「検索順位を上げる」だけでは流入が完結しなくなっている

SEOとLLMOは、目的地が違う

従来のSEOが目指してきたのは、検索結果ページで上位に表示され、クリックされることでした。順位とクリック率が連動している前提の上に、施策が組み立てられています。

LLMO（Large Language Model Optimization）が目指すのは、そこではありません。生成AIが質問に答える際、その回答の中で自社商品が引用され、推奨される状態をつくることです。この差は小さく見えて、施策の設計を根本から変えます。

  • SEO：検索結果の一覧に並ぶことがゴール。タイトルと画像でクリックを取りに行く
  • LLMO：AIが回答文を組み立てる材料として選ばれることがゴール。文章の中身そのものが評価対象になる

ゼロクリック化が意味すること

AIが回答内で商品の特徴やサイズ感を要約して提示すれば、ユーザーは商品ページを開かずに判断できてしまいます。これがいわゆるゼロクリック化です。

ここで重要なのは、ゼロクリックは必ずしも損失ではないという点です。回答内で自社商品が候補として挙がっていれば、その後にユーザーは商品名で指名検索をするか、モール内でその商品を探します。逆に、回答に名前が出なければ、そもそも比較の対象にすらなりません。

つまりLLMOで守りたいのは、直接のクリック数ではなく、候補リストに入る確率です。

モール事業者に、自社EC向けのLLMO論がそのまま使えない理由

構造化データは「入れましょう」と言われても入れられない

EC向けLLMO対策として最も多く挙げられるのが、商品ページへの構造化データ（Product schema / Review schema）の実装です。価格・在庫状況・レビュー評価などを機械可読な形で明示できるため、自社ECサイトであれば有効かつ実行可能な施策です。

しかしモール出店では事情が違います。楽天市場・Yahoo!ショッピング・Amazonの商品ページは、モール側が生成するテンプレートの上に成り立っており、出店者が独自のJSON-LDを差し込むことは基本的にできません。出店者が触れるのは、モールが用意した入力枠の中だけです。

したがって、モール事業者にとっての現実的な問いはこうなります。構造化データを入れられない環境で、AIに正確に読み取ってもらうにはどうするか。

入力枠そのものが、実質的な構造化データである

答えは、モールが用意している入力枠を構造化データとして扱うことです。モールの商品登録画面には、すでに項目ごとの枠が存在します。

  • 商品名
  • 商品説明文・PR文
  • 商品属性・スペック欄（サイズ、素材、カラー、内容量、対応機種など）
  • カテゴリ・タグ
  • レビューとレビュー返信

このうちスペック欄は、項目名と値がセットで格納される、事実上の構造化データです。ここを空欄のまま放置し、同じ情報を商品説明文の中に散文で書いているケースは非常に多く見られます。人間は文章から読み取れますが、機械的に抽出する側から見れば、項目として格納されている情報のほうが圧倒的に扱いやすくなります。

モール事業者が最初にやるべきは、schemaの勉強ではなく、スペック欄の空欄を埋め切ることです。

自社ECとモールで、やることを分ける

  • 自社EC：Product / Review schemaの実装、商品ページのHTML構造の整理、比較記事コンテンツの自社保有
  • モール：スペック欄の充填、商品名の情報密度、説明文の事実化、レビュー返信の運用

この2つを混同すると、「schemaを入れましょう」という記事を読んで、モール担当者が何もできないまま終わります。

AIに引用されるのは「断定できる事実が書かれた文」である

情緒コピーは、引用の材料にならない

生成AIは、ユーザーの質問に対する答えを組み立てます。「小さめの部屋に置ける加湿器はどれか」という質問に対して、回答に使えるのは寸法と適用畳数が書かれた文です。一方、次のような文は引用の材料になりません。

  • 「こだわり抜いた逸品です」
  • 「暮らしに寄り添う、上質なひととき」
  • 「多くのお客様にご好評をいただいております」

これらは購買意欲を高める役割はあっても、質問に対する答えの形をしていません。誰にとって、何が、どういう条件で当てはまるのかが書かれていないためです。

説明文を「想定質問→事実文」に組み替える手順

  1. その商品について、買い物客が抱く質問を10個書き出す（サイズは、素材は、誰向けか、何と比べてどうか、いつ使うか、手入れは、対応機種は、など）
  2. 質問ごとに、断定できる事実を1文で書く。数値・単位・条件を必ず入れる
  3. 断定できないものは書かない。「〜と言われています」で埋めない
  4. できた事実文を、説明文の前半に配置する
  5. 情緒的なコピーは残してよいが、事実文の後ろに置く

書き換えの例を挙げます。

  • 変更前：「一人暮らしにぴったりのコンパクトサイズ。置き場所に困りません」
  • 変更後：「本体サイズは幅18cm×奥行18cm×高さ32cm、適用畳数は約6畳です。ワンルームのベッドサイドや机上に置ける寸法です」

変更後の文には、幅・奥行・高さ・適用畳数・想定設置場所という5つの答えが含まれています。「6畳の部屋に合う加湿器」という質問に対して、そのまま使える形になっています。

「対象者」と「比較条件」を明示する

事実文の中でも、特に拾われやすいのが対象者と比較条件です。

  • 対象者：「初めて〇〇を使う方向け」「業務用として1日8時間の連続使用を想定」
  • 比較条件：「従来品より容量が1.5倍」「同容量帯では最軽量クラス（自社比）」

比較条件を書くときは、必ず比較対象と根拠を添えてください。根拠なく「最安」「No.1」と書くことは景品表示法上の問題になり得ますし、そもそも根拠のない主張はAIにとっても引用しづらい情報です。

レビューと返信は、すでに「AIが読む文章」になっている

モール内でも、AIによる要約が始まっている

外部の生成AIだけの話ではありません。モール内部でも、AIが商品情報を要約してユーザーに提示する流れが始まっています。

楽天グループは2026年1月、エージェント型AIツール「Rakuten AI」を楽天市場のスマートフォンアプリに搭載したと発表しています。提案された商品を選択すると、商品ページ内の情報をもとに、商品の特長・サイズ感・素材・レビューの抜粋といったポイントを要約して提示する機能が含まれます（出典：楽天グループ プレスリリース 2026年1月5日）。

また出店者向けの「Rakuten AI for RMS」については、機能の利用率が2024年12月時点の約25%から2026年5月には50%へ倍増したと報じられています（出典：ネットショップ担当者フォーラム 2026年7月13日）。

ここから読み取るべきことは明確です。商品ページに書いた文章とレビュー本文は、人間の読者だけでなく、要約して再提示するAIにも読まれる前提になったということです。

レビューの3軸と、返信文の役割

EC向けLLMOで語られるレビュー運用は、量・質・新鮮さの3軸に集約されます。

  • 量：一定数のレビューがあること
  • 質：使用状況や具体的な感想が書かれていること
  • 新鮮さ：直近のレビューが継続的に付いていること

このうち、事業者側が文章として直接コントロールできるのはレビュー返信です。返信は単なる礼儀の場ではなく、レビュー本文に書かれた情報を補正・補足できる唯一の枠です。

返信で書くとよいのは次のような内容です。

  • 誤解の訂正（「本製品の対応サイズは〇〇までです」）
  • 前提条件の補足（「この症状は△△の設定時に起きます。手順は取扱説明書のP.4をご確認ください」）
  • 仕様の明示（「ご指摘のパーツは別売りです。型番は〇〇です」）

「この度はご購入ありがとうございました」だけの返信を100件積んでも、情報量は増えません。一方、仕様や条件を書いた返信は、レビュー欄全体の情報密度を上げます。

AI経由の成果は、リファラでは測りきれない

測定できる部分と、できない部分を分ける

  • 測定できる：AI回答内のリンクがクリックされ、自社サイトへ遷移した分（リファラとして記録される場合がある）
  • 測定しにくい：AI回答内で言及されたが、クリックされずに指名検索やモール内検索に移行した分
  • 測定できない：回答内で候補にすら挙がらなかったという事実

つまりアクセス解析だけを見ていると、LLMOの成果は常に過小評価されます。引用されたかどうかは、流入データの外側にあります。

定点観測という考え方

そこで必要になるのが、流入を待つのではなく、こちらから質問を投げて記録するという発想です。relmeaでは、各種の運用について「同じ条件で定期的に記録を取り、変化を差分で見る」という進め方を標準にしています。その考え方をLLMOに応用すると、次のような設計になります。まず質問リストを固定します。

  1. 指名質問：「〇〇（自社商品名）はどんな商品ですか」
  2. カテゴリ質問：「〇〇（カテゴリ名）でおすすめの商品を教えてください」
  3. 条件質問：「〇〇（用途・予算・サイズ条件）に合う商品はどれですか」
  4. 比較質問：「〇〇と△△はどちらがいいですか」

このリストを一度作ったら、原則として変更しません。質問を変えると、前月との差分が取れなくなるためです。記録する項目は次の4点に絞ります。

  • 実施日と、使用したAIサービス名
  • 自社商品が言及されたか（有／無）
  • 言及された場合、何番目に、どのような文脈で挙がったか
  • 回答本文のテキストまたはスクリーンショット

月次で回す最小構成

  • 実施頻度：月1回、同じ週に固定する
  • 対象：質問4〜8問 × AIサービス2〜3種
  • 保存先：日付フォルダを切り、回答テキストをそのまま保存する
  • 見る指標：言及率（言及があった質問数 ÷ 全質問数）の推移

作業時間としては、質問数を絞れば1回30分程度に収まります。重要なのは精度ではなく継続性です。1回の記録には意味がなく、3回目以降に初めて差分が読めるようになります。なお、生成AIの回答は同じ質問でも実行のたびに揺れます。1回の結果で一喜一憂せず、複数月の傾向として見てください。

どの商品から着手するかを決める

全商品には、やらない

商品説明文の事実文への書き換えは、1商品あたり30分から1時間かかります。取扱商品が数百点ある事業者が全点に着手すれば、それだけで数か月が消えます。着手順は次の基準で決めます。

  1. 売上上位商品：売上構成比の上位2割。ここが動けば全体の数字に反映されます
  2. 指名検索が弱いカテゴリ：ブランド名や商品名で探されておらず、「用途＋条件」で探される商品。AI検索で候補に挙がるかどうかの影響が最も大きい領域です
  3. 比較検討期間が長い商品：単価が高く、スペックの比較が発生する商品。AIに要約されやすく、要約の材料が問われます

逆に後回しでよいのは、指名買いが中心の消耗品リピート商品や、単価が低く比較検討がほぼ発生しない商品です。

最初の30日でやること

  • 第1週：売上上位20商品を抽出し、スペック欄の空欄を洗い出す
  • 第2週：空欄を埋める。ここは説明文の書き換えより工数が軽く、効果の土台になります
  • 第3週：上位5商品の説明文を、想定質問10個からの事実文に組み替える
  • 第4週：質問リストを固定し、1回目の定点記録を取る

この順序には理由があります。スペック欄の充填は機械的な作業で判断を必要とせず、先に終わらせられるためです。判断を要する説明文の書き換えを先に始めると、着手できずに月が終わります。

施策の性質を理解しておく

最後に、期待値の置き方について1点だけ触れます。LLMOは、実施すれば翌月に流入が跳ねる類の施策ではありません。AIの回答は学習データと参照ソースの両方に依存し、更新のタイミングも各サービスによって異なります。効果が確認できるまでにどの程度かかるかは、条件によって大きく変わり、一律の目安を示せる段階にはありません。

その上でこの施策に取り組む理由は、商品情報を事実として正確に整えるという作業が、AI検索に関係なく無駄にならないためです。スペック欄の充填も、事実に基づいた説明文も、返品率の低下やレビュー評価の安定という形で、従来のEC運営指標にも効いてきます。不確実な流入経路への投資というより、情報整備の延長線上に置く。これが現実的な位置づけだと考えています。