AI検索は「既知ブランド」を優先——geoSurge調査が示す認知バイアス

AI検索は「既知ブランド」を優先——geoSurge調査が示す認知バイアス

要点: geoSurge社の調査によると、AIモデルは自身が「既に知っている」ブランドを55.7%の頻度で検索する一方、上位10社に入らないブランドの検索率は17.4%にとどまり、既知ブランドは未知のブランドより3.2倍多く検索されることがわかりました。 Search Engine Landが2026年7月30日に報じたこの調査は、AIモデルの「メモリ（学習データに刻まれたブランド認知）」が、AI検索内での検索・言及機会そのものを左右する構造的バイアスとして働いていることを示しています。 業種によって既知ブランドの優遇度合いには幅があり、新興・無名ブランドがAI検索内で認知を獲得するにはコンテンツの質が鍵になるとされています。

最終更新日: 2026年08月01日

何が起きたのか

Search Engine Landが報じたgeoSurgeの「モデルメモリ」調査

2026年7月30日、SEO・検索マーケティング業界の主要メディアであるSearch Engine Landが「AI models favor familiar brands in search: Study」と題する記事を公開した。記事が報じているのは、AI可視性・GEO（生成エンジン最適化）計測を手がけるgeoSurge社が実施した調査結果であり、同社は調査の詳細を自社ブログ「Model memory predicts which brands get searched」でも公開している。

この調査の中心的な問いは、「AIモデルは、回答を生成する過程でどのブランドを検索（=関連情報を探索）する傾向にあるのか」というものだ。AIモデルがユーザーの質問に答える際、内部的に複数の検索クエリ（fan-outクエリ）を発行し、その結果を統合して最終的な回答を生成する仕組みを持つことは、LLMO/GEO業界では既に広く認識されている。geoSurgeの調査は、この「AIモデルが内部的に何を検索するか」というプロセスに着目し、そこにブランドの既知度合い（familiarity）というバイアスが存在するかどうかを検証したものだ。

調査手法：66件のプロンプトを60回ずつ、3,960件の回答を分析

Search Engine Landの記事によると、geoSurgeの調査は2026年5月29日から6月9日にかけて実施された。調査チームは米国市場を対象に、実際の購買検討時に発せられるであろう「buyer prompts（購買関連プロンプト）」を66件用意し、それぞれのプロンプトを60回ずつAIモデルに投げかけた。

この結果、合計3,960件のAIモデルの回答が収集され、そこから13,281件の関連（fan-out）検索と、1,416件のブランドレベルの観察データが抽出された。1つのプロンプトを60回も繰り返し実行している点は、AIモデルの回答が非決定的（同じ入力でも毎回異なる出力が返り得る）である性質を踏まえ、統計的に安定した傾向を捉えようとする設計だと考えられる。66件のプロンプト×60回という試行数、そして13,281件のfan-out検索という規模は、単発のプロンプトテストでは見えてこない「AIモデルが検索という行動においてどのブランドを優遇する傾向にあるか」という構造的パターンを可視化する狙いがあったと見られる。

調査対象の業種は、旅行、自動車、金融、ビジネスソフトウェア（B2B SaaS）、教育、食品・飲食店、ラグジュアリー、フィットネス・ウェルネス、ファッションの9業種にまたがっている。消費者向け（旅行、自動車、食品・飲食店、ラグジュアリー、フィットネス・ウェルネス、ファッション）とビジネス向け（金融、B2B SaaS、教育）の両方をカバーしており、業種を横断した一般性のある傾向を検証しようとした設計だと言える。

中核となる発見：既知ブランドの検索率は未知ブランドの3.2倍

Search Engine Landが報じた最も重要な数値は、AIモデルが「既知ブランド（familiar brands）」——すなわち、そのAIモデルの学習データ・内部メモリの中に既に存在が刻まれているブランド——を55.7%の頻度で検索するという結果だ。一方、検索対象ブランドの中で上位10社に入らないブランドの検索率は17.4%にとどまった。この2つの数値を比較すると、既知ブランドは未知のブランドより3.2倍多く検索される計算になる。

さらに調査は、ブランド指定検索（特定のブランド名を含む検索）の63%が、各AIモデルにとって「最も既知の5ブランド」に集中していたことも報告している。つまり、AIモデルが購買関連の質問に答える際、実際に名前を挙げて検索するブランドの過半数が、ごく少数の「よく知られたブランド」に偏っているということだ。これは、AI検索の回答生成プロセスにおいて、ブランドの新規参入や無名ブランドの露出機会が構造的に狭められている可能性を示す数値だと言える。

この結果は、AIモデルの回答が「客観的に最適な選択肢を検索した結果」ではなく、「そのモデルが学習過程で獲得したブランド認知の偏り」を色濃く反映したものである可能性を示唆している。言い換えれば、AIモデルにとっての「検索する価値がある候補」というフィルタリング自体が、既に一種の人気バイアス・知名度バイアスを内包しているということだ。

業種別の変動幅：既知ブランドの優遇度は41%〜82%

Search Engine Landの記事は、この既知ブランド優遇の傾向が業種によって強弱があることも報告している。既知ブランドの検索率は業種別に41%から82%の範囲で変動し、未知ブランドの検索率は9%から23%の範囲で変動したという。

つまり、ある業種では既知ブランドの検索率が82%に達する一方、別の業種では41%程度にとどまるという、かなり大きな幅があるということだ。Search Engine Landの記事では業種ごとの具体的な数値の内訳までは詳細に報じられていないが、業種によって「AIモデルが持つブランド知識の偏り」の強さ自体が異なる、あるいは業種特性（ブランドの多寡、市場の集中度、購買検討の性質など）によって既知ブランド優遇の効きやすさが変わる可能性がうかがえる。

例外事例：メモリに存在しないはずのブランドが検索されたケース

この調査でとりわけ興味深いのは、Geminiが、調査チームが測定したモデルメモリ上には存在しないはずのブランド「Lemon Squeezy」を検索したという例外事例が報告されている点だ。Search Engine Landの記事はこの事例を、「モデルメモリだけがAIの検索行動のすべてを決定するわけではない」ことを示す具体例として紹介している。

この例外は、geoSurgeの調査結果を読み解くうえで重要な留保になる。既知ブランド優遇という強い傾向が全体としては確認された一方で、AIモデルの検索行動には、学習データに刻まれた既知度以外の要因——たとえばリアルタイムのWeb検索結果、プロンプトの文脈、その時点でのコンテンツの質や関連性——も影響している可能性があるということだ。geoSurgeの調査自体も、示されたのは相関関係であり、因果関係が証明されたわけではないという限界を明記していると報じられている。

Search Engine Landの見解：新興ブランドにも認知獲得の余地はある

Search Engine Landの記事は、この調査結果を単に「新興ブランドにとって絶望的なニュース」として片付けているわけではない。記事の見解として、質の高いコンテンツを通じて、新興・無名ブランドもAI検索内での認知を獲得できる余地があるという点も指摘されている。

ただし、この点を過度に強調するのは調査の core message とのバランスを欠くことになる。geoSurgeの調査が示した中心的な発見は、あくまで「AIモデルには既知ブランドを優遇する構造的なバイアスが存在し、その効果は3.2倍という無視できない規模である」という事実だ。コンテンツの質による巻き返しの余地があるとしても、それは「既知ブランドが構造的に有利である」という土台の上での話であり、新興ブランドにとって埋めるべきハンディキャップが小さいことを意味するわけではない、と理解しておく必要がある。

他の直近LLMO関連ニュースとの関係

今回のgeoSurge調査は、単独で読むよりも、直近報じられている他のLLMO/GEO関連の調査結果と併せて理解するとより立体的に見えてくる。本サイトが同時期に取り上げた「AI引用の40%が「ゴーストサイテーション」」の記事では、AIが引用しているにもかかわらずブランド名を本文に記載しない現象が全体の約40%に上ることが報告されていた。

この2つの調査を重ね合わせると、AI検索においてブランドが直面する課題は少なくとも2段階あることが見えてくる。第一段階は、そもそもAIモデルが「検索対象として認識・選択してくれるかどうか」という段階であり、ここで既知ブランドが3.2倍優遇されるというgeoSurgeの調査結果が効いてくる。第二段階は、仮に検索・引用の対象になったとしても、その引用が回答本文中でブランド名として明示されるかどうかという段階であり、ここではゴーストサイテーション（本文にブランド名が出ないまま引用のみされる現象）が約40%の確率で発生するというWritesonicの調査結果が関わってくる。

つまり、新興・無名ブランドにとっては、まず「AIモデルの検索対象として選ばれる」という最初の関門で既知ブランドに対して構造的に不利な立場に置かれ、仮にその関門を突破して引用されたとしても、次はゴーストサイテーションによってブランド名が回答に反映されないリスクにさらされる、という二重のハードルが存在することになる。これは、AI検索時代のブランド認知獲得が、従来のSEOにおける検索順位争い以上に、複数の段階でバイアスにさらされる構造であることを示唆している。

aiseo-llmo.com ユーザーへの影響

「指名検索されるブランドがさらに指名検索される」循環構造

今回のgeoSurge調査が示す最も重要な示唆は、AI検索における可視性が、既存の知名度・ブランド認知に対して自己強化的に働く可能性があるという点だ。既に多くの人に知られているブランドは、AIモデルの学習データにも豊富に登場しやすく、その結果としてAIモデルの「既知ブランド」としての地位を獲得し、検索・引用される頻度が高まる。検索・引用される頻度が高まれば、AI検索経由でさらに多くのユーザーにそのブランドが露出し、指名検索や認知がさらに強化される——という循環が生まれやすい構造になっていると考えられる。

これは従来のWeb検索におけるドメインオーソリティやブランド検索ボリュームの「勝者総取り」的な傾向と本質的に似た力学だが、AI検索の場合はこの力学がより早期の段階、つまり「AIモデルがそもそも何を検索対象として選ぶか」という入り口の部分から働いている点が異なる。Web検索であれば、新興ブランドでも特定のロングテールキーワードで上位表示を狙うといった迂回策が機能しやすかったが、AIモデルの内部的な検索対象選定というブラックボックスの部分に既知度バイアスが組み込まれているとすれば、迂回の余地はより限定的になる可能性がある。

新興ブランド・チャレンジャーブランドが直面する構造的不利

上位10社に入らないブランドの検索率が17.4%にとどまるという数字は、業界内でシェアや知名度が低いチャレンジャーブランド・新興ブランドにとって、AI検索がむしろ既存の市場構造を固定化する方向に働きうることを示している。従来のSEOでは、コンテンツの質やキーワード戦略次第で新興企業が大手を上回る検索順位を獲得することも珍しくなかったが、AIモデルの「メモリ」に基づく既知ブランド優遇が強く働くのであれば、コンテンツ単体の努力だけでこの構造的ハンディキャップを覆すことは、これまで以上に難しくなる可能性がある。

もっとも、Search Engine Landの記事が指摘する通り、質の高いコンテンツによる巻き返しの余地が完全にないわけではない。またGeminiがメモリ外のLemon Squeezyを検索した例外事例が示すように、リアルタイムの検索結果やコンテンツの関連性が、モデルメモリの既知度バイアスを部分的に上書きするケースも存在すると考えられる。新興ブランドにとって重要なのは、この構造的な不利を正しく認識した上で、AIモデルに「知ってもらう」ための地道な情報発信を積み重ねることだと言える。

業種別の実務インパクト

業種によって既知ブランドの検索率が41%〜82%と大きく異なるという事実は、業種ごとに実務対応の緊急度・優先度が変わることを意味する。

• 旅行: 大手OTA（オンライン旅行代理店）や有名ホテルチェーンへの認知集中が強く働きやすい業種だと考えられる。地域特化型の旅行会社や新興の宿泊予約サービスは、AIモデルが「旅行」というカテゴリで真っ先に想起する既知ブランドに入り込めるかどうかが、AI検索経由の集客を左右する可能性がある。
• B2Bソフトウェア（SaaS）: 検討期間が長く、比較検討の過程でAIに「おすすめのツールは？」と尋ねるユーザーが多いカテゴリであるため、AIモデルが既知の大手SaaSベンダーばかりを検索・提示する傾向が強いと、新興SaaSスタートアップは比較検討の候補にすら挙がらないリスクがある。本サイトのAI検索時代のブランドKPI再設計で扱っている引用・言及・課金直結の指標設計とも関わる領域だ。
• 金融: 規制業種であることに加え、ブランドへの信頼性が重視されるため、AIモデルが大手金融機関・老舗ブランドを優先的に検索する傾向が特に強く出やすい業種だと推測される。新興フィンテック企業にとっては、AI検索内での認知獲得がとりわけ高いハードルになる可能性がある。
• ファッション・ラグジュアリー: ブランドそのものが商品価値の一部を構成する業種であるため、既知ブランド優遇の効果がダイレクトに購買検討へ影響しやすいと考えられる。一方で、SNS発の新興ブランドが急速に知名度を獲得するケースも多い業種であり、AIモデルの学習データの更新頻度によっては、最新のトレンドブランドがどこまで「既知」として扱われるかにばらつきが出る可能性もある。
• フィットネス・ウェルネス: 比較的新しいプレイヤーが参入しやすいカテゴリである一方、大手フィットネスブランドやサプリメントブランドへの既知度バイアスが働くと、地域密着型のジムや新興ウェルネスブランドがAI検索内で埋没しやすくなる懸念がある。

いずれの業種にも共通するのは、「AIモデルにとって自社が既知ブランドかどうか」という前提条件が、AI検索経由の集客・認知獲得の成否を左右する土台になっているという点だ。この土台を無視してコンテンツ施策だけを積み重ねても、既知ブランドとの差を埋めるには時間がかかる可能性がある。

今すぐできる対応策

AIモデルの「メモリ」に自社ブランドを刻み込む中長期施策

AIモデルの既知度バイアスは、短期的な施策だけで覆せるものではなく、AIモデルの学習データそのものに自社ブランドの情報が十分な量・質で反映されているかどうかに依存する部分が大きい。以下は中長期的に取り組むべき施策だ。

• 自社ブランド名・サービス名が、業界メディア・比較サイト・レビューサイト・Wikipedia等の第三者コンテンツに繰り返し登場するよう、PR・広報活動を通じてブランドメンションの絶対量を増やす
• ブランドメンションの考え方を踏まえ、リンクの有無にかかわらず「名前が言及される」機会を積極的に作る（プレスリリース配信、業界レポートへの寄稿、専門家インタビューへの露出など）
• Organization/Person等の構造化データを整備し、AIモデルがクロール・学習する際に自社ブランドを一つの明確なエンティティとして認識できるようにする
• Wikipedia・Wikidataなど、AIモデルの学習データに含まれやすい信頼性の高い情報源への掲載・情報整備を進める

コンテンツ側で「検索されやすさ」を底上げする施策

Search Engine Landの記事が指摘する通り、質の高いコンテンツによって新興ブランドが認知を獲得する余地はゼロではない。以下はコンテンツ制作・運用面での実務的なチェックリストだ。

• 自社の専門領域における一次データ・独自調査・独自見解を継続的に発信し、AIモデルが「検索する価値がある情報源」として認識しやすい状態を作る
• 業種特化のFAQ・比較コンテンツを充実させ、AIモデルがカテゴリ全体の情報を検索する際に、既知の大手ブランドだけでなく自社も候補として拾われる確率を高める
• リアルタイム性の高い情報（最新の価格改定、新機能、キャンペーン情報など）を適時発信し、モデルメモリに依存しない「その場の検索結果」経由での露出機会を確保する（Geminiのメモリ外検索事例が示唆する通り、リアルタイム性がバイアスを部分的に上書きする可能性がある）
• エンティティ最適化の考え方に基づき、ブランド名・サービス名を文章の主語に明示的に含める書き方を徹底し、AIが自社を独立したエンティティとして認識しやすくする

計測・モニタリング体制の整備

• 自社ブランドが主要AIモデル（ChatGPT、Gemini、Perplexity、Claude等）でどの程度「既知」として扱われているかを、指名検索・関連プロンプトへの言及頻度から定点観測する
• 競合の大手・既知ブランドと比較して、自社の検索・引用頻度がどの程度の差分にあるかをベンチマークする（ブランド言及率17%ベンチマークのような業界水準データと突き合わせる）
• ブランドメンション監視ツールを用いて、AI検索内での自社・競合の言及頻度を継続的にトラッキングし、既知度の向上度合いを追跡する
• AI検索経由の指名検索数・流入数の推移を、コンテンツ施策の実施タイミングと突き合わせて分析し、施策の効果を段階的に検証する

よくある質問

Q1. geoSurgeの調査は何を明らかにしましたか？

AIモデルが検索対象として既知ブランドを優遇する傾向があり、既知ブランドは未知ブランドより3.2倍多く検索されることを明らかにしました。

Search Engine Landが2026年7月30日に報じたこの調査は、2026年5月29日〜6月9日にかけて実施され、米国の購買関連プロンプト66件を60回ずつ実行し、3,960件のAIモデル回答、13,281件のfan-out検索、1,416件のブランドレベルの観察データを分析しています。その結果、既知ブランドの検索率が55.7%であるのに対し、上位10社に入らないブランドの検索率は17.4%にとどまったと報告されています。

Q2. 「既知ブランド」とはどういう意味ですか？

各AIモデルの学習データ・内部メモリの中に、既にそのブランドの存在が十分な情報量で刻まれているブランドを指します。

geoSurgeの調査では、AIモデルごとに「そのモデルがどのブランドを知っているか（モデルメモリ）」を測定した上で、実際の検索行動と照らし合わせています。既知ブランドはAIモデルが既に十分な情報を持っているブランドであり、未知ブランドはそうした情報が乏しい、あるいは学習データにほとんど登場しないブランドを指します。

Q3. なぜAIモデルは既知ブランドを優先的に検索するのですか？

Search Engine Landの記事では明確な技術的メカニズムまでは特定されていませんが、学習データに豊富に登場するブランドほどAIモデルが関連情報として想起・検索しやすいためと考えられます。

AIモデルは学習データに含まれる情報の頻度や文脈の豊富さに基づいて、ある概念やエンティティをどれだけ「よく知っている」かが変わります。ブランド名が学習データ中で頻繁に、かつ多様な文脈で言及されているほど、AIモデルはそのブランドを関連性の高い検索対象として認識しやすくなると推測されます。ただし、geoSurgeの調査自体も、示されたのは相関関係であり因果関係が証明されたわけではないとしている点には留意が必要です。

Q4. 業種によって既知ブランド優遇の強さは違いますか？

はい。geoSurgeの調査では、既知ブランドの検索率が業種別に41%〜82%の範囲で変動したと報告されています。

未知ブランドの検索率についても業種別に9%〜23%の範囲で変動しており、業種によって「既知ブランド優遇」の効きやすさに大きな差があることが示唆されています。調査対象の9業種（旅行、自動車、金融、B2B SaaS、教育、食品・飲食店、ラグジュアリー、フィットネス・ウェルネス、ファッション）の中で、具体的にどの業種が最も高い/低い数値だったかまではSearch Engine Landの記事で詳細に報じられていません。

Q5. Geminiがメモリにないブランドを検索した事例とは何ですか？

Geminiが、調査チームが測定したモデルメモリ上には存在しないはずのブランド「Lemon Squeezy」を検索した例外事例が報告されています。

この事例は、モデルメモリだけがAIの検索行動のすべてを決定するわけではないことを示す具体例として、Search Engine Landの記事内で紹介されています。リアルタイムの検索結果やプロンプトの文脈といった、学習データ上の既知度以外の要因も、AIモデルの検索行動に影響を与えている可能性を示唆しています。

Q6. 新興ブランドはAI検索で不利になりますか？

構造的には不利になりやすいと考えられますが、Search Engine Landの記事では質の高いコンテンツによって認知を獲得できる余地もあると指摘されています。

既知ブランドが未知ブランドより3.2倍多く検索されるという数字は、新興・無名ブランドにとって構造的なハンディキャップが存在することを示しています。ただし、これは「新興ブランドに勝ち目がない」という意味ではなく、コンテンツの質やブランドメンションの積み重ねによって、AIモデルの「既知度」を段階的に高めていく余地があるという理解が妥当です。詳細は本記事の「新興ブランド・チャレンジャーブランドが直面する構造的不利」セクションを参照してください。

Q7. この調査結果とゴーストサイテーション調査はどう関係しますか？

geoSurgeの調査は「AIモデルが検索対象としてブランドを選ぶかどうか」という入り口の段階のバイアスを、ゴーストサイテーション調査は「引用時にブランド名が本文に記載されるかどうか」という出口側の課題を扱っており、両者を合わせるとAI検索でブランドが直面する二重のハードルが見えてきます。

本サイトのAI引用の40%が「ゴーストサイテーション」で解説した通り、AIに引用されてもブランド名が回答本文に記載されない現象が約40%発生することが別の調査で報告されています。geoSurgeの調査結果と組み合わせると、新興ブランドは「まず検索対象として選ばれにくい」という関門と、「選ばれても引用時にブランド名が伝わらない」という関門の両方に直面する可能性があることがわかります。

Q8. 自社ブランドが「既知」かどうかはどうやって確認できますか？

主要AIモデルに自社の業界カテゴリについて質問し、自社ブランドが回答内でどの程度言及・検索されるかを継続的に観察する方法が考えられます。

具体的には、自社の業種・カテゴリに関する購買検討系のプロンプト（「おすすめの〇〇は？」等）を複数のAIモデルに投げかけ、自社ブランドが候補として挙がる頻度や、競合の大手ブランドとの言及頻度の差を確認する方法が実務的です。ブランドメンション監視ツールのようなツールを使えば、この観測をより体系的に継続することができます。

Q9. この調査データはどこまで信頼できますか？

geoSurgeというAI可視性・GEO計測企業が実施した調査で、Search Engine Landという主要業界メディアが報じたものです。66件のプロンプト×60回試行という比較的大規模なサンプル設計が特徴です。

調査主体であるgeoSurge自身がAI可視性計測サービスを提供する企業である点は踏まえておく必要がありますが、複数回の試行によって統計的な安定性を確保しようとした調査設計や、相関関係と因果関係を明確に区別する姿勢（因果関係は証明されていないと明記している点）は、調査の信頼性を評価するうえでプラス材料だと言えます。一次データとして参考にしつつ、自社での実測とも突き合わせることが望ましいでしょう。

Q10. 今後この既知ブランド優遇バイアスは変化していく見通しですか？

現時点で明確な見通しは示されていませんが、AIモデルの学習データの更新やリアルタイム検索機能の強化次第で変動する可能性があります。

AIモデルが学習データを継続的に更新し、新興ブランドに関する情報がより豊富に取り込まれるようになれば、既知度バイアスの強さは徐々に変化していく可能性があります。またGeminiの例外事例が示すように、リアルタイムのWeb検索結果を重視する回答生成方式が強化されれば、モデルメモリへの依存度が相対的に下がる可能性も考えられます。いずれにせよ、現時点では既知ブランド優遇が強く働いているという前提に立って、ブランドメンションの積み重ねやエンティティ最適化に中長期的に取り組むことが実務的な対応だと言えます。

関連記事

• LLMOとは？AI検索対策の5要素と30日プラン【2026年完全ガイド】
• AI検索時代のブランドKPI再設計｜引用・言及・感情極性を課金直結で測る実践ガイド
• ブランドメンション（言及）の重要性｜被リンクと並ぶ評価指標
• ブランド言及率17%ベンチマーク：AI検索での実測水準と測り方・改善策
• エンティティ最適化のAI引用3倍実装方法と効果測定ガイド
• AI引用の40%が「ゴーストサイテーション」——ブランド名なき引用の実態
• ブランドメンション監視ツール2026
• 用語集: LLMO（大規模言語モデル最適化）
• 用語集: GEO（生成エンジン最適化）
• 用語集: ブランドメンション