『cats.txt』実験が示すllms.txt「証拠」の脆弱さとGEO業界の課題

架空の「cats.txt」がllms.txt推奨の4条件を全部クリア——GEO業界の「証拠」は占星術並みだったのか

要点: Search Engine Journalが2026年8月7日に公開した記事によると、Candour社ディレクターのMark Williams-Cook氏が、猫のプロフィールを宣言するためだけの架空の規格「cats.txt」をパロディとして公開したところ、llms.txtの有効性を主張する際に業界でよく使われる「4つの証拠」――ボットのクロール、Googleのインデックス、LLMによる引用、モデルによる推奨――のすべてを、cats.txtも同様に満たしてしまった。llms.txt自体についても、Ahrefsの30万ドメイン調査で「97%のllms.txtファイルにリクエストが来ていない」ことや、GoogleのJohn Muellerが「現時点でllms.txtを使用しているAIシステムは存在しない」と発言していることが記事内で紹介されている。

この実験は、GEO（Generative Engine Optimization）戦略の意思決定に使われる「証拠」の水準そのものに疑問を投げかける事例であり、aiseo-llmo.comの読者にとっても、llms.txt導入の優先順位を見直す材料になる。

最終更新日: 2026年8月10日

何が起きたのか

「cats.txt」というパロディ実験

Search Engine Journalが2026年8月7日に掲載した記事「How Cats.txt Showed LLMs.txt Evidence Is GEO Astrology」によると、著者であるCandour社のディレクター、Mark Williams-Cook氏は「cats.txt」という架空のWeb標準を考案し、実際にWeb上へ公開した。cats.txtは、オフィスにいる猫を宣言するためのファイルという体裁を取っており、内容には架空の職位（本物の職位ではなく、猫にちなんだ役職名）、犬種ではなく猫種の情報、そして「PurrLevel」という架空の愛情度指標まで含まれている、というきわめてユーモラスな内容だ。

Williams-Cook氏はこのパロディを単なるジョークで終わらせず、正式な仕様書とLinkedInでの告知まで用意し、実際の規格として"デビュー"させた。そのうえで、llms.txt（AIモデルに向けてサイトの要約情報を提供するとされるテキストファイル）の有効性を主張する際に業界でよく引用される「4つの証拠」と、まったく同じ基準でcats.txtを検証するという実験を行った。llms.txtの位置づけそのものについては、当メディアのllms.txtは必要か、不要か——Google vs. エージェントコマースの構図を解説した既存記事でも詳しく取り上げている。

4つの検証項目、すべてが「合格」

記事によれば、検証されたのは以下の4項目だ。

1. ボットのクロール: PerplexityBot、GPTBot、ClaudeBotが、実際にcats.txtをクロールしたことが確認された。
2. Googleのインデックス: Googleがcats.txtをインデックスし、Google Search Consoleとの連携も提供された。
3. LLMによる引用: ChatGPTが、cats.txtの中身（架空の猫に関する詳細情報）だけを根拠にして回答を生成した。
4. モデルによる推奨: ChatGPTが「ランキングに役立つ」という理由で、cats.txtの設置そのものを推奨した。

驚くべきことに、この4項目はいずれも、llms.txtの有効性を主張する際と全く同じように「合格」したという。つまり、実在する企業やサービスとは無関係な、架空の猫のプロフィールを記述しただけのファイルが、AIボットにクロールされ、検索エンジンにインデックスされ、LLMの回答生成の根拠として使われ、さらにLLM自身から「設置を推奨」されるところまで、llms.txtの実効性を示すとされる証拠と全く同じ経路をたどってしまったのだ。

Williams-Cook氏はこの結果について、「(llms.txtを)売り込むために現在使われている証拠のハードルは、Oddという名のタキシード柄猫についてのファイルが息もつかずにクリアできるほど低い」と結論づけている。裏を返せば、llms.txtの有効性を示すために業界で提示されてきた「証拠」は、実際には何のコンテンツ・戦略的価値を持たないファイルでも簡単に再現できる程度のものであり、llms.txtが本当に機能していることを示す証拠にはなり得ない、という強い皮肉を込めた指摘だと言える。

記事タイトルの「GEO Astrology」という比喩

記事タイトルにある「GEO Astrology（GEOの占星術）」という表現も、この実験の核心を端的に表している。占星術は、誰にでも当てはまるような曖昧で一般的な記述（バーナム効果）を、あたかも個別に当てはまる予言のように見せかけることで説得力を持たせる。cats.txt実験が示したのは、llms.txtの有効性を語る際の「証拠」もこれと同じ構造を持っているという指摘だ。「ボットがクロールした」「Googleがインデックスした」「LLMが引用した」「LLMが推奨した」という事象は、実は架空の猫ファイルでも起きてしまう程度の、内容の質やビジネス上の意味とは無関係な"表層的な現象"に過ぎない可能性がある、ということになる。

既存のエビデンスとの整合性

この実験結果は、単発のパロディ企画にとどまらず、これまで蓄積されてきたllms.txtに関する複数の調査結果とも整合している。

まず、Ahrefsが実施した大規模調査によれば、llms.txtファイルの97%はAIボットからリクエストを一度も受けていないことが分かっている。これはSearch Engine Journalが2026年6月頃に「LLMs.txt Shows No Clear Effect On AI Citations, Based On 300k Domains（30万ドメインの調査に基づき、LLMs.txtはAI引用への明確な効果を示さない）」として報じた調査結果であり、30万ドメイン規模のサンプルという規模の大きさからも、統計的に無視できない結果だと言える。

さらに、GoogleのJohn Mueller氏は「現時点でllms.txtを使用しているAIシステムは存在しない（no AI system currently uses llms.txt）」と発言している。検索エンジン側の公式な立場にある人物からの、こうした明確な発言が存在することも、llms.txtの実効性に疑問を投げかける材料の一つだ。

そして複数の調査で、llms.txtの設置と引用率の間に「明確な優位性は見られない（no measurable citation advantage）」という結果が一貫して報告されている。今回のcats.txt実験は、こうした既存のデータ・証言の裏付けを、いわば別の角度から「実演」してみせたものだと位置づけることができる。

Williams-Cook氏はこの実験を通じて、GEO戦略の意思決定プロセスに構造的な論理の欠陥があることを指摘している。そして、証拠が不十分な戦術にリソースを投じることは、単にそのリソースが無駄になるだけでなく、効果が実証されている他の最適化施策に投資できていたはずの機会を同時に失うことを意味する、という警告を発している。

GEO業界における「エビデンスの水準」問題の背景

llms.txt誕生の経緯とGEOツール市場の急拡大

llms.txtというコンセプトは、AIモデル（LLM）がサイトの内容を理解しやすくするための「サイト要約ファイル」として提案された。robots.txtがクローラーへのアクセス許可・禁止を宣言するファイルであるのに対し、llms.txtはコンテンツの要約やナビゲーション情報をMarkdown形式でLLMに提示する、という発想に基づいている。この発想自体は、AIが情報を取得・要約する方式の変化に対応しようとする、一定の合理性を持つアイデアではあった。

ただし問題は、この提案がまだ実証段階のコンセプトであったにもかかわらず、GEO（Generative Engine Optimization）やLLMO（大規模言語モデル最適化）を掲げるツール・サービス市場の急拡大と時期が重なり、「AI検索時代の新しい必須施策」として急速にマーケティング先行で広まってしまったことにある。AI検索・AIエージェントへの対応をうたうツールやコンサルティングサービスが次々と登場する中で、llms.txt対応を機能の一つとして掲げること自体が、差別化の手段として機能してしまった側面がある。

その結果、「llms.txtを設置すればAI検索での引用が増える」という、実証されていない前提のまま、多くの事業者がとりあえず設置するという行動を取ってきた。これは決して個々の事業者の判断力の問題ではなく、GEO業界全体が新しい市場の成長速度に対してエビデンスの検証速度が追いついていない、という構造的な課題を反映していると見るべきだろう。GEO/LLMOという概念そのものについては、当メディアのLLMO完全ガイドやAI検索最適化ガイドでも体系的に解説している。

Googleの公式見解に見られる矛盾

今回のニュースを理解するうえで欠かせないのが、Googleという単一の企業内でも、プロダクトによって見解が食い違っているという事実だ。

Googleは2026年6月、Chrome Lighthouseに「Agentic Browsing」監査カテゴリの一部として、llms.txtの有無をチェックする機能を追加した。ツールとしてllms.txtの存在を"チェック項目"に加えるということは、少なくともある程度、llms.txtという規格を無視できない存在として扱っていることを示唆する。

一方で、Google Search Central公式ガイダンスでは「llms.txtは現時点でのGoogle検索のAI機能には効果がない」旨が明言されている。つまり、Googleの検索チームは公式にllms.txtの効果を否定しているにもかかわらず、Chromeチームが提供する開発者ツールでは、llms.txtの有無がチェック対象になっているという矛盾が生じている。

この矛盾は、単に「Googleの方針が一貫していない」という批判にとどまらず、GEO業界全体が抱える問題の縮図でもある。大企業の一部門がツールに機能を追加したという事実そのものが、「Googleもllms.txtを重視している」という誤解を招く"お墨付き"のように扱われかねない。今回のcats.txt実験が示した「証拠のハードルの低さ」は、こうした矛盾した情報環境の中で、都合の良い断片的事実だけが独り歩きしやすい土壌があることも同時に示している。

Ahrefs調査が示す「実態」

Ahrefsによる30万ドメイン規模の調査は、この文脈において重要な参照点となる。設置されたllms.txtファイルの97%がAIボットからのリクエストを一度も受けていないという事実は、そもそも多くのAIシステムがllms.txtを読みに来ていない、という実態を如実に示している。cats.txt実験で確認された「PerplexityBot、GPTBot、ClaudeBotがクロールした」という結果自体は事実だが、これは「クロールされること」自体のハードルの低さを示しているに過ぎず、「クロールされること」と「引用や検索順位に実際の効果があること」の間には、明確な因果関係の証明が存在しないというギャップが浮き彫りになる。

aiseo-llmo.com ユーザーへの影響

llms.txtを既に導入している事業者への影響

すでにllms.txtを設置している事業者にとって、今回のニュースが示す最大の含意は「今すぐllms.txtを削除すべき」ということではない。llms.txtの設置自体には、明確な害があるという証拠も現時点では存在していない。重要なのは、「llms.txtを設置したから、AI検索での引用が増えているはずだ」という前提を、検証なしに信じ続けないことだ。

もしllms.txtの導入を、限られたSEO/GEO予算・人員のリソース配分における優先度の高い施策として扱ってきたのであれば、その優先順位づけの根拠を再点検する必要がある。ボットにクロールされているという事実だけをもって効果があると判断していた場合、それは今回のcats.txt実験が示した「証拠のハードルの低さ」に、まさに当てはまってしまっている可能性が高い。

llms.txt導入を検討中の事業者への影響

まだllms.txtを導入していない、あるいは導入を検討中の事業者にとっては、今回のニュースは投資判断の材料として活用できる。「AI検索対策として何かをやらなければ」という焦りから、深く検証せずにllms.txtの設置を優先してしまうケースは少なくないと考えられる。しかし、Ahrefsの調査結果やJohn Mueller氏の発言、そして今回のcats.txt実験という3つの独立した材料が揃った今、llms.txt単体への投資よりも先に検討すべき施策があることを、より説得力を持って社内・クライアントに説明できる状況になったと言える。

GEOツール・コンサルティングサービスを利用している事業者への影響

GEO/LLMO関連のツールやコンサルティングサービスを利用している場合、そのサービスがllms.txt対応を「必須施策」として強く推奨してきたかどうかを確認する良い機会でもある。もし「llms.txtを設置すればAI検索の引用が増える」という説明のみで、ボットのクロール実績やインデックス状況といった表層的な指標しか根拠として示されていないのであれば、今回のcats.txt実験が突いた問題点と同じ穴に陥っている可能性がある。サービス選定・継続の判断において、提示される「証拠」の水準そのものを問い直す視点を持つことが望ましい。

今すぐできる対応策

重要なのは「llms.txtへの投資をやめる」という極端な結論に飛びつくことではなく、リソース配分の優先順位づけを、より確度の高いエビデンスに基づいて見直すことだ。以下、既にllms.txtを設置している場合と、これから判断する場合に分けて、具体的な対応手順を示す。

すでにllms.txtを設置している場合の点検方法

1. アクセスログを確認する: サーバーログやCDNのログを確認し、llms.txtファイルに対して実際にAIボット（GPTBot、ClaudeBot、PerplexityBotなど）からのリクエストが来ているかを確認する。Ahrefsの調査で「97%が0リクエスト」という結果が出ている以上、自社のllms.txtが実際にアクセスされているかどうかは、思い込みではなく実データで確認すべきだ。
2. AI引用実績と比較する: llms.txt設置の前後で、ChatGPT・Perplexity・Google AI Overviewなどでの自社ブランド・コンテンツの引用状況に変化があったかを比較する。引用率の測定方法については、当メディアのAI引用率の測定方法を解説した記事も参考になる。
3. メンテナンスコストを見積もる: llms.txtの内容更新に継続的に人的リソースを割いている場合、そのコストと、上記1・2で確認できた効果を比較し、投資対効果を判断する。
4. 設置自体の害はないと判断できれば維持してよい: 明確な効果は確認できなくても、設置・更新コストが極小であり、他の重要施策のリソースを圧迫していないのであれば、無理に撤去する必要はない。優先度を下げて「維持コストを最小化しながら置いておく」という判断も合理的な選択肢の一つだ。

まだ設置していない場合の判断基準

1. 他の基盤的な施策が完了しているかを先に確認する: robots.txtの適切な設定、構造化データ（Schema.org）の実装、サイトマップの整備といった、効果が実証されている基盤的なSEO/AEO施策が完了していない場合は、それらを先に優先すべきだ。robots.txtとllms.txtの違いや役割分担については、当メディアのrobots.txt vs llms.txt——SEOへの影響の違いを解説した記事で詳しく整理している。
2. エージェントコマース領域の動きは別軸で注視する: OpenAIのAgentic Commerce Protocolや、Shopifyなどが進めるエージェントコマース領域では、構造化データ提供の必要性が、llms.txtの効果論とは別の文脈で議論されている。この領域における構造化データ整備は、AI検索の引用対策とは異なる目的（AIエージェントによる商取引の実行可否）で意味を持つ可能性があるため、llms.txt単体の効果論と混同せずに、両者を切り分けて検討する必要がある。この論点は、当メディアのllms.txtは必要か不要か——Google vs. エージェントコマースの構図を解説した記事で詳しく取り上げている。
3. 設置コストが低いなら「保険」として設置する選択肢もある: llms.txtの作成・設置自体のコストは一般的に低い。明確な効果が実証されていないことを理解した上で、「将来的にAIシステム側の対応が進んだ場合の保険」として最小限の労力で設置しておく、という判断も否定はされない。ただし、その場合も他の基盤施策より優先度を上げるべきではない。

llms.txtの代わりに投資すべき具体的な施策

今回のニュースが示す教訓は、「llms.txtに割いていたリソースを、効果が実証されている他の施策に振り向ける」という発想の重要性だ。具体的には以下が挙げられる。

• 構造化データ（Schema.org）の実装: FAQPage、Article、Product、Organizationなどの構造化データは、検索エンジン・AI検索の両方で長年にわたり効果が確認されている基盤的な施策であり、優先度を上げるべき対象だ。
• robots.txtの適切な設定: AIクローラーに対してどの範囲のコンテンツへのアクセスを許可・禁止するかを明確化することは、意図しないインデックス漏れやコンテンツの無断学習リスクを避けるうえで実務上の価値が高い。robots.txtの基本的な設計・運用については、robots.txtの用語解説も参照してほしい。
• AIクローラーのログ解析による実態把握: GPTBot、ClaudeBot、PerplexityBotなど各AIクローラーの実際のアクセス状況をログから把握し、どのコンテンツがどの程度クロールされているかを継続的にモニタリングする体制を整えることは、llms.txtのような未検証の施策よりも、実データに基づいた意思決定を可能にする。当メディアのAIクローラーのrobots.txt/インデックス戦略を解説した記事も参考になる。
• 第三者引用・被リンクの獲得: AI検索エンジンの回答生成において、第三者メディアからの引用や言及は、自社サイト内の設定変更よりも引用獲得への影響が大きいとされる要素の一つだ。プレスリリース、業界メディアへの寄稿、専門家によるコメント提供など、外部からの言及を増やす活動への投資は、llms.txtのような自己申告型のファイル設置よりも実効性が期待できる。
• AI引用率の定期モニタリング: llms.txtを含む各種GEO施策の効果を主観的な印象で判断しないためには、AI引用率を定期的に測定し、施策実施前後の変化を客観的なデータで追う仕組みが欠かせない。測定手法の詳細はAI引用率の測定方法を参照してほしい。

よくある質問

Q1. cats.txtとは何ですか?

Search Engine JournalのMark Williams-Cook氏が作成した、オフィスの猫を宣言するためだけの架空のパロディ規格です。

架空の職位、犬種ではなく猫種の情報、「PurrLevel」という架空の愛情度指標などを含む、実務上は何の価値も持たないジョーク企画です。ただし正式な仕様書とLinkedIn告知まで用意され、実際にWeb上に公開されました。

Q2. cats.txt実験の目的は何ですか?

llms.txtの有効性を主張する際によく使われる「4つの証拠」の基準が、内容の価値と無関係に満たされてしまうことを示すためです。

ボットのクロール、Googleのインデックス、LLMによる引用、モデルによる推奨という4項目が、架空の猫ファイルでも全て「合格」してしまうことを実演し、llms.txtの実効性を語る際の証拠の水準に疑問を投げかけました。

Q3. cats.txt実験の結果、具体的に何が確認されましたか?

PerplexityBot・GPTBot・ClaudeBotによるクロール、Googleによるインデックス、ChatGPTによる引用と設置推奨の4項目すべてが確認されました。

いずれもllms.txtの有効性を示す証拠として業界で引用される項目と同じものであり、cats.txtという実務上無価値なファイルでも、これらすべてを満たしてしまったことが記事の核心です。

Q4. llms.txtに効果がないことは、この実験で証明されたのですか?

この実験単体でllms.txtの無効性が「証明」されたわけではありませんが、既存の複数の調査結果と整合する形で、疑問を強める材料になっています。

Ahrefsの30万ドメイン調査(97%が0リクエスト)、John Mueller氏の発言、複数調査での「明確な引用優位性なし」という結果と合わせて見ると、llms.txtの効果を裏付ける根拠は現時点で乏しいと言えます。

Q5. Ahrefsの調査結果とは具体的にどのようなものですか?

30万ドメインを調査した結果、設置されたllms.txtファイルの97%がAIボットから一度もリクエストを受けていなかったという結果です。

この調査はSearch Engine Journalが「LLMs.txt Shows No Clear Effect On AI Citations, Based On 300k Domains」として報じたもので、大規模なサンプルに基づく統計的な結果として重視されています。

Q6. GoogleはllmsTxtについて公式にどう説明していますか?

Google Search Central公式ガイダンスは「llms.txtは現時点でのGoogle検索のAI機能には効果がない」と明言しています。

一方でChrome Lighthouseの「Agentic Browsing」監査カテゴリにはllms.txtチェック機能が追加されており、Google内でもプロダクトによって見解や扱いに矛盾が見られる状況です。

Q7. 今すぐllms.txtを削除すべきですか?

いいえ。今回のニュースは「削除すべき」という結論を導くものではなく、投資の優先順位を見直すきっかけとして受け止めるべきです。

設置自体に明確な害を示す証拠もない一方、効果を示す確度の高い証拠も乏しい状況です。設置・維持コストが低いなら残す判断も、他の基盤施策を優先してリソースを再配分する判断も、どちらも合理的な選択肢になります。

Q8. llms.txtの代わりに何に投資すべきですか?

構造化データの実装、robots.txtの適切な設定、AIクローラーのログ解析、第三者引用の獲得、AI引用率の定期モニタリングなどが挙げられます。

これらは効果が実証されている、あるいは実データに基づいて効果測定ができる施策であり、llms.txtのような未検証の施策よりも優先度を上げる根拠が強いといえます。

Q9. エージェントコマース領域でのllms.txt的な取り組みも同様に無効なのですか?

いいえ、必ずしも同一に論じるべきではありません。エージェントコマース領域の構造化データ提供は、AI検索の引用対策とは異なる目的で議論されています。

OpenAIのAgentic Commerce ProtocolやShopifyの取り組みは、AIエージェントが実際に商取引を実行する際の情報連携を目的にしており、cats.txt実験が突いた「AI検索での引用・推奨の証拠」の議論とは文脈が異なります。両者を混同せず、目的別に投資判断を行う必要があります。

Q10. GEO業界のエビデンス水準は今後どう変化していくと考えられますか?

Ahrefsのような大規模調査や、今回のcats.txt実験のような検証事例が増えることで、表層的な指標だけに基づく主張は徐々に説得力を失っていくと考えられます。

ボットのクロールやインデックスといった、内容の質と無関係に発生しうる現象を「効果の証拠」として扱うことの限界が今回明確になったことで、今後のGEO関連の主張には、より厳密な因果関係の検証(施策実施前後の引用率の変化など)が求められるようになっていく可能性があります。Googleの公式見解の矛盾についても、Search・Chromeなど各プロダクト間での整合性が今後整理されていくかどうかが注目点です。

関連記事

• llms.txtは必要か、不要か——Google vs. エージェントコマースの構図 —— 今回のcats.txt実験の前提となる、llms.txt必要性論争を整理した基礎記事。
• robots.txt vs llms.txt——SEOへの影響の違い —— 2つのファイルの役割分担と、優先すべき設定を解説。
• AIクローラーのrobots.txt/インデックス戦略 —— AIボットへの実務的な対応手順。
• AI引用率の測定方法 —— 施策の効果を客観的なデータで検証する手法。
• LLMO完全ガイド —— LLMOの全体像を体系的に学ぶ。
• AI検索最適化ガイド —— AI検索での可視化を高める実践手法。
• Meta、独自AI検索エンジン構築か　クローラー急増で『脱Google』観測情報
• Google AI Overview、ローカル検索で低品質リスト記事を引用する問題が発覚
• 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
• Google研究：AIの誤答は『知識不足』でなく『想起失敗』が主因
• JavaScriptナビゲーションはAI検索から見えない——41日間の実験が実証

用語の詳細は、llms.txt、GEO、LLMO、robots.txt の各用語解説もあわせて参照してください。