「広く展開」か「狭く深く」か——Semrushデータが示すトピカルフォーカスの正体

「広く展開」か「狭く深く」か——Semrushデータが示すトピカルフォーカスの正体

要点: SEOアナリストのKevin Indig氏が、Semrush「AI Visibility Toolkit」のChatGPTデータ（2026年1〜6月・米国・1,094カテゴリ・283,215件の引用・76,493件のブランド言及）を分析し、「ブランドは専門外の領域でも『引用』はされやすいが、『言及』はされにくい」という非対称な構造を報告した。 金融・不動産業界では、5つのプロンプト変異すべてで出現する「完全出現」時に引用幅の関連付けが顕著に上昇する一方、法律・医療業界ではカテゴリを完全網羅しても言及幅がマイナスのままという業種差が確認されている。 Indig氏は「広すぎる」ことへのペナルティは実は「浅すぎる」ことへのペナルティだと結論づけており、これはカテゴリごとの勝者構造を分析した既報（関連記事）とは異なる、1ブランドが複数カテゴリにどこまで広げるべきかという「横」の視点を提供するものだ。

最終更新日: 2026年8月6日

何が起きたのか

2026年8月5日、Search Engine Landに「Does topical focus make your brand more visible?（トピックへの集中はブランドの可視性を高めるのか？）」と題する記事が掲載された。執筆したのは、Growth advisorとして活動し、ニュースレター「Growth Memo」を運営するKevin Indig氏である。出典は次のURLで確認できる。

https://searchengineland.com/does-topical-focus-make-your-brand-more-visible-484280

Indig氏は、これまでにもSemrushのAI検索データを用いた分析を継続的に発表している人物だ。aiseo-llmo.comではすでに、同氏による2つの関連調査を紹介してきた。1本目は2026年7月29日公開の「AI halftime report: H1 2026」で、引用の断片化が91%に達したことやAI経由のリファラルが33%減少したことなど、市場全体のマクロな構造変化を扱ったもの（関連記事）。2本目は2026年7月に発表された「カテゴリ支配」調査で、1,094カテゴリのうち明確な勝者ブランドが存在するのはわずか15.2%、AI検索需要全体の89.3%が「無主地」であり、しかも一度勝者が確定すると90.4%の確率で翌月も首位を維持するという固定化傾向を報告したもの（関連記事）。

今回の記事は、これら2本とは分析の軸が異なる。前者2本が「時間軸でのマクロ動向」あるいは「カテゴリごとに勝者が定まっているかどうか」という、いわば縦方向・カテゴリ単位の分析だったのに対し、今回の記事は「1つのブランドが専門外のカテゴリにどこまで手を広げるべきか、それとも狭い専門領域に深く特化すべきか」という、ブランド単位・横方向の分析である点が最大の違いだ。この視点は、複数事業ラインを持つ企業や、コンテンツマーケティングでカテゴリ拡張を検討している事業者にとって、より直接的な意思決定材料になる。

調査の設計と規模

今回の分析も、データソースはSemrushの「AI Visibility Toolkit」である。調査の骨格は次の通りだ。

• 対象期間: 2026年1月〜6月（半年間）
• 対象市場・AIサービス: 米国、ChatGPT
• 対象カテゴリ数: 1,094カテゴリ
• プロンプト設計: カテゴリあたり5つのプロンプト変異
• 観測された引用（citation）: 283,215件
• 観測された名前付きブランド言及（mention）: 76,493件
• マッピングされたブランドエンティティ: 1,458
• エンティティによる拡張出現の総数: 45,578

この規模感は、既報の「カテゴリ支配」調査（60万件超の引用・5万ブランド超）と重なる部分がありつつも、指標定義や集計単位を変えて再分析したものと理解するのが妥当だ。特に注目すべきは、Indig氏が「引用」と「言及」という2つの指標を明確に切り分けて集計している点である。この記事における定義は次の通りだ。

• 引用（citation）: ChatGPTの回答内で、情報源としてリンク・参照されること
• ブランド言及（mention）: AIの回答本文中でブランド名が名指しで登場すること。引用を伴わない場合もある

この2つの区別自体は、既報の「カテゴリ支配」調査ですでに指摘されていた論点（被引用ブランドと言及ブランドの一致率がわずか20.8%だった、という結果）と地続きだが、今回の記事はこの区別を、単一カテゴリ内の話としてではなく、「専門領域の広さ・深さ」という軸に沿って再構成している点に新しさがある。

「深さ（Depth）」という指標

今回の分析のもう一つの核となるのが「深さ（Depth）」という指標だ。前述の通り、各カテゴリには5つのプロンプト変異が用意されている。あるドメイン（ブランド）がそのカテゴリの5つのプロンプト変異のうち、いくつに出現したかを1/5から5/5までの5段階で表したものが「深さ」である。

• 1/5(浅い出現): 5つのプロンプトのうち1つでしか出現しないカテゴリ。いわば「たまたま一度だけ触れられた」状態
• 5/5(完全出現): 5つのプロンプトすべてで一貫して出現するカテゴリ。そのトピックにおいて安定的にAIの回答に組み込まれている状態

この「深さ」を横軸に、「引用シェアとの関連度」「言及シェアとの関連度」を縦軸にとって比較することで、専門領域の広さ・狭さそのものではなく、各カテゴリにおける出現の「深さ」がAI可視性にどう作用するかを検証したのが今回の調査の核心である。

核心的な発見: 引用は専門外でも起きるが、言及は起きにくい

Indig氏が導き出した中心的な主張は次の一文に要約される。

「Brands have good chances of getting cited outside their established expertise, but not mentioned(ブランドは、確立された専門領域の外側でも引用される可能性は十分にあるが、言及される可能性はそうではない)」

つまり、あるブランドが本業ではない周辺カテゴリに進出した場合、そのカテゴリに関する情報源としてAIにリンク・参照される（引用される）ことは比較的起こりやすい。しかし、AIの回答本文の中で「〇〇というブランドがおすすめです」という形で名指しされる(言及される)ことは、専門外のカテゴリではハードルが高いままだという非対称性が観測された。

この非対称性は、AI検索最適化の実務において見落とされがちな盲点を突いている。多くの事業者は「引用数」を可視性の代表指標として追いかけがちだが、引用が増えても、それがそのままブランド名の名指し推薦(言及)につながるとは限らない、ということをこのデータは示している。

業界別の具体的数値: 金融・不動産と法律・医療の対照

今回の記事でとりわけ重要なのが、業界ごとに「深さ」と「引用シェア/言及シェア」の関連度がどう変化するかを比較したデータだ。以下、記事内で示された具体的な数値を整理する。

金融業界(引用幅の関連付け)

• 1プロンプトのみで出現する「浅い」状態: +0.054
• 5プロンプトすべてで出現する「完全出現」状態: +0.139

浅い出現の時点ですでに引用に対してプラスの関連付けがあり、深さが増すごとにその関連度がおよそ2.6倍近くまで上昇している。金融業界は、専門外に近い周辺トピックであっても、露出を重ねるほど引用されやすくなる傾向が強いカテゴリだと言える。

不動産業界(引用幅の関連付け)

• 浅い出現(1/5): +0.021
• 完全出現(5/5): +0.135

不動産業界も金融業界と同様の傾向を示しており、浅い出現の時点では関連度が小さいものの、深さが増すにつれて引用シェアとの関連が明確に強まっている。両業界に共通するのは、「露出を重ねること自体が引用されやすさに直結する」という、比較的わかりやすい正の相関構造だ。

法律業界(言及幅の関連付け)

• 完全出現(5/5、カテゴリを完全にカバーした状態)でも: -0.058

法律業界は、5つのプロンプトすべてで一貫して出現するという最も深い状態に到達してもなお、言及シェアとの関連付けがマイナスのままという結果になった。つまり、法律分野においては、露出量や出現頻度を積み上げるだけでは、AIの回答本文で名指しされる(言及される)状態には到達しにくいことを示している。

医療業界(言及幅の関連付け)

• 言及幅の関連付け: -0.037

医療業界も法律業界と同様に、言及シェアとの関連付けがマイナスの領域にとどまっている。法律・医療という、専門性・信頼性への要求水準が特に高い分野において、単純な露出の広さ・深さだけでは「名指しでの推薦」を勝ち取りにくい構造があることがうかがえる。

浅い出現と言及シェアの関係(業界横断)

• 浅い出現(1/5)の場合の言及シェアとの関連付け: -0.051
• 完全出現(5/5)の場合: わずかに正に転じる

業界を横断した全体傾向としても、浅い出現は言及シェアに対してマイナスの関連を示す一方、完全出現に至って初めてわずかにプラスへ転じるという結果が出ている。これは、「言及されるためには、生半可な露出では不十分であり、相応の深さ(反復的な出現)が必要である」ことを示唆するデータだ。

Indig氏の結論: 「広すぎる」ペナルティの正体は「浅すぎる」ペナルティ

これらの数値を踏まえ、Indig氏は次のような結論を提示している。

第一に、トピック権限(Topical Authority)は「言及」には効果的に働くが、「引用」に対してはそこまで強い効果を持たない。言い換えれば、あるトピックにおける専門性・権威性の蓄積は、AIがそのブランドを名指しで推薦する(言及する)ことには寄与しやすいが、単に情報源としてリンクを貼られる(引用される)かどうかには、それほど強く影響しない。

第二に、これまでLLMO・GEOの実務でしばしば語られてきた「トピックを広げすぎるとブランドの専門性が薄まり評価が下がる(広すぎるペナルティ)」という懸念について、Indig氏は今回のデータをもとに再解釈を示している。同氏の言葉を借りれば、「広すぎる」ことへのペナルティに見えていたものの正体は、実際には「浅すぎる」ことへのペナルティだったという。つまり、複数カテゴリへ展開すること自体が問題なのではなく、展開した各カテゴリにおいて十分な深さ・網羅性を確保できていないことこそが、可視性低下の真因だという見立てだ。

第三に、この知見をもとに、業界別に異なる推奨アプローチが示されている。金融・不動産のようなチームは、「引用」を初期の成功指標として位置づけ、関連する周辺カテゴリへの拡張を試験的に進めることができる。引用は比較的早い段階でも獲得しやすいため、拡張の初速を測るシグナルとして機能しやすいからだ。一方、法律・医療のようなチームにとっては、カテゴリでの勝利には「言及の繰り返し」が不可欠であり、引用の獲得だけでは不十分だとされる。この点についてIndig氏は、次のように述べている。

「A category is not won until the brand earns repeat mentions, not just citations(カテゴリーは、ブランドが単なる引用でなく反復的な言及を獲得するまでは勝ち取れていない)」

この一文は、AI検索における「勝利条件」を再定義するものと言える。引用の獲得はスタートラインに過ぎず、AIの回答本文の中で繰り返し名指しされる状態に至って初めて、そのカテゴリでの実質的な地位を確立したと言える、という考え方だ。

研究の限界: 相関であり、因果ではない

今回の調査結果を実務に応用するにあたって、Indig氏自身が明示している限界を正確に理解しておく必要がある。

第一に、この調査設計はあくまで「関連性(association)」を測定したものであり、ランダム化比較試験のような、拡張プログラムの効果を厳密に検証する実験設計ではない。ブランドが実際にどのようなトピック戦略を取ったかは事後的な観測データから推測されるものであり、意図的にコントロールされた条件下での比較ではない。

第二に、公開したコンテンツの量、ブランド戦略、カテゴリ拡張の意思決定が、後に観測された引用・言及の結果を「引き起こした」とまでは証明されていない。つまり、今回示された数値は相関関係であって因果関係ではない。深さと引用シェア・言及シェアの間に関連が見られたとしても、それがどちらが原因でどちらが結果なのか、あるいは両者に共通する第三の要因(例えばブランドの元々の知名度や既存の権威性)が影響している可能性は排除できない。

第三に、1つのサイト・1つのブランドが現実的に対応できるカテゴリ数の上限について、この調査は信頼できる試算を提供していない。「何カテゴリまでなら深さを保てるか」という、実務上もっとも知りたい問いに対する具体的な数値の裏付けは、今回の記事には含まれていない。

第四に、この分析結果はエンティティマッピングの完全性に依存している。1,458のマッピングされたブランドエンティティという規模は相応に大きいものの、AIの回答内でのブランド名の表記揺れや、類似名称の企業との混同といった技術的な課題が、集計結果に一定の誤差を生んでいる可能性は否定できない。

これらの限界を踏まえると、今回のデータは「トピカルフォーカスを狭めるべきか、広げるべきか」という問いに絶対的な正解を示すものではなく、業界特性に応じて戦略の重心をどこに置くべきかを考えるための参考材料として扱うのが適切である。

aiseo-llmo.com ユーザーへの影響

今回のデータは、業種によって取るべきアプローチが明確に異なることを示している。以下、業種別に実務上の含意を整理する。

金融・不動産業界: 「引用」を先行指標にした拡張テストが可能

金融・不動産業界は、今回のデータの中でも特に前向きな示唆を得られる業種だ。浅い出現の段階からすでに引用シェアとの関連がプラスであり、出現の深さを増すごとにその関連度が2倍以上に強まる(金融: +0.054→+0.139、不動産: +0.021→+0.135)という結果は、これらの業種が周辺カテゴリへの展開を試みる際、比較的早い段階で「引用される」という成果を得やすいことを意味する。

実務的には、これは「関連カテゴリへ進出した際の初期の手応え」を測る指標として、引用シェアの変化を利用できるということだ。例えば、住宅ローン専門の金融サービス事業者が資産運用系のコンテンツへ展開を試みる場合、まず数か月単位で該当カテゴリでの引用シェアがどう変化するかをモニタリングし、プラスの兆候が見えれば、その領域への投資をさらに強化する、という段階的な意思決定プロセスを組める。ただし、引用が獲得できたからといって、そのまま「言及」につながるとは限らない点には注意が必要だ。引用はあくまで初期シグナルであり、最終的なカテゴリでの地位確立には、既報の「カテゴリ支配」調査が示した「首位と2位の差」のような、より継続的な優位性の構築が必要になる。

法律・医療業界: 「言及の反復」なくしてカテゴリ勝利なし

法律・医療業界にとって、今回のデータは厳しい現実を突きつけるものだ。完全出現(5/5)という、最も深い状態に到達してもなお、言及シェアとの関連付けがマイナスのままである(法律: -0.058、医療: -0.037)という結果は、これらの業種では単純な露出量の積み増しだけでは、AIの回答本文で名指しされる状態に到達しにくいことを示している。

これは、法律・医療という分野特有の事情、すなわちAIが情報の正確性や専門性の裏付けをより慎重に扱う傾向があること、あるいは規制・免責事項への配慮から名指しでの推薦を控える設計になっている可能性などが背景にあると考えられる(ただし、この点についてIndig氏の記事は明確な因果関係までは特定していない)。

実務上の含意として、法律事務所や医療機関・医療関連サービスの事業者は、「引用数が増えている」ことだけを成果指標にせず、AIの回答本文の中で実際に自社ブランド・サービス名が名指しで挙げられているかどうかを個別に確認するモニタリング体制を持つ必要がある。単発の引用実績を積み上げるのではなく、同一カテゴリにおいて反復的に名指しされる状態を作ることが、Indig氏の言う「カテゴリでの勝利」の条件になる。

その他業種: 深さの確保が拡張成功の前提条件

金融・不動産、法律・医療のいずれにも明確に当てはまらない業種(小売、SaaS、教育、旅行など)にとっても、今回の調査全体を貫く「浅すぎるペナルティ」という視点は重要だ。業界横断の全体傾向として、浅い出現(1/5)は言及シェアに対してマイナスの関連付け(-0.051)を示し、完全出現(5/5)に至って初めてわずかにプラスへ転じるという結果が示されている。

これは、複数カテゴリへの展開自体を避けるべきだという結論にはならない。むしろ、展開するカテゴリ数を無理に絞り込むよりも、着手したカテゴリそれぞれで「5つのプロンプト変異すべてに一貫して出現する」水準の深さを確保できるかどうかが、成否を分ける実務上の分岐点になる。手を広げること自体が悪いのではなく、広げた先で中途半端な出現頻度にとどまることが、可視性低下の実質的な原因だとするIndig氏の主張は、業種を問わず参考になる視点だ。

今すぐできる対応策

今回のデータを踏まえ、自社のトピカルフォーカス戦略を診断し、業界特性に応じた優先順位をつけるための具体的なステップを解説する。

ステップ1: 自社の展開カテゴリごとに「深さ」を実測する

まず、自社ブランドが現在展開している(あるいは展開を検討している)各カテゴリについて、ChatGPTを含む主要なAI検索エンジンに対して、意図の異なる複数のプロンプト(理想的には5パターン程度)を投げ、それぞれで自社ブランドが出現するかどうかを記録する。

• 定義質問型(「〇〇とは何か」)
• 比較質問型(「AとBの違いは」)
• 代替品リスト型(「〇〇の代わりになるものは」)
• 利用シーン型(「〇〇な場合に使うべきものは」)
• 購買判断型(「〇〇を選ぶべき理由は」)

各カテゴリについて、5パターン中いくつで自社ブランドが出現したかを記録し、1/5(浅い)〜5/5(完全出現)のスコアとして可視化する。この作業を月次で継続することで、自社のカテゴリごとの「深さ」の推移を定点観測できるようになる。

ステップ2: 「引用」と「言及」を分けて記録する

同じプロンプト実行の中で、次の2点を分けて記録する。

• 引用の有無: 回答内に自社サイトへのリンク・参照が含まれているか
• 言及の有無: 回答本文の中で自社ブランド名が名指しで登場しているか(引用の有無を問わない)

この2つを混同せず別々のログとして蓄積することで、「引用は増えているのに言及が増えていない」あるいはその逆、といった非対称なパターンを早期に発見できる。今回の調査が示した通り、この2つは異なるロジックで動いている可能性が高いため、単一の「露出スコア」にまとめてしまうと、業界特性に応じた打ち手の違いを見落とすリスクがある。

ステップ3: 業界特性に応じてKPIの重心を変える

診断結果と自社の業界特性を照らし合わせ、KPI設計の重心を次のように調整する。

• 金融・不動産、あるいはそれに近い業界特性(比較的AIが名指し推薦に慎重でない領域): 周辺カテゴリへの拡張を検討する際、まず「引用シェア」を初期の成功指標として設定し、数か月単位でプラスの変化が見られるかをモニタリングする。プラスの兆候が確認できた段階で、コンテンツ投資や専門コンテンツの拡充など、次のフェーズへの投資判断を行う
• 法律・医療、あるいはそれに近い業界特性(専門性・信頼性への要求が特に高い領域): 引用数の増加を過度に重視せず、「言及の反復」を最重要KPIとして設定する。単発の引用実績ではなく、同一カテゴリで繰り返し名指しされる状態を作ることを目標に、専門性を裏付ける一次情報の発信、第三者評価・レビューでの露出、業界内での実績の可視化などに投資の重心を置く
• その他の業種: 展開カテゴリ数を無理に絞り込む前に、まず各カテゴリでの「深さ」が5/5に近づいているかを確認する。深さが不足しているカテゴリについては、新規カテゴリへの拡張よりも、既存カテゴリでの出現頻度を高める施策(プロンプトの意図パターンごとのコンテンツ網羅性向上など)を優先する

ステップ4: カテゴリ拡張の是非を「深さを維持できるか」で判断する

新しいカテゴリへの展開を検討する際は、「このカテゴリで自社は本当に5パターンのプロンプト変異すべてに継続的に出現できるコンテンツ・実績を用意できるか」を判断基準に据える。今回のデータが示す通り、「広すぎるペナルティ」の実態は「浅すぎるペナルティ」である可能性が高い。展開するカテゴリ数を増やすこと自体を恐れる必要はないが、深さを確保できる見込みのないカテゴリへ手を広げることは、既存カテゴリでのポジションを希薄化させるリスクがある。拡張候補のカテゴリごとに、必要なコンテンツ量・専門性の裏付け・想定される出現頻度をあらかじめ見積もり、深さを確保できる自信のあるカテゴリから着手する優先順位づけを行うことを推奨する。

ステップ5: 既報データと組み合わせて総合的な戦略に落とし込む

今回のトピカルフォーカスのデータは、既報の「カテゴリ支配」調査(勝者ブランドの有無、首位固定化の傾向)と組み合わせることで、より立体的な戦略設計が可能になる。例えば、自社の主力カテゴリが「無主地」(明確な勝者が存在しない状態)であれば、そこに深さを持って参入することの投資対効果は高いと判断できる。逆に、すでに勝者が固定化しているカテゴリへ浅く手を広げても、引用すら十分に得られない可能性がある。カテゴリ単位の競争状況(既報)と、自社の出現の深さ(今回のデータ)を掛け合わせて優先順位を判断することが、限られたリソースを最も効果的に配分する近道になる。

よくある質問

Q1. 今回の調査は誰が、どのようなデータをもとに発表しましたか?

Growth advisorのKevin Indig氏が、Semrush「AI Visibility Toolkit」のデータを分析し、2026年8月5日にSearch Engine Landで発表しました。対象は2026年1〜6月の米国ChatGPTデータで、1,094カテゴリ・カテゴリあたり5つのプロンプト変異・283,215件の引用・76,493件のブランド言及・1,458のマッピング済みブランドエンティティ・45,578の拡張出現が分析対象です。

Q2. 「引用」と「言及」はどう違うのですか?

引用(citation)は、AIの回答内で自社サイトが情報源としてリンク・参照されることを指します。言及(mention)は、回答本文の中で自社ブランド名が名指しで登場することを指し、引用を伴わない場合もあります。今回の調査では、この2つが異なるロジックで動いている可能性が示されており、「引用されやすいが言及されにくい」という非対称なパターンが専門外カテゴリで確認されています。

Q3. 「深さ(Depth)」とは何を測る指標ですか?

各カテゴリに用意された5つのプロンプト変異のうち、あるブランドがいくつの変異で出現したかを示す指標です。1/5(1つの変異でのみ出現する浅い状態)から5/5(5つすべての変異で一貫して出現する完全出現の状態)までの5段階で評価されます。深さが増すほど、引用シェア・言及シェアとの関連度がどう変化するかを分析するための軸として使われています。

Q4. なぜ金融・不動産業界は「引用」で有利な結果が出ているのですか?

記事内で明確な因果関係までは特定されていませんが、金融業界では引用幅の関連付けが浅い出現時の+0.054から完全出現時の+0.139へ、不動産業界では+0.021から+0.135へと、それぞれ深さに応じて上昇しています。これらの業界は、専門外に近い周辺トピックであっても、出現頻度を積み重ねることで引用されやすくなる傾向が比較的強いカテゴリだと解釈できます。

Q5. 法律・医療業界はなぜ「言及」で苦戦するのですか?

法律業界は完全出現(5/5)時でも言及幅の関連付けが-0.058、医療業界は-0.037と、いずれもマイナスのままという結果が示されています。単純な露出の広さ・深さの積み増しだけでは、AIの回答本文で名指しされる状態には到達しにくい構造があることを示していますが、記事はこの背景にある明確な因果関係までは特定していません。専門性・信頼性への要求水準が特に高い分野特有の傾向である可能性があります。

Q6. 「広すぎるペナルティ」と「浅すぎるペナルティ」の違いは何ですか?

これまでLLMO・GEOの実務では、「トピックを広げすぎるとブランドの専門性評価が下がる(広すぎるペナルティ)」という見方がしばしば語られてきました。しかしIndig氏は今回のデータをもとに、この現象の実態は「複数カテゴリへの展開自体」が問題なのではなく、「展開した各カテゴリで十分な出現の深さを確保できていないこと(浅すぎるペナルティ)」こそが真因だと再解釈しています。つまり、カテゴリを広げること自体は悪くなく、広げた先で中途半端な露出にとどまることが問題だという考え方です。

Q7. この調査結果は因果関係を証明していますか?

いいえ。Indig氏自身が明示している通り、この調査設計は「関連性(association)」を測定したものであり、ランダム化された実験ではありません。公開したコンテンツやブランド戦略、カテゴリ拡張の意思決定が、後の引用・言及の結果を「引き起こした」とまでは証明されておらず、あくまで相関関係を示すデータとして扱う必要があります。また、1サイトが対応できる現実的なカテゴリ数の上限についても、信頼できる試算は示されていません。

Q8. 既報の「カテゴリ支配」調査(2026年8月3日公開)との違いは何ですか?

既報の調査は、1,094カテゴリのうち明確な勝者ブランドが存在するのはわずか15.2%、AI検索需要全体の89.3%が「無主地」であり、勝者が確定すると90.4%の確率で翌月も首位を維持する、という「カテゴリごとに勝者が存在するか」という縦方向の分析でした。今回の記事は同じデータソース(Semrush)・同じ分析者(Kevin Indig氏)によるものですが、「1ブランドが複数カテゴリにどこまで広く展開すべきか、それとも狭く深く特化すべきか」という、ブランド単位・横方向の分析である点が異なります。両者は併せて読むことで、市場の競争構造(既報)と自社の展開戦略(今回)の両面を把握できます。

Q9. 自社がどちらのタイプ(金融・不動産型/法律・医療型)に近いかわからない場合はどうすればよいですか?

まず自社が展開している主要カテゴリについて、5パターンのプロンプト(定義・比較・代替品・利用シーン・購買判断)をAI検索エンジンに投げ、出現の深さと、引用・言及それぞれの有無を月次で記録することを推奨します。深さが増すにつれて言及シェアが伸びる傾向が見られる業種であれば言及重視のKPI設計を、引用は伸びても言及が伸び悩む業種であれば法律・医療型に近い戦略(言及の反復を重視)を検討するとよいでしょう。詳細は本記事「今すぐできる対応策」を参照してください。

Q10. 今後、この種の調査データはどう活用していくべきですか?

トピカルフォーカスのデータは単独で絶対的な戦略解を示すものではなく、既報の「カテゴリ支配」データ(どのカテゴリに競争優位の余地があるか)や、市場全体のマクロ動向(引用の断片化・リファラル減少など)と組み合わせて解釈することが重要です。継続的にSemrushをはじめとするAI可視性ツールのデータを追跡し、自社カテゴリごとの深さ・引用シェア・言及シェアの推移を定点観測する体制を整えることが、今後のLLMO実務における基本動作になっていくと考えられます。

関連記事

• LLMOとは何か——完全ガイド
• AI検索最適化ガイド——GEO・LLMOの実践
• Kevin Indig「AI halftime report: H1 2026」——引用断片化91%・リファラル33%減の実態
• ChatGPT引用の89%は「無主地」——Semrushデータが示すカテゴリ支配の窓
• Aleyda Solis氏調査：AI検索は「第三者引用問題」、15ブランド分析
• 用語集：LLMO（Large Language Model Optimization）
• 用語集：GEO（Generative Engine Optimization）
• 用語集：ChatGPT Search
• ChatGPT/Claude/Geminiへの戦略相談、鍵は「プロンプト」より「ビジネス文脈」
• 税理士サイト1000件調査、AI検索対応はわずか5.8%の衝撃
• GenZがClaude・OpenAIを消費財ブランド視——信頼度は42ポイント差
• AI検索時代、従来の被リンク構築モデルはなぜ機能しなくなったのか
• ChatGPTの『Sources』ボタンが消える?『More actions』内に移動するテスト確認
• Time誌のAI向け隠し広告をPerplexityがブロック、クローキング論争が再燃
• LLMO対策の成功事例8選【2026年最新】施策別の成果データと自社で再現する手順