「LLMO」と「SEO」の違いを正確に説明できるマーケティング担当者は、まだ少数派です。 LLMO（Large Language Model Optimization）はGEO対策・AI検索対策とも呼ばれ、SEOとは最適化の対象も評価基準も異なります。
この記事では、LLMOとSEOの技術的な違い、評価指標の違い、そして投資判断のポイントを体系的に解説します。
用語の整理：LLMOとGEOの関係
本題に入る前に、用語を整理します。
- LLMO（Large Language Model Optimization）：大規模言語モデルに自社コンテンツを認識・引用させるための最適化
- GEO（Generative Engine Optimization）：生成型検索エンジンにおける最適化。Aggarwal et al.（2023）が学術的に定義
- AI検索対策：一般的な呼称。ChatGPT、Perplexity、Geminiなどの検索機能への対策
これらは同じ取り組みを異なる角度から呼んだものです。 この記事では、LLMの仕組みに焦点を当てる文脈では「LLMO」、検索エンジン全般の文脈では「GEO」を使い分けます。
技術的な違い：ランキング vs. 生成
SEOとLLMOの最も根本的な違いは、検索結果の生成プロセスにあります。
SEO：インデックスとランキング
Google検索の仕組みは、以下のプロセスで構成されます。
- クローラーがWebページを収集する
- ページをインデックスに登録する
- クエリに対して、200以上のランキング要素でスコアリングする
- スコア順にリンクを並べて表示する
SEOの目標は、このランキングで上位に入ることです。
LLMO：検索拡張生成（RAG）
AI検索の仕組みは、RAG（Retrieval-Augmented Generation）が基盤です（Lewis et al., 2020; Gao et al., 2024）。
- ユーザーのクエリをベクトル化する
- セマンティック検索で関連するテキストチャンク（パッセージ）を取得する
- 取得したパッセージをLLMのコンテキストに入力する
- LLMが回答を生成し、情報源を引用として表示する
LLMOの目標は、ステップ2で自社コンテンツが選ばれ、ステップ4で引用されることです。
評価指標の違い
SEOとLLMOでは、成果を測る指標が根本的に異なります。
| 項目 | SEO | LLMO |
|---|---|---|
| 主要KPI | 検索順位、オーガニック流入数 | 引用回数、引用率 |
| 流入指標 | クリック数（CTR） | リファラー経由の訪問数 |
| 品質指標 | 直帰率、滞在時間 | 引用の正確性、ブランド言及の文脈 |
| 競合分析 | 順位の比較 | 引用シェアの比較 |
| 計測ツール | Google Search Console、Ahrefs等 | AI検索モニタリングツール |
LLMOの評価指標は、業界としてまだ標準化されていません。 現時点では、主要なAI検索エンジンで定期的にクエリを実行し、引用状況を記録するという手動のプロセスが一般的です。
コンテンツ要件の違い
SEOとLLMOでは、効果的なコンテンツの特性が異なります。
SEOで評価されるコンテンツの特性
- ターゲットキーワードの適切な配置
- 網羅性（関連トピックを幅広くカバー）
- 被リンクの質と量
- ページの表示速度とモバイル対応
- ユーザーエンゲージメント指標
LLMOで引用されるコンテンツの特性
- 簡潔で自己完結したパッセージ（1パッセージで問いに答えている）
- 定量データと出典の明示（Aggarwal et al., 2023）
- 構造化されたフォーマット（箇条書き、表、FAQ）
- 権威性のある情報源としての認識
- 情報の正確性と最新性
Aggarwal et al.（2023）の実験では、統計データを追加したコンテンツの引用率が115.1%向上したという結果が報告されています。
投資判断のフレームワーク
SEOとLLMOのどちらにどれだけ投資するかを判断するためのフレームワークを示します。
ステップ1：現状の流入構成を把握する
GA4でリファラーを分析し、以下を把握します。
- Google検索からの流入比率
- AI検索（ChatGPT、Perplexity等）からの流入比率
- ダイレクト流入の比率
AI検索からの流入が増加傾向にある場合、LLMOへの投資比率を上げる根拠になります。
ステップ2：クエリタイプ別の影響度を評価する
自社の重要キーワードをクエリタイプ別に分類し、AI検索の影響度を評価します。
| クエリタイプ | AI検索の影響度 | LLMO優先度 |
|---|---|---|
| 情報検索型（〇〇とは） | 高 | 高 |
| 比較検討型（A vs B） | 高 | 高 |
| トランザクション型（〇〇 購入） | 中 | 中 |
| ナビゲーション型（ブランド名） | 低 | 低 |
情報検索型と比較検討型のクエリは、AI検索で回答が完結しやすく、従来のSEO流入が減少しやすいカテゴリです。
ステップ3：投資配分を決定する
ステップ1と2の結果を踏まえて、SEOとLLMOのリソース配分を決定します。
SEO重視型（SEO 70%：LLMO 30%）
- SEOからの流入が安定しており、AI検索の影響がまだ小さい
- 自社の重要キーワードがトランザクション型やナビゲーション型に偏っている
バランス型（SEO 50%：LLMO 50%）
- SEO流入が横ばいまたは微減傾向
- 情報検索型のキーワードが売上に寄与している
LLMO重視型（SEO 30%：LLMO 70%）
- SEO流入が明確に減少している
- 競合がAI検索で頻繁に引用されている
- IT・SaaS業界など、AI検索の利用が進んでいる
SEOとLLMOの共通領域
SEOとLLMOは異なる取り組みですが、共通する施策も存在します。
- コンテンツの質の向上：正確な情報、出典の明示、論理的な構成
- 技術的な基盤：ページの表示速度、クロール可能性、構造化データ
- E-E-A-T：経験・専門性・権威性・信頼性の担保
これらの共通施策に投資することで、SEOとLLMOの両方に効果を発揮します。 「どちらか一方」ではなく、共通領域から着手するのが効率的なアプローチです。
まとめ
LLMOとSEOは、最適化対象（生成型検索 vs. ランキング型検索）、評価指標（引用率 vs. 検索順位）、コンテンツ要件（パッセージの自己完結性 vs. 網羅性）の3つの軸で異なります。
投資判断は、現在の流入構成、重要キーワードのクエリタイプ、競合の動向を踏まえて行います。 多くの企業にとって現実的なのは、共通領域（コンテンツの質、技術基盤、E-E-A-T）から着手し、成果を見ながら配分を調整していくアプローチです。
参考文献
- Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735
- Lewis et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020
- BrightEdge (2025). Generative AI Snapshot: How AI Search Is Reshaping Organic Traffic
- Gao et al. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997