Blind Spotとは？Human AI LabsのAI可視性診断を解説

Blind Spotとは？Human AI LabsのAI可視性診断を解説

この記事の結論: ルーマニアのスタートアップHuman AI Labsが2026年8月に公開した「Blind Spot」は、ウェブサイトが生成AI（ChatGPT・Perplexity・Gemini・Claude・Google AI Overviews）にどれだけ理解され、引用され、推薦されうるかを70の技術・コンテンツ基準で採点する診断ツールだ。最大の特徴は、AIモデル自身に「このブランドは信頼できるか」と問いかけて評価する多くの競合ツールと異なり、AIを一切評価プロセスに関与させない決定論的な採点方式を採用している点にある。ベータ期間中に監査されたルーマニアの複数サイトの平均スコアは100点満点中48点にとどまり、構造化データの不備や引用しにくいコンテンツ構成が主な減点要因として浮かび上がった。2026年8月時点で日本語の解説記事は見当たらず、本記事が先行整理となる。

最終更新日: 2026年8月28日

はじめに

検索の主戦場がGoogleの検索結果ページから、ChatGPTやPerplexity、Google AI Overviewsのような生成AIの回答欄へと広がりつつある。この変化に対応するため、自社サイトが生成AIにどう見えているかを数値で診断するツール群が2025年から2026年にかけて相次いで登場した。Profound、Otterly、AthenaHQ、CiteMetrixといった名前は本サイトでもたびたび取り上げてきたが、それらの多くに共通するのは「AIモデル自体に質問を投げ、その回答内容からブランドの扱われ方を推測する」という手法だ。

一方、2026年8月にルーマニアのスタートアップHuman AI Labsが公開した「Blind Spot」は、この主流のアプローチとは一線を画す。AIに問いかけて評価する代わりに、クロール可否や構造化データの実装状況、コンテンツの意味的な明瞭さといった技術要素を機械的に採点する仕組みを選んだ。開発陣は、AIモデルの回答は同じ質問でも実行のたびに揺らぎうるため、そこに評価の土台を置くこと自体に再現性の課題があると考えたようだ。

本記事執筆時点（2026年8月28日）で、Blind Spotを扱う日本語記事はGoogle検索上で確認できず、出典はRomania InsiderやルーマニアのITメディアClubITCといった現地媒体の英語・ルーマニア語記事に限られる。本記事ではこれら一次情報をもとに、Blind Spotの仕組みと、日本のサイト運営者がこの動きから何を学べるかを整理する。

現時点のAI可視性診断市場を俯瞰すると、ツールごとに測っている対象が微妙に異なることに気づく。あるツールは生成AIの回答文に自社ブランドが登場した回数を追跡し、別のツールは競合との言及シェアを比較する。こうした「結果側」の計測が主流を占める中で、Blind Spotは「その結果を生み出す土台がどれだけ整っているか」という、より手前の工程に焦点を当てている点で独自の立ち位置を築こうとしている。この違いを理解しておくと、複数のツールを比較検討する際に混乱しにくくなる。

Blind Spotとは何か

Blind Spotは、ルーマニアのスタートアップHuman AI Labsが開発したウェブサイト向けAI可視性診断プラットフォームだ。入力したURLを解析し、ChatGPT・Perplexity・Gemini・Claude・Google AI Overviewsといった主要な生成AIシステムに「理解され、引用され、推薦されうるか」を評価してスコア化する。2026年8月にRomania Insiderやルーマニア国内のITメディアが相次いで報じたことで、現地スタートアップコミュニティで注目を集めた。

背景にあるのは、企業のオンライン上での発見経路が急速に変化している現実だ。従来のSEOは検索エンジンのクローラーとランキングアルゴリズムを対象にしていたが、生成AIは検索結果の一覧ではなく単一の回答文を提示する。そのため「どのページが引用元として選ばれるか」「AIがブランドをどう説明するか」という、これまで測定手段がほとんど存在しなかった領域を可視化する必要性が高まっていた。Human AI Labsは、この空白を埋める診断ツールとしてBlind Spotを位置付けている。

ツールの基本的な使い方は、対象サイトのURLを入力すると自動的にクロールと解析が走り、70項目の基準に沿ってAI可視性スコアが算出されるというシンプルな構成だ。スコアは単一の総合点だけでなく、後述する複数の評価カテゴリごとの内訳としても提示されるため、どの領域が弱点になっているかを把握しやすい設計になっている。

70の評価基準の内訳

Blind Spotの診断は、大きく分けて次のような領域にまたがる70の技術的・コンテンツ関連の基準で構成されている。それぞれの領域が何を見ているのかを整理すると、生成AI時代のサイト設計で押さえるべきポイントの全体像が見えてくる。

この6領域という分類そのものは、GEO（Generative Engine Optimization）やAEO（Answer Engine Optimization）と呼ばれる分野で以前から語られてきた評価軸とおおむね重なる。Blind Spotの意義は、これらを個別のチェックリストとしてではなく、70項目という具体的な数に落とし込み、単一のスコアとして提示した点にある。診断結果を見た担当者が「自社サイトのどこが弱いか」を項目単位で把握できるようにすることで、改善の優先順位付けを助ける設計と言える。

注目したいのは、この6領域のうち少なくとも4つ（構造化データ、意味的な明瞭さ、引用しやすいコンテンツ、信頼シグナル）が、コンテンツ制作者・編集者が自らの裁量でコントロールできる範囲に収まっている点だ。「AIクローラーのアクセス可否」はエンジニアリング側の対応が必要になる場面が多く、「デジタル権威性」は外部からの評価に依存する部分が大きいのに対し、残る4領域は文章の書き方やマークアップの実装を見直すだけで着手できる。つまりBlind Spotのスコアの半分以上は、専任のSEO担当者がいない小規模な運営体制であっても、時間をかければ自力で底上げできる余地があるということになる。

AIを評価に使わない「決定論的スコアリング」という設計思想

Blind Spotの最大の差別化ポイントは、スコア算出の過程にAIモデルの判断を一切介在させていない点にある。現在のAI可視性診断市場では、多くのツールが生成AI自身に「このブランドをどう評価するか」「この情報源は信頼できるか」といった問いを投げかけ、その回答をスコアの根拠にする手法を採っている。この方式は実際のユーザー体験に近い形でAIの挙動を模擬できる利点がある一方、同じ問いを同じサイトに対して実行しても、モデルのバージョンやプロンプトの微妙な違い、あるいは単純な確率的なブレによって結果が変動しうるという弱点を抱えている。

Human AI Labsはこの点に着目し、Blind Spotのスコアリングを完全に決定論的な基準だけで構成する設計を選んだ。robots.txtでAIクローラーがブロックされているかどうか、JSON-LDが実装されているかどうか、見出し階層が論理的に組まれているかどうかといった項目は、AIに尋ねるまでもなく機械的に判定できる。こうした技術的事実の集合だけでスコアを組み立てることで、同じサイトに対して同じ結果が再現される仕組みを実現している。

この設計思想を評価するかどうかは立場によって分かれるところだろう。決定論的な基準は再現性と説明可能性に優れる一方、「AIが実際にそのブランドをどう語るか」という、より生々しい生成結果そのものを直接には計測していない。つまりBlind Spotが測っているのは「AIに好かれるための土台が整っているか」であり、「実際にAIがどう答えるか」を測る他ツールとは異なるレイヤーの指標だと理解しておく必要がある。両者は対立するものではなく、技術的な土台診断と生成結果のモニタリングを組み合わせて使うことで補完関係になりうると考えられる。

ベータ期間の実測データが示すもの

Human AI Labsはツールの正式公開に先立ち、ベータ期間中にルーマニア国内の複数のウェブサイトを対象にした監査を実施している。Romania Insiderの報道によれば、この監査で得られた平均AI可視性スコアは100点満点中48点にとどまった。多くのサイトが、生成AIに理解・引用されるための土台の半分程度しか整っていなかったことになる。

監査で最も多く見つかった問題点として報じられているのは、次の4つだ。

• 不完全な構造化データ: JSON-LDなどのマークアップが一部のページにしか実装されていない、あるいは型指定が不正確なケースが目立った
• 引用しにくいコンテンツ: 結論や数値が長い文章の中に埋め込まれ、AIが単独の文として抜き出しにくい構成になっているケースが多かった
• 不明瞭な権威シグナル: 著者情報や運営組織の実態が明示されておらず、AIが情報源としての信頼度を判断しづらい状態のサイトが多かった
• 参照ソースへの露出の一貫性の欠如: 外部からの言及や引用が特定のページに偏り、サイト全体としてAIが参照しうる情報源としての露出が一貫していなかった

この4項目は、いずれも冒頭で紹介した6つの評価カテゴリのうち「構造化データ」「引用しやすいコンテンツ」「デジタル権威性」「信頼シグナル」に対応する。逆に言えば、「AIクローラーのアクセス可否」や「意味的な明瞭さ」については比較的問題が少なかったことがうかがえる。多くのサイトがすでにクロール自体は許可し、文章としての読みやすさもある程度確保している一方で、AI向けに情報を構造化し、権威性や信頼性を明示的なシグナルとして提示する作業までは手が回っていない、という構図が見えてくる。

AI可視性スコア70以上とはどのような状態か

Blind Spotが示す48点という平均値の意味を理解するには、業界で語られているスコアの目安を押さえておくと判断しやすい。AI可視性スコアを扱う海外のツールベンダーやマーケティング系メディアの解説では、おおむね次のような水準感が共有されている。

この目安に照らすと、ベータ期間の平均48点は「一部では拾われるが、一貫した推薦にはほど遠い」という中間層に位置する結果だったことになる。裏を返せば、多くのサイトにとって70点という水準は決して届かない目標ではなく、構造化データの整備や引用しやすい文章構成といった、技術的に対応可能な改善の積み重ねで到達しうる射程に入っていると読み取れる。

なお、スコアの絶対値は算出ロジックがツールによって異なるため、Blind Spotの48点と他ツールが出すスコアを単純比較することはできない点には注意したい。重要なのは絶対値そのものより、同一ツール内でのカテゴリ別内訳を継続的に追いかけ、どの領域から改善すべきかを把握することだろう。

決定論的スコアリングと生成AIモニタリングをどう使い分けるか

先述の通り、Blind Spotのような決定論的な診断ツールと、生成AIに直接問いかけて回答を追跡するモニタリングツールは、測定対象のレイヤーが異なる。両者の役割分担を整理すると次のようになる。

この整理から導ける実務上の指針はシンプルだ。まず決定論的な診断で技術的な土台の穴を塞ぎ、その上で生成AIモニタリング型のツールを使って実際の露出状況を継続的に観測する、という二段構えが合理的だろう。土台が整っていない状態でモニタリングだけを続けても、なぜ引用されないのかという原因が技術面にあるのか、コンテンツの内容面にあるのかを切り分けにくい。逆に土台さえ整えれば自動的に引用が増えるとも限らないため、どちらか一方だけで完結させるのではなく、両輪として運用する発想が求められる。

日本のサイト運営者がこの動きから学べること

Blind Spotはルーマニア国内向けのベータ運用を経た段階のツールであり、2026年8月時点で日本語UIや日本市場向けの提供が確認されているわけではない。しかし、その評価軸自体は言語や地域を問わず参考になる。ここでは、Blind Spotが採用している6つのカテゴリに沿って、日本のサイト運営者が自社で実施できるセルフチェックの視点を整理する。

1. AIクローラーのアクセス可否を確認する: robots.txtでGPTBot・PerplexityBot・ClaudeBot・Google-Extendedなどの主要AIクローラーを意図せずブロックしていないかを確認する。あわせて、llms.txtの設置を検討する余地がないかも見ておきたい。
2. 構造化データの実装範囲を棚卸しする: 記事ページ・FAQページ・商品ページなど、ページ種別ごとにJSON-LDが実装されているかを一覧化する。実装済みでも型指定や必須プロパティに漏れがないか、Googleのリッチリザルトテストなどで検証する。
3. 見出し構造と段落設計を見直す: 1つの見出しの下に複数の論点を詰め込んでいないか、結論を先に述べる段落構成になっているかを点検する。
4. 引用されやすい文の作り方を意識する: 数値・定義・結論を、前後の文脈に依存せず単独で成立する一文として書けているかを確認する。箇条書きや表への言い換えも有効な手段だ。
5. 著者情報・運営組織の明示を強化する: 記事ごとに執筆者・監修者の情報を明示し、運営会社の実態（所在地・連絡先・沿革）が確認できるページを整備する。
6. 外部からの言及の広がりを把握する: 自社ブランド名やサイト名がどのメディア・どのサイトから言及されているかを定期的に検索し、露出が特定のページに偏っていないかを確認する。

これら6つの視点は、いずれも既存のGEO・AEOの実践で語られてきた内容と重なる部分が大きい。Blind Spotの登場が示しているのは、こうした個別の施策をバラバラのチェックリストとして扱うのではなく、70項目・単一スコアという形に統合して継続的に測定する潮流が海外で始まっているということだ。日本語サイトに対してBlind Spotをそのまま適用できるかは未確認だが、評価の枠組みそのものを自社のセルフチェックリストに落とし込むことは、ツールの提供地域にかかわらず今すぐ着手できる取り組みと言える。

よくある質問

Q1. Blind Spotとは何をするツールですか?

ウェブサイトが生成AIにどれだけ理解・引用・推薦されうるかを70の基準でスコア化する診断ツールです。

ルーマニアのスタートアップHuman AI Labsが2026年8月に公開し、ChatGPT・Perplexity・Gemini・Claude・Google AI Overviewsを対象とした可視性を評価します。URLを入力するとクロールと解析が実行され、総合スコアとカテゴリ別の内訳が提示される構成になっています。

Q2. 「AIを評価に使わない」とはどういう意味ですか?

スコア算出の過程で生成AIモデルに質問を投げず、技術的な事実だけを機械的に採点するという意味です。

多くの競合ツールはAIモデル自身に「このブランドは信頼できるか」といった問いを投げて回答からスコアを導きますが、この手法はモデルのバージョンや実行タイミングによって結果が揺れるリスクを伴います。Blind Spotはrobots.txtの設定や構造化データの有無など、誰が判定しても同じ結果になる項目だけでスコアを構成することで、再現性を優先した設計を採っています。

Q3. AIに評価させるツールと決定論的に評価するツールはどう違いますか?

前者は生成結果そのものを、後者は生成結果を生み出す土台の整備状況を測っている点が異なります。

AIに評価させる方式は実際のユーザー体験に近い形でブランドの扱われ方を確認できますが、結果が変動しやすいという弱点があります。決定論的な方式は再現性に優れる一方、「実際にAIがどう語るか」という生成結果そのものは直接には測れません。両方の指標を組み合わせて使うことで、土台の整備状況と実際の露出状況の両面を把握しやすくなります。

Q4. ベータ期間の平均スコア48点は何を意味していますか?

診断対象になったサイトの多くが、AIに理解・引用されるための土台の半分程度しか整備できていなかったことを示しています。

不完全な構造化データ、引用しにくいコンテンツ構成、不明瞭な権威シグナル、参照ソースへの露出の偏りという4つの問題が特に多く見つかっており、これらは技術的な改善で対応可能な領域に集中しています。

Q5. AI可視性スコア70以上とはどのような状態ですか?

多様なクエリタイプで一貫してトップ推薦として登場する、強力なAI可視性を確立した状態を指す業界の目安です。

40〜70点は一部のクエリで引用されるがムラがある中間層、40点未満は技術的な土台整備から着手すべき水準とされています。この目安に照らすと、ベータ期間の平均48点は中間層の下寄りに位置する結果だったと整理できます。

Q6. 日本のサイトでも同じような問題が起きやすいのでしょうか?

構造化データの未整備や引用しにくい文章構成は、言語を問わず起きやすい傾向にあります。

日本語サイトは長文の中に結論を埋め込む文章スタイルが比較的多く、AIが単独の文として抜き出しにくい構成になりやすい面があります。また記事単位での著者情報明示が徹底されていないサイトも少なくなく、権威性・信頼シグナルの観点で同様の弱点を抱えやすいと考えられます。

Q7. Blind Spotは日本語サイトにそのまま使えますか?

2026年8月時点で日本市場向けの提供や日本語対応は確認できていません。

Human AI Labsはルーマニア国内向けのベータ運用を経た段階のツールであり、日本語コンテンツの意味的な明瞭さや引用しやすさをどこまで正確に判定できるかは未検証です。導入を検討する場合は、まず英語圏向けの提供状況や日本語対応の予定を公式情報で確認することを推奨します。

Q8. Blind Spotを使わずに同じような自己診断はできますか?

70の評価カテゴリの考え方を参考に、robots.txtや構造化データ、著者情報の明示状況を自社で棚卸しすることで近い効果が得られます。

クローラーのアクセス可否、構造化データの実装範囲、見出し構造、引用されやすい文の書き方、著者情報の明示、外部からの言及の広がりという6つの視点で自社サイトを点検すれば、ツールを使わなくてもおおむね同じ枠組みでの自己診断が可能です。

Q9. Human AI Labsとはどのような会社ですか?

ルーマニアを拠点とするスタートアップで、生成AI時代のウェブサイト可視性診断を専門に手がけています。

2026年8月にBlind Spotを公開し、Romania InsiderやルーマニアのITメディアClubITCが立て続けに報じたことで、現地のスタートアップコミュニティで注目を集めました。本記事執筆時点で日本語圏での認知はまだ広がっていない段階です。

Q10. 構造化データを整備すればAI可視性スコアは改善しますか?

構造化データの整備は改善に寄与する一因ですが、単独の対策だけで大きく改善するとは限りません。

Blind Spotのベータ調査では構造化データの不備が最も多い問題点として挙がった一方、引用しやすいコンテンツ構成や権威性・信頼シグナルの明示も同時に指摘されています。複数のカテゴリを並行して底上げする方が、スコア改善の近道になると考えられます。

関連用語

• GEO
• AEO
• 構造化データ
• クローラー
• E-E-A-T
• スキーマドットオルグ
• ブランドメンション

関連記事

• AIOGEOScan（Bennu）とは？AIO・GEO診断ツールを徹底レビュー
• Knowatoaとは？AI可視性BISCUITフレームワークを解説
• GrackerAIとは？AI可視性ツールを徹底レビュー
• GEOkeyとは？GEO特化SaaSプラットフォームを解説
• OneIMSのAI可視性監査とは？製造業向けAudit徹底解説
• Hall AIとは？エージェント分析×AI可視性ツールを徹底レビュー【2026年】
• AI検索最適化ガイド
• LLMO完全ガイド
• Visaible AIとは？ホテル特化AI可視性プラットフォームを解説
• DealerOnのOnPromptとは？自動車ディーラー向けAI可視性ツール解説
• HG Insights Customer Voiceとは？GEO対応B2Bレビュー機能を解説
• Somantra AI Brand Engagement Scoreとは？新指標を日本語で解説