LLM 最適化：ChatGPT と Gemini で上位に表示される

大規模言語モデルは、Google の順位付けのアルゴリズムとは異なる仕組みで動きます。Google は、リンクのシグナル、エンゲージメントの指標、キーワードの関連性を使って、どのページを 1 位にするかを決めます。LLM は、意味を数学的に表現したエンベディングを使います。ChatGPT が質問に答えるとき、クエリをエンベディング（数値のベクトル）に変換し、学習データから似たエンベディングを持つ文章を取り出し、それらを答えに合成し、最良の情報源を引用します。LLMO（Large Language Model Optimization）は、このエンベディングに基づく取得と引用の仕組みに向けて、コンテンツを最適化する取り組みです。

この変化には、大きな意味があります。もはや順位をめぐって競っているのではありません。自分の分野のクエリで、意味的に最も関連性が高く、権威のある情報源になることを競っているのです。コンテンツは、明確で、よく構成され、事実として正確で、LLM のクローラーに適切にインデックスされている必要があります。技術的な要件は従来の SEO とは異なりますが、見返りは直接的です。ChatGPT、Gemini、Claude、Perplexity での発見されやすさが高まります。

LLM の取得が実際にどう機能するか

エンベディングは、現代の LLM を支える Transformer ベースのモデルの中核的な概念です。LLM は、質問に答える必要があるとき、キーワードのクエリでデータベースを検索するわけではありません。代わりに、質問を、意味をとらえた高次元のベクトル（エンベディング）に変換します。そのうえで、学習データから最も似たエンベディングを持つ文章を取り出します。

エンベディングを、多次元の空間での位置と考えましょう。「機械学習とは？」と「ML を説明して」は異なるクエリですが、同じ意味なので、似たエンベディングを持ちます。機械学習についての記事は、取り出されるよう、両方のクエリに近くクラスター化されるエンベディングを持つべきです。これは、「機械学習」と「ML」が別々のキーワードで、異なる最適化を必要とするキーワードの照合とは、根本的に異なります。

このエンベディングに基づく仕組みは、完全一致のキーワードのフレーズに最適化するより、明確で自然な言葉で書くことのほうが重要だという意味です。LLM は、「ニューラルネットワーク」についての記事が、明示的なキーワードの重なりがなくても、「深層学習」や「人工知能」のクエリに関連していると理解します。コンテンツの取得は、キーワードの照合ではなく、意味の一貫性にかかっています。

コンテンツの明確さとトークン化

LLM は、コンテンツをトークン化し、テキストを小さなかたまり（トークン）に分けます。LLM がテキストをどう処理するかを理解することが、最適化の鍵です。コンテンツにあいまいな箇所、だらだら続く文、不明確なつなぎがあると、トークナイザーが意味のある単位を抽出するのに苦労することがあります。これは、エンベディングの意味の質を下げ、取得される可能性を損ないます。

まず明確さのために書き、最適化は二の次にしましょう。短く直接的な文（25 語未満）を使います。複雑な考えは、複数の段落に分けます。一貫した用語を使います。頭字語は初出で定義します。「API」を使うなら、最初に「Application Programming Interface」と定義します。こうした習慣は、トークナイザーがより意味のあるかたまりを作り、エンベディングの質を高める助けになります。

箇条書きとリストは、LLMO の味方です。LLM のトークナイザーは、段落の文章よりリストをよりきれいに処理します。一連の手順があるなら、番号付きのリストを使います。関連する概念があるなら、箇条書きを使います。構造の書式がきれいなほど、トークン化が良くなり、エンベディングが良くなり、取得が良くなります。

エンティティの定義と意味の明確さ

エンティティ（特定の人、組織、商品、概念）は、LLM が分野の知識を理解する手がかりです。「Apple」について書くとき、LLM は、Apple Inc. なのか、果物なのか、Apple Records なのかを知る必要があります。このあいまいさは、明示的なエンティティの定義と schema.org のマークアップで解消します。

コンテンツの中で、エンティティを初出で明確に定義しましょう。「Apple はテクノロジー企業です」の代わりに、「スティーブ・ジョブズが創業したアメリカのテクノロジー企業 Apple Inc. は、家電製品を設計し製造しています」と書きます。この追加の明確さが、LLM が正確なエンティティの表現を作り、トピックの権威性を理解する助けになります。

スキーママークアップを幅広く使いましょう。組織は Organization のスキーマで、人は Person のスキーマで、イベントは Event のスキーマでマークアップします。機械が読めるエンティティの定義を提供すれば、LLM はそれらを確実に抽出し、コンテンツの文脈づけに使えます。この文脈が、ユーザーがそれらのエンティティに関連する質問をしたときの取得の精度を高めます。

意味の足場としての構造化データ

schema.org を使った構造化データは、LLM にとっての意味の足場として機能します。どんな種類のコンテンツを公開していて、どんなエンティティが関わっているかをモデルに伝えます。NewsArticle のスキーマでマークアップされた記事は、BlogPosting でマークアップされたものとは異なる扱いを受けます。Product のスキーマと価格のマークアップを持つ商品ページは、持たないものより正確に理解されます。

LLMO では、次のスキーマを優先しましょう。Article か BlogPosting（ブログのコンテンツ）、NewsArticle（ニュース）、Organization（会社のページ）、Person（著者やチームのページ）、Product（商品ページ）、Review（レビュー）、FAQPage（FAQ）です。各スキーマは、LLM がコンテンツをより良く解析して理解するために使う、意味の構造を提供します。

さらに進んで、マイクロスキーマを使いましょう。ファクトチェックをしているなら、主張の記述を ClaimReview でマークアップします。レシピのページの材料のリストを HowToStep でマークアップします。技術的な仕様を、適切なスキーマでマークアップします。提供する意味の構造が多いほど、LLM はコンテンツをよく理解し、引用できます。

トピックの深さと網羅的なカバー

LLM は、浅い情報源より網羅的な情報源を好みます。機械学習についての 500 語の概要を書けば、基本的なクエリで取り出されるかもしれません。しかし、教師あり学習、教師なし学習、ニューラルネットワーク、学習、評価、応用をカバーする 5,000 語を書けば、より幅広いクエリで引用され、より強い権威として順位付けされる可能性がはるかに高まります。

トピックの深さは、専門性を示します。LLM が、10 以上の関連するサブトピックのセクションを持つ、機械学習についての網羅的なガイドに出会うと、あなたが深い知識を持っていると推測します。引用する可能性が高まり、浅い概要しかない競合を引用する可能性は低くなります。これは複合的な利点を生みます。網羅的なコンテンツは、より多くのエンベディング、より多くの取得、より多くの引用を引きつけます。

中核の専門分野のまわりに、トピッククラスターを築きましょう。柱となるコンテンツ（網羅的なガイド）と、クラスターのコンテンツ（サブトピックを焦点を絞って掘り下げたもの）を作ります。それらをリンクでつなぎます。LLM がトピッククラスターを分析するとき、関連する相互につながった専門性のネットワークを見ます。これにより、取得される可能性と引用の質の両方が高まります。

コンテンツの鮮度とバージョン管理

LLM は、知識のカットオフ日があるデータで学習されています。ChatGPT は検索を通じて最新のウェブのデータにアクセスできますが、ほとんどの LLM は学習データに頼っています。その意味は、古いコンテンツは、次第に取り出されたり引用されたりしにくくなるということです。さらに、コンテンツが、より新しく権威のある情報源と矛盾する情報を含んでいると、LLM は正確さを守るために、あなたを引用するのを避けるかもしれません。

コンテンツを積極的に保守しましょう。記事を四半期ごとに監査するよう、カレンダーにリマインダーを設定します。事実が変わったら、すぐに更新します。新しい調査が主張と矛盾するなら、改訂します。見える形の更新のタイムスタンプを加えます。LLM は、新しいコンテンツをより権威があるものと認識します。古くなったコンテンツは、優先度を下げられたり、完全に避けられたりするおそれがあります。

AI クローラーの効率のための llms.txt の実装

llms.txt は、AI のクローラーがコンテンツを効率よく発見してインデックスする助けになる、新たな標準です。robots.txt に似ていますが、大規模言語モデルのクローラー向けに設計されています。ルートドメイン（www.example.com/llms.txt）に llms.txt ファイルを公開すれば、どのコンテンツがインデックス可能で、どう最適にクロールするかを AI のシステムに伝えられます。

llms.txt には、コンテンツのディレクトリと重要なページを列挙します。サイトの概要、主なトピック、エンティティの定義も含められます。robots.txt の拡張のようなものと考えましょうが、AI のニーズに合わせて最適化されています。llms.txt の採用が広がるにつれ、その実装は標準的な LLMO の実践になるでしょう。

XML サイトマップとクロールのしやすさの最適化

従来の XML サイトマップは、Google がサイトをクロールする助けになります。LLM のクローラーの助けにもなります。サイトマップに、すべての重要なコンテンツのページが含まれていることを確かめましょう。新しいコンテンツを公開したら更新します。<lastmod> タグを使って、コンテンツが最後に更新された日時を示し、クローラーが新しいコンテンツを優先する助けにします。

サイトマップに加えて、クロールのしやすさを最適化しましょう。重要なページが、ログインの壁やペイウォールの後ろに隠れていないことを確かめます。LLM は、アクセスできないコンテンツは読めません。rel="canonical" を使って、重複コンテンツを管理します。クローラーがすべてのコンテンツを簡単に見つけられるよう、内部リンクの構造を整理します。ページの読み込みが速いことも役立ちます。LLM のクローラーは、遅いサイトでタイムアウトすることがあります。

キーワードの最適化より自然な言葉

従来の SEO では、キーワードの詰め込み（狙うキーワードの多用）が順位を押し上げることがありました。LLMO では、逆効果です。LLM は、不自然な言葉を検出するよう訓練されています。見出しがキーワードの繰り返しで埋まっていたり、本文がキーワードのリストのように読めたりすれば、LLM はコンテンツを質が低いと判断し、優先度を下げるかもしれません。

代わりに、自然に書きましょう。同義語と関連する語を使います。代名詞と多様な文の構造を使います。コンテンツを声に出して読み、機械的に、あるいは繰り返しが多く聞こえるなら、書き直します。自然で読みやすいコンテンツは、より良いエンベディングを持ち、取得される可能性が高まります。これは、人間の読みやすさに向けた最適化が、技術的なパフォーマンスを直接改善する、まれな例の一つです。

出典と引用の連鎖による権威性

LLM は、自らもよく出典を示している情報源を評価します。記事が、政府のデータ、学術研究、専門家の意見などの権威の高い情報源を引用していれば、LLM は、厳密な調査を行い、コンテンツが信頼できると推測します。これにより、引用される可能性が高まります。

Google の AI の研究などの権威ある情報源、学術機関、政府機関、業界のリーダーを引用しましょう。コンテンツから権威の高い情報源への引用の連鎖を築けば、知識の統合点として自らを位置づけられます。LLM は、このパターンを認識して報います。

まとめ

LLMO（Large Language Model Optimization）は、AI 検索で発見され、引用されるための技術的な土台です。コンテンツの明確さ、構造化データ、トピックの深さ、クローラーの最適化を組み合わせ、エンベディングに基づく取得のシステムで、コンテンツが上位に表示されるようにします。リンクのシグナルとキーワードの順位に焦点を当てる従来の SEO と違い、LLMO は、意味の関連性、エンティティの明確さ、自然な言葉の質に焦点を当てます。まず、コンテンツの明確さと構成を監査しましょう。スキーママークアップを加えます。llms.txt を実装します。中核の専門分野のまわりにトピッククラスターを築きます。土台は優れた SEO と同じですが、AI のシステムが求める追加の技術的な要件があります。Sorank を使って、複数の AIにわたる LLMO の戦略を診断し、最適化しましょう。