5W「State of AI Search 2026」— 引用シェアは市場シェアより速く集中し、止めれば数か月で減衰する

5W「State of AI Search 2026」— 引用シェアは市場シェアより速く集中し、止めれば数か月で減衰する

要点: 5W AI Communications が2026年7月9日、年次レポート「The State of AI Search 2026」を公開しました。1万件超の buyer-intent プロンプトを ChatGPT・Claude・Perplexity・Gemini・Google AI Overviews の5エンジンで実行した62ページ・9章構成の調査です。中心的な発見は、引用シェアが市場シェアより速く集中すること、そしてアーンドメディア投資を止めると数か月以内に測定可能な形で「引用減衰（citation decay）」が起きること。レポートは AI 可視性をプロジェクトではなく継続的な運用コストとして位置づけています。

最終更新日: 2026年7月16日

何が起きたのか

2026年7月9日、5W AI Communications（5W Public Relations）が年次レポート「The State of AI Search 2026」を公開しました。62ページ、9章構成。5wpr.com/research/state-of-ai-search-2026/ で無料公開されており、Everything PR が「年次引用シェアレポート」としてこれを報じています。

同社は2026年前半にも AI Platform Citation Source Index 2026 を公表しており、AI検索における引用構造の実測を継続的に手掛けてきた組織です。今回のレポートは、その蓄積を年次の形にまとめ直したものと位置づけられます。

方法論

このレポートの信頼性を測るうえで、方法論の設計は最初に確認すべき部分です。

• プロンプト規模: 1万件超の buyer-intent プロンプト（購買意図を伴うクエリ）を実行
• 対象エンジン: ChatGPT（OpenAI）、Claude（Anthropic）、Perplexity、Gemini（Google）、Google AI Overviews の5つ
• 比較設計: 前年同期比サンプリングに加え、四半期比較を実施
• 更新方針: 方法論そのものを、エンジン側の変化に合わせて四半期ごとに更新

最後の点は地味ですが重要です。AI検索エンジンは数か月単位で挙動が変わります。1年前と同じ測定手順を1年後も機械的に適用すれば、測っているものが途中で別物になっている、という事態が起こり得ます。方法論を四半期ごとに見直すという設計は、この時系列の断絶を意識的に扱おうとしたものと読めます。

一方で、方法論が変わるということは、厳密な意味での前年同期比の解釈には注意が要る、ということでもあります。レポート自体が前年同期比サンプリングと四半期比較を併用しているのは、この難しさへの対処と見られます。

対象カテゴリ

15以上の BtoC・BtoB カテゴリが対象です。公表されている範囲では以下が含まれます。

• Beauty（美容）
• Crypto（暗号資産）
• Wedding（ブライダル）
• Local Services（ローカルサービス）
• Pickleball（ピックルボール）
• Sports Betting（スポーツベッティング）
• SaaS
• Health & Wellness（ヘルス＆ウェルネス）

Pickleball のような極めてニッチなカテゴリと、SaaS のような巨大カテゴリが同居しているのが特徴的です。これは「カテゴリの大小によって引用構造がどう変わるか」を見るための設計と考えられます。

スコアリング軸

評価は次の5軸で行われています。

従来の SEO が「順位」という単一軸だったのに対し、5軸に分解されている点が本レポートの設計思想を表しています。AI検索のシェア・オブ・ボイス計測で扱っている考え方と方向性は同じですが、source mix と citation density という2軸が加わっているのが特徴です。

レポートが提示した10の構造的パターン

レポートは9章を通じて、10の中心的パターンを提示しています。以下、レポートの主張として順に整理します。ここから先の「日本市場での読み替え」は次章以降で、筆者の解釈として明確に分けて記述します。

パターン1: 引用シェアは市場シェアより速く集中する

レポートの最も中心的な主張です。AI検索における引用シェアは、従来の share-of-voice（シェア・オブ・ボイス）指標やオーガニック検索順位が示すよりも、集中的な分布になります。

従来のオーガニック検索では、1ページ目に10件の青リンクが並びました。順位による CTR の差は大きいものの、少なくとも10のブランドが「見える場所」に置かれます。AI検索の回答は、そもそも言及するブランドが数個です。物理的に、勝者の数が減ります。

パターン2: 上位被引用ブランドが不釣り合いなマインドシェアを得る

パターン1の帰結です。レポートは、上位被引用ブランドが購買検討において不釣り合いに大きなマインドシェアを獲得すると述べています。

さらに踏み込んで、AI検索で最初に引用されるブランド（first-cited）は、引用率だけから予測される以上の購買調査マインドシェアを獲得し、それが自己強化的に複利で効くとレポートは指摘しています。つまり、引用率が2倍なら影響力も2倍、という線形の関係ではないということです。最初に名前が出たブランドは、その後の比較検討の枠組み自体を規定します。

パターン3: 各エンジンが異なる引用選好を持つ

5つのエンジンは、同じ質問に対して同じ情報源を引くわけではありません。レポートによれば、コミュニティコンテンツ・編集メディア・構造化データ・アナリストカバレッジの重みが、エンジンごとに異なります。

これは「どこか1つのエンジンで勝てば全部で勝てる」という前提が成立しないことを意味します。プラットフォーム別の引用ロジックの違いやChatGPTとPerplexityの引用元重複は11%といった別の調査が示してきた分岐が、5エンジン横断の大規模サンプルでも再現された形です。

パターン4: Reddit が不釣り合いに大きな引用影響力を持つ

レポートは、Reddit が引用影響力において不釣り合いに大きい存在であると明示しています。これは英語圏の複数調査で繰り返し確認されてきたパターンであり、今回のレポートでもその位置づけが追認されています。

なぜ Reddit なのか。レポートの source mix の枠組みで言えば、Reddit は「コミュニティコンテンツ」です。実名でも匿名でもない半匿名の場で、利害関係の薄いユーザーが、実際に使った経験を書く。この性質が、AI にとって「広告でない情報」として評価されやすい構造を作っていると考えられます。

パターン5: アーンドメディアがペイド・オウンドより強い

レポートは、アーンドメディア（第三者による報道・言及）が最も強い GEO シグナルであると位置づけています。ペイドメディア（広告）でもオウンドメディア（自社サイト）でもなく、アーンドです。

これは直感的には理解できますが、実務的には厄介な結論です。オウンドは自分で書けます。ペイドは金で買えます。アーンドは、どちらもできません。他人に書いてもらうしかない。最も効くレバーが、最もコントロールしにくいレバーだ、というのがこのパターンの含意です。アーンドメディアと引用サプライチェーンのマッピングで扱っている、引用の供給経路を設計するという発想が、ここで正面から要求されます。

パターン6: スキーママークアップはベースライン要件であって差別化要因ではない

これがおそらく、日本の LLMO 実務にとって最も冷や水を浴びせる指摘です。レポートは、スキーママークアップ（構造化データ）を差別化要因ではなくベースライン要件と位置づけています。

つまり、入れていないと減点されるが、入れたから加点されるわけではない。テーブルステークスです。スキーママークアップは引用に影響しないというAhrefs調査への反論で扱った論争にも接続する話ですが、5W の位置づけは「無意味」ではなく「必要条件だが十分条件ではない」という中間的なものです。

パターン7: 引用減衰（citation decay）は数か月以内に測定可能な形で発生する

本レポートの2つ目の核心です。レポートは、アーンドメディア投資を止めてから数か月以内に、引用減衰が測定可能な形で発生すると述べています。

さらに重要なのは、レポートが「引用減衰は従来指標が悪化を示す前に測定可能な形で起きる」と強調している点です。順位もトラフィックもまだ落ちていないのに、AI回答内での引用は先に落ち始めている。従来の SEO ダッシュボードを見ている限り、この劣化は見えません。

この発見が、レポートの結論部と直結します。すなわち、AI可視性はプロジェクト単位ではなく継続的な運用コストである、という位置づけです。「今期は LLMO 対策プロジェクトをやりました」という形で予算を切ると、翌期に減衰が始まります。

パターン8: ローカルサービス領域は著しく過少引用（under-cited）

レポートは、ローカルサービス領域が AI 応答において著しく under-cited であると指摘しています。

需要はある（buyer-intent プロンプトとして1万件超のサンプルに含まれている）のに、引用が薄い。これは競争が空いているということでもあります。ローカルSEOとAI検索引用の観点では、この空白は先行者にとっての機会と読めます。

パターン9: AI Overviews が検索経済とクリックパターンを再構築している

AI Overviews が検索の経済構造とクリックの流れ方そのものを書き換えている、というパターンです。これは本レポートに固有の発見というより、業界全体で共有されている認識を5エンジン横断のデータで裏づけたものと読めます。AI Overviewで1位のCTRが58%減といった個別調査が示してきた現象の、より大きな枠組みでの確認です。

パターン10: リーダーとチャレンジャーの引用ギャップは拡大している

そして最後、最も厳しいパターンです。レポートは、リーダーとチャレンジャーの引用ギャップが縮まらず拡大していると述べています。

パターン1（集中）とパターン2（first-cited の複利効果）の時間発展形です。引用されるブランドはさらに引用され、されないブランドはさらにされなくなる。マタイ効果（富める者はさらに富む）が、AI検索の引用構造で働いているという指摘です。

背景と経緯 — なぜ「集中」と「減衰」が中心テーマになったのか

2026年前半のデータが積み上げた前提

2026年に入ってから、AI検索の引用構造に関する大規模調査が相次ぎました。2026年の実測データで読み解くAI検索引用の勝ち筋で整理したように、鮮度・UGC・構造という3本柱が引用を左右することは、複数ソースで確認済みでした。またAI引用率20%ベンチマークのように、水準感を示すデータも出揃っています。

これらが「引用されるための条件」を扱っていたのに対し、5W の今回のレポートは引用の分布構造そのものを扱っている点で層が違います。「どうすれば引用されるか」ではなく「引用というリソースがどう分配されているか」の話です。

なぜ「集中」が問題になるのか

従来の SERP は、少なくとも構造上は複数の勝者を許容していました。1位が総取りするわけではなく、2位にも3位にもクリックが流れます。ロングテールキーワードを積めば、大手が取れない領域で流入を作れました。

AI検索の回答は違います。「◯◯のおすすめは？」に対して、モデルは3つか4つの名前を挙げて終わります。5番手以下は存在しないのと同じです。しかも query fan-out のような仕組みで、モデル側が質問を分解して自分で複数検索を回すため、ユーザーが入力したロングテールの言い回しの違いが、そのまま露出機会の差に変換されるとも限りません。

構造的に勝者の席が減った。これが「引用シェアが市場シェアより速く集中する」という現象の物理的な背景です。

なぜ「減衰」が今になって観測されたのか

引用減衰が2026年半ばの調査で焦点化されたのには理由があります。LLMO / GEO への本格投資が始まってから、ようやく「投資を止めたケース」が観測可能な数だけ蓄積したからです。

2024年から2025年にかけては、業界全体が「やり始める」フェーズでした。施策を打ち、引用が増えた、という前向きの観測しかできません。2026年になって初めて、「予算が切れて止めた企業がどうなったか」という後ろ向きの観測が可能になりました。減衰は、時間が経たないと測れない現象です。

aiseo-llmo.com ユーザーへの影響 — 日本市場への示唆

ここからは筆者の解釈です。5W のレポートは日本市場を検証対象としていません。対象は英語圏の5エンジン、15以上のカテゴリです。以下は「このパターンが日本でも成立するとしたら何が起きるか」という仮説であり、レポートが実証した事実ではありません。この区別は明確にしておきます。

示唆1: 「スキーマを入れれば勝てる」という思い込みの終わり

日本の LLMO 施策には、強い技術偏重の傾向があります。JSON-LD を入れる、FAQPage スキーマを実装する、llms.txt を置く。これらは実装可能で、完了判定が明確で、報告書に書きやすい。

しかしレポートのパターン6は、スキーマをベースライン要件と位置づけました。入れて当たり前、入れていないと土俵に上がれない、しかし入れたから勝てるわけではない。

これを日本市場に当てはめると、次のような状況が想定されます。日本語圏はスキーマ実装率が英語圏より低い可能性があり、だとすれば「入れるだけで差がつく」局面がまだ残っているかもしれません。しかしそれは時間の関数です。競合が追いつけば、ベースラインはベースラインに戻ります。スキーマ実装で得られる優位は、原理的に先行者利益の期限付き貸与でしかありません。

実務的な読み替えはこうです。スキーマは「やる」。ただし予算配分の主軸に置かない。スキーマ実装の優先順位で扱っている通り、実装コストの低いものから順に潰し、そこで作業を終える。空いた予算をアーンドメディアに回す。これがレポートの含意に沿った資源配分です。

示唆2: 「一度上位に入れば安泰」という思い込みの終わり

これがパターン7（引用減衰）の含意です。そして日本の実務慣行にとっては、スキーマの話よりも深刻かもしれません。

日本の Web 施策には、「サイトリニューアル」「SEO 対策」といった単位でプロジェクト予算を組む慣行が根強くあります。3か月なり6か月なりの期間を切り、施策を打ち、成果を測り、完了報告を出す。LLMO も同じ枠組みで扱われがちです。

レポートが示したのは、この枠組みが AI 可視性には適合しないということです。アーンドメディア投資を止めれば、数か月で減衰が始まる。しかも従来指標が悪化を示す前にです。

つまり典型的な失敗シナリオはこうなります。

1. LLMO プロジェクトを6か月実施。引用が増える。成功報告を出す
2. プロジェクト終了。予算を別領域に移す
3. 数か月後、AI回答での引用が静かに落ち始める。しかし順位もトラフィックもまだ落ちていないので、誰も気づかない
4. さらに数か月後、指名検索と流入が落ち始める。ここで初めて騒ぎになる
5. 「何が原因か分からない」— 原因は数か月前に予算を切ったことだが、その因果は既に見えなくなっている

これを避けるには、KPI ダッシュボードに引用シェアそのものを置き、先行指標として週次で見るしかありません。AI検索のKPI再設計やAI引用率のPDCA計測サイクルで扱っている運用が、ここでは選択肢ではなく必須要件になります。

示唆3: 日本における「Reddit 的存在」はどこか

パターン4は Reddit の引用影響力を示しました。では日本ではどこが該当しうるのか。これはレポートが検証した論点ではなく、筆者の仮説です。

候補として挙げられるのは以下です。

• note: 実名・半実名の個人が体験を長文で書く場。AI参照とドメインの強さで扱った通り、note ドメインの引用されやすさは別途観測されています
• はてなブックマーク: コメント欄に技術者・専門職の意見が集積する構造。Reddit のスレッド構造に近い
• X（旧Twitter）: 実名専門家の発言が集まる。ただし短文で文脈が薄く、AI が根拠として引きにくい可能性がある
• 価格.com / @cosme / 食べログ: カテゴリ特化型のレビュー集積。Reddit の「r/サブレディット」に構造的に近い
• Yahoo!知恵袋: Q&A 形式で質問と回答が対応する構造。UGC・Reddit・知恵袋のエンタープライズ戦略で扱った通り、日本語圏の Q&A 資産としては最大級

ただし重要な留保があります。Reddit が英語圏で強いのは、単に UGC だからではなく、Reddit が OpenAI と正式なデータ提供契約を持っているという構造要因も絡んでいると考えられます。日本のプラットフォームに同種の契約があるかは別問題です。したがって「日本の Reddit は note だ」という単純な代入は成立しない可能性が高いと見ます。

より妥当な読み方は、「エンジンごとに異なる引用選好を持つ（パターン3）」を日本語圏に適用することです。つまり、日本語で自社カテゴリのプロンプトを5エンジンに投げ、実際にどのドメインが引かれているかを観測する。日本のAIエンジン別引用元の違いやAI引用の日本ドメインランキングがその出発点になりますが、カテゴリごとに答えは違います。自社カテゴリでの実測が必要です。

示唆4: チャレンジャーにとってのギャップ拡大が意味すること

パターン10（ギャップ拡大）は、後発ブランドにとって残酷な指摘です。「頑張れば追いつける」という前提を否定しています。

ただし、レポートは同時にパターン8（ローカルサービスの under-cited）を示しています。つまり、カテゴリ全体が薄い領域が存在する。ギャップが拡大するのはリーダーが確立したカテゴリの話であり、まだ誰も定着していないカテゴリでは話が違います。

チャレンジャーの合理的戦略は、確立したカテゴリで正面から引用シェアを奪いにいくことではなく、まだ引用構造が固まっていないニッチを見つけて先に定着することです。5W のカテゴリ選定に Pickleball のような極小カテゴリが含まれているのは示唆的で、ニッチであっても buyer-intent があれば引用構造は形成されます。ファーストムーバー優位の2026年データが示す通り、先に入ることの価値は逓増します。

業種別の実務インパクト

ローカルサービス — 最大の空白

パターン8が名指ししている領域です。レポートは、ローカルサービスが AI 応答で著しく under-cited であると指摘しました。

日本市場に当てはめて考えると、この空白はさらに大きい可能性があります。日本のローカル事業者（工務店、士業、クリニック、飲食、修理業）の Web 資産は、Google ビジネスプロフィールと食べログ・ホットペッパー等のポータルに偏在しており、自社サイトが薄いケースが多い。AI が引用したくても引用対象が存在しない、という状況が想定されます。

実務インパクト: 逆に言えば、ローカル事業者が「AI が引用できる形の情報」を持つだけで、カテゴリ内で相対的に突出できる可能性があります。営業時間・対応エリア・料金・実績件数といった確定的な事実を、機械可読な形で自社ドメインに置く。それだけで、競合が誰もやっていない領域では十分です。ただしこれもパターン6の通り、他社が追随すればベースライン化します。

SaaS / BtoB — 最も集中が厳しい

5W のカテゴリに SaaS が含まれています。BtoB SaaS は、buyer-intent プロンプトが最も明確に立つ領域です（「〇〇を管理するツールのおすすめは？」）。

そして最も集中が効く領域でもあります。「プロジェクト管理ツールのおすすめ」という質問に対して、AI が挙げる名前は3つか4つ。カテゴリ内に100社あっても、可視性を得るのは数社です。パターン10（ギャップ拡大）が最も残酷に効くのがここです。

実務インパクト: SaaS 企業にとって、レポートの含意は「アーンドメディアへの継続投資が生命線」という一点に集約されます。パターン5（アーンドが最強シグナル）とパターン7（止めれば減衰）の掛け算です。具体的には、レビューサイトへの掲載維持、比較記事での言及獲得、アナリストカバレッジ（レポートは source mix にこれを含めています）の確保。これらを四半期ごとに更新し続ける運用が要ります。リスティクル順位とAIシェア・オブ・ボイスで扱った通り、比較記事内での掲載順位そのものが引用シェアに転写されます。

EC — 引用密度が効く領域

レポートのスコアリング軸に citation density（引用密度）があります。1回答あたりの引用件数です。

EC のような「複数の選択肢を並べる」性質の回答では、引用密度は相対的に高くなると考えられます。「5,000円以下のワイヤレスイヤホン」という質問に対して、AI は複数の商品を挙げるからです。密度が高いということは、席の数が多いということでもあります。

実務インパクト: EC は SaaS ほど集中が厳しくない可能性があります。ただしこれは仮説です。レポートは EC を直接のカテゴリとして明示していません（Beauty が近い）。EC 事業者がやるべきは、ECサイトのLLMOで扱っている商品データの構造化に加えて、自社カテゴリでの実測です。引用密度が高いなら参入余地があり、低いなら集中が起きています。

メディア・パブリッシャー — アーンドの供給側

ここが構造的に面白い位置です。パターン5が「アーンドメディアが最強シグナル」と言うとき、そのアーンドメディアを供給しているのがメディア企業です。

つまりメディアは、他社の GEO 施策における最重要リソースの供給者です。この立場は交渉力になり得ます。一方でパターン9（AI Overviews が検索経済を再構築）は、メディア自身のトラフィックを削っています。他社の可視性を作りながら、自分の可視性を失う、という非対称な構造です。

実務インパクト: メディアにとっての示唆は、「引用される側」としての価値を、トラフィック以外の形で収益化する経路の設計です。ただしこれはレポートの射程外であり、筆者の推論です。

今すぐできる対応策

ここからは具体的な手順です。優先順位は「引用減衰の監視設計 → アーンドメディア獲得の型 → スキーマの最小完了 → 継続運用への予算組み替え」です。

手順1: 引用減衰を検知する計測設計を作る

パターン7の含意を運用に落とします。従来指標が悪化を示す前に減衰が起きるのだから、従来指標を見ていても手遅れです。引用そのものを先行指標として測る必要があります。

プロンプトセットを固定する

まず、自社カテゴリの buyer-intent プロンプトを20〜50件、固定リストとして作ります。5W が1万件超を使えるのはリソースがあるからで、事業会社は数十件で十分です。重要なのは同じプロンプトを毎回投げることです。プロンプトが変われば結果が変わり、変化が施策由来なのかプロンプト由来なのか分からなくなります。

プロンプト設計の型は次の通りです。

【カテゴリ想起型】
- 「〇〇（カテゴリ）のおすすめを教えて」
- 「〇〇に使えるツールを比較して」
- 「初心者向けの〇〇はどれ？」

【条件付き比較型】
- 「予算〇〇円以内の〇〇でおすすめは？」
- 「〇〇と△△、どちらがいい？」
- 「中小企業向けの〇〇は？」

【指名検証型】
- 「〇〇（自社名）の評判は？」
- 「〇〇（自社名）と△△（競合）の違いは？」

【課題起点型】
- 「〇〇で困っているんだけど、どうすればいい？」
- 「〇〇を効率化する方法は？」

意図タグの付け方はプロンプトセット設計と意図タグ付けに整理しています。

5エンジンで実行し、5軸で記録する

レポートのスコアリング軸をそのまま自社の記録項目にします。

最後の first-cited 率は、レポートのパターン2に対応する独自項目です。「引用率だけから予測される以上のマインドシェアを得る」のが first-cited である以上、単なる引用率とは別に追う価値があります。

エンジンは ChatGPT / Claude / Perplexity / Gemini / Google AI Overviews の5つ。パターン3（エンジンごとに引用選好が違う）がある以上、エンジン別に分解して記録しないと意味がありません。全体平均は、5つの別々の現象を混ぜた無意味な数字になります。8エンジンの日次プロンプト監視の組み方が実装の参考になります。

モニタリング頻度

減衰が「数か月以内」に起きるという前提から、頻度を逆算します。

• 週次: 引用シェア、クエリシェア、first-cited 率。減衰の初動を捉える主指標
• 月次: センチメント、ソースミックス。構造の変化は週単位では動かない
• 四半期: プロンプトセット自体の見直し。5W が方法論を四半期更新しているのと同じ理由。カテゴリの言語が変われば、プロンプトも変えないと測定対象がずれる

週次が重い場合、最低でも隔週です。月次では、数か月で起きる減衰を検知したときには既に3〜4データポイント分の劣化が進んでいます。

アラート条件を事前に決める

数字を見るだけでは行動が起きません。しきい値を先に決めます。

引用シェアが3週連続で低下 → アーンドメディア施策の実行状況を点検
first-cited 率が前月比で30%以上低下 → 競合の新規露出を調査
特定エンジンだけで低下 → そのエンジンの引用選好の変化を疑う
全エンジンで同時低下 → 自社側の要因（更新停止・技術的問題）を疑う

最後の2行が重要です。1エンジンだけ落ちたのはエンジン側の変化、全エンジンが落ちたのは自社側の問題。この切り分けができるのは、エンジン別に分解して記録している場合だけです。AI検索の順位安定性モニタリングの考え方も併せて参照してください。

手順2: アーンドメディア獲得を「型」にする

パターン5（アーンドが最強）とパターン7（止めれば減衰）から導かれる、最も重要な施策です。そして最も難しい。

アーンドメディアは他人が書くものなので、直接コントロールできません。できるのは、書かれる確率を上げる材料を継続的に供給することです。以下、供給の型を4つ示します。

型A: 独自データの定期発行

自社が持つデータを集計して公開します。SaaS なら利用統計、EC なら購買トレンド、ローカルサービスなら地域別の需要動向。

なぜこれがアーンドを生むかというと、メディアはデータを必要としているからです。記事を書く側は、根拠になる数字を探しています。数字を提供すれば、引用され、その際に社名が付きます。

頻度は四半期に1回が現実的です。年1回では、パターン7の「数か月で減衰」に間に合いません。四半期発行なら、常に「3か月以内の新しいデータ」が存在する状態を維持できます。

型B: 比較・レビューサイトの掲載維持

レポートは「第三者言及」の重要性を示していますが、掲載は一度取れば終わりではありません。掲載情報が古くなれば、その記事自体が引用されにくくなります（鮮度の問題は鮮度・リーセンシーが引用に効く仕組みで詳述）。

実務手順:

1. 自社カテゴリのプロンプトで、実際に引用されている比較・レビューサイトをリスト化（手順1のソースミックス記録から抽出できます）
2. 各サイトでの自社の掲載有無と、掲載情報の最終更新日を確認
3. 掲載がない → 掲載を依頼
4. 掲載が古い → 更新を依頼（新機能、新料金、新実績）
5. これを四半期ごとに繰り返す

3〜4は一度やれば終わりに見えますが、5が本体です。パターン7が言っているのは、まさに5を止めた場合の話です。

型C: 専門家コメントの供給

メディアは記事に権威づけのコメントを必要とします。自社の専門家をコメント提供者として登録・露出させることで、社名付きの言及が生まれます。

レポートの source mix に「アナリストカバレッジ」が含まれている点も同じ文脈です。第三者の専門家が自社を語る構造は、E-E-A-Tの観点でも、グラウンディングの観点でも強いシグナルになります。

型D: コミュニティでの正確な情報流通

パターン4（Reddit の影響力）の日本版です。ただし前述の通り、日本での対応物は自社カテゴリで実測して特定する必要があります。

やってはいけないのは、自作自演の書き込みです。センチメント軸で測られている以上、不自然な絶賛は検知され得ますし、露見したときの負のセンチメントは回復に時間がかかります（AI検索のブランドセンチメント参照）。

やるべきは、既に自社について語られているスレッドで、誤情報があれば公式として正確な情報を提供することです。地味ですが、これが正攻法です。

手順3: スキーマを「最小完了」させて、そこで止める

パターン6の含意です。スキーマはベースライン。やる、しかし主軸にしない。

最小完了の定義は次の通りです。

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://example.com/#org",
      "name": "Example株式会社",
      "url": "https://example.com",
      "sameAs": [
        "https://ja.wikipedia.org/wiki/Example",
        "https://x.com/example",
        "https://www.linkedin.com/company/example"
      ]
    },
    {
      "@type": "Article",
      "headline": "記事タイトル",
      "datePublished": "2026-07-16",
      "dateModified": "2026-07-16",
      "author": { "@type": "Person", "name": "著者名" },
      "publisher": { "@id": "https://example.com/#org" },
      "mainEntityOfPage": "https://example.com/articles/slug"
    },
    {
      "@type": "BreadcrumbList",
      "itemListElement": [
        { "@type": "ListItem", "position": 1, "name": "ホーム", "item": "https://example.com/" }
      ]
    }
  ]
}

Organization に @id を振り、Article の publisher から参照する。sameAs でエンティティを外部の権威ある識別子に接続する。dateModified を実際の更新時に更新する。BreadcrumbList で階層を示す。

これで終わりです。ここから先、スキーマのネストを深くしたり、マイナーな type を追加したりする作業に時間を投じるより、その時間を手順2に回すほうが、レポートの含意には整合します。構造化データとJSON-LDの基礎は用語集を参照してください。

手順4: 予算を「プロジェクト」から「運用」に組み替える

レポートの結論部が要求している、最も本質的な変更です。AI可視性は継続的な運用コストである、という位置づけを予算の形式に反映させます。

具体的には次の組み替えです。

社内稟議の文脈では、「止めると数か月で減衰する」というレポートの指摘を、そのまま根拠として使えます。これは推測ではなく、5W が1万件超のプロンプトで観測したパターンです。

手順5: レポート原典を読む

62ページ、9章、無料公開です。本記事で扱ったのは提示された10のパターンとその含意ですが、9章分の内容はそれより広い。特にカテゴリ別の章は、自社が該当するカテゴリがあれば直接参照する価値があります。5wpr.com/research/state-of-ai-search-2026/ で入手できます。

今後の見通し

集中はどこまで進むか

パターン10（ギャップ拡大）が続けば、論理的な終点は「カテゴリごとに数社だけが可視」という状態です。ただしこれが本当に到達点になるかは分かりません。

抑制要因はいくつか考えられます。第一に、エンジン側が多様性を意図的に担保する可能性。同じ回答ばかり返すエンジンは、ユーザーにとって価値が下がります。第二に、パターン3（エンジンごとの引用選好の違い）が集中を分散させる可能性。5つのエンジンで違う勝者が出るなら、全体としての集中度は各エンジン単体より低くなります。

一方で加速要因もあります。first-cited の複利効果（パターン2）は、放置すれば加速する性質のものです。そしてユーザーが特定エンジンに集中すれば、そのエンジンでの集中がそのまま市場の集中になります。

引用減衰の「時定数」は明らかになるか

レポートは「数か月以内」と述べていますが、具体的な期間は本記事の扱う範囲では特定されていません。これが2か月なのか6か月なのかで、必要な運用頻度は変わります。

今後、この時定数を精緻化する研究が出れば、実務上の価値は大きい。「四半期に1回のアーンド施策で維持できるのか、月次が必要なのか」という予算に直結する問いに答えが出ます。現時点では、安全側に倒して四半期以内、可能なら月次で回すのが妥当と見ます。

方法論の四半期更新が生む断絶

5W が方法論を四半期ごとに更新するという設計は、測定の妥当性を保つ上で正しい判断です。しかし副作用として、年次比較の解釈が難しくなるという問題を抱えます。

来年の「State of AI Search 2027」が出たとき、2026年の数字とどこまで直接比較できるのか。この点は、レポートを読む側が意識しておくべき留保です。同じ問題は、事業会社が自社の引用シェアを長期追跡する場合にも発生します。プロンプトセットを更新すれば時系列が切れ、更新しなければ測定対象がずれる。この二律背反に完全な解はなく、プロンプトセットを更新した時点を時系列上に明記して、断絶を可視化しておくのが現実的な対処です。

日本市場でのデータ空白

繰り返しますが、5W のレポートは日本市場を検証していません。パターン1〜10のうち、日本で成立するもの、しないもの、程度が違うものが混在するはずです。

特に不透明なのが、パターン4（Reddit）とパターン8（ローカルサービス）です。前者はプラットフォーム構造が違い、後者は日本のローカル事業者の Web 資産構造が英語圏と異なります。この2つは、日本市場での独立した検証がないと当てはめられません。

一方、パターン6（スキーマはベースライン）とパターン7（引用減衰）は、エンジンの動作原理に由来する性質であり、市場を超えて成立する蓋然性が相対的に高いと見ます。日本の実務者がまず受け止めるべきはこの2つです。

よくある質問

Q1. 5W の「State of AI Search 2026」はどこで読めますか？

5wpr.com のリサーチページで無料公開されています。62ページ、9章構成です。

URL は https://www.5wpr.com/research/state-of-ai-search-2026/ です。公開日は2026年7月9日。年次レポートとして位置づけられており、5W はこれ以前にも AI Platform Citation Source Index 2026 などの引用構造調査を公表しています。

方法論は、1万件超の buyer-intent プロンプトを ChatGPT・Claude・Perplexity・Gemini・Google AI Overviews の5エンジンで実行するもので、前年同期比サンプリングと四半期比較を併用しています。カテゴリは Beauty、Crypto、Wedding、Local Services、Pickleball、Sports Betting、SaaS、Health & Wellness を含む15以上の BtoC・BtoB 領域です。

Q2. 「引用シェアは市場シェアより速く集中する」とは具体的にどういう意味ですか？

同じカテゴリでも、実際の売上シェアの分布より、AI回答での引用の分布のほうが上位に偏っている、という意味です。

従来の share-of-voice 指標やオーガニック検索順位が示す分布より集中的だ、というのがレポートの表現です。構造的な理由は単純で、AI の回答が挙げるブランドの数が物理的に少ないからです。SERP は10件の青リンクを並べますが、AI 回答は3つか4つの名前で終わります。席の数が減れば、分布は集中します。

実務的な含意は、「市場シェア5位なら AI 検索でも5番目に見えるはず」という前提が成立しないことです。市場5位が AI 検索では不可視、ということが普通に起こります。逆もまた然りで、市場シェアが小さくても引用シェアで上位を取れば、実力以上のマインドシェアを得られます（パターン2）。

Q3. 引用減衰（citation decay）はどのくらいの速さで起きますか？

レポートは「アーンドメディア投資を止めてから数か月以内に、測定可能な形で発生する」としています。具体的な週数は本記事の扱う範囲では特定されていません。

より重要なのは速さより順序です。レポートは「従来指標が悪化を示す前に、引用減衰が測定可能な形で起きる」と強調しています。つまり、順位もトラフィックもまだ正常なのに、AI回答での引用は既に落ち始めている、という時間差が存在します。

これが実務上の罠になります。従来の SEO ダッシュボードを見ている限り、劣化は検知できません。気づいたときには数か月分の減衰が進んでいます。対策は、引用シェアそのものを週次で測る先行指標系のダッシュボードを持つこと以外にありません。

Q4. スキーマが差別化要因でないなら、実装しなくていいということですか？

逆です。ベースライン要件なので、実装しないと土俵に上がれません。

レポートの位置づけは「差別化要因ではなくベースライン要件」です。これは「無意味」ではありません。入れていないと減点され、入れても加点されない、という非対称な性質を指しています。テーブルステークスです。

実務的な読み替えは、「やる、ただし主軸に置かない」です。Organization、Article、BreadcrumbList といった基本を漏れなく入れ、dateModified を実際の更新で維持する。そこで作業を止める。ネストを深くしたり珍しい type を追加したりする作業に時間を投じるより、その時間をアーンドメディア獲得（パターン5）に回すほうが、レポートの含意に整合します。

なお日本語圏はスキーマ実装率が英語圏より低い可能性があり、まだ「入れるだけで差がつく」局面が残っているかもしれません。ただしそれは競合が追いつくまでの期限付きの優位です。

Q5. 日本では Reddit に相当するのはどこですか？

レポートは日本市場を検証しておらず、これは実証された対応関係ではありません。以下は筆者の仮説です。

候補としては、note（個人の体験長文）、はてなブックマーク（専門職のコメント集積）、価格.com・@cosme・食べログ（カテゴリ特化レビュー）、Yahoo!知恵袋（Q&A 構造）などが挙げられます。

ただし単純な代入には注意が必要です。Reddit が英語圏で強い理由は UGC だからというだけでなく、OpenAI との正式なデータ提供契約という構造要因も絡んでいると考えられます。日本のプラットフォームに同種の契約があるかは別問題です。

より確実なのは、パターン3（エンジンごとに引用選好が違う）を実測で確認することです。自社カテゴリの日本語プロンプトを5エンジンに投げ、実際に引かれているドメインを記録する。カテゴリごとに答えは違うので、業界一般論ではなく自社カテゴリでの実測が要ります。

Q6. アーンドメディアが最強なら、プレスリリース配信を増やせばいいですか？

プレスリリース配信そのものはアーンドではなく、アーンドを生むための投入物です。混同しないでください。

アーンドメディアとは、第三者が自分の判断で書いた言及です。プレスリリースは配信すれば載る（ペイド的な性質を持つ）媒体もあり、それは第三者の判断を経ていません。AI が「広告でない情報」として評価するかは疑わしい。

効くのは、プレスリリースが取材のきっかけになって、記者が独自に書いた記事のほうです。したがってプレスリリースの本数を増やすより、記者が書きたくなる材料（独自データ、新規性のある事実）の質を上げるほうが合理的です。

本文の手順2で示した4つの型（独自データの定期発行、比較・レビューサイトの掲載維持、専門家コメントの供給、コミュニティでの正確な情報流通）は、いずれも「第三者が自分の判断で書く」ための材料供給です。

Q7. ローカルサービスが under-cited なら、そこは狙い目ですか？

カテゴリとしては空いています。ただし空いている理由を理解した上で入るべきです。

レポートはローカルサービス領域が AI 応答で著しく under-cited だと指摘しました。競争が薄いのは事実です。

ただし、なぜ薄いのかを考える必要があります。可能性としては、(1) ローカル事業者の Web 資産が薄く、AI が引用したくても対象が存在しない、(2) ローカルクエリは位置情報に依存し、AI が汎用回答で扱いにくい、(3) Google ビジネスプロフィールなど別レイヤーに情報が集約されている、といった構造要因が考えられます。これらはレポートが説明している範囲ではなく、筆者の推論です。

(1) が主因なら、単に情報を機械可読な形で置くだけで優位が取れます。(2) が主因なら、何をしても引用は増えません。自社カテゴリで実測して、どちらなのかを確認するのが先です。

Q8. first-cited（最初に引用される）が重要とのことですが、どう狙うのですか？

直接狙う方法はレポートに示されていません。測定して、相関する要因を自社で探すのが現実的です。

レポートが示したのは、first-cited のブランドが引用率だけから予測される以上のマインドシェアを得て、それが自己強化的に複利で効く、という結果です。どうすれば first-cited になれるかは別の問いであり、レポートの提示範囲を超えます。

実務的には、まず first-cited 率を測定項目に加えることです（自社が最初に挙げられた回答数 ÷ 自社が登場した回答数）。そのうえで、first-cited が取れているプロンプトと取れていないプロンプトの差を見る。ソースミックスが違うのか、センチメントが違うのか、引用元の鮮度が違うのか。自社カテゴリでの相関を自分で見つけるしかありません。

なお、複利で効くという性質は逆向きにも働きます。競合が先に first-cited を固めれば、後から崩すコストは時間とともに上がります。パターン10（ギャップ拡大）はそういう意味です。

Q9. リーダーとのギャップが拡大しているなら、チャレンジャーに打つ手はないのですか？

確立したカテゴリで正面から奪うのは難しい、というのがレポートの含意です。ただしカテゴリを選び直す道は残っています。

パターン10が示すのは、既に引用構造が固まったカテゴリでの逆転の難しさです。first-cited の複利効果（パターン2）が時間とともに積み上がるため、後発は不利になり続けます。

一方でレポートはパターン8で、ローカルサービスのような under-cited 領域の存在も示しています。また5W がカテゴリ選定に Pickleball のような極小領域を含めているのは示唆的で、ニッチであっても buyer-intent があれば引用構造は形成されます。逆に言えば、まだ引用構造が固まっていないニッチが存在する。

チャレンジャーの合理的戦略は、大カテゴリで5番手を目指すことではなく、細分化されたサブカテゴリで first-cited を取ることです。「プロジェクト管理ツール」で勝てなくても、「建設業向けの工程管理ツール」なら空いているかもしれない。そしてそこで先に定着すれば、複利効果は自分の側に働きます。

Q10. モニタリングは何から始めればいいですか？

プロンプトセットの固定です。ツール選定より先にこれをやってください。

理由は、プロンプトが固定されていなければ何を測っても時系列にならないからです。毎回違う質問を投げれば、結果の変化が施策由来なのか質問由来なのか永久に分かりません。

手順は、(1) 自社カテゴリの buyer-intent プロンプトを20〜50件、固定リストとして作る、(2) 5エンジンで実行し、引用シェア・クエリシェア・センチメント・ソースミックス・引用密度・first-cited 率をエンジン別に記録する、(3) 週次で引用シェアと first-cited 率、月次でセンチメントとソースミックス、(4) 四半期でプロンプトセット自体を見直す、という順です。

(4) を忘れないでください。5W が方法論を四半期更新しているのと同じ理由で、カテゴリの言語が変われば測定対象がずれます。ただし更新した時点は時系列上に明記して、断絶を可視化しておくことが必要です。ツールの選定はこの設計ができてからで十分間に合います。AI検索レポートのKPIテンプレートが週次運用の雛形になります。

Q11. エンジンごとに引用選好が違うなら、5つ全部に最適化するのは無理では？

全部に最適化するのではなく、自社カテゴリで実際に使われているエンジンに絞るのが現実的です。

レポートは、コミュニティコンテンツ・編集メディア・構造化データ・アナリストカバレッジの重みがエンジンごとに違うと述べています。5つ全部で最適解が違うなら、リソースが分散します。

現実的な絞り方は、(1) 自社の流入データで、どのエンジンから実際に人が来ているかを見る、(2) 自社カテゴリのプロンプトを5エンジンに投げ、競合がどこで露出しているかを見る、(3) この2つの交差点にあるエンジンに集中する、という手順です。

ただし測定は5エンジン全部で続けてください。最適化は絞っても、観測は絞らない。パターン3がある以上、あるエンジンだけで起きた変化と、全エンジンで起きた変化の切り分けが、原因究明の分岐点になります。この切り分けは5エンジン全部を測っている場合にのみ可能です。

Q12. このレポートの数字を自社の目標値に使っていいですか？

カテゴリ別の水準感の参考にはなりますが、目標値としてそのまま使うのは推奨しません。

理由は3つあります。第一に、対象が英語圏の5エンジンであり、日本市場は検証されていません。第二に、方法論が四半期ごとに更新される設計なので、数字の時点依存性が高い。第三に、buyer-intent プロンプト1万件超という母集団は5W が設計したものであり、自社のクエリ構成とは異なります。

使い方としては、絶対値ではなく構造の理解として使うのが妥当です。引用シェアが集中する、アーンドが最も効く、スキーマはベースライン、止めれば減衰する — これらは構造の話であり、自社での実測に対する仮説の枠組みとして機能します。

目標値は、自社カテゴリでの実測から作ってください。手順1のプロンプトセットで3か月測れば、自社の現在地と競合との差が出ます。それが目標設定の起点です。

関連記事

• LLMO完全ガイド — LLMOの定義から実装・計測まで網羅した基礎資料
• AI検索最適化ガイド — 引用獲得のための実装手順
• AISEO完全ガイド — AI時代の検索最適化の全体像
• 2026年の実測データで読み解くAI検索引用の勝ち筋
• AI引用率20%ベンチマーク｜プラットフォーム別実測
• ChatGPTとPerplexityの引用元重複は11% — 日本市場
• プラットフォーム別の引用ロジックの分岐 — CiteLens
• アーンドメディアと引用サプライチェーンのマッピング
• スキーママークアップは引用に影響しないというAhrefs調査への反論
• スキーマ実装の優先順位
• 鮮度・リーセンシーが引用に効く仕組み
• ファーストムーバー優位の2026年データ
• ローカルSEOとAI検索引用
• UGC・Reddit・知恵袋のエンタープライズ戦略
• 日本のAIエンジン別引用元の違い — Reddit・YouTube
• AI引用の日本ドメインランキング — note・2026年戦略
• AI参照とドメインの強さ — note・Wikipedia調査
• AI検索のシェア・オブ・ボイス計測
• 競合のAI可視性シェア分析
• リスティクル順位とAIシェア・オブ・ボイス
• AI検索のKPI再設計 — 引用と言及
• AI引用率のPDCA計測サイクル
• 8エンジンの日次プロンプト監視の組み方
• プロンプトセット設計と意図タグ付け
• AI検索の順位安定性モニタリング
• AI検索レポートのKPIテンプレート（週次）
• AI検索のブランドセンチメント
• AI Overviewで1位のCTRが58%減 — 防衛戦略
• ECサイトのLLMO
• Query fan-out の仕組みとSEO戦略
• 引用と言及の違い
• LLMO（用語集）
• GEO（用語集）
• AEO（用語集）
• AI Overview（用語集）
• 構造化データ（用語集）
• JSON-LD（用語集）
• グラウンディング（用語集）
• ブランドメンション（用語集）
• E-E-A-T（用語集）
• Perplexity（用語集）
• SERP（用語集）
• llms.txt（用語集）