AI Share of Voice ベンチマーク プラットフォーム別 2026年版完全ガイド

AI Share of Voiceベンチマーク プラットフォーム別2026年版：測り方・水準・改善戦略

この記事の結論: AI Share of Voice（AI SoV）はChatGPT・Gemini・Perplexityなど生成AIの回答内に自社ブランドが登場するシェアを数値化した指標であり、プラットフォームごとにベンチマーク水準が大きく異なる。単一モデルだけで測定すると実態を見誤るため、クロスモデル測定が2026年の標準となっている。

最終更新日: 2026年6月28日

はじめに

マーケターが「Googleで1位を取った」と安堵していた時代は終わりつつある。検索クエリの一部がChatGPTやPerplexityに流れ、ユーザーは生成AIの回答を「最初の答え」として受け取るようになった。そこで問われるのが、AIが回答を生成する際に自社ブランドをどれだけ言及しているかという視点だ。

この指標がAI Share of Voice（以下、AI SoV）である。従来のSoV（広告・オーガニック検索での露出シェア）の概念を生成AI空間に拡張したもので、2025年後半から欧米のBtoBマーケターを中心に急速に普及した。日本市場でも2026年に入り、LLMOやGEOの文脈で語られる頻度が増している。

本記事では、AI SoVの定義から計算式・プラットフォーム別ベンチマーク・測定手順・改善戦略・SOMとの違いまでを体系的に解説する。

AI Share of Voiceとは何か

AI SoVは「特定のプロンプトセットに対して生成AIが返す回答の中で、自社ブランドが言及された割合」と定義できる。

計算式（基本形）:

AI SoV = 自社ブランドが言及された回答数 ÷ 総プロンプト数 × 100（%）

たとえば、100本のプロンプト（「マーケティングオートメーションツールのおすすめは？」など）を用意し、ChatGPTの回答に自社ブランドが含まれていた回数が23回であれば、AI SoVは23%となる。

さらに精度を上げる場合は「言及ポジション」も加味する。回答の冒頭で言及されるか末尾で言及されるかでは、ユーザーへの影響度が異なるためだ。これを加重AI SoVと呼ぶ場合もある。

加重AI SoV = Σ（ポジションスコア × 言及フラグ） ÷ 総プロンプト数 × 100

ポジションスコアの例：1位言及=1.0、2位=0.6、3位以降=0.3。

AI SoVの詳細な測定アプローチについてはこちらで解説している。

プラットフォーム別ベンチマーク水準（2026年）

AI SoVのベンチマークはプラットフォームによって大きく異なる。各社レポートや実測事例を踏まえると、概ね以下の水準が参考値として挙げられている（いずれも業種・ブランド規模によって変動するため、絶対値ではなく目安として捉えること）。

上記はBtoBソフトウェア・マーケティングツール領域での概算値であり、消費財・金融・医療など業種が変わると大幅に異なる。各社レポート（Forrester、BrightEdgeなど）では概ね「業界トップ企業のAI SoVは25〜45%、中堅は5〜15%」とされている。

プラットフォーム間でSoVが異なる理由

プラットフォームごとにSoVが異なる根本的な理由は、回答生成の仕組みが異なるからだ。

• ChatGPTは主に事前学習データに依存し、ウェブ上の言及量・文脈の豊富さが反映されやすい
• Perplexityはリアルタイム検索を組み合わせるため、最新性が評価に影響する
• GeminiはGoogleの検索インデックスと密接に連動し、著者信頼性（E-E-A-T）が影響する

この構造的な差異があるため、単一プラットフォームの測定結果だけで「AI上でのブランド可視性」を語ることには限界がある。

競合とのSoVギャップ分析の手順については別記事で詳説している。

クロスモデル測定がなぜ必須か

「うちのAI SoVはChatGPTで20%ある」と把握しているだけでは不十分な理由が2つある。

1. ユーザーはモデルを使い分けている

2026年現在、情報収集フェーズでPerplexityを使い、ドラフト作成でChatGPTを使い、検索確認でGeminiを使う、という複数ツール併用ユーザーが増加している。特定モデルでのSoV最適化だけでは、別モデルの回答で競合に言及シェアを奪われるリスクが残る。

2. モデルのアップデートでSoVが激変する

GPT-4oからo3シリーズへの移行、Gemini 1.5から2.0シリーズへの更新など、大型アップデートのたびに言及パターンが変わるケースが報告されている。特定モデルのSoVが安定していても、他モデルでの変動を追っていないと異変に気づくのが遅れる。

クロスモデル測定の実務的な方法としては、同一プロンプトセットを週次または月次で各モデルにリクエストし、モデルごとのSoVをスプレッドシートで横並び管理する手法が一般的だ。AI可視性の7指標フレームワークも参照されたい。

AI SoVの測定手順：プロンプトセット設計からレポーティングまで

ステップ1: プロンプトセットの設計

測定の品質はプロンプトセットの設計で決まる。以下の3カテゴリを網羅するのが基本とされる。

• カテゴリKW型: 「〇〇業界向けのCRMツールは？」「マーケティングオートメーションのおすすめ3選」
• 課題解決型: 「新規リード獲得コストを下げるには？」「メールの開封率を改善する方法は？」
• 比較型: 「AツールとBツールの違いは？」「〇〇の代替ツールは？」

プロンプト数は最低50〜100本を推奨。少ないほど測定誤差が大きくなる。サンプリング設計の詳細はプロンプトカバレッジ率のベンチマーク研究が参考になる。

ステップ2: 自動収集の仕組みを作る

手動でプロンプトを投げてスコアを記録するのは現実的でない。実務では以下のいずれかのアプローチが使われる。

• API自動化: 各モデルの公式APIにプロンプトを送信し、レスポンスに自社ブランド名・競合ブランド名が含まれるかを正規表現でカウント
• LLMOツール活用: LLMO専用のモニタリングツール（国内外で複数登場している）を使ってダッシュボード管理
• スプレッドシート＋手動: 小規模の場合は週次で手動収集し、Googleスプレッドシートで集計

ステップ3: SoVとポジションの集計

自社のAI SoVを算出するだけでなく、主要競合3〜5社の同様の数値も収集する。相対的なシェアを把握することで、市場全体の中での自社ポジションが明確になる。

競合比較SoV = 自社SoV ÷ (自社SoV + 競合A SoV + 競合B SoV + …) × 100

ステップ4: トレンド管理とアラート設定

月次でのSoV変動が±5ポイント以上あった場合はアラートを出す運用が一般的だ。変動の原因として多いのは「競合による大型コンテンツ投下」「モデルのアップデート」「自社の新規メディア露出」などだ。

競合のSoVギャップ分析手順も合わせて確認しておくと実務に役立つ。

AI SoVを高める改善戦略

AI SoVを改善するための施策は、大きく「コンテンツ量・質の拡充」と「外部言及の強化」に分けられる。

コンテンツ側の施策

1. 構造化された比較・推薦コンテンツの充実

生成AIが回答を生成する際、「カテゴリ名 + おすすめ」「課題 + 解決策」という文脈でブランドが言及されたコンテンツを学習・参照している傾向がある。自社サイトおよびメディア掲載記事内に、こうした文脈での言及を増やすことが基本施策だ。

2. 著者信頼性とE-E-A-Tの強化

特にGemini・Copilotへの影響度が高い。著者プロフィールの充実、専門家インタビューの掲載、査読済みコンテンツの明示が効果的とされる。

3. 構造化データ（Schema.org）の実装

Organizationスキーマ・ProductスキーマによるブランドエンティティのKG（ナレッジグラフ）登録が、ChatGPTおよびGeminiのSoV向上に寄与するとの報告がある。

外部言及の施策

1. 業界メディアへの露出増

Perplexityはリアルタイム検索を多用するため、業界ニュースサイトやQ&Aプラットフォームでの言及が直接SoVに影響しやすい。プレスリリース配信・専門メディアへの寄稿が有効だ。

2. ユーザーレビューの量と質

G2・Capterra・Product Huntなどのレビューサイトでの言及は、複数モデルの回答生成時に参照されることが確認されている。レビュー数・スコアの改善がSoV向上に間接的に寄与する。

3. ウィキペディア・業界Wikiへの記載

権威性の高い情報源への自社情報の掲載はエンティティ認識を強化し、特にChatGPTのSoVに効果があるとされる。

AI検索での引用率とプラットフォーム別比較も参照されたい。またAI引用率20%ベンチマークは業界平均の目安として役立つ。

AI SoVとAI SOM（Share of Market）の違い

AI SoVと混同されやすい指標にAI Share of Market（AI SOM）がある。

SoVは「AIに言及されているか」という認知レベルの指標であり、SOMはその言及が実際のビジネス成果（クリック・問い合わせ・購買）につながっているかを示す。

マーケティングファネルの観点では、SoVを上流指標・SOMを下流指標として並べて管理するのが理想的だ。SoVが高くてもSOMが低い場合は、「言及されているが購買意欲の低いコンテキストでしか言及されていない」可能性を疑う必要がある。

ブランドKPIの再設計と引用・言及指標の位置づけも参考になる。

単一モデル測定の落とし穴

最後に、単一モデルだけでAI SoVを測定することの具体的なリスクを整理しておく。

落とし穴1: 過大評価のリスク

自社コンテンツがChatGPTの学習データに多く含まれているためにSoVが高く見えても、Geminiでは全く言及されないケースが起こりうる。「ChatGPTでのSoVが30%だから問題ない」という判断が誤りになる。

落とし穴2: アップデートショックの見逃し

GPT系モデルのアップデートでSoVが20%から8%に急落しても、そのモデルしか測定していなければ即座に検知できる。しかし複数モデルを監視していれば、「ChatGPTは急落したがPerplexityは安定している」という差分から原因分析のヒントが得られる。

落とし穴3: 競合の動向見落とし

競合ブランドが特定モデルのSoV最適化に注力し始めた場合、単一モデル測定では「自社のSoVは変わっていないが競合に相対シェアを奪われた」という変化を見落とす可能性がある。

リスティクル形式でのAI SoV研究事例も合わせて参照いただきたい。

AI SoVの概念と実践的な測定・改善についてはAI検索最適化ガイドおよびLLMO完全ガイドでより詳しく解説している。SEOとLLMOの統合戦略についてはSEO×LLMOハイブリッド戦略を参照されたい。

よくある質問

Q1. AI Share of Voiceはどのツールで測定できますか？

2026年時点では、専用のLLMOモニタリングツール（Profound・Share of Voiceなど）のほか、各モデルのAPIを活用したスクリプト自動化、またはスプレッドシートによる手動集計の3手法が主流だ。予算規模と測定頻度に応じて選択するとよい。

Q2. どのくらいのプロンプト数で測定すれば信頼性が高まりますか？

最低50本、理想的には100〜200本のプロンプトセットが推奨される。プロンプト数が少ないほど測定誤差が拡大するため、カテゴリKW型・課題解決型・比較型の3種類をバランスよく用意することが重要だ。

Q3. AI SoVの測定頻度はどのくらいが適切ですか？

月次測定が最低ラインとされる。競合が多い業界や、モデルアップデートが頻繁な時期は週次での測定が望ましい。測定コストとのバランスを見ながら設計するとよい。

Q4. 競合のAI SoVはどうやって調べますか？

自社測定と同じプロンプトセットを使い、競合ブランド名がAI回答に含まれる回数をカウントするだけで算出できる。APIを使って自動化すれば、自社と競合を同時に追跡することが可能だ。

Q5. AI SoVが低い場合、最初に手をつけるべき施策は何ですか？

まず「自社ブランド名＋カテゴリ名」でウェブ上の言及量を確認することを勧める。業界メディアへの露出・レビューサイトの件数が少ない場合は、外部言及の強化が最も即効性が高い施策となることが多い。

Q6. ChatGPTとGeminiでSoVの差が大きいのはなぜですか？

両者の回答生成メカニズムが異なるためだ。ChatGPTは事前学習データへの依存度が高く、Geminiはリアルタイムのインデックスと連動する度合いが強い。コンテンツ戦略と検索インデックス最適化を並行して進めることで差を縮めやすくなる。

Q7. SoVが高くても問い合わせが増えない場合はどう考えますか？

SoVが高くても「購買意欲の低いコンテキスト」での言及が多い可能性がある。言及されているプロンプトの種類（情報収集型か購買検討型か）を分析し、商談に近いクエリでの言及率を別途集計することを勧める。

Q8. 加重AI SoVと通常のAI SoVはどちらを優先すべきですか？

測定の安定性を優先するなら通常のAI SoVを、影響度の精度を高めたいなら加重AI SoVを使うとよい。まず通常のAI SoVで測定基盤を構築し、データが蓄積されてから加重版に移行するアプローチが現実的だ。

Q9. プロンプトセットは一度作ったら変更しなくていいですか？

定期的な見直しが必要だ。業界トレンドの変化・新製品カテゴリの登場・競合の新施策などによってユーザーが実際に投げるプロンプトは変化する。四半期に一度はプロンプトセットを更新することを推奨する。

Q10. 日本語と英語でAI SoVは別々に測定すべきですか？

言語によって言及パターンが異なるため、グローバル展開をしている場合は別々に測定することを推奨する。日本語プロンプトには日本のユーザーが使う言い回しを反映させることが精度向上のポイントだ。

関連用語

• ブランドメンション
• Perplexity
• ChatGPT Search
• Gemini SEO
• LLMO
• GEO（Generative Engine Optimization）
• AEO（Answer Engine Optimization）
• LLM（大規模言語モデル）

関連記事

• AI検索最適化ガイド 完全版
• LLMO完全ガイド：生成AI時代のコンテンツ戦略
• SEO×LLMOハイブリッド戦略 2026年版
• AI検索Share of Voice測定の実践手法
• AI可視性：競合SoVギャップ分析の進め方
• 競合SoVギャップ分析：AI検索実証研究
• AI可視性を測る7つの指標フレームワーク2026
• ChatGPT・Perplexity・Grokの引用率比較