「LLMO をやりましょう」という提案を受けて、中身を評価できずに困っている、という相談が増えています。言葉の定義が各社バラバラで、SEO の言い換えとして使っている会社もあれば、まったく別のことを指している会社もあるからです。
この記事では、Nue が LLMO をどういう意味で使っていて、何をやっているかを書きます。2026年8月時点の話です。この領域は動きが速いので、時点が重要になります。
言葉の整理
LLMO は Large Language Model Optimization の略で、ChatGPT・Perplexity・Claude・Gemini といった大規模言語モデルが答えを作るとき、自社の情報が引用元として使われる状態をつくる取り組みを指します。AIO、GEO、AI検索最適化といった呼び方も見かけますが、指しているものはおおむね同じです。
Nue はこの記事の中で LLMO を「引用されるための設計」という意味で使います。順位を上げる話ではありません。
検索とLLMでは、判断材料が違う
検索エンジンは順位をつけます。1位から順に並べて、ユーザーがどれをクリックするかを委ねる。だから SEO は「上に行くこと」を目指します。
LLM は順位をつけません。複数のソースから答えを組み立て、その材料として使ったページを引用として示します。ここで起きるのは、順位が3位のページが引用されず、8位のページが引用される、という現象です。
何が違うのか。答えとして切り出せる形で書かれているかどうかです。
たとえば「LLMO の費用相場は」という質問に対して、費用の話が記事の中盤に散らばっていて、読み進めないと結論が出てこないページは、切り出す対象になりにくい。一方、見出しが問いになっていて、その直後の1段落で答え切っているページは、そのまま引用できます。
順位が高いページは往々にして網羅的で長い。網羅性は検索では強みですが、引用では必ずしも有利になりません。ここが SEO と LLMO のいちばん大きな分かれ目です。
やることは2層ある
1. 機械が読める状態にする
LLM がページを取得したとき、何のページで、誰が書いていて、いつの情報かを判断できるようにします。ここは前提条件で、やっていないと土俵に乗りません。
- 構造化データ。Organization、Service、Article、FAQPage、BreadcrumbList を、内容に合わせて設置する
- llms.txt。サイトの概要と主要ページの一覧を、LLM が最初に読む場所に置く
- クローラの許可設定。
robots.txtで GPTBot や PerplexityBot を意図せず弾いていないかを確認する。SEO 用の設定をそのまま流用していて、AI クローラだけ弾いている例をよく見ます - canonical と sitemap の整合。正規URLがずれていると、引用先が別のURLに割れます
- JavaScript を実行しなくても本文が読めるか。クライアント側でしか描画されない本文は、取得はできても読まれないことがあります
このサイトでは、llms.txt を記事一覧から自動生成する形にしています。手で更新する運用にすると、記事が増えたときに必ず古くなるからです。生成しているのはビルドスクリプトで、記事を1本足すと llms.txt と sitemap が同時に更新されます。
2. 引用される書き方に変える
ここが効きます。技術面の整備だけでは引用されません。
- 質問と答えを近づける。見出しが問いなら、その直後の段落で答え切る
- 時点を書く。「2026年8月時点」のような明記があると、LLM は鮮度を判断できます。日付のない断定は、古い情報として扱われるか、そもそも使われません
- 数字と固有名詞を入れる。「短期間で構築できます」のような抽象的な形容は引用の材料になりません。期間、対象、何が変わったかを書き手の実績として具体に書く
- 表記を揃える。社名・サービス名・技術名がページごとに揺れていると、同一の主体として認識されにくくなります
- 一次情報を書く。他所にある情報をまとめ直したページは、元のソースが引用されます
最後の項目が、実はいちばん重い制約です。網羅型のまとめ記事を量産する戦い方は、LLMO では効きにくい。自分たちしか持っていない実測値、つまずいた箇所、やめた判断が、引用される理由になります。
このブログでノーコードからの移行で何が壊れたかを細かく書いているのは、そういう理由です。同じ作業をやった人にしか書けない内容だからです。
効果はどうやって測るのか
Search Console には出ません。 ここが最初につまずくところです。
Nue では2つを組み合わせています。
参照流入を分ける
ChatGPT・Perplexity・Claude・Gemini・Copilot からの流入を、計測上で分けて見ます。GA4 の既定では「Referral」に丸められてしまうので、参照元ドメインでフィルタを作る必要があります。
ただしこの数字だけでは足りません。引用されても流入しないことがあるからです。 ユーザーが答えだけ読んで終わる場合、引用はされているのにクリックは発生しない。それでも認知は残ります。
定点観測する
- 質問リストを作る想定される質問を20問から30問。発注検討、比較検討、実務の3段階を混ぜます。
- 各サービスに投げる月に1度。実際にやると1回あたり1時間ほどかかります。
- 4つを記録する引用されたか、されたならどのページか、他社はどこが引用されたか、答えの中で自社がどう説明されたか。
- 前月と比べる質問リストは変えません。 変えると前月と比較できなくなるので、足すのは可、消すのは不可というルールで運用しています。
同じリストで翌月も投げる。数か月ぶんの推移は、他社が簡単に追いつけない
手作業です。自動化できる部分もありますが、質問リストの設計と、答えの読み取りは人がやったほうが確実です。
質問リストの作り方
定点観測でいちばん設計が要るのは質問リストです。適当に作ると、翌月に比較できないリストになります。
Nue は3つの段階を混ぜて20問から30問を作っています。
発注検討の聞かれ方（5問前後）。「LLMO対策を頼める会社を教えて」「生成AIの受託開発ができる会社は」。ここで自社が挙がるかどうかが、いちばん直接的な指標です。ただし競合が強い領域では、最初は挙がりません。
比較検討の聞かれ方（10問前後）。「LLMOとSEOの違いは」「llms.txtは効果があるのか」。記事が引用される可能性が高いのはここです。実際に動きが出るのもここから始まります。
実務の聞かれ方（10問前後）。「構造化データはどこまで入れるべきか」「GPTBotをrobots.txtで許可する書き方」。発注には直結しませんが、引用されると技術的な信頼の材料になります。
記録する4つのうち、後から効いてくるのは答えの中で自社がどう説明されたかです。古い情報や誤った説明が定着していないかが、ここで分かります。ここだけは機械的な判定に向かないので、読み取りは人がやります。
どれくらいで変わるのか
モデルによって挙動が違います。
Perplexity のように、質問のたびに検索して答えを作るタイプは、技術面を直した数日後に変わることがあります。一方、学習済みの知識に依存する部分は数か月単位です。会社名や事業内容が古い情報のまま覚えられている場合、それが更新されるまでには時間がかかります。
Nue は自社サイトで観測を始めたばかりで、まだ推移として語れるデータがありません。断定できる材料が揃っていないので、この記事では効果の数字を書きません。 溜まったら別の記事で書きます。
提案を受けたときに見るところ
代理店や制作会社から LLMO の提案を受けたとき、中身を評価する観点を3つ挙げます。
効果の測り方が書いてあるか。 Search Console には出ないので、何をどう測るかが提案に含まれていない場合、成果を確認する手段がありません。「順位が上がります」と書いてあったら、それは SEO の提案です。
記述の設計まで含まれているか。 構造化データと llms.txt の設置だけで終わる提案は、前提条件を整えるだけです。それ自体は必要ですが、引用されるかどうかは書き方で決まります。
その会社が自分たちでやっているか。 提案元のサイトを開いて、構造化データが入っているか、llms.txt があるかを見てください。やっていない会社の提案は、そのぶん割り引いて読むことになります。
向いていない場合
そもそも検索されていない領域では効きません。誰も質問しないテーマは、LLM も答えを作らないからです。
この場合、必要なのは LLMO ではなく、需要のある切り口を見つけることです。前段の話になります。相談を受けて、そう判断したときはそう伝えます。
取り組み方の詳細はLLMO対策のページに書いています。現状のサイトを見せていただければ、どこから手をつけるべきかをお伝えします。