バリ島飲食店4,776軒調査、AIが85.6%を一度も推薦せず

バリ島飲食店4,776軒調査、AIが85.6%を一度も推薦せず

要点: インドネシア・バリ島のCanggu、Ubud両エリアにある飲食店4,776店舗を完全悉皆調査した学術研究で、ChatGPT・Claude・Gemini・Perplexityの4つのAIシステムがそのうち85.6%を一度も推薦しなかったと報告された。レビュー50件以上の「確立された」店舗に絞っても72.6%が推薦されず、最も推薦されたトップ店舗でも全体の1.9%を占めるにとどまる。 店舗が推薦候補に「入る」かどうかを左右する最大要因は自社ウェブサイトの有無(オッズ比1.92倍)やレビュー件数(1.64倍)であり、星評価(0.89倍)はほぼ無効果だった。論文は実務上の主な失敗モードを「幻覚(hallucination)」ではなく「情報の陳腐化(staleness)」と結論づけている。 PPC Landが2026年8月23日に報じ、論文はNorly Research所属のVladimir Pitenin氏によりarXivに2026年8月7日投稿された(プレプリント、査読前)。

最終更新日: 2026年8月24日

何が起きたのか

調査の位置づけと出典

今回取り上げるのは、arXivに2026年8月7日付で投稿された論文「Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census」(arXiv:2608.07069)である。著者はVladimir Pitenin氏で、所属はNorly Researchとされている。この論文の内容を、業界メディアのPPC Landが2026年8月23日に「ChatGPT and Gemini miss 85.6% of Bali's 4,776 audited food venues」という見出しで紹介した。

ここで留意すべき点が2つある。第一に、この論文は学術誌の査読を経たものではなく、プレプリント(査読前論文)としてarXivに公開された段階のものである。データの収集方法や統計処理には事前登録プロトコルが用いられているなど一定の厳密さが確認できるが、最終的な査読を経た知見として扱うことはできない。第二に、著者が所属するNorly Researchは、レビューマネジメントおよびAI可視性(AI visibility)ツールを販売する企業である。AIによる店舗の非可視化・見落としを問題として指摘する調査結果は、そうした課題を解決するツールを提供する企業にとって、自社製品・サービスの必要性を裏付ける材料にもなりうる。これは論文の数値そのものが誤りであることを意味しないが、調査の設計・解釈・強調点に商業的な動機が入り込む余地がある点は、読者として中立的に認識しておく必要がある。

調査対象:バリ島の完全人口悉皆調査という設計

この調査の最大の特徴は、一般的なAI可視性調査にありがちな「サンプル調査」ではなく、特定エリアの飲食店を漏れなく数え上げる「完全人口悉皆調査(complete market census)」を採用した点にある。具体的には、インドネシア・バリ島の中でも外国人居住者・観光客に人気の高い2つのエリア、Canggu(カングー)とUbud(ウブド)を対象に、Google Places APIとアダプティブグリッド分割(地図上を格子状に区切り、密度に応じて細分化しながら検索を繰り返す手法)を組み合わせることで、レストラン・カフェ・バー・コーヒーショップ・ベーカリーを含む飲食店を網羅的に収集した。この手法により最終的に特定された対象店舗数は4,776軒にのぼる。

サンプル調査ではなく完全な母集団を確定させたうえでAIの推薦結果と突き合わせる、という設計は、AI可視性研究の中でも比較的珍しい部類に入る。通常のAI可視性調査では「AIがどの店を推薦するか」を観測することはできても、「AIが本来推薦し得た店舗の総数に対してどの程度の割合をカバーできているか」を測ることは難しい。分母(母集団)が不明だからである。今回の調査はGoogle Places APIによる網羅的収集によってこの分母を確定させたうえで、AIによる推薦の「取りこぼし率」を直接算出できるようにした点に方法論上の意義がある。

AIへの問い合わせ設計:8ペルソナ×6クエリテンプレート

母集団の確定と並行して、著者はChatGPT・Claude・Gemini・Perplexityの4つのAIシステムに対し、実際のユーザーが行いそうな検索・質問の多様性を再現するため、8種類の異なるペルソナ(利用者像)と6種類のクエリテンプレート(質問文のひな形)を組み合わせた96通りの一意なプロンプトを用意した。例えば「予算重視の旅行者が手頃なカフェを探す」「グルメ志向の長期滞在者がおすすめのレストランを尋ねる」といった具合に、想定される利用シーンを変化させることで、単一の定型質問だけでは見えてこない推薦傾向の幅を捉えようとしたとみられる。

これらのプロンプトを4つのAIシステムそれぞれに投げかけ、7日間かけて合計2,208回の検索グラウンディング応答(AIが外部情報を参照しながら生成した回答)を収集した。加えて、収集結果が偶然のばらつきによるものではないことを確認するため、2週間の間隔を空けたtest-retest(再テスト)による再現性検証も実施している。これは、GeminiのローカルAI引用に関する別の調査で指摘された「同一クエリでも引用結果が大きく変動する」という再現性の問題を、著者自身が意識した設計だと考えられる。

中心的な発見:85.6%が一度も推薦されない

収集された2,208回の応答を、Google Placesベースで確定した4,776店舗の母集団と突き合わせた結果、最も注目すべき数字が判明した。4,776店舗のうち85.6%が、ChatGPT・Claude・Gemini・Perplexityのいずれからも、7日間の調査期間中に一度も推薦されなかったのである。

この数字の意味を正確に理解するには、対象母集団の性質を踏まえる必要がある。4,776店舗という母集団には、レビューが数件しかない新規開業間もない店や、ごく小規模なワーロン(インドネシアの大衆食堂)のような、そもそもAIに推薦される可能性が低いと考えられる店舗も相当数含まれているはずである。そこで著者は、レビュー件数が50件以上ある店舗に限定した「確立された(established)」店舗だけに絞り込んだうえで再集計している。この絞り込みを行ってもなお、72.6%が一度も推薦されなかったという結果になった。つまり、一定の実績と知名度を積み重ねてきたはずの店舗であっても、AIの回答に一度も登場しない可能性が7割を超えるということになる。

さらに、推薦された側の集中度も極端に偏っていた。調査期間中に最も頻繁に推薦されたトップ店舗はUbudのSeniman Coffeeだったが、この最も推薦された店舗であっても、推薦全体に占める割合はわずか1.9%にとどまった。推薦された店舗間の集中度を測る指標であるジニ係数(完全な平等が0、完全な独占が1に近づく)は0.668を記録しており、少数の店舗に推薦が偏りつつも、その少数の中でも突出した「勝者総取り」状態にはなっていない、という複雑な分布構造が浮かび上がる。

閉店店舗の誤推薦と、幻覚ではなく「陳腐化」という結論

調査ではもう一つ、実務上重要な問題が確認された。既に永久閉店(permanently closed)している店舗であるにもかかわらず、AIが誤って推薦してしまうケースが、延べ93件、店舗数にして14店舗分確認されたのである。これは、AIが参照する情報源(ウェブサイト、レビューサイト、第三者記事など)が、実際の店舗の現況を反映しきれていない、つまり情報が更新されずに「陳腐化」していることを示す典型例といえる。

一方で、著者が特に強調しているのが、AIが実在しない店舗を作り出してしまう「完全な捏造(fabrication)」の発生率が極めて低かったという点である。捏造の発生率はわずか**0.08%**にとどまった。この対比から論文は、「実務上の失敗モードは幻覚(hallucination)ではなく情報の陳腐化(staleness)である」と結論づけている。つまり、AIが根も葉もない店舗名をでっち上げるリスクよりも、既に閉店した店や情報が古いままの店を、あたかも現在も営業しているかのように紹介してしまうリスクの方が、実務上はるかに頻度が高い、ということになる。この整理は、AI検索対策を検討する事業者にとって、警戒すべき対象を明確にする意味で重要な指摘である。

推薦候補への「入店」を左右する要因:オッズ比で見る

論文は、ある店舗がAIの推薦候補に「入る(entry)」かどうかを左右する要因を、統計的なオッズ比(その要因を持つ場合と持たない場合とで、候補入りする確率が何倍になるかを示す指標)として算出している。数値が大きいほど候補入りに強く寄与し、1.0であれば影響なし、1.0を下回れば逆にマイナスに働くことを意味する。

• 自社ウェブサイトの有無: オッズ比 1.92倍 ― 単独の要因としては最大の効果
• レビュー件数(1標準偏差あたり): オッズ比 1.64倍
• 価格情報の掲載: オッズ比 1.54倍
• サードパーティのWeb言及数: オッズ比 1.44倍
• 星評価(スターレーティング): オッズ比 0.89倍 ― ほぼ無効果、むしろわずかにマイナス

この結果が示すのは、AIが店舗を「知っている」状態、すなわち推薦候補のプールに入れるかどうかを決めるのは、店舗の評価の「質」ではなく、情報としての「量」と「アクセスしやすさ」だという構図である。自社サイトを持っているという事実そのものが、レビュー件数や評価の高さよりも強く効いている点は示唆に富む。特に星評価がほぼ無効果、むしろ係数がわずかに1.0を下回っている点は重要である。「評価の高い店ほどAIに推薦されやすい」という直感的な理解が、少なくとも「候補入りするかどうか」の段階では成立しないことを、この調査は数値で示している。

候補内での「順位付け」を左右する要因:入店要因との違い

一方で、いったん推薦候補のプールに入った店舗の中で、より上位に(より頻繁に)推薦されるための要因は、入店要因とは異なる傾向を見せている。

• 星評価: 1位獲得のオッズ比 1.17倍
• レビュー件数: オッズ比 1.30倍
• 価格情報の掲載: オッズ比 1.32倍
• 自社サイトの有無: オッズ比 1.33倍

候補入りの段階では0.89倍とほぼ無効果だった星評価が、候補内での順位付けの段階では1.17倍とプラスに転じている点が興味深い。この結果を素直に解釈すれば、「AIにまず認知され候補に入る」ためにはドキュメンテーション(自社サイトの有無)とWeb露出量(レビュー件数、サードパーティ言及)がものを言い、「候補に入った後でより上位・より頻繁に推薦される」ためには、そこに加えて評価品質(星評価)がある程度の役割を果たし始める、という二段階の構造が浮かび上がる。逆に言えば、いくら星評価が高くても、そもそも候補プールに入っていなければ、その高評価は一切活かされないということでもある。

エンジン間の一致度の低さ

複数のAIエンジンを横断して見た場合の一致度についても、著者は詳細なデータを示している。同一エンジン内でのトップ20推薦のJaccard係数(2つの集合がどれだけ重なっているかを0〜1で示す指標)は0.22〜0.45の範囲、エンジン間(クロスシステム)でのトップ20の一致度は0.33〜0.54の範囲だった。さらに際立つのが、ChatGPT・Claude・Gemini・Perplexityの4エンジンすべてのトップ20推薦に共通して登場した店舗は、わずか8店舗しかなかったという事実である。

これは、どのAIエンジンを使うかによって、ユーザーに提示される「バリ島のおすすめ店」の顔ぶれが大きく異なることを意味する。1つのエンジンで上位に出ている店舗が、別のエンジンでは一度も言及されないというケースが十分にあり得るということであり、店舗側が「AI経由の集客」を意識する場合、単一のエンジンだけを想定した対策では不十分であることを裏付けている。

加えて、AIが言及した店舗名を実際の店舗データとマッチング(名寄せ)する処理を行った後でも、12.1%の言及が名寄せ未解決のまま残ったという点も報告されている。これは、AIが言及する店舗名の表記揺れ、店名の一部省略、閉店・改名済み店舗との混同などが一定数存在し、機械的な名寄せだけでは完全には解決できない実務上の難しさを示すデータといえる。

最も引用されたソース

AIが回答生成の際に参照した情報源(引用元)についても集計が行われている。最も多く引用されたソースは、地域の飲食店情報を扱うウェブサイトであるfinnsbeachclub.com(5.3%)、続いて地域情報メディアのthehoneycombers.com(3.9%)、そして口コミプラットフォームの**TripAdvisor(2.3%)**という順であった。特定の少数サイトへの引用の集中が見られる一方で、上位3サイトを合わせても全体の1割強に過ぎず、引用元自体も相当程度分散していることがうかがえる。

論文の結論

以上の結果を踏まえ、論文は「店舗が推薦候補に入るかどうかを左右する最大要因はドキュメンテーション(自社ウェブサイトの有無)とWeb露出量であり、星評価などの品質シグナルではない」という結論を導いている。そして実務上の主な失敗モードは、AIが存在しない店を作り出す「幻覚」ではなく、既に閉店した店や古い情報をそのまま提示してしまう「情報の陳腐化」にあると整理している。

aiseo-llmo.com ユーザーへの影響

ローカルビジネス・店舗系クライアントを持つ代理店にとっての意味

今回の調査結果は、飲食店に限らず、宿泊施設・美容室・観光サービスなど「地域に根ざした実店舗ビジネス」を支援する代理店にとって、看過できない実務的な示唆を含んでいる。最も重要なのは、AIによる推薦の「取りこぼし率」が想定以上に高い可能性がある、という点である。85.6%という数字はバリ島の飲食店市場という特定の文脈での結果であり、そのまま他の地域・業種に当てはめることはできないが、「AIに一度も言及されない店舗が多数派である」という構造自体は、母集団を完全に把握した調査だからこそ可視化された事実であり、他の市場でも同様の傾向が存在する可能性を否定する材料はない。

代理店にとっての実務的な意味は明確である。クライアント店舗がAI検索経由で発見されない状態にあるとしても、それは異常事態ではなく、むしろ「多数派」に属している可能性が高いということだ。だからこそ、AI可視性の改善余地は大きく、また改善のための働きかけ(自社サイトの整備、レビュー獲得、Web露出の拡大)が、他の競合店舗に対する相対的な優位性につながりやすい局面にあるとも言える。逆に言えば、現状で何も対策をしていない店舗が大半である以上、早期に対策を講じた店舗が先行者利益を得やすい状況とも解釈できる。

「星評価を上げればAIに選ばれる」という誤解への警鐘

この調査で示された、星評価が候補入りにほぼ無効果(オッズ比0.89倍)という結果は、GeminiのローカルAI引用調査でも指摘された「AI推薦ビジネスの平均星評価が通常検索結果よりむしろ低い」という知見と方向性が一致する。複数の独立した調査で、星評価とAI推薦の間に単純な正の相関が見られないという傾向が繰り返し確認されつつあることは、代理店・事業者が施策の優先順位を見直す上で参考になる。「レビューの星を上げることに集中すればAI経由の集客が伸びる」という単純化されたセールストークには、慎重な姿勢が求められる。

業種横断的な示唆:宿泊・観光・美容系ローカルサービスへの応用可能性

今回の調査対象は飲食店(レストラン・カフェ・バー・コーヒーショップ・ベーカリー)に限定されているが、「自社サイトの有無」「レビュー件数」「価格情報の明示」「サードパーティのWeb言及」が候補入りを左右するという構造自体は、業種を問わず一般化して考えられる可能性がある。宿泊施設(ゲストハウス、ヴィラ、ホテル)、観光ガイド・アクティビティ事業者、美容室・スパ・マッサージ店といった、地域密着型でありながらオンライン上の情報の充実度に事業規模ごとの差が大きい業種ほど、今回の調査結果と類似した「取りこぼし」が生じている可能性が考えられる。ただし、これはあくまで構造的な類推であり、業種ごとの実証データではない点には留意が必要である。

日本市場・インバウンド文脈での含意

日本国内、特にインバウンド需要を意識する地域の飲食店・宿泊施設・観光関連事業者にとっても、この調査は他人事ではない。訪日外国人旅行者がChatGPTやGeminiなどのAIツールを使って「この街のおすすめの店」を尋ねる場面は、既に一定程度発生していると考えられる。バリ島のような国際的な観光地で85.6%もの店舗がAIから見落とされているという事実は、日本の地方都市・観光地においても同様に、多くの飲食店・宿泊施設がAI経由の潜在顧客との接点を失っている可能性を示唆する。

特に、多言語対応の自社サイトを持たない、あるいは日本語のみで英語版ページが存在しない店舗の場合、海外のAIサービス経由での可視性はさらに限定的になりやすいと考えられる。インバウンド需要の取り込みを図る事業者にとって、多言語での自社サイト整備は、単なる「あれば良い」施策ではなく、AI検索時代における「土俵に上がるための最低条件」に近づいている可能性がある。

プレプリント・利益相反という留保の重要性

繰り返しになるが、この論文は査読前のプレプリントであり、著者の所属先であるNorly ResearchはAI可視性ツールを販売する企業である。調査手法(完全悉皆調査、事前登録プロトコル、test-retestによる再現性検証)自体は相応に丁寧な設計がなされている一方、こうした調査結果が同時に自社製品の必要性を訴求する材料にもなりうるという構造は、記事を読む側が意識しておくべき前提である。今回のような数値を鵜呑みにして過度な危機感を煽られる必要はないが、母集団を完全に把握したうえでの取りこぼし率という切り口自体は、他の調査ではあまり見られない有用な視点であることも事実である。

今すぐできる対応策

今回の調査結果を踏まえ、店舗ビジネスおよびそれを支援する代理店が実務レベルで着手できる対応策を整理する。

1. 自社ウェブサイトの有無・整備状況をまず確認する

オッズ比1.92倍という最大の効果を持つ要因が「自社ウェブサイトの有無」であったことを踏まえ、まず自社サイトが存在するか、存在する場合は最新の情報に更新されているかを確認する。SNSアカウントのみで公式サイトを持たない店舗は、この調査結果に照らせば最も基本的な機会損失を抱えている可能性が高い。最低限、以下の情報を明示したページを用意する。

• 店舗名・業態(レストラン/カフェ/バー等)
• 所在地・アクセス方法
• 営業時間(定休日を含む)
• 提供メニューの概要と価格帯
• 電話番号・予約方法
• 最新の営業状況(臨時休業、移転、閉店の場合はその旨を明示)

2. schema.org構造化データでLocalBusiness/Restaurant情報を機械可読化する

AIが店舗情報を正確に把握できるよう、schema.orgのLocalBusinessまたはRestaurant型で構造化データを実装することを推奨する。以下は飲食店を例にした実装イメージである。

{
  "@context": "https://schema.org",
  "@type": "Restaurant",
  "name": "○○食堂",
  "url": "https://example.com",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "○○1-2-3",
    "addressLocality": "○○市",
    "addressRegion": "○○県",
    "postalCode": "000-0000",
    "addressCountry": "JP"
  },
  "telephone": "+81-00-0000-0000",
  "servesCuisine": "和食",
  "priceRange": "¥¥",
  "openingHoursSpecification": [
    {
      "@type": "OpeningHoursSpecification",
      "dayOfWeek": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"],
      "opens": "11:00",
      "closes": "21:00"
    }
  ],
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.5",
    "reviewCount": "120"
  },
  "menu": "https://example.com/menu"
}

閉店・移転している場合は、Googleビジネスプロフィールおよび自社サイト双方で速やかに「閉業(Permanently Closed)」または移転先情報を反映させることが重要である。今回の調査で確認された「閉店店舗の誤推薦93件・14店舗分」は、こうした情報更新の遅れが原因である可能性が高く、放置すれば来店を見込んだ顧客の失望や、逆に評判の毀損につながりかねない。

3. 価格情報を明示する

価格情報の掲載がオッズ比1.54倍(候補入り)、1.32倍(順位付け)と、いずれの段階でも一貫してプラスに効いている点を踏まえ、priceRangeプロパティでの明示に加え、メニューページや代表的な料理の価格帯を自社サイト上に具体的に記載する。「お問い合わせください」ではなく、実際の価格帯・代表メニューの金額を示すことが望ましい。

4. レビュー件数を増やす施策を継続する

レビュー件数はオッズ比1.64倍(候補入り)、1.30倍(順位付け)と、星評価そのものよりも一貫して強い効果を示している。星の高さそのものよりも「一定数のレビューが蓄積されている」という事実が重要であることを踏まえ、来店客へのレビュー投稿の依頼、QRコードを用いた投稿導線の設置など、レビュー「件数」を増やす施策を継続する。星評価を無理に操作しようとするのではなく、自然な件数増加を目指す姿勢が結果的に合理的である。

5. サードパーティのWeb言及を増やすPR施策を行う

サードパーティのWeb言及数がオッズ比1.44倍で候補入りに寄与している点を踏まえ、地域メディア・グルメサイト・旅行系ブログなど第三者による紹介記事・掲載を増やす広報活動を行う。今回の調査で最も引用されたソースがfinnsbeachclub.comやthehoneycombers.comのような地域密着型メディアであったことからも、TripAdvisorのような大手プラットフォームだけでなく、地域特化型メディアへの掲載機会を積極的に開拓する価値がある。

6. 複数のAIエンジンでの見え方を定期的に確認する

4エンジン共通のトップ20には8店舗しか登場しなかったという事実を踏まえ、ChatGPT・Claude・Gemini・Perplexityそれぞれで自店舗が言及されるかどうかを、定期的に(例えば月1回)確認する運用を組み込む。単一のエンジンだけを見て「AIに認知されている/いない」を判断せず、複数エンジンを横断してモニタリングすることが望ましい。この点は、当メディアが以前取り上げたFractlの調査によるAI可視性のブランド間格差や、複数AIエンジン間での引用の一致度が低いことを示したUK発の調査とも共通する論点である。

7. 多言語対応(特にインバウンド向け)を検討する

訪日外国人旅行者が英語などでAIに問い合わせるケースを想定し、日本語のみのサイトではなく、最低限英語版のページ・メニュー・営業情報を用意することを検討する。多言語対応は、海外発のAIサービス経由での可視性を確保するための前提条件になりつつある可能性がある。

よくある質問

Q1. 「Invisible to the Machine」論文とはどのような調査か

バリ島の飲食店4,776軒を完全悉皆調査し、AIによる推薦状況と突き合わせた学術研究(プレプリント)である。

著者はNorly Research所属のVladimir Pitenin氏で、arXivに2026年8月7日投稿された。Canggu・Ubud両エリアの飲食店をGoogle Places APIとアダプティブグリッド分割で網羅的に収集し、ChatGPT・Claude・Gemini・Perplexityの4つのAIシステムによる推薦結果と照合した点が特徴である。

Q2. 85.6%という数字は具体的に何を意味するのか

対象となった4,776店舗のうち、4つのAIシステムのいずれからも7日間の調査期間中に一度も推薦されなかった店舗の割合を指す。

96通りのプロンプト(8ペルソナ×6クエリテンプレート)を用いて収集した合計2,208回の検索グラウンディング応答を、Google Placesベースで確定した母集団と突き合わせた結果として算出された数値である。

Q3. レビュー件数が多い「確立された」店舗であればAIに推薦されるのか

必ずしもそうとは言えない。レビュー50件以上の店舗に限定しても72.6%が一度も推薦されなかった。

一定の実績を積んだ店舗であっても、AIの回答に登場しない確率が7割を超えるという結果は、レビュー件数の蓄積だけでは可視性を十分に確保できないことを示している。ただしレビュー件数自体は候補入りのオッズ比を1.64倍に高める要因でもあり、無関係というわけではない。

Q4. 星評価を上げればAIに推薦されやすくなるのか

候補入りの段階ではほぼ無効果(オッズ比0.89倍)で、むしろわずかにマイナスだった。

一方で、いったん推薦候補に入った後の順位付けの段階では、星評価のオッズ比は1.17倍とプラスに転じている。つまり、まず候補に入るためには星評価より自社サイトやレビュー件数などの情報量が重要で、星評価が効いてくるのは候補入りした後の段階だという二段階構造が示された。

Q5. AIは実在しない店舗をでっち上げて推薦してしまうのか

その発生率(完全な捏造)は0.08%と極めて低かった。

一方で、既に閉店した店舗を誤って推薦するケースは93件・14店舗分確認されており、こちらの方がはるかに頻度が高い。論文は実務上の主な失敗モードを「幻覚」ではなく「情報の陳腐化」と結論づけている。

Q6. 候補入りに最も効く要因は何か

自社ウェブサイトの有無で、オッズ比は1.92倍と単独要因では最大だった。

次いでレビュー件数(1.64倍)、価格情報の掲載(1.54倍)、サードパーティのWeb言及数(1.44倍)の順に効果が確認されている。星評価(0.89倍)はほぼ無効果だった。

Q7. ChatGPT・Claude・Gemini・Perplexityの推薦結果はどの程度一致しているのか

一致度は低く、4エンジンすべてのトップ20推薦に共通して登場した店舗はわずか8店舗だった。

同一エンジン内のトップ20の再現性を示すJaccard係数は0.22〜0.45、エンジン間の一致度は0.33〜0.54にとどまる。単一エンジンだけを見て自店舗のAI可視性を判断すると、実態を見誤るおそれがある。

Q8. この調査結果はどの程度信頼できるのか

査読前のプレプリントであり、著者の所属先はAI可視性ツールを販売する企業である点に留意が必要である。

完全悉皆調査・事前登録プロトコル・test-retestによる再現性検証など、方法論自体には相応の丁寧さが見られる。一方で、調査結果が同時に自社製品の必要性を訴求する材料にもなりうる構造上、数値を鵜呑みにせず一つの参考データとして受け止める姿勢が望ましい。

Q9. 飲食店以外の業種にもこの調査結果は当てはまるのか

調査対象は飲食店に限定されており、他業種への直接的な適用は実証されていない。

ただし「自社サイトの有無」「レビュー件数」「価格情報」「Web言及」が候補入りを左右するという構造自体は業種横断的に成立しうる可能性があり、宿泊・観光・美容など地域密着型のローカルサービス業にも参考になりうる考え方である。

Q10. 日本国内の店舗・インバウンド需要とはどう関係するか

訪日外国人がAIに「おすすめの店」を尋ねる場面が増えるほど、同様の取りこぼしが日本国内でも起こりうる。

多言語対応の自社サイトを持たない店舗は、海外発のAIサービス経由での可視性が特に限定的になりやすいと考えられる。インバウンド需要を意識する事業者にとって、多言語での情報整備は今後の優先課題になりうる。

関連記事

• LLMO完全ガイド
• GeminiはWebサイト、ChatGPTはReddit依存──ローカルAI引用調査
• ChatGPT・Perplexity・Gemini、同じ質問でも引用104ソース一致せず
• ローカル×AI検索の引用戦略
• Fractl AI可視性インデックスが示すブランド間格差
• LLMOとは
• GEOとは
• グラウンディング(Grounding)とは
• Perplexityとは
• 4,100万件の通話データが示す「AI検索が値切り済みの買い手を連れてくる」現象
• SOCi Local Visibility Index 2026とは？多店舗ブランドのAI推薦率を独自データで解説
• 通話・クリック減少、ルート案内急増——Google Mapsが「目的地」化するデータ
• AI検索の引用ドメイン、YouTubeが2か月連続首位に――2026年8月号
• フロリダ企業94%がAI検索で不可視、28,488社調査で判明