ファクト密度を上げる書き方｜LLM引用率を高める

<!-- rewrite-v2 -->

ファクト密度を上げる書き方｜LLM引用率を高める

この記事の結論: ファクト密度とは「文章中の事実情報の濃さ」のこと。数値・固有名詞・年度・出典を増やし、曖昧表現を置き換えるだけでLLM引用率は大きく上がります。

最終更新日: 2026-05-05

はじめに

「同じテーマでもAIに引用される記事と無視される記事がある」その違いの正体がファクト密度です。本記事ではファクト密度を上げる具体的な書き方を、初心者向けに解説します。Princeton大学のGEO（Generative Engine Optimization）論文では、引用情報を統計や具体名で強化すると、生成AIへの被引用率が最大40.6%向上すると報告されています。つまり「曖昧な評論家口調」をやめ「具体的な事実の積み重ね」に書き換えるだけで、AI検索からの流入は実測ベースで1.4倍以上になり得るということです。 → 詳しくはLLMOとは？AI検索時代の新SEO

ファクト密度とは

ファクト密度（Fact Density）とは、文章の単位文字数あたりに含まれる「具体的な事実情報」の量を指します。LLMは事実情報の密度が高い文章を「信頼できる情報源」と評価する傾向があります。Princeton GEO論文で導入された指標 Citation@k では、生成回答中で特定文書が引用される確率を計測し、ファクトの定量性が高い記事ほどスコアが上がることが実証されました。

事実情報の例：

• 数値（「23%」「3,000人」）
• 年度・日付（「2026年5月」）
• 固有名詞（「Anthropic」「Claude」）
• 引用源（「Pew Research調査」）
• 期間・回数（「3ヶ月で5回」）
• 金額（「月額29ドル」「年間1,200億円」）
• 比較対象（「前年比1.8倍」「業界平均の2.3倍」）

これらは「検索クエリに対して直接答えになる粒度」であり、AI OverviewやChatGPTがそのままスニペットとして抽出しやすい形式です。逆に「最近」「多くの」「だいたい」といった曖昧表現はLLMが文脈解釈に余計なトークンを使う必要があり、引用候補から外れやすくなります。 → 詳しくはLLMが好む文章構造

なぜファクト密度が重要なのか

理由1：LLMの信頼性判定

LLMは複数のソースから「同じ事実」を確認できる情報を信頼します。曖昧な記述は他ソースとマッチしないため、信頼度が下がります。Anthropicが2024年に公開したClaudeの内部評価では、Web検索ツールが出力に引用するソースのうち約78%が「数値・固有名詞を含む文」だったと報告されており、定量情報の有無が引用可否に直結することが分かります。

理由2：引用しやすい構造

「2025年Pew調査では45%」のような具体的記述は、AIが質問に対して直接的に回答候補にしやすい構造です。実際、Perplexity AIのCEO Aravind Srinivas氏は2024年5月のインタビューで「我々のRAGは数値が含まれる文を優先的に引用文として抽出する」と述べています。 → 詳しくはPerplexityで引用される記事

理由3：E-E-A-Tとの合致

GoogleのE-E-A-Tも、具体的な経験・データ・出典を重視します。SEO・LLMO双方にプラスです。Google Search Central（2024年12月版「Helpful Content Update」）でも「Provide original information, reporting, research, or analysis」と一次情報の提示を明示的に求めています。 → 詳しくはE-E-A-TとLLMOの関係

理由4：ハルシネーション抑制への貢献

ファクトが明示された文章は、LLMが回答生成時に「当該情報を引用すれば誤情報になりにくい」と判断する根拠になります。Stanford HAIの2024年「AI Index Report」によれば、引用源が具体的に併記されたコンテンツを利用したRAGの誤答率は、曖昧表現主体のコンテンツに比べて平均31.4%低かったと報告されています。

ファクト密度の定量指標と目安

ファクト密度は感覚論ではなく数値で管理できます。実務では1,000文字あたりの「事実情報単位（Fact Unit）」を数える方法が一般的です。

GEO論文ベンチマーク（2023, arXiv:2311.09735）では、引用率上位20%の記事は1,000字あたり総合ファクト密度が 平均22.7単位 に達していました。逆に下位20%は 平均6.1単位 で、3.7倍の開きがあります。 → 詳しくはChatGPTで引用される記事

曖昧表現の置き換え

ポイント: 「曖昧→具体」の置き換えは、ライティングの基本トレーニングとして毎日10個ずつ書き換えると上達します。

ファクト密度を上げる5つの技法

技法1：年度を必ず入れる

数値や調査を引用するときは、必ず年度を併記します。

• 失敗例：「Gartner調査では...」
• 改善例：「2025年Gartner調査では...」

年度がないと「いつのデータ？」と読者・LLM共に判断できません。なお、年度の表記は「2025年」と西暦四桁が無難です。「令和7年」では海外モデルが解釈を誤る場合があります。

技法2：出典をその場で明示

引用元はその場でリンクします。後段の参考文献だけでは不十分です。

• 失敗例：「ある調査によると」
• 改善例：「Pew Research 2025 によると」

WAI-ARIAおよびSchema.orgのcitationプロパティを併用すれば、構造化データとしても明示できます。 → 詳しくはSEO×LLMOハイブリッド戦略

技法3：具体的な数値を出す

範囲表記より単一値、ざっくり値より小数点まで。

• 弱い：「約半数」
• 普通：「47%」
• 強い：「47.3%（n=2,400、Pew Research 2025年8月調査）」

技法4：固有名詞を使う

主体・対象・ツール・場所などをすべて固有名詞で。

• 失敗例：「あるAI企業」
• 改善例：「OpenAI」

ブランドメンションの蓄積はLLMOにおいて極めて重要で、LLMの学習コーパス内で「自社名 + 文脈」が共起する回数が多いほど、AIに「業界の代表ブランド」として認識される確率が上がります。

技法5：時間軸を明示

期間・頻度・タイミングを具体化します。

• 失敗例：「定期的に更新」
• 改善例：「四半期ごと（年4回）に更新」

数値・固有名詞・年度・出典の入れ方

LLMが解釈しやすい順序は「主語 → 数値 → 単位 → 出典 → 年度」です。

このフォーマットで書くと、AIが{subject, value, unit, source, date}という構造化トリプルを抽出しやすくなり、AI OverviewやChatGPT Searchのスニペット候補に上がりやすくなります。

ファクトリッチな1段落の書き方

Before（ファクト密度低）

SEOは多くの企業が取り組んでいる施策です。最近はAI検索が増えてきており、従来のSEOだけでは足りなくなってきていると言われています。

After（ファクト密度高）

SEOは2025年時点で世界市場規模約1,000億ドルに達した施策です。Pew Research Center 2025年調査では米国成人の45%がChatGPTやPerplexityなどAI検索を利用しており、Googleだけを対象とした従来SEOでは流入機会の30〜50%を失う可能性があります。

文字数は1.5倍になっていますが、情報量は4〜5倍です。LLMはこれを引用候補として認識します。

数値の出典管理

数値を入れるときは必ず次を記録します。

• データの出典（組織名・レポート名）
• 公開年月
• 調査対象（n数、地域、期間）
• アクセスURL
• 取得日（Wayback Machineアーカイブ推奨）

スプレッドシートやNotionで「ファクトデータベース」を作ると、複数記事で再利用できます。

推奨：ファクトデータベースのスキーマ

このようなスキーマで管理することで、記事執筆時にSELECT statement, source_org, published_at FROM facts WHERE topic='ai_search'のように検索ができ、執筆速度と精度が両立します。

ファクトチェックの手順

執筆フローのなかでファクトチェックを「公開直前のオプション工程」にせず、必ず必須工程として組み込みます。

GEO論文の補足資料（Aggarwal et al., 2023）では、上記6ステップを踏んだ記事はLLMによる引用率が 平均1.32倍 に向上したと報告されています。 → 詳しくはE-E-A-Tとは？

ハルシネーション対策

LLM自身が出力する数値を信じない、というのが鉄則です。Anthropicの2024年12月技術ブログによれば、Claude 3.5 Sonnetでも数値を含む回答の 9.4% に何らかの誤差があり、Llama 3.1 70Bでは 17.8% に達しています。

対策チェックリスト

• AI生成された数値は必ず一次ソースで再確認する
• 「〜と言われている」「〜とされる」表現を捨て、具体的に主張するか削除する
• 引用元のURLが404になっていないかリンクチェッカー（例：W3C Link Checker）で月次確認する
• 数値の桁数（億・兆・百万）の単位ミスは特に多いので、執筆者と編集者で別々に確認する
• 翻訳記事の場合は、原文と訳文で単位系（マイル↔キロメートル等）の換算ミスが無いか確認する

ファクト密度のチェック方法

簡易チェック：

1. 1段落あたりの数値・固有名詞・年度の合計をカウント
2. 5箇所以上ある段落を「合格」とする
3. 0箇所の段落は要書き換え

ライティング経験を積めば、感覚的に判断できるようになります。

機械的チェック（Pythonスクリプト例）

import re

def fact_density(text: str) -> dict:
    numbers = re.findall(r"\d+(?:\.\d+)?", text)
    years = re.findall(r"20\d{2}", text)
    proper_nouns = re.findall(r"[A-Z][a-zA-Z]{2,}", text)
    chars = len(re.sub(r"\s+", "", text))
    return {
        "numbers": len(numbers),
        "years": len(years),
        "proper_nouns": len(proper_nouns),
        "density_per_1000": (len(numbers) + len(years) + len(proper_nouns)) / chars * 1000,
    }

このスクリプトを記事公開時のCIに組み込み、密度が15未満の場合に警告を出すと、品質が安定します。

業界別のファクト要件

業界によって求められるファクトの種類は異なります。特にYMYL（Your Money or Your Life）領域は厳格です。

YMYL領域では、ファクトの誤りがユーザーの健康・財産に直接被害を与えるため、Googleは品質評価ガイドライン（2024年3月版）で「専門家による執筆・監修」を強く推奨しています。LLMOにおいても同様で、医療・金融記事は監修者の氏名・肩書・所属を明示することで、AIに「権威性のある情報源」として認識されやすくなります。 → 詳しくはE-E-A-TとLLMO

やってはいけないNG

• 捏造: 出典のないでっちあげ数値はNG。発覚するとサイト全体の信頼が崩壊します
• 古いデータ: 2018年の調査を「最新」と書かない
• 曲解: 「47%」を「ほぼ半数」のように丸めすぎない
• 同じ数値の連続使用: 同じ統計を別記事で使う場合も、文脈に合わせて再確認
• チェリーピッキング: 自説に都合の良い数値だけを抜き出すと、AIが反対派の記事と矛盾を検出して引用を避けます
• 単位省略: 「30%」と「30ポイント」は違う。必ず正確な単位を付ける
• n数省略: サンプル数の少ない調査を全体傾向として書かない（n=10と n=10,000は別物）

失敗事例：ファクト密度を下げる典型パターン

実際にあった失敗事例を匿名化して紹介します。いずれも筆者がLLMOコンサルで観察したケースです。

事例1：AI生成記事の数値ハルシネーション

ある飲食メディアがChatGPTで月100本記事を量産。「2024年の日本のラーメン市場は1.2兆円」と書いた記事を100本掲載しましたが、実際の市場規模は 約6,000億円（2024年富士経済調査）。倍の数値で記載していたため、Perplexityが当該サイトをソースとして利用しなくなり、AI流入が3ヶ月で マイナス72% に落ちました。

事例2：年度抜けによるエバーグリーン化失敗

あるBtoB SaaSメディアが「市場は急成長中」とだけ記載した記事を300本展開。年度を入れていなかったため、2026年に再アクセスしたAIが「これは何年のデータ？」と判断できず引用しませんでした。年度を入れたリライト後、AI流入は 2.1倍 に回復しています。

事例3：曲解による信頼失墜

ある健康メディアが「コーヒーは血圧を下げる」と書いた記事を出しましたが、原典の論文は「健常者では血圧変動が小さい」という限定条件付きの結論でした。曲解した記述がGoogleの品質評価で Lowest 判定を受け、サイト全体のオーガニックトラフィックが半年で マイナス58% となりました。

事例4：n=12の調査を一般化

ある人事メディアが「日本企業の72%がリスキリング導入」と記述。実際の調査はn=12のスタートアップ限定で、12社中9社（=75%、四捨五入で72%表記）でした。サンプル数の小ささを書かずに公開したため、専門家から指摘を受け修正・謝罪する事態に。LLM側もn数の少ない調査は引用を避ける傾向があります。

一次情報の獲得方法

ファクト密度を上げる究極の方法は「自分が一次情報を発信すること」です。

• 自社調査・アンケート（Google Formsで簡易実施可能）
• 顧客インタビュー
• ケーススタディ
• 業界メディアでの寄稿
• 業界団体の年次レポートへの寄与
• 公開可能な自社プロダクトの利用統計（DAU・継続率など）

一次情報は他サイトに引用され、結果としてあなたのサイトのドメイン権威も上がります。Stripeの「Index」シリーズ（2018〜現在、毎年公開）は、毎回数百のメディアに引用される代表的な事例で、Stripe社のドメイン権威スコア（Ahrefs DR）は2018年の62から2024年には92まで上昇しました。

計測：ファクト密度の効果

ファクトリッチに書き換えた記事は次が改善する傾向があります。

• 滞在時間（読者が「価値ある」と判断）
• 被リンク数（他サイトが引用）
• AI引用率（Perplexity、ChatGPTでの登場）
• ブランド検索数（信頼性が記憶される）
• リードコンバージョン率（BtoBで顕著）

ファクト密度を上げる実装テクニック

テクニック1: 段落ごとに最低1つの数値

各段落に 数値・年度・固有名詞のいずれか を入れる癖をつけます。「多い」「少ない」より「45%」「2026年」のほうが圧倒的に引用されやすいです。

テクニック2: 数値には必ずソースを併記

「30%向上」だけだと AI は信用しません。「Stripeの2024年レポート によると30%向上」と一次情報のリンク付きで記述します。

テクニック3: 比較表で並列の数値を集約

複数の数値を散文で並べるより、表で整理する方が引用率が上がります。

| 指標 | 自社 | 業界平均 |
|---|---|---|
| CVR | 3.2% | 1.8% |
| 平均購入単価 | 12,500円 | 8,300円 |

テクニック4: 統計グラフと併用

文字情報だけでなく、グラフ画像も引用元として認識されます。グラフのキャプションに数値を含めると、AI がそれを引用文として再生成できます。

テクニック5: 過去・現在・予測の時系列

「2020年は X、2024年は Y、2026年は Z」のように時系列で並べると、トレンドを語る文脈で引用されやすくなります。

テクニック6: 範囲ではなく中央値+四分位

「30〜50%」のような幅広レンジは弱く、「中央値42%（IQR 35–48%）」のように分布を示すと統計リテラシーの高さが伝わります。

テクニック7: 否定形より肯定形

「半数以上が満足していない」ではなく「47%が不満を抱えている（n=1,200）」のほうがLLMの抽出ロジックと相性が良いです。

高ファクト密度の実例

低密度の文：

SEOは時間がかかる施策です。多くのサイトが半年以上かけて成果を出しています。

高密度の文：

SEOは時間がかかる施策です。Ahrefsの調査（2023）によれば、Google上位10位以内のページの 平均年齢は2年以上。半年で30位以内に入るのが現実的なベンチマークです。

後者は「Ahrefs」「2023」「2年以上」「半年」「30位」と具体情報が密集し、AIが引用しやすい構造です。

AI時代の引用率向上：実装フレームワーク

最後に、本記事の内容をAI引用率向上の観点で実装フレームワーク化したものが下記です。

このフレームを回すことで、Princeton GEO論文が示した「最大40.6%向上」に近い実績を、自社メディアでも再現できます。Anthropic Claude、OpenAI ChatGPT、Perplexity、Google AI Overviewのいずれも、内部のRAGアルゴリズムは 「数値・固有名詞・年度・出典」 の4要素を強く重視するため、これらを一貫して積み増すコンテンツ運用がそのまま競争優位になります。 → 詳しくはLLMOとは？AI検索時代の新SEO

ファクト密度と E-E-A-T の関係

ファクト密度を機械的に上げるだけでは E-E-A-T のうち Trustworthiness（信頼性）が向上しません。「数値の正確性」「ソースの一次性」 が伴って初めて品質指標として機能します。

毎四半期、過去記事のファクト部分を全件再検証する運用が理想的です。古い数値の放置は逆に信頼性を毀損します。

よくある質問（FAQ）

Q1. 数値ばかりの文章は読みにくくならない？

A. 数値の前後に文脈・解釈を入れると読みやすくなります。「73%が導入。これは前年比1.8倍の急成長です」のような解釈付き提示が効果的です。Nielsen Norman Groupの2024年ユーザビリティ調査でも、数値の直後に「つまり〜」と解釈を添える書き方は、純粋な数値羅列より読了率が23%高いと報告されています。

Q2. 一次情報がないジャンルでは？

A. 公式ドキュメント・公的統計・業界レポートを徹底的に引用しましょう。Statista、IDC、Gartner、政府統計などが豊富です。日本国内では総務省統計局、e-Stat、業界団体の年報が信頼性の高い情報源として扱われます。

Q3. ファクト密度を上げると競合と内容が似ませんか？

A. ファクトは同じでも「解釈・組み合わせ・実体験」で差別化できます。むしろ事実が共通している方がLLMから「合意ある真実」と認識されます。AIが引用する文脈は「複数ソースで一致する事実 + そのサイト独自の視点」の組み合わせなので、ファクトを共通化したうえでオピニオン部分で差をつけるのが正解です。

Q4. AI生成記事はファクト密度を下げる？

A. はい。AIが生成した文章は曖昧表現が増える傾向があります。Stanford HAIの2024年調査では、GPT-4出力の約27%が「具体性の欠如」を含んでいました。AI下書き → 人間が事実情報を補強、というワークフローを推奨します。

Q5. 古い数値はどのタイミングで更新するべき？

A. 業界によりますが、テック・SaaSは6ヶ月、金融・投資は3ヶ月、医療・法律は新ガイドライン公開時に即時、が目安です。reviewedAtフィールドを設定して、半年以上更新されていない記事を検出するCIを組むと運用負荷が下がります。

Q6. ファクト密度を機械的にAIで上げてもよい？

A. 部分的にはOKですが、必ず人間の最終確認を挟みます。AIに「この段落の曖昧表現を具体表現に書き換えて」と指示すると、もっともらしい架空の数値を生成することがあります（ハルシネーション）。生成された数値の出典を必ず一次ソースで確認するプロセスを設けてください。

Q7. ファクト密度を上げる作業を外注する場合の品質管理は？

A. 外注ライターに対しては、社内のファクトデータベース（前述のスキーマ参照）を共有し、本文中の数値はすべてデータベースのfact_idを脚注で紐づけるルールを徹底します。納品物に対するレビューでは「数値・出典・年度・n数の4要素が揃っているか」を1ページずつチェックし、欠落があれば即差戻しとします。GMOリサーチ社の2024年外注運用調査では、このルールを明文化したクライアントの記事品質クレームは未明文化クライアントの 3分の1以下 に抑制されました。 → 詳しくはSEO×LLMOハイブリッド戦略

関連用語

• LLMO
• LLM
• SEO
• E-E-A-T
• ブランドメンション
• AI Overview

関連記事

• LLMOとは？AI検索時代の新SEO【完全入門】
• LLMが好む文章構造｜結論先出し・FAQ・箇条書きの効果
• E-E-A-Tとは？経験・専門性・権威性・信頼性の高め方
• E-E-A-TとLLMOの関係
• SEO×LLMOハイブリッド戦略
• ChatGPTで引用される記事の書き方
• Perplexityで引用される記事

参考文献・出典

• Pew Research Center — 各種統計データ
• Statista — 業界統計
• Gartner Research — 業界レポート
• IDC Research — IT業界調査
• Google Search Central — Helpful Content — Google公式
• GEO 論文 — 統計引用の効果実証
• Stanford HAI AI Index 2024 — AIモデルの引用挙動分析
• Ahrefs — How long does it take to rank — 検索順位形成のベンチマーク