『群盲象を評す』――AI検索の需要創出、6つの視点をSEJが整理

『群盲象を評す』――AI検索の需要創出、6つの視点をSEJが整理

要点: Search Engine Landが2026年8月7日、Greg Jarboe氏による記事「What six perspectives reveal about demand generation in AI search」を公開した。SparkToro、Fractl、AMEC、Burson、B2Bアナリスト業界、ニュースメディア分析という異なる立場の6つの視点を並べ、AI検索時代の需要創出（デマンドジェネレーション）計測が「群盲象を評す」の状態にあると論じている。 記事の核心は、単一の指標・単一のツールでAI検索での存在感を測ろうとする限り、それぞれが「象の違う部位」しか触れていないという点だ。ゼロクリック化の進行、AI可視性と信頼の乖離、引用頻度と読者信頼の不一致など、6つの視点を統合して初めて全体像が見えてくると整理している。

最終更新日: 2026年08月08日

何が起きたのか

2026年8月7日、Search Engine Land（SEL）に、Greg Jarboe氏（編集: Rebecca Kelley氏、査読: Angel Niñofranco氏）による記事「What six perspectives reveal about demand generation in AI search」が掲載された。出典は次のURLで確認できる。

https://searchengineland.com/perspectives-demand-generation-ai-search-484450

この記事は、AI検索時代における「デマンドジェネレーション（需要創出）」の計測というテーマを、単一の専門家や単一のフレームワークではなく、立場の異なる6つの視点を横断的に紹介する構成を取っている。記事全体を貫く比喩は「群盲象を評す（The blind men and the elephant）」という寓話だ。複数の盲目の人がそれぞれ象の異なる部位（鼻、耳、脚、尾など）を触り、まったく異なる結論（「象は蛇のようだ」「象は扇のようだ」「象は柱のようだ」）に達してしまうという古い寓話になぞらえ、AI検索の需要創出を単一の指標・単一のツールだけで判断しようとする現在のマーケティング実務に警鐘を鳴らしている。

以下、記事が紹介する6つの視点をそれぞれ整理する。

視点1: ゼロクリック・マーケティングへの転換（Rand Fishkin / SparkToro）

第一の視点は、市場調査企業SparkToroの共同創業者Rand Fishkin氏によるものだ。Fishkin氏が集計したデータによれば、2026年上半期（H1）において、Google検索の68.01%がクリックなしで終了している。つまり、ユーザーが検索結果ページ上で回答や情報を得て満足し、いずれのリンクもクリックせずに検索セッションを終えるケースが、全体の7割近くに達しているということになる。

さらに、AI Overviews（AI による要約回答）は検索の20%以上に表示されており、AI Overviewsが表示された検索では、表示されなかった検索と比較してクリック率（CTR）が約60%減少するというデータも示されている。

この状況を踏まえ、Fishkin氏が提示する処方箋は、トラフィック指標（セッション数、クリック数、流入数）を中心に据えたレポーティングから、ブランド認知やブランドへの需要そのものを示すシグナル――たとえばブランド名の直接検索数、SNS上での言及量、ブランド想起調査の結果など――を追跡するダッシュボードへと転換すべきだというものだ。クリックが得られない検索環境が常態化した以上、「クリックされた数」を追い続けること自体が実態を見誤らせるという立場である。

視点2: AI可視性のためのGEO戦術（Fractl / Kelsey Libert氏）

第二の視点は、コンテンツマーケティング企業FractlのKelsey Libert氏によるものだ。Fractlの分析では、消費者が「AI検索の回答を有用だと感じる」割合が、2025年の82%から2026年には54%へと低下しているというデータが示されている。AIによる要約回答への満足度が短期間で大きく下がっているという指摘は、AI検索の品質や信頼性に対するユーザー側の受け止めが、単純な右肩上がりでは進んでいないことを示唆している。

Fractlの相関分析では、ブランド言及数（AIの回答内でブランド名が言及される頻度）とYouTube視聴数との間に、0.50〜0.74という中程度から強い相関係数が確認されている。一方で、バックリンク数や広告費とAI可視性との相関係数は0.30以下にとどまり、弱い相関しか見られなかったという。

この結果からFractlが導く示唆は、従来型のSEOで重視されてきたバックリンク獲得や広告出稿の量だけでは、AI検索での可視性向上に直結しにくいということだ。代わりに、動画コンテンツでの露出量や、オリジナルデータ・独自調査の保有・発信が、AI検索時代における競争優位の源泉になりつつあると指摘している。

視点3: 上流エビデンスによる測定（AMEC）

第三の視点は、コミュニケーション測定・評価の国際団体AMEC（International Measurement and Evaluation of Communication）によるものだ。AMECはPR・広報業界で広く参照される測定フレームワーク「バルセロナ原則（Barcelona Principles）」の策定・普及を担ってきた団体であり、この原則をAI検索の文脈に応用する形で視点を提示している。

AMECの整理では、AI検索時代の測定を次の3つの領域に分類する。

1. 上流評判（Upstream Reputation）: ブランドが第三者からどのように語られ、どのような評判を持っているか
2. 検索・コンテンツ準備（Search & Content Readiness）: AIに引用・参照されやすい形でコンテンツや情報が整備されているか
3. 下流AI出力追跡（Downstream AI Output Tracking）: 実際にAIの回答内でブランドがどう扱われているかの追跡

AMECが強調する最も重要な原則は、「AI可視性」と「ビジネス成果」を混同してはならないという点だ。AIの回答内で言及される回数が増えたからといって、それが自動的に売上や商談に結びつくとは限らない。AMECは、発見（discovery）→認知（awareness）→信頼（trust）→行動（action）→影響（impact）という因果の連鎖を、段階を飛ばさずに立証する必要があると論じている。つまり、AIに引用されたという事実（発見）と、実際にビジネス上の成果が生まれたという事実（影響）の間には、認知・信頼・行動という複数の中間段階が存在し、それぞれの段階でのデータを積み上げて初めて因果関係を主張できるという立場だ。

視点4: 信頼性とAI信憑性（Burson）

第四の視点は、PR業界大手Bursonによるものだ。Bursonは55,000件を超える「信頼性予測（credibility predictions）」を生成・分析し、AIがブランドや企業をどのような根拠に基づいて信頼できると判断しているかを調べている。

その結果、革新性や製品力といった「観察可能な証拠（observable evidence）」に基づく評価は、「リーダーシップ」「業界をリードする」といった企業自身が語る制度的な自己記述（institutional self-description）よりも、約2倍優れた信頼性スコアを獲得することが分かったという。

この発見が示唆するのは、ブランドの「可視性」の高さと「信頼」の高さは、それぞれ別の軸で評価すべき問題だということだ。AIの回答内での言及回数を増やすことに成功しても、その言及が企業自身の自己アピール的な文言に基づくものであれば、信頼性という観点では評価されにくい。逆に、第三者による観察可能な実績や証拠に基づく言及の方が、AIモデルにとっても信頼性の高い情報として扱われやすいという整理である。可視性の指標を追うだけでは信頼は買えない、という点がBursonの視点の核心だ。

視点5: B2B購買サイクルにおけるアナリスト影響（Jamin Spitzer氏の視点）

第五の視点は、B2B領域の購買プロセスにおけるアナリスト企業の影響力に関するものだ。Gartner、Forrester、IDCといった調査会社（アナリスト企業）が発行するレポートやコンテンツが、B2B領域でAIが生成する統合回答（synthesized answers）の主要な情報源の一つになっているという指摘がJamin Spitzer氏の視点として紹介されている。

この視点が実務に投げかける提言は、アナリスト・リレーションズ（AR）チームが、自社が重視・投資しているアナリスト（自社がブリーフィングを行い、レポートへの掲載を働きかけているアナリスト企業やアナリスト個人）と、実際にAIが回答生成時に引用しているアナリストコンテンツとの間に、ギャップが生じていないかを継続的に監視すべきだというものだ。自社が長年関係構築に投資してきたアナリストのコンテンツが、実はAIの回答生成にはほとんど反映されておらず、逆に投資していない別のアナリストのコンテンツが頻繁に引用されている、という状況が生じている可能性がある。

視点6: AI引用の信頼性ギャップ（Angela Dwyer氏 / Full Intel）

第六の視点は、Full IntelのAngela Dwyer氏によるものだ。この視点は、AIモデルが最も頻繁に引用するニュースメディアと、実際の読者がそのメディアをどれだけ信頼しているかという読者側の評価との間に、乖離が存在するという分析を示している。

具体的には、AIモデルからの引用頻度は高いにもかかわらず、読者からの信頼度は相対的に低いという出版社（メディア）が存在するという指摘だ。これは、AIモデルが「引用しやすい」「参照しやすい」と判断する基準（コンテンツの構造化のされ方、更新頻度、クロール・インデックスのされやすさなど）と、人間の読者が「信頼できる」と感じる基準（編集方針、専門性、長年の実績など）が、必ずしも一致しないことを示唆している。

記事全体の結論――単一視点の限界と、統合の必要性

Jarboe氏は記事の結びで、これら6つの視点はそれぞれ「象の違う部位」を触っているに過ぎず、いずれか一つだけを正解として採用することはできないと論じている。SparkToroの視点はゼロクリック化という検索行動の変化を、Fractlの視点は可視性に効くコンテンツ要因を、AMECの視点は測定フレームワークとしての因果の連鎖を、Bursonの視点は信頼性と可視性の分離を、B2Bアナリストの視点はアナリスト経由の情報流通を、Full Intelの視点はメディア引用と読者信頼のギャップを、それぞれ照らし出している。

記事が導く実務的な結論は、ウェブサイト中心・クリック中心の計測から、ブランド・信頼・引用・アナリスト影響といった複数の次元を含む多次元的な計測へと転換すべきだという点だ。単一のツールや単一のダッシュボードでAI検索時代の需要創出を完全に説明することはできず、複数の視点を組み合わせて初めて、実態に近い全体像が見えてくるという整理である。

aiseo-llmo.com ユーザーへの影響

「AI可視性ツール1つで十分」という発想からの脱却が必要

日本国内でも、AI検索での自社の可視性を調べるためのツール導入が急速に進んでいるが、多くの現場では「1つのツールで出てきたスコアが自社のAI検索対策の成果を代表する」という前提でレポーティングが行われがちだ。しかし今回紹介された6つの視点が示す通り、単一のツール・単一の指標は「象の脚を触っている」状態に過ぎない可能性がある。ツールが算出する「AI可視性スコア」や「引用回数」は、あくまで下流のAI出力を追跡した結果の一断面であり、それがビジネス成果（受注・売上）に直結しているかどうかは別途検証が必要だという整理は、日本のマーケティング現場にもそのまま当てはまる。

ゼロクリック化は日本語検索でも進行している

SparkToroが示すクリックなし検索の割合や、AI Overviews表示時のCTR低下は、Google検索が世界共通のアルゴリズムとインターフェースで提供されている以上、日本語検索環境でも同様の傾向が進行していると考えるのが妥当だ。日本のSEO担当者が「検索順位1位を維持しているのにクリック数が伸びない」という感覚を持っている場合、それはAI Overviewsやゼロクリック化の影響を受けている可能性が高い。トラフィック指標だけをKPIに据え続けていると、実際にはブランドの認知・需要が拡大しているにもかかわらず、レポート上は「成果が出ていない」という誤った評価に至るリスクがある。

バックリンク偏重のSEO投資は見直しが必要になる可能性

Fractlの相関分析が示す「バックリンク数や広告費とAI可視性の相関は0.30以下と弱い」というデータは、これまで日本のSEO業界で長年重視されてきた被リンク獲得施策の位置づけを再考させるものだ。もちろん被リンクが無価値になったわけではないが、AI検索での可視性向上という観点では、動画コンテンツでの露出やオリジナル調査データの発信の方が、より強い相関を持つ要因として示されている。日本語圏でも独自調査・アンケートデータを発信するオウンドメディア施策や、YouTubeなど動画プラットフォームでの露出強化を、AI可視性向上策の選択肢として検討する価値がある。

「可視性」と「信頼」を混同したレポーティングのリスク

Bursonの分析が示す「観察可能な証拠に基づく評価は自己記述の約2倍の信頼性スコアを獲得する」という知見は、日本企業のコンテンツ作りにも示唆が大きい。日本企業のコーポレートサイトやプレスリリースには「業界をリードする」「豊富な実績」といった自己アピール的な表現が多用される傾向があるが、こうした表現はAIにとって信頼性の高い情報として扱われにくい可能性がある。第三者評価、受賞歴、公開されている定量データ、顧客事例といった「観察可能な証拠」を積極的に発信する方針への転換が求められる。

B2B領域ではアナリストレポートとの関係性の点検が重要に

日本のB2B SaaS・エンタープライズ企業の中には、Gartner・Forrester・IDCといった海外アナリスト企業との関係構築(ブリーフィング実施、レポートへの引用依頼など)にすでに投資している企業もあるが、その投資が実際にAIの回答生成に反映されているかどうかを検証している企業は少ないと見られる。海外アナリストのコンテンツは英語で発信されることが多く、日本語のAI検索結果にどこまで反映されているかは別途調査が必要な論点だ。

今すぐできる対応策

Jarboe氏が紹介した6つの視点を踏まえ、日本のマーケティング・SEO担当者が実務に落とし込むための具体的な手順を示す。

対応策1: 現状の計測ダッシュボードを「6つの視点」で棚卸しする

1. 自社が現在使っているAI検索関連の計測指標・ツールを洗い出し、次の6つの視点のうちどれをカバーできているかをチェックリスト化する。
   • □ ゼロクリック検索・AI Overviews表示状況の把握（視点1）
   • □ ブランド言及と動画・独自データ等コンテンツ要因の相関分析（視点2）
   • □ 発見→認知→信頼→行動→影響の因果連鎖を意識した測定設計（視点3）
   • □ 「観察可能な証拠」と「自己記述」の切り分け（視点4）
   • □ 業界アナリストのコンテンツとAI回答の引用状況の突き合わせ（視点5、該当するB2B企業のみ）
   • □ 自社が引用されやすいメディアと読者から信頼されているメディアの照合（視点6）
2. カバーできていない視点が3つ以上ある場合、その視点を補うための計測手段を新たに検討する優先順位を付ける。
3. 経営層・意思決定者向けのレポートには、単一のAI可視性スコアだけでなく、最低でも「可視性」「信頼性」「ビジネス成果」の3系統に分けた指標を並記する。

対応策2: トラフィック指標からブランド・需要シグナルへのダッシュボード転換

1. Google Search Consoleやアクセス解析ツールで、検索クエリごとのインプレッション数に対するクリック数の比率（CTR）の推移を確認し、AI Overviewsが表示されやすいと推測されるクエリ群（定義・比較・ハウツー系クエリ）でCTRが低下していないかを点検する。
2. ブランド名の直接検索数（サイトサーチコンソール上のブランドクエリのインプレッション数）を月次で追跡し、クリック経由のトラフィックが横ばい・微減でもブランド認知の指標が伸びているかを確認する。
3. SNS上でのブランド名言及数、指名検索の推移、可能であればブランド想起に関するアンケート調査の結果を、四半期ごとのレポートに組み込む。

対応策3: コンテンツ投資の配分を再点検する

1. 過去1年間のSEO・コンテンツマーケティング予算の内訳を確認し、被リンク獲得施策・広告出稿・オリジナル調査データ発信・動画コンテンツ制作のそれぞれにどれだけ配分されているかを可視化する。
2. 自社の独自調査・アンケートデータの有無を棚卸しし、直近で実施していない場合は、業界動向や顧客の実態を示す一次データの収集・発信を新規施策として検討する。
3. 主要な商品・サービスカテゴリについて、YouTubeをはじめとする動画プラットフォームでの露出状況を確認し、不足していればコンテンツの動画化・切り出し配信を計画に組み込む。

対応策4: コンテンツの「証拠ベース」への書き換えを進める

1. コーポレートサイト・サービスページ・プレスリリースの文言を棚卸しし、「業界をリードする」「豊富な実績」といった自己記述的な表現がどの程度含まれているかを確認する。
2. 自己記述的な表現の近くに、それを裏付ける定量データ・第三者評価・受賞歴・顧客事例へのリンクを併記するよう、コンテンツガイドラインを更新する。
3. 新規コンテンツ制作時には、「主張」と「その主張を裏付ける観察可能な証拠」をセットで盛り込むことをチェック項目として編集フローに組み込む。

対応策5: B2B企業はアナリスト関係とAI引用状況を突き合わせる（該当企業のみ）

1. 自社がブリーフィングや関係構築に投資しているアナリスト企業・アナリスト個人のリストを作成する。
2. ChatGPT・Gemini・Perplexityなど主要なAIサービスに、自社の業界カテゴリに関する比較・評価系のプロンプトを投げかけ、回答内でどのアナリスト企業・レポートが引用されているかを記録する。
3. 投資しているアナリストと実際にAIが引用しているアナリストの間にギャップがある場合、AR活動の重点を見直すか、AI側で引用されやすいアナリストとの関係構築も並行して検討する。

よくある質問

Q1. この記事のテーマは何ですか？

AI検索時代のデマンドジェネレーション（需要創出）計測について、6つの異なる専門家・組織の視点を紹介し、単一指標での計測の限界を論じた記事です。

「群盲象を評す」という寓話になぞらえ、SparkToro、Fractl、AMEC、Burson、B2Bアナリスト業界、ニュースメディア分析という異なる立場から見た知見を統合して初めて全体像が見えると整理しています。

Q2. ゼロクリック検索の割合はどの程度と示されていますか？

2026年上半期(H1)において、Google検索の68.01%がクリックなしで終了しているとSparkToroのRand Fishkin氏が示しています。

AI Overviewsは検索の20%以上に表示され、表示された検索ではCTRが約60%減少するというデータも合わせて紹介されています。

Q3. Fractlの相関分析ではどのような結果が示されましたか？

ブランド言及数とYouTube視聴数の相関係数が0.50〜0.74と中程度から強い一方、バックリンク数や広告費とAI可視性の相関係数は0.30以下と弱いことが示されました。

この結果から、動画コンテンツでの露出やオリジナルデータの保有・発信が、AI検索時代の競争優位の源泉になりつつあると指摘されています。

Q4. AMECが強調する「AI可視性とビジネス成果を混同しない」とはどういうことですか？

AIの回答内で言及される回数が増えても、それが自動的に売上や商談成立に結びつくとは限らないという考え方です。

AMECは、発見→認知→信頼→行動→影響という因果の連鎖を段階を飛ばさずに立証する必要があると論じており、可視性の指標だけでビジネス成果を語ることに警鐘を鳴らしています。

Q5. Bursonの分析が示す「信頼性スコア」の違いとは何ですか?

革新性や製品力といった観察可能な証拠に基づく評価が、企業自身が語る自己記述的な表現よりも約2倍優れた信頼性スコアを獲得したという分析です。

55,000件超の信頼性予測データから導かれた結果で、ブランドの可視性の高さと信頼の高さは別軸の問題であることを示唆しています。

Q6. アナリスト・リレーションズ(AR)チームへの提言とは何ですか?

自社が重視・投資しているアナリスト企業と、実際にAIが回答生成時に引用しているアナリストコンテンツとの間のギャップを継続的に監視すべきだという提言です。

Gartner、Forrester、IDCなどのコンテンツがB2B領域のAI統合回答の主要な情報源になっているという指摘を踏まえたものです。

Q7. AI引用の信頼性ギャップとは具体的にどのような現象ですか?

AIモデルが最も頻繁に引用するニュースメディアと、実際の読者がそのメディアを信頼している度合いとの間に乖離が存在する現象です。

Full IntelのAngela Dwyer氏の分析によれば、引用頻度は高いが読者からの信頼度は相対的に低いという出版社が存在するとされています。

Q8. 「群盲象を評す」という比喩は何を意味していますか?

複数の盲目の人がそれぞれ象の異なる部位を触り、まったく異なる結論に達してしまう寓話で、単一の指標・視点だけでAI検索の需要創出を判断することの危うさを表す比喩として使われています。

6つの視点それぞれが有効な知見を含む一方、いずれか一つだけを正解とすることはできず、統合的に捉える必要があるという記事全体の結論につながっています。

Q9. 日本のマーケターはこの記事の内容をどう受け止めるべきですか?

ゼロクリック化やAI Overviewsの影響はGoogle検索が世界共通で提供されている以上、日本語検索環境でも同様に進行していると考えられ、単一のAI可視性ツールへの過度な依存を見直す契機として受け止めるべきです。

特にバックリンク偏重の投資配分の再点検、コンテンツの証拠ベース化、可視性と信頼性を分けたレポーティングへの転換が、日本の現場でも検討に値する論点として挙げられます。

Q10. この記事は具体的な数値目標やベンチマークを示していますか?

SparkToroのゼロクリック率68.01%、AI Overviews表示率20%以上・CTR約60%減、Fractlの相関係数(0.50〜0.74 vs 0.30以下)、消費者のAI検索有用度(82%から54%へ低下)、Bursonの信頼性スコア(観察可能な証拠が自己記述の約2倍)、Bursonの分析対象55,000件超といった具体的な数値が示されています。

ただし、これらは各組織が独自に実施した分析・調査に基づく数値であり、算出方法や対象範囲は組織ごとに異なる点に留意が必要です。

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
• AIリードの8〜9割が「オーガニック」に誤分類――SEJが示す新計測の3本柱
• AI可視性の7指標フレームワーク2026
• AI検索時代のブランドKPI再設計――引用・言及を軸にした指標づくり
• AI可視性のアトリビューションと収益計測――日本市場での実践
• 用語集：LLMO（Large Language Model Optimization）
• 用語集：GEO（Generative Engine Optimization）
• 用語集：ゼロクリック検索
• 用語集：ブランドメンション（Brand Mention）
• AI経由の直接リファラルはわずか1.1%、だが言及されると来訪+20pt――Scrunch調査
• AI可視性の向上は「技術的負債の返済」に過ぎない場合が多い
• Google研究：AIの誤答は『知識不足』でなく『想起失敗』が主因
• Cloudflare AEO可視化ダッシュボードとは？引用スコアの仕組みを解説
• 『引用されるパッセージ』と『吸収されるパッセージ』の違いをAdvanced Web Rankingが実証
• AI Overview流入の22.4%が『Direct』に誤集計――9ヶ月・5万件超の実測研究