LLMO 監査チェックリスト 32 項目【2026年版・社内レビュー用】
自社サイトを LLMO 観点で監査するための 32 項目チェックリスト。構造・コンテンツ・E-E-A-T・外部シグナル・計測の 5 カテゴリをカバーし、社内レビューにそのままコピペして使える 2026 年最新版。
目次（13項目）
LLMO 監査チェックリスト 32 項目【2026年版・社内レビュー用】
自社サイトが ChatGPT・Perplexity・Google AI Overview 等の AI 検索で引用されているかを体系的に確認したいなら、この 32 項目を週次または月次で回すだけでよい。
最終更新日: 2026-05-09
はじめに
AI 検索エンジンが急速に普及した結果、従来のSEO施策だけでは検索流入を維持できなくなりつつある。LLMO（Large Language Model Optimization）は、ChatGPT や Perplexity・Google AI Overview といった LLM ベースの検索エンジンに自社コンテンツを引用・参照させるための最適化手法だ。
この記事は 社内レビュー担当者がコピペしてすぐ使える監査チェックリスト を提供する。外部ツールへの依存を最小化し、1 シート・32 項目で自社サイトの LLMO 対応度をスコアリングできる設計にしている。chatgpt-citation-checklist が「ChatGPT に引用されるためのコンテンツ品質チェック」に特化しているのに対し、本チェックリストは サイト全体の内部構造から計測まで を網羅した内部監査用途向けだ。LLMO の全体像を把握してから監査に臨みたい場合は LLMO 完全ガイド を先に参照すること。
監査の進め方
評価基準
各項目を以下の 3 段階で評価する。
| スコア | 意味 |
|---|---|
| 2 | 完全に実装済みで定期メンテナンスも行われている |
| 1 | 部分的に実装済み、または実装済みだが品質に課題がある |
| 0 | 未実装、または存在するが機能していない |
32 項目 × 最大 2 点 = 満点 64 点。
優先順位の付け方
スコア 0 の項目を「即対応」、スコア 1 の項目を「次スプリント」と分類する。カテゴリ別に合計点を出し、最もスコアが低いカテゴリから着手すると効率が高い。月次で再採点し、スコア推移をチームと共有することで継続的改善が定着する。
カテゴリ A：構造（8 項目）
構造面は LLM がコンテンツを正確にパースするための土台だ。heading-tag や structured-data が整っていないと、どれだけ良質なコンテンツを書いても AI に正しく解釈されにくい。
| # | チェック項目 | 評価（0/1/2） | メモ |
|---|---|---|---|
| A-1 | h1 は各ページに 1 つのみ、ページの主題を一文で表している | ||
| A-2 | h2/h3 の階層が論理的で、目次として機能している | ||
| A-3 | structured-data（JSON-LD） が主要ページ種別（Article / FAQPage / BreadcrumbList 等）に実装されている | ||
| A-4 | llms.txt がサイトルートに設置され、主要コンテンツへのリンクが含まれている | ||
| A-5 | sitemap-xml が最新で、重要ページがすべて含まれている | ||
| A-6 | robots-txt が AI クローラー（GPTBot / PerplexityBot 等）を意図的に制御している | ||
| A-7 | internal-link が適切で、孤立ページが存在しない | ||
| A-8 | canonical タグが正しく設定され、重複コンテンツが解消されている |
カテゴリ A 小計： / 16 点
カテゴリ B：コンテンツ（8 項目）
LLM は情報密度と信頼性を重視してコンテンツを選択する。結論を先出しし、ファクトに裏付けられた記述を提供することが引用率向上の直接要因になる。
| # | チェック項目 | 評価（0/1/2） | メモ |
|---|---|---|---|
| B-1 | 結論・答えが冒頭 100 字以内に記述されている（スクロール不要で要点が取れる） | ||
| B-2 | ファクト密度が高い：数値・年・固有名詞・出典が段落ごとに含まれている | ||
| B-3 | 画像に意味のある alt テキストが設定されている（装飾画像を除く） | ||
| B-4 | 一次情報・公的出典へのリンクが各記事に 2 件以上含まれている | ||
| B-5 | 最終更新日が本文内に明記されており、フロントマターとも一致している | ||
| B-6 | 箇条書きリスト・テーブルが適切に使われ、LLM が構造化データを抽出しやすい | ||
| B-7 | 専門用語には用語解説リンク（glossary 等）が付いている | ||
| B-8 | コンテンツの重複・類似ページが整理されており、pillar-cluster-model に沿ったサイト構造になっている |
カテゴリ B 小計： / 16 点
カテゴリ C：E-E-A-T（6 項目）
eeat は Google だけでなく、Perplexity や ChatGPT の引用判断にも影響する。著者情報・実績・透明性の欠如は引用率の低下に直結する。
| # | チェック項目 | 評価（0/1/2） | メモ |
|---|---|---|---|
| C-1 | 著者プロフィールページが存在し、実名・顔写真・経歴・SNS リンクが含まれている | ||
| C-2 | 著者が記事に紐付いて表示されており、schema-org の author プロパティが実装されている | ||
| C-3 | 会社概要・運営者情報ページが存在し、法人名・住所・連絡先が明記されている | ||
| C-4 | 専門家・第三者によるレビュー・監修が明記されている記事が主要コンテンツに含まれている | ||
| C-5 | 誤情報・古い情報の定期レビューフローが存在し、最終レビュー日が記録されている | ||
| C-6 | 引用・参照元が透明で、一次情報（論文・公式発表・統計）にリンクしている |
カテゴリ C 小計： / 12 点
カテゴリ D：外部シグナル（5 項目）
外部からの言及は LLM がサイトの権威性を判断する際の重要シグナルだ。backlink だけでなく、brand-mention や Wikipedia 掲載も直接的な引用率向上要因になる。
| # | チェック項目 | 評価（0/1/2） | メモ |
|---|---|---|---|
| D-1 | 権威サイトからのbacklink（domain-authority 40 以上のメディア・公的機関）が存在する | ||
| D-2 | **brand-mention（ブランド言及）**が主要なニュースサイト・業界メディアに存在する | ||
| D-3 | Wikipedia の関連記事にブランド名・サービス名・著者名が言及されている | ||
| D-4 | X（旧 Twitter）・LinkedIn 等の SNS でブランドや記事が定期的にシェア・引用されている | ||
| D-5 | 他社・パートナーサイトが自社コンテンツを出典として引用・リンクしている |
カテゴリ D 小計： / 10 点
カテゴリ E：計測（5 項目）
計測なき最適化は改善サイクルが回らない。gsc（Google Search Console）を起点に、AI 引用のトラッキングまで体制を整えることが必須だ。
| # | チェック項目 | 評価（0/1/2） | メモ |
|---|---|---|---|
| E-1 | **GSC（Google Search Console）**が設定済みで、主要クエリのCTR・表示回数を週次でモニタリングしている | ||
| E-2 | AI 検索からの流入（ChatGPT・Perplexity・AI Overview 経由）をアナリティクスで識別・計測している | ||
| E-3 | Citation Position（AI 回答内の引用順位）を主要クエリで定期確認している | ||
| E-4 | LLMO スコアの月次レポートが存在し、チームと共有・ディスカッションが行われている | ||
| E-5 | A/B 比較体制が整っており、コンテンツ改修前後の引用率変化を数値で評価できる |
カテゴリ E 小計： / 10 点
32 項目の合計スコアの読み方
| ランク | 合計点 | 意味と推奨アクション |
|---|---|---|
| A | 52〜64 点 | LLMO 対応は高水準。維持・微調整フェーズ。月次計測を継続し、新 AI 検索エンジンへの対応を先行実施する。 |
| B | 38〜51 点 | 基盤はあるが改善余地が大きい。スコア 0 の項目を 1 スプリント以内に解消し、次の評価サイクルでランク A を狙う。 |
| C | 24〜37 点 | 構造またはコンテンツに根本的な課題がある。カテゴリ別スコアを確認し、最低点カテゴリから集中改修する。 |
| D | 0〜23 点 | LLMO 対応がほぼ未着手。llmo-complete-guide を参照して基礎実装から着手する。 |
ランク B 以上を目標にすると、主要 AI 検索エンジンでの引用機会が統計的に高まる。ランク C・D の場合は LLMO スコア計算式 を参照して定量的な優先順位を設定することを推奨する。スコアの意味をさらに深く理解したい場合は LLMO 分析の読み方 も参照してほしい。
よくある質問
Q1. このチェックリストはどのくらいの頻度で実施すればよいですか？
月 1 回の実施を推奨する。AI 検索エンジンのアルゴリズムは更新頻度が高く、3 か月に 1 回では変化への対応が遅れる。大規模なサイト改修の前後には臨時で実施するとよい。
Q2. 32 項目すべてを一度に対応するのは現実的ですか？
いきなり全項目の実装を目指す必要はない。まずスコア 0 の項目（未実装）を洗い出し、影響の大きい構造面（カテゴリ A）と計測面（カテゴリ E）を先に整えると、改善効果を数値で確認しながら継続できる。
Q3. llms.txt は必ず設置しなければなりませんか？
現時点では必須ではないが、設置コストが低く設置しないデメリットがないため対応を推奨する。ChatGPT・Perplexity 等が llms.txt をクロールに活用し始めており、競合より早く対応することが優位性につながる。
Q4. E-E-A-T の評価は自社で客観的に行えますか？
自己評価には限界があるため、第三者（ライター・編集者以外のチームメンバーまたは外部レビュアー）が評価することを推奨する。特に C-4（専門家レビューの明記）は自己申告では意味をなさないため、実際のレビュー実施と明記が必要だ。
Q5. このチェックリストは SEO チェックリストと併用できますか？
目的が異なるため、並行運用を推奨する。本チェックリストは AI 検索への引用最適化に特化しており、従来の SEO 指標（core-web-vitals・モバイル対応・ページ速度等）は含んでいない。seo-vs-llmo-difference も参照のこと。
関連用語
- LLMO：LLM ベースの AI 検索エンジンにコンテンツを引用させる最適化手法
- AISEOr：AI 検索エンジン最適化の総称。LLMO と並んで使われる概念
- GEO：Generative Engine Optimization。生成型検索エンジン向けの最適化
- E-E-A-T：Experience・Expertise・Authoritativeness・Trustworthiness。Google の品質評価基準で AI 検索でも参照される
- structured-data：Schema.org に準拠した構造化データ。JSON-LD 形式で実装され、AI のコンテンツ解釈を助ける
- llms.txt：LLM クローラー向けにサイトコンテンツのインデックスを提供するテキストファイル
- brand-mention：リンクを伴わない言及。AI 検索が権威性を判断するシグナルの一つ
- internal-link：サイト内ページ間のリンク。LLM がコンテンツ間の関係性を理解する補助になる
- hallucination：LLM が事実でない情報を生成する現象。引用元の信頼性を高めることで低減できる
- gsc：Google Search Console。検索パフォーマンスの計測・モニタリングに使う公式ツール
関連記事
- LLMO 完全ガイド：LLMO の基礎から実装まで体系的に解説したピラー記事
- AISEO 完全ガイド：AI 検索最適化の全体像を把握するピラー記事
- llms.txt 導入ガイド：カテゴリ A-4 の実装手順を具体的に解説したピラー記事
- LLMO スコア計算式と評価方法：本チェックリストのスコアを定量的に分析する際に参照
- LLMO 計測の始め方：カテゴリ E の計測体制を整えるための実践ガイド
- LLMO 分析の読み方：スコア分析結果を改善アクションに落とし込む方法
- ChatGPT 引用チェックリスト：ChatGPT への引用率向上に特化したコンテンツ品質チェック（本記事の補完）
- AI 引用率の計測方法：カテゴリ E-2・E-3 の計測実装を詳解
参考文献
- Large Language Model Optimization: What It Is and Why It Matters — Search Engine Land(参照: 2026-05-09)
- How to optimize content for AI search engines — Semrush Blog(参照: 2026-05-09)
- E-E-A-T and AI Overviews: What You Need to Know — Google Search Central(参照: 2026-05-09)
- llms.txt: A standard for LLM-accessible content — llmstxt.org(参照: 2026-05-09)
関連用語
- E-E-A-T
E-E-A-Tとは、Googleがコンテンツ品質を評価する4つの観点「Experience（経験）・Expertise（専門性）・Authoritativeness（権威性）・Trustworthiness（信頼性）」のこと。SEOとLLMO両方で最重要の概念です。
- インデックス
インデックスとは、クローラーが集めたページをGoogleがデータベースに登録すること。インデックスされて初めて検索結果に表示される対象になります。「索引」とイメージすると分かりやすい用語です。
- llms.txt
llms.txtとは、サイト運営者がAIクローラーに「このサイトの重要な情報はここ」と伝えるためのMarkdownファイルの提案。2024年9月にJeremy Howard氏が提唱し、急速に普及しつつある新しい標準です。
- クエリ
クエリとは、ユーザーが実際に検索窓に入力した検索語のこと。SEOで使う「キーワード」と似ていますが、キーワードが事前に狙う言葉、クエリが実際に打たれた言葉、というニュアンスの違いがあります。
- クローラー
クローラーとは、Web上のページを自動巡回してデータを集めるプログラムのこと。Googleの「Googlebot」が代表例で、これに見つけてもらわないと検索結果に表示されません。
- 構造化データ
構造化データとは、Webページの内容を検索エンジンが理解しやすい形式で記述したメタ情報。記事の著者・公開日、商品の価格・在庫などを機械可読にすることでリッチリザルトやAI引用の対象になります。
関連記事
SEO×LLMOハイブリッド戦略の立て方｜2026年版・3フェーズ12ヶ月ロードマップ
SEOとLLMOを統合したハイブリッド戦略の立て方を徹底解説。3フェーズ12ヶ月のロードマップ、業種別の重点設計、KPI設計、月次運用ダッシュボードまで初心者から実務者まで使える完全ガイドです。
LLMOとは？AI検索時代の新SEO【完全入門・2026年版】
LLMO（大規模言語モデル最適化）の基本から実践までを完全解説。ChatGPT・Perplexity・Google AI Overviewへの対策、SEOとの違い、5要素・30日アクションプラン、業界別戦略、計測ダッシュボードまで初心者向けに紹介します。
構造化データで LLMO は伸びるか｜Article / FAQPage / DefinedTerm の検証【2026年版】
構造化データ（schema.org JSON-LD）の各タイプが LLMO にどれだけ効くかを効果度別に整理。Article・FAQPage・Organization を優先実装すべき理由と、JSON-LD の実装例・優先順位・コスト感を解説する。