GEO対策「45件のレビューで判明」実は効果不明？批判的サーベイ論文を解説

GEO対策「45件のレビューで判明」実は効果不明？批判的サーベイ論文を解説

要点: 2026年7月15日にarXivで公開された批判的サーベイ論文が、2023年11月〜2026年7月に発表されたGEO(Generative Engine Optimization)関連研究45件をレビューした結果、「オーガニックな発見可能性・下流トラフィック・ビジネス成果を横断的に安定して改善する」と実証されたGEO手法は一つも見つからなかったと結論づけました。 業界で広く引用される「GEOで可視性40%向上」という説についても、特定の実験条件下における単一指標の最大値にすぎず「一般的な結果ではない」と指摘。むしろ本文のみを最適化するリライトが検索結果への露出を最大16%低下させたという逆効果の実験結果も報告されています。

最終更新日: 2026年7月26日

何が起きたのか

論文の基本情報

2026年7月15日、Sciences Po(パリ政治学院)のOlivier Martinez氏による論文「Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)」がarXivに投稿されました(arXiv:2607.14035、分野はcs.IR〈情報検索〉およびcs.DL〈デジタルライブラリ〉)。この論文は、2023年11月16日から2026年7月14日までの約2年8ヶ月間に発表されたGEO関連の研究45件を対象に、それぞれの実験設計・評価指標・実証された効果の範囲を横断的にレビューした批判的サーベイ(critical survey)です。

この論文の存在は、業界メディアのPPC Landが2026年7月20日に「Survey of 45 studies finds GEO rewrites can cut a page's AI retrieval 16%」という記事で報じたことで広く知られるようになりました。さらにマーケティング業界の著名なニュースレターであるMarketingProfsも、2026年7月24日付の週次AIニュースまとめ「AI Update, July 24, 2026」の中で、今週の主要なAI関連ニュースの一つとしてこの論文を取り上げています。GEOという比較的新しい分野に対して、学術的な立場から包括的な検証を行った初めての大規模サーベイという位置づけであることが、これだけ短期間で複数のメディアに取り上げられた理由だと考えられます。

核心的な主張:「引用のされ方」と「検索される確率」は別問題

この論文が示す最も重要な指摘は、GEOの効果を語る際にしばしば混同されている2つの異なる問題を明確に区別した点です。

1点目は、「すでに生成AIの回答生成プロセスに検索(retrieval)されているコンテンツが、どのように引用され、どう扱われるか」という問題です。論文はこの領域について、コンテンツの書き方や構造を変えることで引用のされ方・扱われ方に因果的な影響を与える手法は存在すると認めています。

2点目は、「そもそもそのコンテンツが検索される確率自体を、オーガニックに、かつ安定的に引き上げられるか」という問題です。論文はこの領域について、45件の研究をレビューした結果、AIプラットフォームを横断して安定的に効果を示した手法は一つも見つからなかったと結論づけています。

言い換えると、「すでに土俵に上がった後の見え方」を変える技術はあっても、「そもそも土俵に上げてもらえる確率」を継続的に高める技術は、現時点の研究では実証されていないという整理です。マーケティング現場で「GEO対策をすれば発見可能性(discoverability)そのものが上がる」という前提で語られがちな期待と、この論文が示す実証範囲との間には、明確なギャップがあることになります。

「可視性40%向上」という定説はどこから来て、なぜ一般化できないのか

GEO業界で最も広く引用されてきた数字が「GEO対策で可視性が最大40%向上する」というものです。この数字の出どころは、プリンストン大学など複数の研究機関がACM SIGKDD 2024で発表した論文「GEO: Generative Engine Optimization」(arXiv:2311.09735)です。当サイトでもプリンストン大学のGEO研究解説記事で詳しく紹介している通り、この論文は統計データの追加・出典の明示・引用文の追加といった手法が、Position-Adjusted Word Count(PAWC)という独自の評価指標で30〜40%の改善を示したことを報告しています。

今回のOlivier Martinez氏によるサーベイ論文は、この基礎論文自体の実験結果を否定しているわけではありません。しかし、その解釈と一般化のされ方に強い留保を付けています。論文が指摘するのは、KDD 2024論文の実験が「対象コンテンツが、すでに生成AIの回答を組み立てる際のコンテキスト(文脈情報)として与えられている」という前提の上に成り立っている点です。つまり、実験の出発点はすでに「検索されて回答候補に含まれた状態」であり、そこからさらに引用の量・目立ち方を改善できるかどうかを測った実験だということです。

これに対して、マーケティング業界では「40%向上」という数字が、あたかも「GEO対策をすれば自社コンテンツがAIの回答に選ばれる確率そのものが40%上がる」という意味であるかのように独り歩きしてきました。今回のサーベイ論文は、この解釈の飛躍を「一般的な結果ではない(not a generalizable result)」と明確に指摘し、単一の固定的な実験環境における単一メトリックの相対的な最大値にすぎないと位置づけています。オーガニックな発見可能性や持続的なトラフィックへの効果を示すものではない、という区別は、この論文全体を通じて繰り返し強調されているポイントです。

「40%」言説がどう広まったか:学術論文からマーケティング言説への変質プロセス

なぜこのような解釈の飛躍が起きたのかを理解するには、学術論文の結果がマーケティング業界に伝播していく過程を振り返る必要があります。KDD 2024論文が発表された当初、その内容は学術的な文脈では「特定の評価指標における改善幅」として正確に報告されていました。しかし、GEOという概念自体が新しく、かつ「AI時代のSEO」として強い商業的関心を集めるテーマだったため、この論文はブログ記事・SNS・営業資料などを通じて急速に要約・再解釈されていきました。

この過程で典型的に起きたのが、次のような単純化です。第一に、複数手法にわたる30〜40%という「幅のある数値」が、最もインパクトの大きい「40%」という単一の数字に丸められました。第二に、「PAWCという特定の指標における改善」という限定条件が省略され、単に「可視性向上」という曖昧で一般的な表現に置き換えられました。第三に、「すでにコンテキストに含まれているソースの中での相対評価」という実験の前提が失われ、「AIに選ばれる確率が上がる」という、実験が検証していない主張として再構成されました。

こうした単純化は悪意によるものというより、複雑な学術的知見をわかりやすく伝えようとする過程で自然に起きがちな情報の劣化と言えます。しかし結果として、「40%」という数字は業界内で独り歩きし、根拠となる論文の実験条件を確認しないまま営業トークやコンテンツ制作の指標として使われるケースが広がりました。今回のサーベイ論文は、この2年近くにわたる言説の変質プロセスに対して、一次情報に立ち返って検証をかけ直した意義を持つと言えます。

SAGEO Arenaでの実験:本文最適化だけのリライトはむしろ逆効果になりうる

サーベイ論文がとりわけ注目を集めた理由の一つが、独自に実施した実験結果です。論文は「SAGEO Arena」と呼ばれる評価環境を用い、171,003件のドキュメントと2,700件のクエリを対象にした大規模な実験を行いました。

この実験で検証されたのは、コンテンツの本文だけを最適化するリライト(構造化データの追加や外部シグナルの強化を伴わない、文章表現のみの改変)を行った場合の効果です。結果として、リライト後のコンテンツは、上位20件の検索結果に含まれる確率(トップ20プレゼンス)が約9%減少し、さらに再ランキング処理を経た後の上位10件に含まれる確率(トップ10プレゼンス)は約16%も減少したと報告されています。

これは「GEO対策をすればAIに見つかりやすくなる」という一般的な期待とは正反対の結果です。本文の表現だけを最適化するリライトが、検索・再ランキングという前段階の工程においてはむしろコンテンツの評価を下げる方向に作用しうることを示しています。この結果は、GEOが単純な「1回のリライトで効果が出る」施策ではなく、検索エンジン側の複雑な処理パイプライン全体との相互作用の中で結果が決まる、より繊細な問題であることを裏付けています。

主実験:54パターン中、有意にポジティブだったのはわずか3パターン

論文はSAGEO Arenaの実験に加えて、より広範な主実験も実施しています。2つのタスク(検索タスクと質問応答〈QA〉タスク)・6つのドメイン・約1,900件のクエリ・16,360件のドキュメントを対象に、複数のGEO手法を適用した効果を検証しました。

この主実験では、「手法×ドメイン」の組み合わせが合計54パターン設定されましたが、そのうち統計的に有意なポジティブ効果を示したのはわずか3パターンのみでした。特に注目すべきは、質問応答(QA)タスクにおいては、有意にポジティブな効果を示した手法が一つも確認されなかった点です。

この結果が示唆するのは、GEO手法の効果がタスクの種類やドメインによって大きく異なり、「この手法を使えば効果がある」と一般化できるような普遍的な勝ちパターンは、少なくとも今回検証された範囲では見出せなかったということです。54分の3という比率は、GEO手法全体の再現性・汎用性に対して強い疑問を投げかける数値と言えます。

GEOは単一のランキングタスクではなく「確率的パイプライン」である

論文はこうした実験結果を踏まえ、GEOという営みそのものの捉え方を再定義しています。従来、GEOは「検索エンジンのランキングを最適化するSEO」の延長として、単一のランキングタスクのように語られがちでした。しかし論文は、生成エンジンにおけるコンテンツの扱われ方は、次のような複数の段階からなる、確率的(stochastic)かつ部分観測的な(partially observable)パイプラインだと位置づけています。

1. 検索活性化(retrieval activation): そもそもクエリに対してそのコンテンツが検索候補として呼び出されるかどうか
2. クローリング・インデックス: AIクローラーがコンテンツを収集し、インデックスに登録するプロセス
3. 検索・再ランキング: 候補群の中からどのコンテンツを優先して回答生成のコンテキストに含めるかを決めるプロセス
4. 引用・顕著性: コンテキストに含まれたコンテンツが、実際の回答内でどの程度目立つ形で引用されるか
5. 事実の吸収・忠実性: 生成AIがそのコンテンツの内容をどれだけ正確に反映して回答を組み立てるか
6. ユーザー行動: 生成された回答を見たユーザーが、実際にそのコンテンツ(のリンク先)へ訪問するかどうか

この整理が重要なのは、多くのGEO対策・GEOツールが検証しているのは、この6段階のうちの一部(多くは4番目の「引用・顕著性」)にとどまるという点です。1番目の「検索活性化」や6番目の「ユーザー行動」まで含めて安定的に改善する手法は、今回のサーベイでは確認されなかったということになります。

評価方法論そのものへの批判

論文はGEO研究全体の評価方法論についても、次の3点を課題として指摘しています。

第一に、用語と評価指標が業界内で標準化されていないことです。研究ごとに「可視性」「引用率」「顕著性」といった用語の定義が異なり、単純な数値の比較が困難になっています。第二に、研究間で証拠基準にばらつきがあることです。大規模なベンチマークを用いた厳密な検証もあれば、限定的なサンプルによる予備的な観察にとどまる研究もあり、両者が同列に引用されてしまうケースが少なくありません。第三に、基礎論文の成果が特定の実験設定(固定コンテキスト内での相対評価など)に依存しており、その条件を外れた一般化には注意が必要だという点です。

これらの指摘は、GEOという分野がまだ研究手法の標準化が追いついていない、発展途上の領域であることを示しています。

実務者への提言:再現可能な評価プロトコルの必要性

論文は批判にとどまらず、実務者・研究者双方に向けて、より再現可能な評価プロトコルを構築するための具体的な提言も行っています。主な内容は次の通りです。

• 単一のAIプラットフォームではなく、Google AI Overviews・ChatGPT Search・Perplexity・Geminiなど、複数の名前付きAIエンジンで反復的にテストすること
• 同じ意図を持つクエリでも複数の言い換え(パラフレーズ)パターンを用意し、特定の文言だけに最適化された結果にならないようにすること
• 対策を施していないコンテンツとの比較対照群(統制群)を必ず設置すること
• 自動評価だけに頼らず、人間による検証を組み込むこと
• 自社だけでなく競合他社も同時にGEO対策を行っているという「マルチアクター干渉」の状況を考慮すること
• 実験室的な単一メトリックの改善を過信せず、実際のトラフィック実績を伴う本番環境データを優先すること

なお論文中では、Adobe社が実施した調査で、マーケター全体の98%が「AI最適化について明確なロードマップと確実性を欠いている」と回答したというデータも背景情報として引用されており、GEOをめぐる業界全体の手探り感を裏付ける傍証として位置づけられています。

なぜ実験室的な指標と実ビジネス成果の間にギャップが生まれるのか

このサーベイ論文が浮き彫りにしたもう一つの重要な論点が、「なぜ研究室(ラボ)環境での評価指標の改善が、実際のビジネス成果に直結しないのか」というメカニズムです。この背景には、いくつかの構造的な要因があります。

まず、多くのGEO研究の実験は「固定コンテキスト」という条件下で行われています。これは、あらかじめ用意された複数の候補ソースの中から、生成AIがどれをどう扱うかを比較する設計であり、そもそも「検索されるかどうか」という最初の関門を通過済みの状態からスタートしています。しかし実際のビジネス環境では、無数の競合コンテンツの中から検索候補として選ばれるかどうかという、より根源的な競争が存在します。ラボ実験はこの最初の関門を捨象しているため、実際の可視性向上に直結するとは限りません。

次に、生成AIプラットフォーム自体が頻繁にアップデートされる点も無視できません。ランキングアルゴリズムや回答生成モデルが変わるたびに、ある時点で有効だった施策が別の時点では無効化される可能性があります。ラボ実験は特定の時点・特定のモデルバージョンでの結果を切り取ったものであり、その結果がどこまで時間的に安定しているかは別途検証が必要です。

さらに、マルチアクター干渉という要因もあります。GEOという概念が広く知られるようになった結果、多くの競合他社が同様の施策(統計データの追加、出典の明示など)を同時に行うようになっています。ある施策が「他社がまだやっていない段階」では有効でも、「業界全体が同じ施策を行うようになった段階」では相対的な優位性が失われ、効果が薄まっていく可能性があります。今回の主実験で54パターン中わずか3パターンしか有意な効果を示さなかった背景には、こうした競争環境の変化も影響している可能性があります。

aiseo-llmo.com ユーザーへの影響

「40%」を鵜呑みにしてきた読者へのインパクト

これまで「GEO対策をすれば可視性が40%向上する」という数字を、施策の効果を見積もる根拠として使ってきた読者にとって、今回のサーベイ論文は数字そのものの信頼性を否定するものではありません。KDD 2024論文の実験結果自体は今も有効です。しかし、「その数字がどの範囲まで一般化できるのか」については、大幅な見直しが必要になります。

具体的には、「統計データの追加や出典の明示は、すでにコンテキストに含まれたコンテンツの引用のされ方・目立ち方を改善する効果が期待できる」というレベルまでは、既存の研究に裏付けがあります。一方で、「コンテンツをGEO向けに書き換えれば、そもそもAIに見つけてもらえる確率自体が上がる」という期待については、今回のサーベイが示す通り、安定した実証はありません。この2つを区別せずに施策の優先順位や予算配分を決めていた場合、期待値の見直しが必要になります。

施策選定への影響:単一施策への過信を避ける

今回のサーベイ論文がもたらす最大の実務的インパクトは、「単一のGEO施策(本文のリライトだけ、統計データの追加だけなど)に過度な期待をかけるリスク」を明確に示した点です。特にSAGEO Arenaの実験で示された「本文最適化のみのリライトがトップ10プレゼンスを16%低下させた」という結果は、コンテンツ担当者にとって重要な警鐘です。表現を変えること自体が目的化し、検索・再ランキングという前段階のプロセスへの悪影響を見落とすと、施策が逆効果になるリスクがあるということです。

これは、GEO施策を「本文の書き方」という一部分だけで完結させるのではなく、構造化データ、外部からの言及・被引用(サードパーティシグナル)、クロール・インデックスのしやすさといった、パイプライン全体を見渡した設計が必要であることを示唆しています。

既存のGEO/LLMOツール利用者はどう受け止めるべきか

すでにGEO/LLMO関連のツールを導入し、可視性スコアや引用率といった指標を継続的にモニタリングしている事業者にとっても、今回の論文は示唆に富みます。多くのツールが提供する「可視性スコア」は、論文が指摘する6段階のパイプラインのうち、主に「引用・顕著性」の段階を測定するものである場合が少なくありません。ツールが示すスコアの改善が、実際のオーガニックな発見可能性やビジネス成果の改善を意味するとは限らない、という前提を持ってダッシュボードの数値を解釈することが重要になります。

ツール自体を否定する必要はありませんが、ツールが測定している指標が「パイプラインのどの段階を表しているのか」を理解した上で使うことで、過信も過小評価も避けやすくなります。

業種・サイト規模別に見る実務インパクトの違い

今回の論文が示す知見は、業種やサイト規模によって受け止め方に濃淡があります。

大規模なメディア・ECサイトの場合、すでに一定のドメイン権威性やクロール頻度を確保できているケースが多く、パイプラインの前段階(検索活性化・クローリング)については比較的有利な状況にあると考えられます。こうした事業者にとっては、引用・顕著性の段階での改善余地(本文の質、出典の明示など)に注力する意味は依然としてありますが、「本文だけの改善で終わらせない」という論文の指摘を踏まえ、構造化データや外部シグナルとの組み合わせを意識する必要があります。

一方、中小規模のサイトや新規参入のオウンドメディアにとっては、そもそも検索活性化の段階でAIに認知されるかどうか自体が課題になりやすく、本文のリライトだけに投資を集中させることのリスクがより大きいと言えます。クロールされやすいサイト構造、外部からの言及機会の獲得(PR・引用されるデータの発信など)、複数のAIエンジンでの露出状況の定点観測といった、パイプラインの前段階への投資とのバランスが求められます。

BtoB SaaS・専門サービス業のように、特定の専門的なクエリに対する回答生成での引用を狙う事業者にとっては、質問応答(QA)タスクで有意な効果を示した手法がゼロだったという結果は特に重く受け止めるべき知見です。FAQ形式のコンテンツやQ&A構造を持つページに対するGEO施策は、現時点では効果の実証が薄いという前提で、過度に楽観的な効果予測を立てないことが望ましいでしょう。

今すぐできる対応策

1. 自社の「GEO施策効果測定」を棚卸しする

まず、これまで自社が「GEO対策の効果」として社内外に報告してきた数値の根拠を洗い出します。「40%向上」のような業界の定説をそのまま引用していないか、実際に自社サイトで観測した数値なのか、単一のAIエンジン・単一の指標だけで判断していないかを確認します。根拠が曖昧な数値は、今回のサーベイ論文の指摘を踏まえて、社内の説明資料から一旦切り離すことを検討してください。

2. 複数AIエンジンでの反復テスト設計を組む

論文が提言する再現可能な評価プロトコルに沿って、Google AI Overviews・ChatGPT検索・Perplexity・Geminiなど、少なくとも3〜4種類のAIエンジンを対象にしたテスト設計を組みます。同一のクエリ意図に対して複数の言い換えパターン(例:「〇〇 とは」「〇〇 について教えて」「〇〇の選び方」など、意図は同じでも表現の異なるプロンプト)を用意し、単一の言い回しへの過学習を避けます。

3. 統制群(比較対照群)を必ず設置する

施策を実施したページと、意図的に施策を行わない対照ページ(同じカテゴリ・同程度のドメイン権威性を持つページ)を並行して観測します。統制群を置かずに「施策前後の変化」だけを見ると、AIプラットフォーム側のアルゴリズム変更や季節要因など、施策以外の要因による変化を施策の効果と誤認するリスクがあります。

4. 「引用のされ方」と「検索される確率」を分けて計測する

効果測定の指標を、少なくとも次の2種類に分けて記録することを推奨します。

• 検索活性化の指標: 特定のクエリ群に対して、自社コンテンツがそもそも回答生成のコンテキストに呼び出される頻度(定点観測での出現回数)
• 引用・顕著性の指標: コンテキストに呼び出された場合に、実際の回答内でどの程度目立つ形で引用されているか(引用順位、引用文の分量、リンクの有無など)

この2つを混同したまま「可視性スコア」として一括りに扱うと、施策がどちらの段階に効いているのかが分からなくなります。

5. 本文リライトは単独施策として実施しない

SAGEO Arenaの実験結果を踏まえ、本文の表現だけを変えるリライトを単独で行うのではなく、構造化データの整備、外部からの言及・被引用の獲得、クロールのしやすさ(サイト構造・llms.txtなど)といった他の要素と組み合わせて実施することを基本方針とします。本文リライトの前後で、検索結果への露出(トップ20・トップ10プレゼンスに相当する指標)が悪化していないかも、可能な範囲で確認してください。

6. トラフィック実績データを最優先の判断材料にする

実験室的な単一メトリックの改善を過信せず、GA4などで計測できるAI経由の参照流入・コンバージョンといった、実際のビジネス成果に近いデータを最優先の判断材料に位置づけます。可視性スコアやツールの指標が改善していても、実際の流入・成果に反映されていない場合は、施策の再検討が必要なシグナルとして扱います。

7. マルチアクター干渉を前提にPDCAサイクルを短縮する

競合他社も同時にGEO対策を進めている前提に立ち、一度有効だった施策がいつまでも有効であり続けるとは限らないという想定でモニタリング頻度を上げます。四半期に一度など、定期的に効果測定をやり直し、有効性が薄れてきた施策は早めに見直すサイクルを組み込んでください。

よくある質問

Q1. この批判的サーベイ論文は何を明らかにしましたか。

2023年11月〜2026年7月に発表されたGEO関連研究45件をレビューし、発見可能性・トラフィック・ビジネス成果を横断的に安定して改善するGEO手法は確認できなかったと結論づけました。

一方で、すでに検索・コンテキストに含まれたコンテンツの引用のされ方・扱われ方に因果的な影響を与える手法は存在すると認めており、「検索される確率」と「引用のされ方」を明確に区別している点が論文の核心です。

Q2. 「GEOで可視性40%向上」という説は間違いだったのですか。

数値自体が誤りというわけではありません。KDD 2024論文が示したPAWC指標での30〜40%という改善幅は実験結果として存在します。

ただし今回のサーベイ論文は、この数字が「すでにコンテキストに含まれているソースの中での相対的な最大値」にすぎず、オーガニックな発見可能性や持続的なトラフィック効果を示す一般的な結果ではないと指摘しています。解釈の飛躍が問題であり、実験結果そのものが否定されたわけではありません。

Q3. SAGEO Arenaとは何ですか。

サーベイ論文の著者が独自に構築した評価環境で、171,003件のドキュメントと2,700件のクエリを用いてGEO手法の効果を検証しました。

この実験では、本文のみを最適化するリライトを行うと、トップ20プレゼンスが約9%、再ランキング後のトップ10プレゼンスが約16%減少するという、逆効果になる結果が報告されています。

Q4. 54パターン中3パターンとはどういう意味ですか。

論文の主実験では、2タスク・6ドメイン・約1,900クエリ・16,360ドキュメントを対象に、54通りの「手法×ドメイン」の組み合わせを検証しました。

その結果、統計的に有意なポジティブ効果を示したのはわずか3パターンのみで、特に質問応答(QA)タスクでは有意な効果を示した手法が一つもありませんでした。GEO手法の効果が普遍的ではなく、タスクやドメインに強く依存することを示す数値です。

Q5. GEOが「パイプライン」だとはどういう意味ですか。

論文はGEOを単一のランキングタスクではなく、検索活性化→クローリング・インデックス→検索・再ランキング→引用・顕著性→事実の吸収・忠実性→ユーザー行動という複数段階からなる、確率的かつ部分観測的なプロセスとして再定義しています。

多くのGEO対策・GEOツールはこのうちの一部の段階(特に引用・顕著性)しか検証・改善できておらず、パイプライン全体を安定して改善する手法は確認されていない、という点が論文の重要な指摘です。

Q6. この論文は「GEO対策は無意味」と言っているのですか。

そうではありません。論文は、コンテンツがすでにコンテキストに含まれた状態での引用のされ方・目立ち方を改善する手法の存在は認めています。

問題視しているのは、業界で標準化されていない評価指標や、限定的な実験設定に基づく成果を過度に一般化し、「発見可能性そのものが安定的に向上する」という証明されていない主張として広めてしまう傾向です。効果測定の甘さと誇張された数字を見分けることを促す内容と理解するのが適切です。

Q7. 既存のGEO/LLMOツールの指標は信用できなくなりましたか。

ツールが無価値になったわけではありませんが、そのツールが測定している指標が、GEOパイプラインのどの段階を表しているのかを理解した上で使うことが重要になります。

多くのツールの「可視性スコア」は主に引用・顕著性の段階を測定しており、検索活性化そのものの改善を保証するものではない可能性があります。ツールのスコアと、実際のGA4上のAI経由流入・コンバージョンを併せて確認する運用が推奨されます。

Q8. 実務者は具体的に何から始めればよいですか。

まず自社が「GEO対策の効果」として使ってきた数値の根拠を確認し、業界の定説をそのまま引用している箇所を洗い出すことから始めます。

そのうえで、複数のAIエンジンでの反復テスト、複数のクエリ言い換えパターンの使用、統制群の設置、本文リライト単独に頼らない複合的な施策設計など、論文が提言する再現可能な評価プロトコルを自社の運用に取り入れることが次のステップになります。

Q9. 質問応答(QA)タスクで効果が出なかったのはなぜですか。

論文の主実験の範囲では、質問応答タスクにおいて有意にポジティブな効果を示した手法が確認されませんでした。明確な原因分析は論文の主眼ではありませんが、検索・回答生成タスクに比べて、質問応答タスクは特定の事実に対する厳密な回答が求められる性質上、表現上の工夫よりも情報の正確性・網羅性が重視されやすく、GEO的な文章改変の効果が及びにくい可能性が考えられます。

FAQ形式のコンテンツでGEO施策を検討する際は、この点を踏まえて過度な効果予測を避けることが望ましいでしょう。

Q10. この論文とKDD 2024論文(プリンストン研究)は矛盾していますか。

矛盾しているわけではなく、補完関係にあると理解するのが適切です。KDD 2024論文は特定の実験条件下での引用のされ方の改善を示した先駆的な研究であり、その結果自体は今回のサーベイ論文も否定していません。

今回のサーベイ論文は、その結果がどこまで一般化できるかという解釈の範囲を精査し、業界内で誇張されてきた言説に反証エビデンスを提示するものです。両方を併読することで、GEOという分野の言説がどのように進化してきたかを正確に理解できます。詳しくはプリンストン大学のGEO研究解説記事も参照してください。

関連記事

• LLMO完全ガイド
• AI検索最適化ガイド
• プリンストン大学のGEO研究とは:統計・出典追加で可視性40%向上した理由
• スキーマ AI引用率「効果なし」は本当か|Ahrefs 1885ページ研究への反論と効く条件
• AIO・LLMO・GEO・AEOの違いを解説
• GEO(生成エンジン最適化)とは
• LLMOとは
• AIO(AI最適化)とは
• AEO(回答エンジン最適化)とは
• SISTRIX調査で判明したAI引用ドリフト率54〜59%の実態【2026年データ】
• Citadex調査：AI引用は多言語で56%消える、30ブランド横断データを読む