的なデータが充実していれば10,000文字の薄い記事より高評価になります。目安は1,000文字あたり3〜5ファクトで、記事全体では最低15〜25個の独自の具体情報を含めることを推奨します。

Q4. AIが「低品質」と判定したかどうかを確認する方法はありますか？

直接的な「低品質判定通知」はありません。実用的な確認方法は、主要クエリ20〜30本でChatGPT・Perplexity・AI Overviewを手動で確認し自社サイトの引用有無を記録することです。GSCのAI Overview引用インプレッション（beta）も参考になります。またAI引用率の無料チェックツールを活用する方法もあります。

Q5. 構造化データエラーがあると引用率にどの程度影響しますか？

構造化データの「警告」は軽微な影響ですが、「エラー」（スキーマが正しくパースできない状態）は引用確率に直接影響します。特にFAQPageスキーマのエラーはAI OverviewのFAQ引用を完全にブロックする可能性があります。GSCの拡張機能タブでゼロエラーを維持することが最低ライン基準です。

Q6. AI生成コンテンツは低品質判定されやすいですか？

AI生成コンテンツ自体がペナルティ対象ではありませんが、AI生成コンテンツに多い「汎用的な説明の繰り返し」「一次情報の欠如」「著者経験の不在」は全て低品質シグナルです。AI生成を活用する場合は必ず人間の専門知識・一次情報・著者経験を追加し、情報密度を高めることが必須です。

Q7. ドメイン年齢が新しいサイトは低品質と判定されやすいですか？

新規ドメインはE-E-A-Tシグナル（被リンク・ブランドメンション・実績データ）が蓄積されていないため、引用確率は低くなりがちです。ただしドメイン年齢そのものではなく「一次情報の質」が最重要です。独自調査・実験データ・専門家コメントを含む記事は、新規ドメインでも引用実績が生まれることが確認されています。

Q8. 一度低品質判定されたページは完全に復帰できますか？

改善施策を継続することで復帰は十分可能です。ただし大規模サイトほど再クロールのサイクルが長く、改善が反映されるまで2〜3ヶ月かかる場合があります。復帰ロードマップ（0〜12週）を参照しながら、週次で引用数をトラッキングし施策効果を確認することを推奨します。LLMO診断を活用すると現状スコアを定量化できます。

---

関連用語

• LLMO
• E-E-A-T
• JSON-LD
• AIO
• GEO
• GSC

---

関連記事

• AI検索で引用されない原因7選と改善策
• AI Overview引用率を上げる8つの実践的手法
• FAQスキーマでAI引用を増やす実装ガイド
• AI引用率を無料でチェックする方法
• LLMOとは？AI検索対策の完全ガイド
• AI検索対策完全ガイド