LLMOは「選ばれる基準」を勝ち取る競争へ - 比較軸を変えるという戦略

生成AIの普及によって、企業が「選ばれる」プロセスそのものが変わり始めています。

その変化を象徴するのがLLMO（Large Language Model Optimization）です。

LLMOはAIに自社を表示させるための技術論ではなく、AIに“どう選ばれるか”を設計する競争です。

「AIに表示される」のではなく「AIに推奨される」重要性

「AIの回答にいかにして自社を表示させるか？」

多くのマーケターがLLMOを検討する際、まずこの問いを立てます。

検索順位を追いかけてきた私たちにとって、それは自然な発想です。

しかし、ChatGPTやGemini、AI OverviewsやAI Modeが普及した今、その問いの解像度をもう一段階上げる必要があります。

現在起きているのは、「単にリストアップされる」競争ではなく、「AIに相談した結果、ベストな選択肢として推奨される」競争です。

例えば、「おすすめのLLMO支援会社は？」という問いに対し、単に社名が羅列される状態と、「技術的な実装力と戦略設計の両輪で評価されているLANYがおすすめです」と推奨される状態。どちらがビジネス成果（＝リード獲得や成約）に繋がるかは明白です。

AIに「社名が出る」だけでは足りない理由

AIは単なる検索窓ではありません。ユーザーはAIに対し、「検索」ではなく「相談」をしています。 相談に対する回答として、AIは膨大な情報の中から「最も確からしい答え」を生成します。

ここで重要なのは、AIは回答を生成する過程で、必ず何らかの「比較・選定」を行っているという点です。

つまり、LLMOを通して自社が見込み客に選ばれるようになるには、AIが比較検討を行う際の「選定軸（基準）」へ介入をする必要があります。選定軸に対して、自社がもっとも優れた選択肢だとAIが判断すれば、回答として自社の名前を出してくれるでしょう。

ここからはAIがブランドを選定するメカニズムから、既存の選定軸に合わせるだけでなく、「AIがブランドを選ぶ基準（比較軸）そのものを変えにいく」という、より本質的で強力なLLMO戦略について解説します。

AIの回答生成プロセスは「推論→調査→生成」

なぜ、特定のブランドがAIに「推奨」されるのか。そのブラックボックスを解く鍵は、AIの思考プロセスを理解することにあります。

AIはランダムに回答しているわけではありません。大まかに以下の3つのフェーズを経て、私たちの目の前に回答を提示しています。

LLMOにおいて、私たちが介入できるレバーはこのプロセスの中に隠されています。 多くの担当者が注力しているのは「②調査」のフェーズにおいて自社情報をAIに読み込ませることですが、「①推論」のフェーズに介入することができると、より大きな成果を出すことが可能です。

どういうことかというと、AIが特定の領域でブランドを選ぶ上で「価格の安さが重要だ」と推論している状態で、どれだけ「品質の高さ」をアピールしても、その情報は回答の優先順位から外れてしまうからです。

逆に、自社の強みが品質の高さなのであれば、「品質の高さこそが、もっとも重視すべき選択軸だ」とAIに学習することができれば、一気に推奨ブランドをひっくり返すことができるでしょう。

推論フェーズ：AIは「KBF（重要購買決定要因）」でブランドを選んでいる

LANYでは、AIがブランドを選定・推奨する際の判断軸を、マーケティング概念を借りてKBF（Key Buying Factor：重要購買決定要因）と呼んでいます。

人間が商品を選ぶ際に「価格」「機能」「デザイン」といったKBFを持つように、AIもまた、ユーザーの質問に対する「最適な答え」を導き出すためのKBFを推論によって設定します。

例えば、「信頼できるLLMO支援会社」についてAIが回答を作成する場合、AIはWeb上の膨大なテキストデータから、以下のようなKBFを「それらしい基準」として設定する可能性があります。

• 実績： 支援社数が多いか、有名企業の事例があるか
• 技術力： 生成AIの仕組み（RAG等）に精通しているか
• 再現性： 属人的ではなく、フレームワークを持っているか
• 権威性： 業界での登壇実績や出版物があるか

自社の強みがKBFとズレていると、どれだけ露出しても勝てない

ここで重要なのは、「自社の強み」と「AIが設定したKBF」が一致しているかという点です。

もし自社の強みが「革新的な独自技術（技術力）」にあるのに、AIが市場の情報を元に「コストパフォーマンス（価格）」をこのジャンルの最重要KBFだと推論してしまったらどうなるでしょうか。自社の情報は「高コストな選択肢」として処理され、推奨リストの上位には入ってきません。

これが、単に情報をWebに置くだけでは勝てない理由です。

調査フェーズ：AIが参照する「RTB（Reason to Believe）」とは何か

KBF（比較軸）が決まると、AIは次にその基準を満たすブランドを探しに行きます。これが調査フェーズです。ここではRAG（Retrieval-Augmented Generation）のメカニズムを捉える必要があります。

AIはハルシネーション（嘘の回答）を防ぐため、最新かつ具体的な情報を外部ソースから取得しようとします。この時、AI内部では「クエリファンアウト」と呼ばれる、複数の検索クエリを同時に発行する挙動が起きていると推測されます。

AIが好む根拠＝RTB（Reason to Believe）

KBFに対し、AIが「このブランドを選ぶべきだ」と確信するための根拠を、LANYではRTB（Reason to Believe：信じるに足る理由）と呼んでいます。

AIに拾われやすいRTBには明確な特徴があります。 それは、「構造化され、断定可能であること」です。

• 曖昧な表現：「多くのお客様に支持されています」
• AIが好む表現：「導入社数2,000社突破」「業界シェアNo.1」

推論されたKBF（例：技術力）に対し、それを証明するRTB（例：シェアNo.1、導入社数2,000社突破）を、AIが参照しやすい場所（公式サイト、プレスリリース、権威あるメディアの記事等）に配置する。これが「調査フェーズ」に介入する基本的な打ち手となります。

ここまでの話は、「①既存のAIの比較軸（KBF）に合わせて、自社の根拠（RTB）を最適化する」という戦い方です。これはこれで重要ですが、実はもう一つ、より強力な戦い方があります。

LLMOの戦い方は「合わせる」か「変える」かの2パターン

LLMOの戦略は大きく2つに大別できます。

今回は、難易度は高いものの、成功すれば市場のゲームチェンジに繋がる「KBFを変えにいく戦略」に焦点を当てます。LLMOにおける真の勝者は、AIに「選び方」を教え込んだ企業になると、私は考えています。

LLMOで「選ばれる基準」を変えにいく方法

では、具体的にどのようにしてAIの推論（KBF）に介入し、比較軸を変えていけばよいのでしょうか。そのステップを解説します。

• Step1：変えたいKBFを1つに絞る
• Step2：そのKBFを「事実」にするRTBを作る
• Step3：「良い〇〇とは△△である」の情報を増やす（量×質）
• Step4：RAGに拾われる「配置」をする

Step1：変えたいKBFを1つに絞る

まず、自社が市場（およびAI）に浸透させたい「新しい評価基準」を1つ定義します。 あれもこれもと欲張ってはいけません。AIの推論をシャープにするためにも、「良い〇〇とは、△△である」と言い切れる、自社のプロダクトの尖りと完全に一致したKBFを選定してください。

• ×：安くて、早くて、品質も良くて、サポートも手厚い
• 〇：「運用体制の堅牢さ」こそが、長期的な成果の鍵である

Step2：そのKBFを「事実」にするRTBを作る

次に、その新しいKBFが単なる自称ではなく、客観的な事実であることを示すRTBを用意します。AIが引用しやすいよう、以下の条件を満たすことが望ましいです。

• 数値化できる（例：継続率98%）
• 比較可能である（例：他社平均との対比）
• 第三者が再掲できる（例：公開されたホワイトペーパー、調査レポート）

Step3：「良い〇〇とは△△である」の情報を増やす（量×質）

AIは、Web上の情報を確率的に処理し、「最も確からしい文章」を生成する装置です。つまり、Web上に「良い〇〇選びで重要なのは△△である」という文脈が増えれば増えるほど、AIの推論はその方向に寄っていきます。

自社ブログだけでなく、note、SNS、YouTubeなど、あらゆるチャネルで「新しいKBF」の重要性を説き、その概念の流通量を増やします。

ヒント：自社発信より“第三者サイト”が効く

自社サイトだけで「当社の基準が正しい」と叫んでも、AIはそれを「宣伝」と捉える可能性があります（あるいは評価の重みづけを下げます）。

AIの推論を書き換えるには、権威ある第三者情報源が必要です。 業界メディア、比較記事、イベントレポート、専門家のコメントなどで、「最近のトレンドは△△（新しいKBF）だ」「△△を重視しないと失敗する」といった言及が増えると、AIはそれを「市場のコンセンサス（一般常識）」として学習・推論に取り込みます。

下記のUCバークレーが出している論文でも「信頼ある第三者ドメインでの掲載」が重要であることが述べられています。

AI Answer Engine Citation Behavior An Empirical Analysis of the GEO16 Framework

Step4：RAGに拾われる「配置」をする

KBFを変化させる兆しが見えてきた段階で、自社サイトの情報をそのKBFに沿って整理します。 この時初めて、「②変える戦略」と「①合わせる戦略」が合流し、AIは「新しい基準（KBF）」に基づき、「その基準を最も満たす企業（RTBを持つ自社）」を推奨するという、盤石な構造が完成します。

他領域の類似事例：アリエールが示す「選ばれる基準を変える」力学

この「基準を変える（KBFを再定義する）」という動きは、マーケティングや戦略PRの世界では古くから行われてきたことです。 抽象的な概念を掴むために、洗剤市場における「アリエール（P&G）」と「アタック（花王）」の競争構造を例に、そのメカニズムをLLMOに置き換えて考えてみましょう。

「白さ」から「除菌」へ。洗剤の常識を書き換える戦い

かつて、洗濯用洗剤の市場において絶対的な正義（KBF）は「洗浄力（いかに白くなるか）」でした。 どのメーカーも「驚きの白さに」と謳い、消費者の関心もそこにありました。この土俵で戦う限り、勝負は「どちらが白いか」というスペック競争になります。

しかし、アリエールはこの競争軸そのものを変える戦略をとりました。「除菌」という新しいKBFを持ち込んだのです。 ここで重要なのは、単に「除菌機能がつきました」と宣伝したのではなく、「洗濯には除菌が必要である」という新しい常識（空気）を世の中に作り出した点にあります。

具体的には、以下のようなステップで市場の認識を変えていきました。

この結果、何が起きたかというと、人々が洗剤を選ぶ際、無意識に「でも、菌も落としたいよね」と考えるようになり、その新しい基準（KBF）において最強のポジションを取っていたアリエールが、比較された上で、勝手に選ばれる構造が出来上がったのです。

これをLLMO（AI）の世界に置き換える

この力学は、そのままLLMOに適用できます。「世の中（社会）」を「AIの学習データ（Web上の情報）」に置き換えてみてください。

もし、Web上の情報が「洗剤は白さが命」という記事ばかりなら、AIは推論の過程で「洗浄力が高い洗剤＝良い洗剤」と定義し、そのスペックが高い商品を推奨します。

しかし、ここで先述のような戦略的な情報流通が起き、「実はニオイ菌が問題だ」「専門家も除菌を重視している」という記事や言及（第三者情報）がWebを席巻したらどうなるでしょうか。 AIは学習した情報を元に、推論ロジックを書き換えます。

AIの思考の変化（イメージ）： 「最新のトレンドや専門家の見解に基づくと、現代の洗剤選びでは『白さ』よりも『抗菌力』が重視される傾向にあります。したがって、抗菌力に定評のある〇〇がおすすめです」

自社の強みが評価されるための「証拠」を作り、それを第三者の口を通じて流通させ、AIの中にある「選び方の常識」を書き換える。 「どの軸で選ぶべきか」を市場にインストールすること。 これこそが、LLMOにおいて指名・推奨を生み出すための、最も本質的で強力な戦い方なのです。

まとめ：LLMOは戦略PRに近い。AIという「スーパー秘書」の常識を作る

LLMOは、単なるSEOのアップデート版ではありません。それは、AIという世界中のユーザーが頼りにする「スーパー秘書」に対し、「選び方の常識（KBF）」をレクチャーする活動と言えます。

既存の基準に合わせてRTBを磨く（＝合わせる戦略）ことも重要です。しかし、それだけでは競合とのスペック競争から抜け出せません。 自社の強みが最も輝く「比較軸」を定義し、それをAIの「常識」にしてしまう（＝変える戦略）。そのための情報設計こそが、これからのマーケターに求められるLLMOの本丸です。