【記事の要約（ここだけでもポイントは掴めます）】
「AI に引用されること」を GEO の成果指標にしている企業に、盲点があります。引用と推薦は別のメカニズムであり、引用率を上げるだけではコンバージョンひいては売上アップにはつながりません。
- SEO アナリストの Lily Ray 氏が 2026年6月に発表した調査によれば、AI に引用されたブランドのうち 69% はブランドの「推薦」には至っていません。引用されても、ユーザーの課題への解決策として名指しされるかどうかは別の話です。
- AI が「引用」するのは「情報の根拠として使えるコンテンツ」、「推薦」するのは「ユーザーの課題に合った解決策」です。どれだけ権威ある情報源として引用されても、課題解決の文脈で登場しなければ購買には貢献しません。
- 引用率・AI ビジビリティスコア（AI可視性）を単体で追う計測設計では、この差を把握できません。「どんな文脈で登場しているか」を計測する設計に切り替えることが必要です。
GEO 施策の目標（KGI）を「引用率を上げる」から「推薦文脈での出現率を上げる」に変える必要があります。
1. 「引用されているのに選ばれていない」という逆説
GEO（Generative Engine Optimization：生成エンジン最適化）に取り組む企業が増えています。「AI ビジビリティスコア（AI可視性）」を月次で計測し、「先月より引用回数が増えた」という報告をしている企業も出てきています。
しかしここには落とし穴があります。
「AI に引用されること」と「AI にユーザーへ推薦されること」は、まったく別のことです。引用率がどれだけ上がっても、AI がユーザーに「あなたの課題にはこのブランドが向いています」と推薦していなければ、購買への貢献はほぼゼロです。
Lily Ray 氏（SEO の世界的権威）が 2026年6月に発表した調査は、この問題を数値で示しています。AI に引用されたブランドのうち、実際に「推薦」に至ったのはわずか 31%。69% は引用されても推薦されていません。
引用率を GEO の成果指標にしている企業は、69% の「成果なき引用」を積み上げている可能性があります。
2. AI が「引用」するときと「推薦」するときの違い
なぜ引用と推薦がずれるのか。AI の処理の仕組みから整理します。
引用：情報の根拠として名前が出る
AI が回答を生成する際、情報の裏付けとして特定のコンテンツを参照し、発信元のブランド名を引用することがあります。
例：「○○社の 2026年調査によれば、マーケターの 73% が〜と回答しています」
この引用は「情報源としての信頼性」によって決まります。調査データ・専門的な解説・一次情報を持つコンテンツが引用されやすくなります。
推薦：ユーザーの課題への解決策として名前が出る
一方、推薦はまったく異なる文脈で発生します。
例：「中小企業向けの CRM ツールをお探しであれば、○○社が使いやすく価格も手頃です」
この推薦は「ユーザーの課題との文脈適合性」によって決まります。どれだけ権威ある情報源として知られていても、「この課題にはこのブランド」という文脈でのコンテンツや評判がなければ推薦には至りません。
引用されやすいコンテンツ ≠ 推薦されやすいブランド
まとめると、引用と推薦は異なる条件で発生します。
| 引用 | 推薦 | |
|---|---|---|
| 発生条件 | 権威ある情報源として認識されている | ユーザーの課題に対する解決策として認識されている |
| 必要なコンテンツ | 調査・データ・専門的な解説 | 事例・ユースケース・課題別の解決策説明 |
| 計測指標 | AI ビジビリティスコア（AI可視性）・引用回数 | 推薦文脈での出現率・指名検索との相関 |
| 購買への影響 | 間接的（認知・信頼形成） | 直接的（検討・選定の後押し） |
3. 「AI 引用率」がミスリードを生む3つの構造
AI 引用率を追い続けることで、気づかないうちに間違った方向に施策が積み上がっていくケースがあります。代表的な3つの構造を整理します。
構造①：「比較で劣る側」として引用されている
AI が競合比較を行う際、自社ブランドが「コスト面で劣る」「機能が限定的」という文脈で言及されることがあります。
この場合、AI ビジビリティスコア（AI可視性）自体は上昇しますが、実際の効果はマイナスです。引用回数だけを追っていると、こうした「不利な引用」を見逃します。
構造②：情報源として使われるが購買文脈では登場しない
自社のリサーチレポートや調査データが AI に頻繁に引用されていても、「どのツールを使うべきか」「どのサービスを選ぶべきか」という購買文脈では名前が出ない、というパターンがあります。情報源としての権威と、解決策としての認知は別軸で構築する必要があります。
構造③：引用されるカテゴリと顧客の悩みがズレている
自社が発信するコンテンツのテーマと、ターゲット顧客が実際に AI に相談する質問がずれているケースです。「業界トレンドの情報源」として引用されていても、顧客が「自社の課題の解決策」を探す文脈では登場しない、という状況が生まれます。
4. 「推薦される」ブランドの条件：引用とどこが違うか
では「推薦されるブランド」になるために何が必要か。引用との違いから逆算します。
課題別のユースケースを明確に発信する
推薦は「この課題にはこのブランド」という文脈で発生します。自社が解決できる課題を具体的に・網羅的に発信することが、推薦の基盤になります。
「○○という課題を持つ企業に向いています」「△△の状況で最も効果を発揮します」という形で、課題とブランドの対応関係を明示したコンテンツが必要です。
実績・事例で「解決できる証拠」を積む
AI が推薦する際の根拠として、実際の導入事例・成果データ・ユーザーの声が機能します。
抽象的なサービス説明より「○○という課題を持つ企業が導入した結果、△△という成果が出た」という具体的な事例が、推薦文脈での出現率を高めます。
第三者からの言及を増やす
自社コンテンツだけでなく、信頼できる第三者メディア・レビューサイト・業界調査での肯定的な言及が推薦の確率を上げます。
AI は複数のソースを統合して判断するため、自社発信と第三者評価の両輪が必要です。
5. 正しい GEO の計測指標：引用率から何に変えるべきか
引用率に代わる計測指標として、以下を設計してください。
推薦文脈での出現率を定期的に確認する
自社のターゲット顧客が AI に相談しそうな質問を 20〜30 パターン用意し、定期的に実際に AI に質問します。
「○○という課題を解決したい」「△△と□□を比較したい」といった購買文脈での質問に対して、自社ブランドがどの位置・どんな文脈で登場するかを記録します。
指名検索との相関を追う
AI ビジビリティスコアが上昇したとき、指名検索数も増えているかどうかを確認します。推薦によって認知が広がればブランド名での検索が増えるはずです。相関がなければ「推薦されていない引用」が増えているだけの可能性があります。
※「AI ビジビリティスコア（可視性スコア）」の詳細について
AI ビジビリティスコアそのものの計測方法・統計的ノイズ問題については、INSIGHT CUBE の過去記事「AI ビジビリティスコアは1回の計測では信頼できない：統計的ノイズ問題と正しい計測設計」で詳しく解説しています。スコアの読み方と合わせてお読みください。
6. 今すぐ取るべき3つのアクション
① 「引用の文脈」を確認する
ChatGPT・Gemini・Perplexity で自社ブランド名や関連するプロンプトで検索し、どんな文脈で登場しているかを確認します。
「情報源として引用」されているのか「課題の解決策として推薦」されているのかを区別して記録してください。不利な文脈での引用や古い情報での引用があれば、情報の発信源を特定し、正確な情報に修正します。
② 課題別コンテンツを整備する
自社が解決できる課題を 10〜20 パターン書き出し、それぞれに対して「課題 × 解決策 × 事例」の形で回答するコンテンツを作成します。
FAQ 形式・事例記事・比較記事など、購買文脈に近い形のコンテンツが推薦への橋渡しになります。
③ 計測設計を「引用率」から「推薦文脈での出現率」に切り替える
月次の AI ビジビリティスコアの記録に加えて、購買文脈での質問リストを用意し、定期的に AI に質問して推薦文脈での登場状況を確認するフローを作ります。
スコアの変化と指名検索の相関も合わせて追うことで、施策が「引用」ではなく「推薦」につながっているかを判断できます。
自社ブランドは AI にどんな文脈で登場していますか？
「引用されているか」だけでなく「どんな文脈で登場しているか」を把握することが、GEO 施策の正しい出発点です。
グラッドキューブの LLMOA（エルモア）は、ChatGPT・Gemini・AI Overviews など主要な生成 AI が自社ブランドをどう認識・引用・推薦しているかを可視化し、施策の立案から実行・効果検証までをワンストップで支援します。
まとめ：「引用率」を追うのをやめ、「推薦文脈」を設計する
Lily Ray 氏の調査が示した「69% は引用されても推薦されない」という数字は、GEO 施策の見直しを迫るデータです。引用率を上げることに注力してきた企業は、今すぐ計測指標と施策の軸を見直す必要があります。
AI に選ばれるブランドになるために必要なのは、「情報源として信頼される」ことと「課題の解決策として認識される」ことの両方です。前者だけを追い続けると、引用されるほど選ばれなくなるという逆説に陥ります。
今すぐ GEO 施策の問いを変えてください。「AI に引用されているか？」ではなく「AI はユーザーの課題に対して自社を推薦しているか？」この問いに答えられるブランドだけが、AI 時代の購買行動の中で存在感を持ち続けます。
【INSIGHT CUBE 関連記事】
AI ビジビリティスコアは1回の計測では信頼できない：統計的ノイズ問題と正しい計測設計
AI ビジビリティスコア（可視性スコア）は1回の計測では信頼できない｜統計的ノイズ問題と正しい計測設計 → AI ビジビリティスコアの正しい読み方と統計的ノイズ問題を解説。本記事の「計測設計の見直し」と合わせてお読みください。
あなたの AI 回答は汚染されているかもしれない：「AIポイズニング」という新しいブランドリスクと防衛の3原則
あなたのAI回答は汚染されているかもしれない｜「AIポイズニング」という新しいリスクと防衛の3原則 → 「不利な文脈での引用」を防ぐための施策として、AIポイズニング対策の攻守両面を解説しています。
AI リファーラルの 92% は ChatGPT から｜677万セッション分析が示す「AI 検索の一強時代」と戦略的な意味
AIリファーラルの92%はChatGPTから｜677万セッション分析が示す「AI検索の一強時代」と戦略的な意味 → AI 経由流入の規模感と質を実データで示した調査。「推薦された後に何が起きるか」の文脈として合わせてお読みください。
【参照・引用出典】
- Lily Ray「AI Visibility vs. AI Recommendations」（2026年6月）：https://genezio.com/blog/ai-recommendation-vs-ai-visibility/
