ブランド推薦率とは｜AI検索の新指標Recommendation Rateの計測法

ブランド推薦率とは｜AI検索の新指標Recommendation Rateの計測法

この記事の結論: 「言及されている」と「選ばれている」は別物だ。ChatGPTやPerplexityに「おすすめは？」と聞いたときに自社ブランドが実際に推薦される割合＝ブランド推薦率（Recommendation Rate）は、Mention Rate（言及率）やCitation Rate（引用率）よりも購買・選択行動に近い指標である。プロンプト設計→複数AIでの実測→言及順位別の集計という手順で計測し、1〜2週間でベースラインを取ったうえで3ヶ月後に「現状+Xpt」の目標を設定する運用が実務的だ。

最終更新日: 2026年7月2日

---

はじめに

「自社サイトがAI検索にどれだけ引用されているか」を気にする企業は増えた。だが、引用や言及の先にある「AIが実際に自社を選んで薦めてくれているか」まで踏み込んで計測している企業はまだ少ない。ユーザーがAIに「〇〇のおすすめは？」「〇〇を探しているけどどれがいい？」と尋ねたとき、回答の中で自社ブランドが名指しで推薦されるかどうか――これがブランド推薦率（Recommendation Rate）だ。

本記事では、Mention Rate・Citation Rate・Sentimentという既存の指標群とブランド推薦率がどう違うのか、なぜ推薦率が「AIに選ばれているか」を測る最も実務的な指標なのかを整理する。そのうえで、プロンプト設計から複数AIでの実測、言及順位別の集計、KPI設定、よくある失敗まで、明日から着手できる手順に落とし込む。

---

ブランド推薦率（Recommendation Rate）とは何か

ブランド推薦率とは、AIに「おすすめは？」「一番良いのはどれ？」といった選択・比較を促すプロンプトを投げたとき、回答内で自社ブランドが推薦候補として挙げられた割合を指す。計算式は次のとおりだ。

推薦率（%）＝ 自社が推薦された回答数 ÷ 投入した推薦系プロンプト数 × 100

たとえば「業界内おすすめツール」を尋ねる推薦系プロンプトを20本用意し、うち6本の回答で自社ブランドが候補として挙げられていれば、推薦率は30%となる。単に名前が出る「言及」とは異なり、ユーザーの意思決定を左右する文脈で名指しされているかを測る点が特徴だ。

重要なのは、推薦の「有無」だけでなく「何番目に挙げられたか」まで見ることである。3候補中1番目に挙げられるのと、5候補中最後に付け足しで挙げられるのとでは、実質的な価値がまったく異なる。この言及順位の扱いは後述する。

---

4指標の違い：Mention Rate・Citation Rate・Recommendation Rate・Sentiment

AI検索の効果測定でよく混同される4つの指標を整理する。

言及率は「知られているか」、引用率は「情報源として信頼されているか」を示すのに対し、推薦率は「比較・選択の場面で名前が挙がるか」を示す。この4つは独立した軸であり、言及率が高くても推薦率が低いブランドは珍しくない。名前は知られていても、いざ「どれがいいか」という段になると競合が優先される、というケースだ。

---

なぜ「推薦率」が重要なのか：言及から選択へ

AI検索が普及するほど、ユーザーは検索結果一覧を見比べるのではなく、AIの回答をそのまま意思決定の材料にする傾向が強まる。つまりAIの回答内で候補に入らなければ、そもそも比較検討の土俵に上がれない。

言及率や引用率は「存在の可視化」を測る指標として重要だが、それだけでは事業成果に直結しない。ユーザーが実際に行動を起こすのは、AIが「これがおすすめです」と背中を押した瞬間だ。ブランド推薦率は、この意思決定の瞬間に自社がどれだけ入り込めているかを直接示す点で、他の指標より一段ビジネス成果に近い。

さらに推薦率は競合との差を鮮明にする。同じプロンプトに対して自社は言及されるが推薦はされず、競合は推薦候補として名指しされる――このギャップが可視化されて初めて、コンテンツ改善の優先順位が明確になる。

---

計測ステップ1：推薦を引き出すプロンプト設計

推薦率を正しく測るには、単なる情報収集型ではなく「比較・選択」を促すプロンプト設計が欠かせない。手順は次の3段階だ。

1. 想定ユーザーの意思決定シーンを洗い出す：「〇〇 おすすめ」「〇〇 比較 どっちがいい」「〇〇を探しているが候補を教えて」といった、実際のユーザーが選択に迷う場面の言い回しを列挙する。
2. プロンプトのバリエーションを揃える：抽象度の異なる質問（業界全体を聞く／特定用途に絞る／価格帯を指定する）を最低10〜20本用意し、特定の言い回しへの偏りを避ける。
3. 自然文と検索的な短文の両方を混ぜる：ChatGPTには対話的な自然文、Perplexityには検索クエリに近い短文が効きやすいなど、AIごとの入力傾向の違いも考慮する。

このとき「自社名を含むプロンプト」は避ける。自社名を入れれば当然自社が回答に登場しやすくなり、実態を反映しない数値になるためだ。あくまでユーザー視点の中立なプロンプトで計測する。

---

計測ステップ2：複数AIでの実測と言及順位別の集計、手動検索の頻度

プロンプトが揃ったら、ChatGPT検索・Perplexity・Gemini・AI Overviewsなど複数のAIに同一プロンプトを投入し、回答を記録する。1つのAIだけで判断すると、そのAI固有の癖を業界全体の傾向と誤認するリスクがあるため、最低でも2〜3種類のAIで横断的に計測することが望ましい。

集計時は、単純な「推薦されたか否か」の二値ではなく、言及順位別に重み付けして扱う。

• 1番目に推薦：加重ポイント高
• 2〜3番目に列挙：中程度
• 末尾に付け足し的に言及：低評価、実質的には推薦率に含めないという判断もあり得る

手動での実測頻度は、施策直後は週次、通常運用では月次を目安にする。AIモデル側の情報反映には数週間のラグがあるため、毎日の変動に一喜一憂せず、一定期間の傾向で評価する姿勢が重要だ。同一プロンプトセットを固定し、条件を揃えたうえで継続的に記録することが、数値の比較可能性を担保する。

---

KPI設定とベースライン計測、定期レポートの設計

推薦率のKPI運用は、次の流れで設計する。

1. ベースライン計測（1〜2週間）：前述のプロンプトセットで現状の推薦率を実測し、出発点の数値を確定する。
2. 目標設定（3ヶ月後）：ベースラインに対し「現状+Xpt」という形で具体的な上乗せ目標を設定する。いきなり高い絶対値を狙うのではなく、自社の現在地からの伸び幅で管理するのが現実的だ。
3. 月次進捗確認：月に一度、同一条件でプロンプトを再投入し、推薦率・言及順位の変化を記録する。
4. 定期レポートの設計：推薦率・言及率・引用率・Share of Voiceを1枚のダッシュボードにまとめ、施策実施内容と数値変化を並べて記録する。数値の羅列だけでなく「何をしたら何が変わったか」という因果の仮説を添えることが、次のアクションにつながる。

---

よくある計測の失敗3つと無料で使えるLLMO/AIO計測ツール3選

推薦率・引用率の計測でつまずきやすい失敗は次の3つだ。

1. ツール依存になり実態と乖離する：自動計測ツールのスコアだけを信じ、実際にAIへ質問して確認する作業を怠ると、ツール固有のロジックに引きずられた数値を鵜呑みにしてしまう。
2. 月次計測だけで満足してしまう：月1回の定点観測だけでは施策と数値変化の因果関係が見えにくい。重要な施策実施時は前後で手動確認を挟むべきだ。
3. 数値を見るだけで改善に着手しない：推薦率が低いという事実を把握しても、原因分析とコンテンツ改善に落とし込まなければ数値は動かない。計測はゴールではなく起点である。

無料で使えるLLMO/AIO関連の計測手段としては、次の3つが実務でよく使われる。

1. 各AIの公式チャットUIでの手動プロンプト投入：ChatGPT・Perplexity・Gemini・Copilotなどの無料枠で直接質問し、回答をスプレッドシートに記録する最も基本的な方法。
2. Google Search ConsoleのAI Overviewsフィルタ：検索パフォーマンスレポートでAI Overviews経由の表示回数・クリックを無料で確認できる。
3. 無料のAI検索チェック系Webツール：クエリを入力して主要AIでの見え方をまとめて確認できる無料ツールが複数公開されており、簡易スクリーニングに活用できる。

いずれも精度には限界があるため、複数の手段を組み合わせて数値のブレを補正する運用が現実的だ。

---

よくある質問

Q1. ブランド推薦率とMention Rateの一番の違いは何ですか?

推薦率は「おすすめは？」への回答で候補に挙がった割合、言及率は名前が出た割合全般を指す点が異なる。

Q2. 推薦率は何回のプロンプトで計測すれば十分ですか?

最低でも10〜20本の推薦系プロンプトを用意し、複数AIに投入したうえで平均値を見るのが目安になる。

Q3. 自社名を含むプロンプトで計測してもよいですか?

避けるべきだ。自社名を含めると回答に登場しやすくなり、実態と乖離した数値になってしまう。

Q4. 複数のAIで結果が大きく異なる場合はどう判断すべきですか?

1つのAIの癖である可能性が高い。全AIの平均と、AIごとの差分の両方を記録して傾向を分けて見る。

Q5. 言及順位はどのように集計に反映させればよいですか?

1番目・2〜3番目・末尾付け足しの3段階で重み付けし、単純な出現有無より実態に近い評価にする。

Q6. KPIの目標値はどう設定すればよいですか?

絶対値ではなく、1〜2週間で取ったベースラインに対する「現状+Xpt」という伸び幅で3ヶ月後の目標を設定する。

Q7. 推薦率が低い場合、まず何を改善すべきですか?

比較・選定記事でのFAQ構造や具体的数値の明示を強化し、AIが推薦しやすい根拠情報を増やすことが有効だ。

Q8. 無料ツールだけで計測を続けても問題ありませんか?

補助的には有効だが限界もある。手動でのAI直接確認と組み合わせ、月次で実態を検証することを推奨する。

---

関連用語

• ブランドメンション
• AEO
• AIO
• LLMO
• Perplexity
• ChatGPT検索

---

関連記事

ピラー記事

• LLMO完全ガイド：AI検索時代の最適化戦略
• AI検索最適化ガイド：GEO・LLMO実践入門
• SEO・LLMOハイブリッド戦略2026

クラスター記事（ai_search）

• AI Search Share of Voice の計測方法
• AI可視性を測る7つの指標フレームワーク2026
• AI検索KPI新指標2026：引用頻度・AI可視性の設計
• ブランド言及率17%ベンチマーク：日本語AI検索の実測
• AI引用率20%ベンチマーク｜プラットフォーム別実測