AIが「自信がない」質問ほど外部サイトを引用する——不確実性を活用するGEO戦略

AI検索で自社のコンテンツが引用されるかどうかは、コンテンツの質だけで決まるわけではありません。実は、AIが「自信を持って答えられない質問」に対しては、外部サイトを積極的に検索し、引用する傾向があります。

つまり、AIの知識が手薄な領域でコンテンツを用意しておくと、引用される確率が上がります。この記事では、AIの不確実性の仕組みと、それをコンテンツ戦略に活かす方法を解説します。

AIは自分の知識の限界を把握している

Kadavath et al.の研究——AIの「自己認識能力」

Kadavath et al.（2022年、Anthropic）の論文「Language Models (Mostly) Know What They Know」は、LLMが自分の知識の限界をどの程度把握しているかを検証した重要な研究です。

この研究の核心的な発見は以下の通りです。

LLMは、正解できる問題と正解できない問題を区別する能力を持つ
モデルの出力確率は、回答の正確性と正の相関がある
ただしこの相関は完全ではなく、「過信」と「過小評価」の両方が観察される

具体的には、モデルが「90%の確信度」で回答した場合、実際の正答率は約80〜85%でした。「おおむね自分の知識を把握している」が「完全に正確ではない」という状態です。

キャリブレーション——確信度と正答率の一致度

Guo et al.（2017年、Cornell University）の「On Calibration of Modern Neural Networks」は、この問題の先駆的な研究です。

キャリブレーションとは、モデルが「70%の確率で正しい」と予測したとき、実際に70%の頻度で正しい結果になることを指します。完全にキャリブレーションされたモデルでは、確信度と正答率が一致します。

Guo et al.の研究では、現代のニューラルネットワークは総じて「過信」しがちであることが示されました。 LLMもこの傾向を引き継いでいますが、モデルサイズが大きくなるにつれてキャリブレーションが改善する傾向がKadavath et al.の研究で報告されています。

AIが不確実性を感じたとき何が起きるか

RAGシステムの動作——不確実性が外部検索をトリガーする

ChatGPTやPerplexityのようなRAG（Retrieval-Augmented Generation）ベースのAI検索では、不確実性が外部ソースの検索を制御する重要なシグナルになっています。

一般的なRAGシステムの動作は以下の流れです。

ユーザーの質問に対して、LLMがまず内部知識で回答を試みる
内部知識による回答の確信度を推定する
確信度が閾値を下回った場合、外部ソースの検索を実行する
検索された外部ソースの情報を統合して回答を生成する
外部ソースを引用として付記する

ステップ3が、コンテンツ制作者にとっての機会です。 LLMの内部知識が不確実な領域では、外部ソースの検索と引用が増えます。

AIが不確実性を言語で表現する仕組み

Xiong et al.（2024年、University of Virginia）の「Can LLMs Express Their Uncertainty?」は、LLMが自然言語で不確実性を表現する能力を検証しました。

この研究によると、LLMは以下のような言語的手がかりで不確実性を表現します。

「可能性があります」「と思われます」「一般的には」などのヘッジ表現
複数の選択肢を並列に提示する
情報の出典が不明であることを明示する

ただし、言語的な表現と内部の確率分布は必ずしも一致しません。モデルが「確実です」と述べていても内部確率が低い場合があり、その逆も観察されています。

AIが自信を持てない4つの領域

LLMの不確実性が高くなりやすい領域には、共通の特徴があります。コンテンツ戦略の観点から、それぞれの領域を見ていきます。

時間的に新しい情報

学習データのカットオフ以降に生じた事実、変更された数値、新たに発表された研究結果。たとえば直近のマーケティング施策の効果データや、最新のツール料金などが該当します。

AIはこれらの情報を内部知識として持っていないため、外部検索に頼ることになります。

ニッチな専門領域

学習データに含まれる情報量が少ないトピックです。特定業界の特定指標、地域限定の市場データ、社内実験の結果などが該当します。

「マーケティングオートメーションとは何か」という質問には、AIは高い確信度で回答できます。学習データに大量の情報があるためです。

一方、「従業員30人のBtoB SaaS企業がMAツールを選ぶ際に最も重要な判断基準は何か」という質問には、AIの確信度は下がります。このレベルの具体性を持つ質問に明確で根拠のある回答を提供するコンテンツは、引用される確率が高まります。

具体的な数値

「おおよその傾向」は把握していても、具体的な数値（コンバージョン率、CPA、ROIなど）についてはAIの不確実性が高くなります。 Kadavath et al.の研究でも、数値回答のキャリブレーションは自由記述回答より低い精度でした。

手順の詳細

「何をすべきか」の概要は知っていても、「どの画面で、どのボタンをクリックして」という手順レベルの詳細は不確実になりやすいです。

不確実性を活用する4つのコンテンツ戦略

自社固有のデータを公開する

LLMの学習データには含まれていない、自社の実験結果や運用データ。これはAIにとって「知らない情報」であり、RAGシステムが検索・引用する候補となります。

具体例は以下の通りです。

自社サイトのAI検索経由の流入数推移
特定の施策を実施した前後のCVR変化
業界別のAI検索引用率の実測データ

コンテンツ種別	推奨更新頻度	理由
市場規模・統計データ	四半期ごと	数値の鮮度がAIの不確実性に直結する
ツール・サービス料金	変更発生時	旧料金の引用は信頼毀損につながる
手順・操作方法	UIの変更時	スクリーンショットと手順の整合性が重要
法規制・ガイドライン	改定時	法的リスクに関わる情報は引用動機が高い

ニッチな質問に明確に回答する

汎用的なテーマで大手メディアと競合するよりも、AIが自信を持てないニッチな領域に注力するほうが、引用確率は高まります。

ニッチの見つけ方としては、ChatGPTやPerplexityに自社の専門領域に関する具体的な質問をして、回答にヘッジ表現（「可能性があります」「一般的には」など）が多い質問を探す方法があります。そこが、AIの不確実性が高い領域です。

情報の確実性レベルを明示する

Kadavath et al.の研究が示すように、AIは自身の不確実性を認識できます。コンテンツ制作者も、情報の確実性レベルを明示することが重要です。

「この数値は2025年Q2時点のものであり、最新の値は異なる可能性があります」「この手順はバージョン4.2.1で検証しています」

こうした明示は、AIが情報の鮮度と信頼性を評価する際の手がかりになります。

不確実性とE-E-A-Tの関係

Googleの品質評価ガイドラインにおけるE-E-A-T（Experience, Expertise, Authoritativeness, Trustworthiness）と、LLMの不確実性には構造的な対応があります。

AIが不確実性を感じやすいトピック（YMYL領域、最新の技術動向、専門的な実務知識）は、E-E-A-Tが重視されるトピックと重なります。

これは偶然ではありません。 E-E-A-Tが求められるのは「一般的な情報だけでは不十分な領域」であり、AIが不確実性を感じるのも「学習データだけでは確信を持てない領域」です。

したがって、E-E-A-T強化の施策（著者の専門性の明示、一次データの公開、実体験に基づく記述）は、AI検索における引用確率の向上にも寄与します。 SEOとGEOが交差するポイントと言えます。

効果の測定方法

不確実性を活用するコンテンツ戦略の効果を測定するための指標を整理します。

指標	測定方法	目的
AI検索経由の引用回数	AI検索エンジンのリファラー分析	全体的な引用傾向の把握
引用されたコンテンツの特性	引用ページの内容分析（固有データの有無、更新頻度）	どの種類のコンテンツが引用されやすいかの特定
コンテンツの更新頻度と引用率の相関	更新日時と引用タイムスタンプの比較	更新の効果検証

これらの測定は仮説の検証として位置づけてください。 AI検索のアルゴリズムは非公開であり、因果関係の特定には限界があります。

まとめ

AIは自身の不確実性をある程度推定でき、不確実性が高いときにRAGシステムは外部ソースを積極的に検索します。この仕組みは、Kadavath et al.（2022年）をはじめとする学術研究で裏付けられています。

コンテンツ戦略への示唆は明確です。 AIが自信を持てない領域——自社固有のデータ、最新の数値、ニッチな専門知識——で明確な回答を提供するコンテンツは、AI検索で引用されやすくなります。

汎用的な情報の量産ではなく、固有性と専門性を深掘りすること。これがAI検索時代のコンテンツ戦略の核になります。