AI ModeとAI Overviewsが変える検索の未来:SEOは「関連性エンジニアリング」への変革を迫られる

海外記事
著者について

Google I/O 2025での発表は、検索の世界における根本的な変化を明確に示しました。特にAI ModeAI Overviewsの登場は、従来のSEOのスキルセットと技術が、今後の検索の方向性に対応できていないという衝撃的な現実を突きつけています。SEOコミュニティ内で「単なるSEOに過ぎない」という見方が蔓延していますが、これは危険なほど誤解を招く認識であり、分野の発展を阻害しています。


「単なるSEO」ではない理由:生成型情報検索の根本的な違い

従来の検索では、コンテンツは入力された通りに出力されましたが、生成型情報検索(Generative IR)では、コンテンツが操作され、SEOのベストプラクティスを遵守しても、それが応答にどのように出現するかは不透明です。これが、現在のSEOでは不十分であるという根本的な断絶を生んでいます。

SEOは、パフォーマンスエンジニアリング、情報アーキテクチャ、UX、アナリティクス、コンテンツ戦略など、多岐にわたる分野の概念を吸収し、適応することで発展してきました。しかし、これはGoogleの構造的変化に対する一時的な「反応的な足場」であり、生成型の推論駆動型検索という、根本的に異なるパラダイムの重みに耐えきれなくなりつつあります。

現在のSEOソフトウェアは、密な検索モデル(ベクトル埋め込み)ではなく、疎な検索モデル(TF-IDF、BM25)に基づいて動作しています。AI Modeに成功するために技術的に必要なことを実行できるツールは、主流のSEO業界にはほとんど存在しません。

AI Modeがこれまでの検索と一線を画す要素

  • 推論モデル: 複数の意味的に関連する文書から回答を生成。
  • ファンアウトクエリ: 検索体験を潜在的な多クエリイベントとして再構築。
  • パッセージレベルの検索: ページ全体ではなく、コンテンツの特定のパッセージ(一部)が検索対象。
  • ユーザー埋め込みによるパーソナライゼーション: ユーザーごとに異なる結果が表示。
  • ゼロクリック行動: クリックされることよりも、引用されること自体が重要。

これらは単なる例外ではなく、AI Modeにおけるシステムの根幹であり、従来のSEOの思考やツールではもはや不十分であり、無関係になる危険性があります。


Googleの戦略的目標の変化:トラフィックから「情報ニーズの充足」へ

Googleはもはや、ウェブサイトへのトラフィックを増やすことではなく、ユーザーの情報ニーズを満たすことを目的としています。歴史的に、Googleは複数の部分からなるクエリに対して、ユーザーがそれぞれを検索し、情報を繋ぎ合わせる必要がありました。しかし、AI Modeでは、Googleが多数のクエリから結果を抽出し、堅牢でインテリジェントな応答を生成します。これは、検索における高い認知的負荷を軽減するというGoogleの目標と一致しています。

基本的なSEO作業(クロール、レンダリング、処理、インデックス、ランキング、再ランキング)は依然として重要ですが、AI Modeのような検索体験では、その先の表示方法に対するコントロールが大幅に減少しています。GoogleのAI Modeは推論、個人的なコンテキスト、そして将来的にはDeepSearchの側面も組み込むことで、検索は確率的になり、SEOコミュニティにはパフォーマンスを示すデータも、理解をサポートするツールも不足しています。


AI Modeの仕組み:技術的深掘り

Google AI Modeの動作原理を理解することは、今後のSEO戦略を再構築するために不可欠です。

ユーザー体験の変革

AI Modeでは、ユーザーが質問を入力すると、従来の「青いリンク」の羅列ではなく、コンテキストを理解した友好的な段落が、次の質問を先回りして答えてくれます。その裏側では、質問が複数の隠れた合成クエリ(一部は明示的、一部は暗黙的、一部は予測的)に再定式化されます。Googleのモデルは、この「合成クエリの隠れたウェブ」全体に「ファンアウト」し、単なる事実だけでなく、「推論チェーン」を完成させるためのアイデアを探します。

システムはコンテンツをランク付けするだけでなく、自らと「議論」しています。文書が選ばれるのは、それがSERPで上位だったからではなく、機械の隠れた論理におけるポイントを裏付けているからです。生成される回答は、単一のモデルからではなく、要約、比較、検証など、タスク固有の複数のLLM(大規模言語モデル)のアンサンブルキャストによって構築されます。

この全ては、ユーザーの過去の行動(クリック、クエリ、位置情報、Gmailのスレッドなど)から生成された「ユーザー埋め込み」によってパーソナライズされます。これにより、同じクエリでもユーザーによって関連性の基準が「歪められ」、異なる結果が表示される可能性があります。

技術的な裏付けと特許

GoogleはAI OverviewsとAI Modeの動作に関する高レベルのドキュメントを公開していますが、その詳細を理解するには、関連する特許出願に目を通すことが役立ちます。

  • 「Search with Stateful Chat」特許出願:
    • 従来の検索から、永続的で会話型の情報検索モデルへの移行を示します。
    • システムは時間をかけてユーザーを理解し、多数の合成クエリから情報を引き出し、層状の推論を用いて回答を組み立てます。
    • 各クエリを個別に扱うのではなく、ユーザーの以前のクエリ、位置情報、デバイス、行動シグナルを追跡することで、永続的なユーザーコンテキストを維持し、各インタラクションをベクトル埋め込みに変換します。これにより、システムは「時間を通じた意図」を推論できます。
  • 「Query Response from a Custom Corpus」特許出願:
    • 回答がどのように生成されるかの詳細を明らかにします。
    • システムがあなたについて何を知っているかだけでなく、どの文書から情報を引き出すか、どのようにフィルタリングするか、何を引用するかを決定する方法を説明します。
    • 新しいクエリが入力されると、「クエリファンアウト」プロセスが開始され、数十、時には数百の関連する、暗示された、最近のクエリが生成され、ユーザーが明示的に要求しなかった意味的に関連する文書が発見されます。これらの合成クエリは、インデックスから文書を取得するために使用され、それらのベクトル埋め込みが明示的および隠れたクエリとどれだけ整合しているかに基づいてスコアリング・ランク付けされます。
    • これらの文書は、「カスタムコーパス」、つまり「あなたのクエリ、この瞬間、あなたのために」関連するとシステムが判断したインデックスの狭いスライスを形成します。

AI Modeにおける処理と検索の高度なメカニズム

  1. 多段階LLM処理と合成:
    • カスタムコーパスが構築されると、AI Modeはクエリの分類と認識されたユーザーのニーズに応じて、さまざまな機能を持つ特殊なLLMセットを呼び出します(例:比較製品レビューの要約、情報の翻訳、構造化データの抽出、推論の適用など)。
    • 応答はゼロから生成されるのではなく、関連文書からチャンクを抽出し、その情報の構造化された表現を構築し、一貫した回答を合成します。引用は、文書のランキングとは独立して、パッセージが生成された応答をどれだけ直接的にサポートしているかに基づいて行われます。
  2. 密な検索とパッセージレベルの意味論:
    • AI Modeのパイプライン全体は、密な検索(dense retrieval)言語モデルの推論に依存しています。
    • GoogleはLLMに2つのパッセージを比較させ、どちらがユーザーのクエリにより関連しているかを判断させるシステムを開発しました。これは、絶対的な決定論的関連性から、相対的でモデルが媒介する確率的関連性へのシフトを意味します。
    • この結果、コンテンツは単独で競合するのではなく、他のソースとチャンク単位で直接比較され、勝者は推論能力のあるモデルによって選ばれます。したがって、パッセージの明瞭さ、完全性、意味的な一貫性がさらに重要になります。
  3. ユーザー埋め込みによるパーソナライゼーション:
    • 「ユーザー埋め込み」モデルは、AI Modeのコンテキスト認識を可能にする革新的な技術です。
    • ユーザーの長期的な行動シグナル(以前のクエリ、クリックパターン、コンテンツへの関心、デバイスのインタラクション、Googleエコシステム全体での利用シグナル)から生成された永続的な密なベクトル表現が、LLMの推論パイプラインに注入され、各クエリの解釈と応答方法を形成します。
    • これにより、同じ基本的なモデル(例:Gemini)が何十億ものユーザーにサービスを提供しながら、リアルタイムで個別化された結果を生成することが可能になります。その結果、ログアウト状態での順位追跡データはAI Modeにとって無意味となり、応答は1対1で異なる可能性があります。

クエリファンアウトの理解

「クエリファンアウト」は、AI Modeがコンテンツを取得し、選択する方法の根幹をなすクエリ拡張技術です。Googleは元のクエリを、関連するサブクエリの集合として並行して外挿します。これらの合成クエリは、ユーザーが明示的に表現しなかった、あるいはできなかった意図を捉えることを可能にします。

特許「Systems and methods for prompt-based query generation for diverse retrieval」は、クエリファンアウトの詳細な青写真を提示しています。プロセスは、LLMが元のクエリから複数の代替クエリを生成する「プロンプトベースの拡張段階」から始まります。これは、意図の多様性、語彙の変化、エンティティベースの再定式化を強調する構造化されたプロンプト形式で行われます。

考慮される合成クエリタイプ

  • 関連クエリ: 元のクエリに意味的またはカテゴリ的に隣接するクエリ(例:「top rated electric crossovers」)。
  • 暗示クエリ: ユーザーの意図、行動シグナル、または言語モデルの推論から推測されるクエリ(例:「EVs with longest range」)。
  • 比較クエリ: 製品、エンティティ、またはオプションを比較するクエリ(例:「Rivian R1S vs. Tesla Model X」)。
  • 最近のクエリ: ユーザーが最近発行したクエリ。セッションベースまたは記憶に基づく検索で文脈理解に情報を提供。
  • パーソナライズされたクエリ: 特定のユーザーの興味、位置情報、または行動履歴に合わせたクエリ(例:「EVs with 3rd row seating near me」)。
  • 再定式化クエリ: コアとなる意図を維持しつつ、異なるフレーズや語彙を使用する書き換え(例:「which electric SUV is the best」)。
  • エンティティ拡張クエリ: Knowledge Graphのエンティティ関係に基づいて置換、絞り込み、または一般化されたクエリ(例:「Model Y reviews」)。

これらの各クエリはGoogleの埋め込みベースの検索システムを通してルーティングされ、関連するパッセージを特定します。最も重要なのは、元のクエリでランキングされても、AI Modeが隠れたファンアウトクエリの1つ以上にどれだけうまく整合しているかに基づいてコンテンツを選択するため、可視性が保証されないことです。

さらに、合成クエリ生成プロセスにはチェーンオブソートプロンプティングが含まれる場合があり、LLMは推論ステップをたどります。

AI Modeで浮上するためには、以下のことを確実にする必要があります:

  • コンテンツが複数の潜在的なサブクエリでランク付けされていること。
  • パッセージが意味的に密で、多様な意図とよく整合していること。
  • ヘッドタームだけでなく、Googleがバックグラウンドで密かに探索している拡張されたクエリ空間に対しても関連性を設計すること。

Google LLMにおける推論の仕組み

Google AI Modeの決定的な特徴の1つは、文書のコーパス全体で推論を行い、多面的な回答を生成する能力です。特許「Instruction Fine-Tuning Machine-Learned Models Using Intermediate Reasoning Steps」は、「推論チェーン」を構築し使用するシステムについて記述しています。これらは、ユーザーのクエリを論理的に一貫した方法で生成された応答に接続する、中間的な推論の構造化されたシーケンスです。

このシステムは、単一の生成やスタンドアロンの回答選択に依存するのではなく、以下のことを可能にします:

  1. ユーザーの意図と暗黙的なニーズを解釈する。
  2. 中間的な推論ステップを定式化する。
  3. 各ステップに対してコンテンツを取得または合成する。
  4. それらのステップの論理に対して最終出力を検証する。

推論チェーンは、AI Modeパイプラインのほぼすべての段階で適用されます。このプロセスは、従来のSEOが慣れ親しんだものとは劇的に異なり、はるかに不透明です。

推論層を通過するためのコンテンツ構造化戦略

AI Modeで表示されるコンテンツは、単にインデックス可能で情報豊富であるだけでなく、粒度レベルで有用であり、ステップごとに検索可能であり、各論理的推論と意味的に整合している必要があります。それは、複数の推論チェックポイントで「勝つ」ように設計されなければなりません。

AI Modeで成功するためのコンテンツ作成には、以下の4つの戦略的柱があります:

  1. 推論ターゲットに適合する:
    • パッセージが単独で意味的に完結していること。
    • 比較やトレードオフを明確に表現していること。
    • 冗長性なく読みやすいこと。
  2. ファンアウトに対応できる:
    • Knowledge Graphにマッピングされる明確に名前付けされたエンティティを含んでいること。
    • 評価、比較、制約ベースの探索など、一般的なユーザーの意図を反映していること。
  3. 引用に値する:
    • 事実に基づき、帰属可能で、検証可能な情報を提供すること。
    • 定量的なデータ、明記された情報源、意味的に明確なステートメント(セマンティックトリプル)を使用すること。
  4. 構成に適している:
    • リスト、箇条書き、見出しなどのスキャン可能でモジュール化された形式でコンテンツを構成すること。
    • 「アンサーファースト」のフレーズを使用し、FAQ、TL;DR、セマンティックマークアップなどの要素を含めること。

これらの特性は、コンテンツが候補文書に含まれるために必要なものですが、ユーザー埋め込みと整合していなければ、可視性が保証されないことに注意が必要です。今後は、ターゲットの活動を代表するユーザー埋め込みを構築し、コンテンツがAI Modeのパイプラインの反対側でどのように表示されるかをシミュレートすることが、重要な仕事の一部となります。


新しいSEOソフトウェアの要件:「関連性エンジニアリング」の推進

従来のSEOソフトウェアは、AI Modeのような現代の検索環境をサポートするには不十分であることが明らかになっています。SEOコミュニティは、「関連性エンジニアリング」という新しい機能とツールを要求し、開発する必要があります。

以下は、AI Modeに対応するためにソフトウェアプロバイダーに要求すべき主要な機能と、現時点での対応策です:

  • Google Search ConsoleにおけるAI検索測定:
    • 内容: 生成型検索サーフェス全体での可視性、引用、表示頻度に関するAI固有のレポート。
    • 必要性: AI Modeはクリック率を低下させていますが、価値を提供しているか、完全に迂回されているかを把握する手段がないため。
  • 行動ペルソナに基づくログイン状態でのランク追跡:
    • 内容: 合成クエリと動的なユーザーパーソナライズされたコンテキスト(ペルソナ)に基づくAI Modeのランク追跡。
    • 必要性: AI Modeは誰にでも同じ結果を表示しないため、静的な位置としてのランキング理解は時代遅れです。
  • ウェブのベクトル埋め込み:
    • 内容: エンティティ、文書、ウェブサイト、著者、コンテンツの側面間の意味と関係の計算に使用される、多次元空間における数学的表現。
    • 必要性: Googleの検索モデルはベクトル類似性に基づいているため、コンテンツがベクトル空間でどのように位置付けられているかを理解することが不可欠です。
  • マトリックス化されたセマンティックコンテンツエディタ:
    • 内容: 1つのインターフェースでクエリクラスター全体にわたってコンテンツを分析し、設計する機能を提供するコンテンツ編集ツール。
    • 必要性: AI Modeのコンテンツ作成は、単一のページタスクではなく、合成クエリ、推論ステップ、パッセージレベルの比較の多次元マトリックス全体で競合するため。
  • クエリジャーニー:
    • 内容: クリックストリームデータからのユーザーのクエリの順序付けられたシーケンス。
    • 必要性: マルチクエリ行動を理解することは、ユーザーの意思決定ジャーニー全体にわたる影響力を設計するために不可欠です。
  • パーソナライズされた検索シミュレーション:
    • 内容: ユーザー埋め込みがAI Modeの検索にどのように影響するかをモデル化すること。
    • 必要性: Googleは、質問の内容だけでなく、「誰が」質問しているかに基づいて回答を形成しているため、異なるユーザータイプに対するコンテンツのパフォーマンスを理解する必要があるため。
  • クエリ分類:
    • 内容: 機械学習とLLMを使用して、Googleの内部クエリ分類(short_fact, reasonなど)をクエリに割り当てること。
    • 必要性: AI Modeはクエリを分類して回答形式、モデル選択、テンプレートを決定するため、コンテンツが形式と意図タイプに合致している必要があるため。
  • クエリ拡張:
    • 内容: 検索を強化するために、システムによって関連する、暗示された、比較、および最近のサブクエリを生成すること。
    • 必要性: AI Modeでは、これらのサブクエリに対してランク付けされない場合、ヘッドタームのパフォーマンスに関わらず、考慮されない可能性があるため。
  • クリックストリームデータ:
    • 内容: 実際のトラフィックフローとクリックシーケンスをキャプチャする集計されたユーザー行動データ。
    • 必要性: GSCデータがないため、クリックストリームがトラフィックパスとポストクリック行動を把握する唯一の手段となる可能性があるため。
  • 推論チェーンシミュレーション:
    • 内容: チェーンオブソートプロンプティングとパッセージレベルの合成を使用して、Geminiのようなシステムが中間論理ステップを通じて応答を構築する方法をシミュレートする能力。
    • 必要性: AI Modeにおける可視性は、良いコンテンツを持っているだけでなく、機械の推論におけるステップをサポートするパッセージを持っているかどうかにかかっているため。
  • 関連性ベースのリンクグラフ:
    • 内容: 権威だけでなく、意味的な整合性、検索可能性、共引用行動、および推測されるインデックス位置によってリンクをスコアリングする次世代のリンク分析システム。
    • 必要性: Googleのリンクデータの使用は進化しており、リンクの公平性は検索パターンとパッセージの関連性と絡み合っているため。

これらの要件は、AI Modeがデフォルトになる将来だけでなく、現在のAI Overviewsにも関連しており、SEOソフトウェア産業が早急に組み込むべき重要な機能です。


AI Mode環境における検索の戦略的再考

AI Modeは、検索の状況における構造的な変革を意味します。従来のSEOパラダイム(明示的なクエリ、決定論的ランキング、クリックベースのパフォーマンス帰属)は、もはや十分ではありません。AI ModeはAI Overviewsの拡張であるため、ユーザー行動も同様に、より圧縮されたパターンをたどると予想されます。ChatGPTやPerplexityのような、ユーザーが摩擦なく、信頼度の高いインタラクションを行い、クリック行動がほとんどない完全に合成された回答を受け取る環境が、その最良のアナログです。これは、AI Modeにおけるオーガニック検索が、従来のパフォーマンスチャネルというよりは、ゼロクリックのブランディングチャネルとして機能することを示唆しています。

戦略は、単にランキングを競うことから、候補コーパスへの包含を勝ち取り、パッセージ選択で優位に立つことへとシフトしなければなりません。まず、組織が「そこにいたいのか?」というシンプルな問いに答える必要があります。もしかしたら、このチャネルを積極的に操作することを放棄する決断も有効な選択肢かもしれません。

このシフトは、根本的な再構成を必要とします。組織は、トラフィックを増やすことだけに最適化するのをやめ、機械媒介の関連性を競う必要があります。AI Modeでの成功は、表面的なランキングの機能ではなく、埋め込みの整合性、情報の有用性、推論システムにおける潜在的な包含の機能です。戦略的な意味合いは、以下の3つの領域にわたります:

  1. 検索をAI可視化チャネルとして再分類する:
    • 歴史的に、オーガニック検索はパフォーマンス/ブランドチャネルのハイブリッドとして機能していました。AI Modeのパラダイムでは、このバランスが逆転する可能性があります。
    • 検索は、大規模言語モデルを介して媒介される可視性および信頼チャネルとして再構成されるべきです。組織の目標は、トラフィックを増やすことから、情報源として選択されることへとシフトします。
    • これには、AIサーフェス内でのシェアオブボイス、生成型応答におけるセンチメントと引用の顕著性、決定論的なラストクリックアトリビューションに対するアトリビューション影響モデリングといった新しいKPI構造が求められます。
  2. 組織能力として関連性を構築する:
    • 生成型検索エコシステムにおいて、競争優位の源泉は、コンテンツ量やリンク速度ではなく、ベクトル空間全体での関連性の体系的なエンジニアリングです。
    • これには、セマンティックアーキテクチャ(機械可読で再結合可能、文脈的に永続的な知識資産の構築)、コンテンツポートフォリオガバナンス、モデル認識型編集戦略といった新しい能力が求められます。
    • 先進的な組織は、SEO、NLP、データサイエンス、UX、デジタルPR、コンテンツ戦略の運用を統合した「関連性エンジニアリング」機能に投資するでしょう。
  3. ポストクリックの世界でインテリジェンスを運用する:
    • クリックが主要なパフォーマンスシグナルとしての役割を終えることで、組織は、機械が消費できる関連性指標と生成型サーフェス分析を含むデータ戦略を近代化しない限り、盲目状態に陥ります。
    • 戦略的な必須事項には、シミュレーションインフラストラクチャ、引用インテリジェンスプラットフォーム、コンテンツインテリジェンスが含まれます。
    • 幹部は、過去のユーザー行動を反映するダッシュボードを超え、組織がモデルの潜在空間でどのように存在し、AIエージェントによってユーザーのためにどのように理解され、信頼され、再利用されているかを示すシステムに目を向ける必要があります。

まとめ:SEOの未来は「関連性エンジニアリング」へ

AI Modeの世界におけるSEOは、もはや「青いリンクを追いかける」ことではありません。それは、機械による合成の入力として機能する、堅牢で検索可能で再利用可能なコンテンツ成果物を構築することです。これには、戦術的な最適化から、クエリ、形式、埋め込み全体にわたる戦略的なオーケストレーションへのマインドセットの転換が必要です。

関連性エンジニア(Relevance Engineer)がこの移行を主導するでしょう。彼らはシステムの仕組みを理解するだけでなく、SERPのない世界でもブランドの可視性を維持するためのワークフロー、トレーニングセット、ツールを構築する人々です。好むと好まざるとにかかわらず、私たちは検索の新しい時代にいます。ユーザーと検索エンジンの関係、そして検索エンジンとウェブサイトの関係は変化しました。私たちは、会話型検索が実際にどこに向かっているかに基づいて、私たちの能力とソフトウェアを再定義する必要があります。

参考サイト

iPULLRANK「How AI Mode Works and How SEO Can Prepare for the Future of Search