LLMOスコアの作り方｜100点満点の重み付けと業界平均の読み解き方
LLMOスコアを6軸・100点満点で採点する重み付け式を公開。構造シグナル・ファクト密度・E-E-A-Tなど各軸の配点根拠と実装チェックリスト、業界平均の社内基準化の方法、改善優先度マトリクスまで、SEO担当者がそのまま使える採点フレームワークを解説する。
目次（18項目）
LLMOスコアの作り方｜100点満点の重み付けと業界平均の読み解き方
この記事の結論: LLMOの改善効果を定量化するには、構造シグナル・ファクト密度・E-E-A-Tなど6軸を合計100点で採点する重み付け式が有効だ。配点と改善コストの積でアクションを優先順位づけすれば、社内の意思決定スピードが上がる。
最終更新日: 2026-05-09
はじめに
「AIに引用されているかどうか」を会議で議論しても、感覚論の応酬で終わることが多い。数値で示せれば「来月までに構造スコアを15点上げる」という目標設定に変わり、タスクを分担できる。
LLMO（Large Language Model Optimization）の改善優先度を社内で共有するには、採点軸・配点根拠・業界比較の3点セットが必要だ。本記事では、6軸・100点満点のLLMOスコアリングフレームワークを公開する。公的な業界標準は存在しないため、自社と競合を同じ物差しで採点し、中央値を社内基準とする方法も合わせて解説する。
LLMOスコアの6軸と重み付け
下表は6軸の配点・計測方法・高得点条件の一覧だ。合計100点に正規化している。配点の根拠は次セクションで詳述する。
| 軸 | 配点 | 計測方法 | 高得点条件 |
|---|---|---|---|
| 構造シグナル | 25点 | HTMLクロール・構造化データバリデーター | h1が1個、h2が3個以上、見出し階層にgapなし、構造化データ実装 |
| ファクト密度 | 20点 | 本文中の数値・固有名詞・出典の出現率 | 段落ごとに少なくとも1つの数値か固有名詞、引用元URLあり |
| 内部リンク | 15点 | サイト内リンクグラフ解析 | ピラー→クラスター→用語集の三角リンク構造が成立 |
| E-E-A-T | 15点 | 著者・Organization・編集ポリシーページの有無 | E-E-A-Tの4要素がすべてページまたはサイトレベルで明示 |
| llms.txt対応 | 10点 | /llms.txtのHTTPステータスと内容 | /llms.txtが200を返し、主要ページのURLと説明が記載済み |
| AI引用率・ブランドメンション | 15点 | ChatGPT・Perplexity・AI Overviewでの引用実績 | 主要クエリで少なくとも1つのAIエンジンが自社ドメインをメンション |
配点の根拠: GEO論文（arXiv:2311.09735）はAI引用に対して「統計値の埋め込み」と「引用源の明示」が最も効果が高いと示している。これを受け、構造シグナルとファクト密度を合計45点と高く設定した。AI引用率は結果指標であるためやや低い15点とし、即改善可能なllms.txt対応は取り組みの入口として10点に置いた。
各軸の高得点条件（実装チェックリスト）
構造シグナル（25点）
- h1タグがページ内に1個だけ存在する
- h2タグが3個以上、h3はh2の配下にのみ存在する
- h2→h3→h4の飛び越し（階層gap）がない
-
ArticleまたはWebPageスキーマをJSON-LDで実装している -
FAQPageスキーマが質問セクションに付与されている -
BreadcrumbListスキーマが実装されている - 構造化データのバリデーションエラーが0件
ファクト密度（20点）
- 各h2セクション内に少なくとも1つの具体的な数値がある
- 固有名詞（ツール名・企業名・規格名）が段落ごとに登場する
- 統計・調査データには出典URLまたは著者名を明記している
- 曖昧表現（「多くの」「しばしば」）を定量表現に置き換えている
- 主張の裏付けとなる外部リンクが本文中に2件以上ある
内部リンク（15点）
- ピラー記事（例：LLMOとは何か完全解説）へのリンクがある
- 同カテゴリのクラスター記事へ2件以上リンクしている
- 用語集（glossary）ページへ3件以上リンクしている
- アンカーテキストは「こちら」「詳細」を使わず説明的な語句を使っている
- 孤立ページ（被リンク0）が存在しない
E-E-A-T（15点）
- 著者プロフィールページまたは著者バイオが記事に紐づいている
-
Organizationスキーマにnameとurlが設定されている - 編集ポリシーページ（/editorial-policy等）が存在する
- 外部からのバックリンクが少なくとも1件ある
- 引用元が信頼性の高いドメイン（.gov / .edu / 大手メディア）を含む
llms.txt対応（10点）
-
/llms.txtが200 OKを返す - 主要サービスページのURLと1文説明が記載されている
-
/llms-full.txt（拡張版）も用意されている - llms.txtの内容が最終更新日から90日以内に更新されている
AI引用率・ブランドメンション（15点）
- ChatGPT Searchで主要クエリを検索し自社ドメインが引用される
- Perplexityで同クエリを検索し自社がメンションされる
- AI Overview（Google）で引用される
- 引用結果をスプレッドシートで月次記録している
- 引用されていないクエリでは構造シグナル・ファクト密度の改善を再実施する
業界平均の読み解き方（社内基準として）
業界横断の公的なLLMOスコア業界平均は現時点では存在しない。本記事で示す数値も公開データではないため、社内基準値として参照する形で使用すること。
社内基準を作る手順は以下の通りだ。
- 自社サイトを採点する: 上記6軸チェックリストで自社の代表ページ5本を採点し、平均点を出す。
- 競合5社を採点する: 同一カテゴリで上位表示している競合5社の代表ページを同じ方法で採点する。
- 中央値を社内基準とする: 自社＋競合5社の合計30ページの中央値を「業界水準」と定義する。自社が中央値を下回る軸が優先改善対象だ。
- 四半期ごとに更新する: AIエンジンのアップデートに伴いスコアの意味が変わるため、採点基準も四半期単位で見直す。
この方法の利点は、自社の絶対値より「競合比での差分」を可視化できる点だ。構造シグナル20点・ファクト密度12点の場合、競合中央値が各18点・16点なら、ファクト密度の改善が先決と判断できる。
改善優先度の決め方（配点 × 改善コスト）
LLMOスコアの改善は「配点が高く、改善コストが低い軸」から着手するのが定石だ。下表に優先度マトリクスを示す。
| 軸 | 配点 | 改善コスト | 優先度 |
|---|---|---|---|
| 構造シグナル | 25点 | 低（HTML修正・スキーマ追加） | 最優先 |
| ファクト密度 | 20点 | 中（ライティング改修） | 高 |
| llms.txt対応 | 10点 | 低（ファイル1本作成） | 高 |
| 内部リンク | 15点 | 低（リンク追加のみ） | 高 |
| E-E-A-T | 15点 | 中（著者・編集ポリシー整備） | 中 |
| AI引用率・ブランドメンション | 15点 | 高（コンテンツ量・被リンク獲得） | 後回し |
AI引用率は結果指標であり、他の軸を改善した結果として後追いで上がる性質がある。最初から引用率を直接上げようとするより、構造シグナルとファクト密度を固めて引用される理由を作る方が効率的だ。
LLMOの計測ツールを使えば、このマトリクスの入力データを半自動で収集できる。
自分のサイトを採点する3つの方法
方法1: 手動採点（Excelチェックリスト）
6軸のチェックリストをExcelに転記し、各チェック項目に0/1で点数をつける。配点の重みをかけて合計100点に換算する。初回は工数がかかるが、採点ロジックが社内に蓄積される。
方法2: 自動採点ツール
aiseo-llmo.comの/analyzeは、URLを入力するだけで構造シグナル・内部リンク・llms.txt対応などを自動スキャンし、スコアに変換する。手動採点と組み合わせてAI引用率など自動計測が難しい軸を補完するとよい。LLMO関連の計測ツール一覧も参照してほしい。
方法3: 月次の定期再採点
採点は一回やって終わりにしない。AIエンジン（ChatGPT Search・Perplexity・AI Overview）の仕様変更で採点の意味が変わるため、月次で再採点し前月差分を記録する。差分がプラスになった軸と実施した施策を紐づけることで、どの改善が効いたかを定量検証できる。
よくある質問
Q. 6軸の配点は絶対的なものですか？ 絶対的なものではない。AIエンジンのアルゴリズム変化に伴い、最適な配点も変わる。本記事の配点はGEO論文と実務経験をもとにした社内利用向けの推奨値であり、自社の業種・ページ構成に合わせて調整してよい。
Q. llms.txtがないと大きく減点されますか？ 配点は10点と低めだが、作成コストが1〜2時間と極めて低い。費用対効果の観点では最初に着手すべき軸の一つだ。詳細はllms.txtテンプレートと記述パターンを参照。
Q. AI引用率をどうやって計測しますか？ ChatGPT・Perplexity・AI Overviewで手動検索して記録する方法が最も確実だ。AI引用率の計測方法など、半自動化する方法も整理しているため参考にしてほしい。
Q. 競合のスコアはどうやって調べますか？ 同じ6軸チェックリストを競合サイトに適用して手動採点する。構造シグナルやllms.txt対応はHTMLを見れば確認でき、ファクト密度は段落を数えれば計算できる。AI引用率だけは競合のものを正確に把握しにくいため、加点ではなく「自社の改善余地の推測」として使う。
Q. 100点を取れば必ずAIに引用されますか？ 保証はできない。AIエンジンの引用アルゴリズムは非公開であり、コンテンツの質以外にもドメイン年齢・被リンク・ブランド認知が影響する。ただし、スコアが低いページが引用される確率は低く、スコアを上げることは引用される可能性を高める合理的な手段だ。
関連用語
- LLMO — Large Language Model Optimizationの概要
- 構造化データ — Schema.orgを使ったマークアップの基礎
- E-E-A-T — 経験・専門性・権威性・信頼性の4要素
- llms.txt — AIクローラー向けのサイトマップ規格
- ブランドメンション — AIがブランド名を言及するしくみ
- AI Overview — GoogleのAI生成検索結果の概要
関連記事
- LLMOとは何か？完全解説 — LLMOの全体像を把握したい方はまずこちら
- LLMO対策の始め方から運用まで完全ガイド — AISEOとLLMO最適化の全体戦略
- LLMOの計測ツール比較 — スコアの自動計測に使えるツール一覧
- LLMOの分析とは何か？意味と手順を解説 — スコア分析の読み解き方の基礎
- LLMOの計測手順ガイド — 6軸スコアを実際に計測するステップ
- LLMOツールを目的別に選ぶ方法 — 用途別ツール選定の考え方
- ChatGPTに引用されない理由と対策 — AI引用率が低いときの診断チェック
- LLMOオーディットチェックリスト — スコアリング前に使える網羅的な確認項目
- 構造化データのLLMO効果 — 構造シグナル軸を高める実装ガイド
- AI引用率の計測方法 — 引用率軸を追跡・記録する手順
- llms.txtテンプレートと記述パターン — llms.txtを10分で設置する手順
参考文献
- GEO: Generative Engine Optimization — arXiv(参照: 2026-05-09)
- llms.txt specification — llmstxt.org(参照: 2026-05-09)
- Introduction to structured data markup in Google Search — Google Developers(参照: 2026-05-09)
- Schema.org WebPage — schema.org(参照: 2026-05-09)
- Perplexity AI Hub — Perplexity AI(参照: 2026-05-09)
関連用語
- アンカーテキスト
アンカーテキストとは、リンクとして表示される文字列のこと。「こちら」より「SEOの基本ガイド」のように内容が伝わるテキストにすることで、SEO・ユーザビリティの両面で価値が上がります。
- E-E-A-T
E-E-A-Tとは、Googleがコンテンツ品質を評価する4つの観点「Experience（経験）・Expertise（専門性）・Authoritativeness（権威性）・Trustworthiness（信頼性）」のこと。SEOとLLMO両方で最重要の概念です。
- llms.txt
llms.txtとは、サイト運営者がAIクローラーに「このサイトの重要な情報はここ」と伝えるためのMarkdownファイルの提案。2024年9月にJeremy Howard氏が提唱し、急速に普及しつつある新しい標準です。
- クエリ
クエリとは、ユーザーが実際に検索窓に入力した検索語のこと。SEOで使う「キーワード」と似ていますが、キーワードが事前に狙う言葉、クエリが実際に打たれた言葉、というニュアンスの違いがあります。
- クローラー
クローラーとは、Web上のページを自動巡回してデータを集めるプログラムのこと。Googleの「Googlebot」が代表例で、これに見つけてもらわないと検索結果に表示されません。
- 構造化データ
構造化データとは、Webページの内容を検索エンジンが理解しやすい形式で記述したメタ情報。記事の著者・公開日、商品の価格・在庫などを機械可読にすることでリッチリザルトやAI引用の対象になります。
関連記事
SEO×LLMOハイブリッド戦略の立て方｜2026年版・3フェーズ12ヶ月ロードマップ
SEOとLLMOを統合したハイブリッド戦略の立て方を徹底解説。3フェーズ12ヶ月のロードマップ、業種別の重点設計、KPI設計、月次運用ダッシュボードまで初心者から実務者まで使える完全ガイドです。
LLMOとは？AI検索時代の新SEO【完全入門・2026年版】
LLMO（大規模言語モデル最適化）の基本から実践までを完全解説。ChatGPT・Perplexity・Google AI Overviewへの対策、SEOとの違い、5要素・30日アクションプラン、業界別戦略、計測ダッシュボードまで初心者向けに紹介します。
構造化データで LLMO は伸びるか｜Article / FAQPage / DefinedTerm の検証【2026年版】
構造化データ（schema.org JSON-LD）の各タイプが LLMO にどれだけ効くかを効果度別に整理。Article・FAQPage・Organization を優先実装すべき理由と、JSON-LD の実装例・優先順位・コスト感を解説する。