LLMOとは？商品・サービスが上位表示される仕組みや対策方法をプロが解説

LLMOとはLarge Language Model Optimizationの略で、大規模言語モデルの最適化とも訳されます。

ChatGPTやGeminiなど、2025年から世の中に爆発的にした、いわゆる「生成AI」の出力結果に対して

• 選ばれる
• 正しく表示させる

この2点を行うために、Webサイトの内外で戦略を立て、アプローチをしていくことを指します。

本記事では「そもそもLLMOとは？」という部分から「なぜ今LLMOが注目されているのか？」「LLMが商品・サービスを選定・上位表示する仕組み」を、さまざまな文献やコンサルティング会社の経験をもとに解説します。

AIライティングが行えるこのご時世に、SEOコンサルタント大島が魂を込めて10,000文字オーバーで解説しましたので、ぜひ最後まで読んでいただけると嬉しいです。

※本記事では便宜上、生成AI・LLM・AIをほぼ同義として扱っておりますが、その名称の定義は異なります。

あわせて読みたい

地域を制するLLMOコンサルティング 地域を制するLLMO対策コンサルティング 生成AIに“選ばれるサービス”になるための、最適化を支援します。ChatGPTやなどの生成AIの回答として引用されるようになります。 ...

AIの出現はマーケティングにおける革命である

生成AI（LLM）の出現は、マーケティング業界における革命であり、現在はその夜明け前とも言われています。

マス広告（TVCMなど）や新聞広告が主流だった自体、デジタル広告の出現は既存の広告業界に大きな衝撃を与えました。精緻なデータドリブンという概念が広告業界に誕生し、費用対効果が厳密に計測できるようになったこと、ターゲティングの正確さが担保できるようになったことは、まさに広告業界にとって「革命」でした。

そして、ChatGPTやGeminiの出現は、マス広告から新聞広告からデジタル広告に起きた革命の再来とも噂されています。つまり生成AIには業界構造を一変させ、新たなチャレンジャーによるジャイアント・キリングが起こる可能性を秘めています。

デジタル広告黎明期である1998年7月、UPSIDEマガジンでは下記のような言説が記載されていました。

Web広告は依然として効果がなく、多くの人々がそのことに気づき始めています。（Webの広告は）クリックスルー率が現在0.7%であり、成功しているのは人々が商品を購入できるeコマースサイトだけだ（日本語訳）

引用：Why Advertising Doesn’t Work on the Web

しかし現在、Web広告による戦略は企業規模に関わらず、重要なマーケティング戦略の一環になっています。

1998年時点ではスマホはなく、インターネットの民主化が予測できていなかった時代のため、当時の言説を否定はできません。

2025年現在ChatGPTのブラウザへの組み込み、iPhoneへの機能としての組み込みなど、生成AIの進化と同時に「生成AIの民主化」は、リアルタイムに激動で普及していると言えます。

「LLMを通じたマーケティングなんて流行らない」

未来は誰にも予測できませんが、さまざまな企業・国家がAIに軸足を多く事が成長戦略と捉えているなか「LLMを通じたマーケティング」に先行投資を行うことは、将来を分ける重大なポイントになるでしょう。

LLM（AI）の誕生がもたらす検索行動の変化

LLMの登場は現在（そして今後）における人々の検索行動に影響を与えるでしょう。ここではAIの誕生以前と以後で、どのような変化が予測されるかを解説します。

Before AI〜検索エンジンが主流の時代〜

検索エンジンが主流の時代、すなわち2025年現在においては、人が主体となって検索エンジンを「道具」として使い、自身にマッチした情報を取捨選択します。

通常1ページ目と言われる1位〜10位前後までのWebサイトを順番（あるいは魅力的なタイトルのサイトのみ）をピックアップして情報を選択するので、いかに検索上位にWebサイトを持っていくかということが大切です。

基本的に検索エンジンは情報の選択肢を与えてくれるのみで、人間の主体性が情報取得におけるほとんどを占めていることがポイントです。

After AI〜生成AIによる検索が主流の時代〜

反面、生成AIによる検索が主流となる時代では、人がより受動的に情報を取得するシーンが増えてくると予想されます。サービスの認知から比較検討までをAIが行い、人（ユーザー）はAIが推奨した情報をもとに判断をするという流れです。

検索エンジンによる主体的な情報収集は、生成AIによる受動的な情報収集の「補完」に位置づけられるようになるシーンも多くなるため、生成AIへの情報出現は対処すべき必須課題になるでしょう。

LLM vs. 検索エンジンではなく LLM ＆ 検索エンジンとなる

新しい検索手段が出現するたびに取り沙汰されるのが「SEO不要論（SEOオワコン論）」です。InstagramやTikTokによるグルメ・旅行先検索が出現した際にも声高に叫ばれたSEO不要論ですが、LLMOの出現にも漏れなく言われています。

しかし、これまでの経緯を整理すると、SEOかLLMOかという二元論的対立ではなく、検索手段の1つとしてAIと共存していくべきだと断言できます。

繰り返しにはなりますが、さまざまな情報検索プラットフォーム（とりわけSNS）が出現した際にも同じ議論がなされましたが、事実を見るとGoogleの利用回数（検索回数）は2025年時点で過去最高の年間5兆件とされ、約10年前の2016年の年間2兆件と比べても、約2.5倍に増えています。（参考文献：AI, personalization and the future of shopping｜Google）

We already see more than 5 trillion searches on Google annually, （以下略）

ーAI, personalization and the future of shopping

したがって、ユーザーの検索行動はますます複雑となり、検索エンジン・AI・SNSとさまざまなプラットフォームを行ったりきたりし、多様な情報を触れた後に意思決定を行うというプロセスを経ることとなるでしょう。

大切なのはSEOかLLMOのどっちか、という判断ではなく「できればどちらもやる」が推奨される行動となります。（マーケティングの予算管理担当者の方は大変かとは思いますが、、、）

LLMOで商品・サービスが上位表示される仕組み

ここからは、弊社ウェブココルが多様な文献をもとに、LLMの標準的なブランド選定ロジックについて説明します。少々込み入った話となりますが、ロジックを理解したうえでLLMへの対策を立案することが大切です。

一般的にLLMは下記のプロセスを経て、商品・サービスを選定し、ユーザーに対して推奨（リコメンド）を行います

それぞれ解説していきます。

1. ユーザーがプロンプトを入力する

本章では、TOYOTAのランドクルーザーがユーザーに推奨されるまでのプロセスを例に解説していきます。（自分が車が好きなので）

あくまでランドクルーザーがおすすめされるなら行われるプロセスと言う例となり、実際の出力結果とは異なります。

まず、ユーザーがプロンプト（AIへの指示）を行います。重要なキーワードを抑えつつ、聞き方は千差万別となります。AIリテラシー黎明期ということもあり、プロンプトの前提設定も人によってさまざまです。

プロンプト	粒度
おすすめのSUVは？	粗い
長距離ドライブにおすすめのSUVは？	↑ ↓
自分は30代男性。趣味はキャンプや川釣りです。 家族4人を連れていけるSUVの候補をピックアップして。	鮮明

このプロンプトをもとにLLMが、次の意図理解を行います。

プロンプトに応じて粒度が異なり、おすすめ（ピックアップ）される商品が異なりますが、いずれにしてもここに入力されたプロンプトからLLMが世の中のデータを参考に、商品を選定します。

2. LLMが意図理解（User Intent）を行う

続いて、LLMがプロンプトについての意図理解を行います。単に言葉の意味だけでなく、前後の文脈や言葉の解釈から「意図」を理解します。

長距離ドライブに最適なSUVを教えて

という文章を以下のように分解します。

長距離+ドライブ+に+最適な+SUV+を教えて

そして、以下のように意図の理解を行います。（あくまでわかりやすく表現しており、処理の話ではありません。）

長距離	ドライブにかかる語彙。 快適性・走行安定性・燃費・安全性が重要
ドライブ	車の運転行為、もっぱらレジャー文脈で使われる
最適な	「長距離」で推測した要素へのマッチ度が重要
SUV	車の種類
を教えて	指示文

プロンプト内の語彙に対してLLM独自の重み付けと理解を実施し、どのような答えを出せばいいかを思考します。

難しく書いてはいますが、自分たちが普段行っている言葉の解釈を機械的に処理しているということ。ここでの重要なポイントはプロンプトに対して潜在的な意図を推測できるということです。

3. LLMがコンテンツ選定（Content Retrieval）を行う

長距離ドライブに最適なSUVをピックアップすればいいんだな

と、自身がすべき行動とアウトプットを理解したLLMは、続いて自身が選定する商品・サービスを選定するフェーズに入ります。そのフェーズの際に利用されるのが、まず以下の2点です。

1. AIのモデル内に入っているデータベース内のデータ
2. RAG（検索拡張生成）を利用したリアルタイムの情報取得

1のデータベースのデータ利用であれば、AIのさまざまなモデルによって「いつまでのデータが入っているか」が決まっています。そのためリアルタイムでの情報出力に制限があります。そこで利用されるのがRAG（Retrieval-Augmented Generation・検索拡張生成）と呼ばれるものです。

2つを組み合わせた情報収集の結果が、ユーザーに対して商品・サービスの選定というプロセスでの結果となります。そして、その情報収集の際に活用されるロジックや技術の代表的なものが以下のものになります。

1. 意味の類似性：商品説明やレビュー文を読み、ユーザー意図との類似度を計算
2. 概念の一貫性：ドメイン内での整合性を判定し、異なる分野を除外
3. 知識の参照：特許や論文DBなど信頼性の高い一次情報からの情報参照
4. マルチモーダル補助：動画、写真、音声などのデータの参照

他にもさまざまなプロセスを経て、以下の画像のような処理をAI内で行います。

データベース、RAGを活用してピックアップしたさまざまな候補とプロンプトへのマッチ度を図り、ユーザーにおすすめする商材の候補を絞りこみます。この段階ではSUV以外の車種が候補から外れたり、あまりにも情報が取れない情報などが候補から外されます。

4. LLMが意味的スコアリング（Semantic Scoring）を行う

続いてSUVという候補を絞ったあとは、プロンプトから理解した意図に対して最適な候補を絞り込むためのプロセスを行います。

その際に行われる処理や参照される項目は以下の通りです。

• 整合性：候補の説明文とユーザーの意図が文法的・意味的に整合性が取れている
• 多様性：候補に偏りがなく、意図からずれずに多様な候補から選べるか
• 信頼数：候補に含まれる引用数・出典数が相当数あるか
• 思考過程の連鎖：なぜこの商材がいいか？を自己参照し、評価の整合性を取る
• 比較：商材同士のペア比較を行い、近い候補の推薦

さまざまな処理を行ったあと「長距離ドライブに最適なSUV」というプロンプトでは以下のような処理が行われます。

SUVであれば長距離耐久性、快適性、燃費などさまざまな指標を組み合わせて「◯◯の商材が良い」という結論付け、ユーザーにおすすめを行う最終段階へと進んでいきます。

5. LLMが自己検証（Self-Reflection）を行う

最後は今まで行った一連の流れを繰り返し、情報の精度を高めるプロセスとなります。

1. 一度目の生成を参照
2. 自己照合で再生成
3. 誤りの訂正

を最後に行い、ユーザーに出力する商品・サービスを選定します。

6. LLMが商品・サービスを出力する

最後にユーザーに対してAIが選定した商品・サービスが出力されます。

参考文献

• The Application of Large Language Models in Recommendation Systems
  ーPeiyang Yu, Zeqiu Xu, Jiani Wang, Xiaochuan Xu
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations
  ーXu Huang, Jianxun Lian, Yuxuan Lei, Jing Yao, Defu Lian, Xing Xie
• Large Language Models are Not Stable Recommender Systems
  ー Tianhui Ma, Yuan Cheng, Hengshu Zhu, Hui Xiong
• Precision-Driven Product Recommendation Software: Unsupervised Models, Evaluated by GPT-4 LLM for Enhanced Recommender Systems
  ーKonstantinos I. Roumeliois, Nikolaos D.Tselikas, Dimitorios K. Nasiopoulos
• Aligning Large Language Models with Recommendation Knowledge
  ーYuwei Cao, Nikhil Mehta , Xinyang Yi , Raghunandan Keshavan , Lukasz Heldt , Lichan Hong , Ed H. Chi , and Maheswaran Sathiamoorthy
• Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising
  ー Bin Liu,Yunfei Liu,Ziru Xu,Zhaoyu Zhou,Zhi Kou,Yeqiu Yang,Han Zhu,Jian Xu,Bo Zheng

ウェブココルのLLMOへのアプローチ・対策方法

ここまではLLMにおける商品・サービスの選定方法（内部で行われているプロセス）を解説しました。

本見出しでは、その行われるプロセスをウェブココルが理解したうえで、どのようなアプローチでLLMO対策を行っていくかを紹介します。主に以下の3つに分けてご紹介します。

それぞれについて詳しく解説していきます。

STEP1 戦略設計

まずLLMOにおける戦略を設計するにあたって「ポジティブ面のアプローチ」と「ネガティブ面へのアプローチ」の2つの側面から考える必要があります。

• ポジティブ面へのアプローチ：商材・サービスの強みを活かす
• ネガティブ面へのアプローチ：LLM出現のネックになっているポイントを解消する

これらはSEO対策においても同様のアプローチから戦略を立てるのですが、例えばコンテンツ追加といったプラスのアプローチだけでなく、サイトで起きているエラー（SEOでの減点要素）を解消するどちらのアプローチに対して戦略設計を行うということと同じです。

ポジティブ面へのアプローチ

商品・サービスの強みを定義

まずは商材・サービスの特性・強みを定義し、LLM（AI）にどんな文脈で出現させたいか？を設計します。

例えば牛丼チェーン店である吉野家であれば「はやい・やすい・うまい」が揃ったチェーン店として有名ですが、意中の人との初デートにおすすめか？と言われると、そこは吉野家の強みを活かせるポイントではありません。これは極端な例ではありますが、商材・サービスの特徴・強みをきちんと定義したうえで、出現させたい文脈を決定します。

顕在層・潜在層のプロンプトを設定

続いて実際にユーザーがAIに聞く文章（プロンプト）はどんなものになるかを、さまざまな確度、顕在層・潜在層の観点から決定します。

一番用いる手段としては「検索キーワードからの決定」です。やはり検索キーワードには、長年のユーザーの課題や悩みが如実に現れるため、ユーザーの心理理解としてもっとも的確で手軽な手段と言えます。

潜在層向けのプロンプトであれば、次点のやり取りで「おすすめの病院を探しましょうか？」というAIの推奨もあるため、そこに上手く出現させられるような対策を行う、といったアプローチを取っていきます。

LLMの選定ロジックを特定

事業者がエントリーすべき領域・プロンプトが決定したら、どのようなロジックで商品・サービスをLLMが紹介するかを特定しにいきます。例えば眼科であれば「駅から近い・遠い」「レビューが多い・少ない」「医者の経歴が明確か」など、さまざまな情報を参照して、自社ないし競合が出力されます。

どんな要素がLLMの出現にとって重要か？を特定し、必要なアプローチを考えます。

ネガティブ面へのアプローチ

もうひとつのアプローチは、サイト内に発生しているエラーや、そもそもLLMが選定されるサイトとして不十分だよねといったネガティブ面の解消を行うための課題発見を行います。

• 流入分析…GA4などのアクセス解析ツールを用いて、現在サイトにAI経由の流入がどれくらいあるのか調査
• プロンプト分析…上位表示させたいプロンプトに、現在の競合他社の出現状況を観測する
• チェックリスト分析…独自の観測データや各種文献をもとに作成した独自のチェックリストを用いて課題を分析

上記の分析をもとに導きだしたLLMOに対しての課題を解決するための戦略を設計していきます。

STEP2.施策の実行

LLMOにおける重要な要素はAIに「選ばれる」と「正しく表示させる」の2点です。

それぞれに対して、やらなければいけない施策を立案し、実行していきます。

選ばれるための施策	・Web上での商品、サービスのブランド力の向上 ・エンティティの確立 ・提供会社の信頼性、透明性の向上 ・好意的なレビューの獲得 など
正しく表示させるための施策	・AIに伝わりやすいWebサイト構造 ・論理的で機械にとって読みやすいライティング ・AI-ライクなWeb上の実装 など

施策リストは正直なところGoogle検索や、それこそAI検索で出てくるかとは思いますが、専門業者の介在価値としては、そこに対しての有効性を真に判断して、優先順位を決定できることにあります。

施策リストは手元にあるけど、結局なにからやればいいか分からない、だから動かせない、というパターンを避けるためにも我々のようなLLMOコンサルティング業者が存在すると思っています。

STEP3. 効果検証を行っていく

通常のマーケティング施策と同様、この施策が良かった/悪かったという判断を行い、改善活動を行っていきます。

テストの点数のように合格点が何点で、というものが決まっているわけではないので、結果をもとにアプローチが有効だったかどうかを判断していきます。

セッション数、出現数、LLMの出現精度など、さまざまなKPIを設定し、それに対してどうだったかの評価を行うのがSTEP3で行うことです。

LLMOとSEOの違い

そもそも論として、SEOに強い我々ウェブココルが、なぜLLMO対策支援ができるのか？という話にも通じるのですが、SEO対策とLLMO対策は近しい領域のアプローチで課題解決できるものだからです。

対策すべきエンジン・チャネルは異なりますが、その先にあるユーザーに向けた情報発信・Webサイト改善を行うことというところでは重複しますし、なにより施策ベースでも重複する箇所が多いです。

定義の違い

SEO対策	検索エンジン最適化 GoogleやYahooなど検索エンジンで上位表示を取るための施策・アプローチを行うこと
LLMO対策	大規模言語生成モデル最適化 AIに出現する情報をコントロールし、そのなかで上位表示をできるだけ目指すアプローチのこと

やることの違い

「施策の内容」でいくと、SEOとLLMOは近しいことを行う場面が出てきます。なぜなら、近年のSEOにおいては「E-E-A-T」（専門性–経験-権威性-信頼性）が重要の要素でしたが、LLMOについても同じです。

全体の傾向を見ても、AIにおすすめされる・引用される情報とSEOで上位表示をされる情報は一定の相関関係にあります。つまり、SEOで上位表示をしているものが、AIで上位表示される一定の関連性があるということ。

弊社が現在SEOで支援しているクライアントでも、弊社がSEO対策を行っているからLLMOでも上位表示ができたといった事例が存在します。

また、弊社についても同様にSEOでの上位表示とLLMOでの上位表示を同時に達成しています。

このように（少なくとも施策でみれば）SEOとLLMOは近しい領域だからこそ、LLMOに関するご相談もぜひウェブココルにお任せいただければと思います。

LLMOに関してよくある質問

なぜ今LLMOが注目されているんですか？

ChatGPTやGoogleの生成AI検索（AIモード）の出現によって、多数のユーザーが生成AIを日常的に使うようになりました。今後この流れはますます加速していくため、次世代のマーケティング施策として注目されています。

LLMO対策を始めるには、まず何をすればいいですか？

まずはサイト内の情報をAIが理解しやすい形に整理することです。
具体的には、
・ページごとにテーマを明確にする
・見出し構造（h2・h3）を論理的に整える
・信頼できる出典や専門家情報を明示する
・構造化データ（Schema.org）を活用する
といった基本的な取り組みが効果的です。

LLMOを行うとどんな効果がありますか？

AI検索やチャット型検索で自社サイトの情報が引用される可能性が高まります。
また、AIが内容を正しく理解することで、ブランド名やサービス名が生成回答の中に登場しやすくなり、間接的に認知・集客効果を高めることができます。

LLMO対策には専門的なツールが必要ですか？

特別なツールは必須ではありません。まずは既存のSEOツールやAI解析ツールを活用し、サイトの構造や内容を整理することから始められます。
ただし、今後は「AI理解度」を測るツールや、LLM最適化支援ツールが増えていくと予想されています。

マーケティング革命3.0に乗り遅れないためにウェブココルにご相談ください

LLMO対策は、2025年を元年と言うべき次世代のマーケティング施策と言えます。そのなかで言えるのは、やはりAIの出現は確実に革命です。AIを用いた行動は、今後人々の基礎となっていくため、LLMO対策は将来に向けた投資として検討すべきでしょう。

ウェブココルのLLMO対策は、分かりやすい2つのパターンで用意をしています。

LLMOという概念、まだまだ出たてでよくわかってないけど興味はあるといった方でも、全く問題ございませんので、まず無料でご相談ください。ご契約するまで料金は一切いただいておりません。