用語整理

AIO・GEO・LLMO・SEOの違い

生成AI検索が普及するにつれ、それに対応するための用語が複数並立するようになりました。しかし、これらの用語には業界標準の統一定義がありません。本稿では、それぞれの用語の成り立ちを整理したうえで、用語解説では終わらせず、当社が実際に行った実装記録を一次データとして示します。

用語の比較

用語	フルスペル	起源・位置づけ
SEO	Search Engine Optimization	検索エンジン(Google/Bing等)の検索結果順位を最適化する、1990年代後半から続く確立した分野。単一の標準化団体はないが、数十年の実務蓄積がある
GEO	Generative Engine Optimization	プリンストン大学・IIT Delhi等の研究者(Aggarwal et al.)による論文が起点。2023年にプレプリント公開、2024年のACM SIGKDD(KDD)で発表された(出典: arXiv:2311.09735)
AIO	AI Optimization(事業者により定義が揺れる)	日本のマーケティング業界で使われる総称的な用語。単一の起源となる論文・文献は確認できていない
LLMO	LLM Optimization	GEOとほぼ同義で使われることが多い業界慣用語。単一の起源となる論文・文献は確認できていない
AEO	Answer Engine Optimization	生成AIの普及より前から、強調スニペット・PAA(他の人はこちらも検索)・音声アシスタントなど「直接答えを返す面」への最適化を指して使われてきた用語。GEOが「生成された回答に引用されること」を指すのに対し、AEOは「質問に対する答えとして抽出されること」を指すと区別されることが多いが、こちらも標準化団体による定義は確認できていない

AIOとLLMOについては、統一された定義を持つ標準化団体・一次文献を確認できなかったため、本稿では「業界で使われている総称」以上の断定はしません。

なぜ用語が乱立するのか

生成AI検索(ChatGPT・Perplexity・Gemini・Google AI Overviewsなど)に自社が引用されるための取り組みという同じ現象を、学術研究者・SEO業界・マーケティング業界がそれぞれ別の名前で呼んでいることが、乱立の主な理由と考えられます。GEOのように学術論文という特定できる起源を持つ用語がある一方、AIOやLLMOのように発信者ごとに指す範囲が異なる用語も同じ文脈で使われており、読み手が混乱しやすい状況になっています。用語は増え続けており、2026年時点ではAEO・SMO・DEO(Decision Engine Optimization)・SXO(Search Experience Optimization)を並べた「スタック」として提示する解説も現れていますが、いずれも提唱者ごとの整理であり、業界標準として合意されたものではありません。

当社の実装記録(一次データ)

当社は「生成AI検索に引用されるとはどういうことか」を用語ではなく実装で確認してきました。以下はいずれも自社サイト群で実施した一次記録です。

robots.txtの正典化: GPTBot・ClaudeBot・PerplexityBot等の検索/学習系botをAllow、汎用スクレイパー(CCBot・Bytespider)のみDisallowとする方針を明文化(自社robots.txt)
bot向けスナップショット配信: 姉妹サイト「カンタン補助金」ではUser-Agent判定により検索botに静的HTMLスナップショットを返す仕組みを実装済み
構造化データ(JSON-LD)の全数検証: 自社ブログの全3,530ページ・11,833ブロックを機械的に検証し、改行の未エスケープが原因でパース不能になっていた17記事分のFAQPageを発見・修復
クローラー可視性の点検: 補助金詳細ページの主キーに含まれるコロン1文字をnginxとサイトマップ生成の正規表現が拒否しており、966件中71件(7.3%)しかbotに中身のあるページとして見えていなかった問題を発見・修正し、761件(78.8%)まで回復
同一タイトルの解消: 姉妹サイト「弁護士みつかる」(legaltrack.jp)で、検索対象にしている判例7,386ページが1,282種のtitleしか持たず、うち2,937ページが「審決取消請求事件」という同一のtitleを共有していた。事件の種類名だけでtitleを組み立てていたことが原因。当事者名と事件番号を入れる実装に変更し、実データ2,000件で異なるtitleが672種から1,977種になった。検索での表示への影響は2026年10月3日に判定する(本稿執筆時点では未測定)
スニペットの自己申告の見直し: 同サイトの弁護士ページ42,880件のうち37,517件(87%)のmeta descriptionが「裁判所公開判例データに基づく0件の担当事件」と書いており、氏名で検索して訪れた人に対し、検索結果上で「この人については何もない」と自ら告げる状態だった。判例がある人は件数を、0件の人は弁護士会・登録年・事務所・所在地を出す形に変更した。こちらも効果は同日に判定する
コンテンツ棚卸し: 直近90日間のセッション実績が合計ゼロの一般論記事1,892本を、機械的で検証可能な基準で削除し、sitemap掲載URLを2,546件から1,341件に整理（2026-08-16時点）。その後も出典なき数値の帰属ゲートと公開前の衛生チェックによる棚卸しを継続しており、2026-08-21時点のsitemap掲載URLは1,047件

それでもなお、本稿執筆時点で、生活者が実際に抱く自然な質問に対して当社が生成AI検索の出典として現れた例はまだゼロです。用語を整理し実装を積み重ねることと、実際に引用されることの間には、まだ距離があります。この現在地は連載「AI可視性の定点観測」で毎月更新して公開しています。

AIOとは・LLMOとは・AEOとは（短い答え）

定義だけを知りたい場合の答えを、先に短く置きます。詳しい比較は前節の表を参照してください。

AIOとは

AI Optimization の略で、生成AIが答えを作るときに自社の情報が使われるようにする取り組みを指します。標準的な定義はなく、使う人によって範囲が違います。 「AI Overview Optimization」（検索結果の上部に出るAIの要約への最適化）の意味で使う人もいます。

なお、製造業で使われる「AIO」（All In One）や、他分野の同綴りの略語とは無関係です。

LLMOとは

Large Language Model Optimization の略で、大規模言語モデルの回答の中で引用・参照されることを目的とする取り組みを指します。こちらも標準定義はなく、業界の慣用語です。

AIOとの違いを厳密に説明できる共通の合意はありません。同じことを別の言葉で呼んでいる場面がほとんどです。

AEOとは

Answer Engine Optimization の略です。検索結果の「答えそのもの」の位置に自社の内容が出ることを目的とします。強調スニペットや音声検索の回答が想定されていた時期からある語で、生成AI以前にも使われていました。

GEOとは

Generative Engine Optimization の略で、この4つの中で唯一、学術論文を起点に持つ語です。2024年に発表された論文で提案されました。地理情報の「GEO」とは無関係です。

結局どれを使えばよいか

社内で1つに決めて、それを使ってください。 外部と話すときは相手の語に合わせます。用語の選択で成果は変わりません。

実務上の判断が必要なのは、呼び方ではなく「何を測るか」です。引用された回数なのか、そこから来た人の数なのか、問い合わせの件数なのか。ここを決めずに用語を議論しても進みません。

SEOとの関係

対立するものではありません。土台は共通です。

クローラーが到達できること
構造化データが壊れていないこと
どの段落が何の答えかが明確であること
出典が示されていること

この4つは、検索結果の順位にも、生成AIの引用にも、同じように効きます。自社の実装記録も、この共通の土台を整える作業が中心でした。 新しい取り組みとして別枠で予算を取る前に、土台が整っているかを先に確認してください。

引用されているかを実際に測った

用語の整理と実装を積んだうえで、生成AIの回答に自社が出典として現れるかを測りました。2026年9月の記録です。

測り方

検索機能を持つ生成AIに業務上の質問を投げ、返ってきた回答に付いた出典を1件ずつ数えました。対照として、自社が確実に上位表示されている題材の質問も投げています。対照を置かないと、引用されなかったのが実力なのか測定の失敗なのか区別できません。

結果

質問の種類	自社が引用された割合
対照（自社が上位表示されている題材）	4 / 4
業務上の質問（AI導入・運用）	0 / 8

対照が4/4なので、測定そのものは機能しています。そのうえで業務上の質問では0件でした。

引用されていたのは誰か

代わりに引用されていたのは、同じ分野の事業者が自社で運営しているブログでした。規模の小さい事業者のものも含まれています。つまり引用されるための壁は、サイトの規模や知名度ではありません。

引用されていた23ページの構造を数え、自社の記事10本と比べました。見出しの数・数値の個数・構造化データの数では自社のほうが多い。明確に負けていたのは外部への出典リンクの本数（相手の中央60本に対し自社18本）だけでした。

構造で負けていないのに引用されないということは、差は書き方ではなく立場にあると読めます。実際にその業務をやっている側として書けているかどうかです。

測定で踏んだ落とし穴

引用を数える仕組みを作った際、返ってくる出典が引用元の名前ではなく、中継用の短縮された住所でした。見かけ上は出典が付いていますが、その住所をたどらない限りどの媒体を引用したのかは分かりません。

最初の集計はこの住所をそのまま数えていたため、すべての引用が同じ場所を指しているように見え、分布がまったく取れていませんでした。件数は出るしエラーも出ないので、間違った量を正しく数えている状態に気づけません。住所を解決する処理を足して初めて実際の媒体名が出ました。

引用の測定を検討している場合、出典欄をそのまま数えていないかを最初に確認してください。

「〜とは」の需要を取り違えていた

引用されるかどうかとは別に、検索需要の側でも自社の読み違いが見つかりました。記録として残します。

自社の公開記事726本の検索実績を測ったところ、上位に入っているのは一覧・比較・具体的な事例で、定義を説明する「〜とは」型の記事は1本も上位に入っていませんでした。この結果から「〜とは型は効かない」と結論していました。

その後、検索需要そのものを30語まとめて測ると、29語に需要がありました。

検索語	推定検索数（90日・語を含む検索）
生成aiとは	19,727
ハルシネーションとは	19,285
aiエージェントとは	19,100
llmとは	18,305
ragとは	15,163
トークンとは	11,905
オンプレミスとは	10,778
mcpとは	8,248
aioとは	2,259
llmoとは	700

「自社の記事が競えていない」ことと「需要が無い」ことを取り違えていました。 需要は大きく、競合が強かっただけです。

この読み違いは、生成AIへの対策としても影響します。回答の根拠として引用されやすいのは、問いに対する答えが冒頭で明示されている文章です。定義から始める書き方は、検索と引用の両方に同時に効きます。自社の品質採点でも、定義から始まる書き出しを加点項目に入れています。

なお需要が大きくても、一次情報が無い語には手を出していません。「dxとは」44,977、「rpaとは」36,265、「apiとは」35,670はいずれも需要が大きいものの、自社に語れる実測がありません。書けば、上位に入らない「〜とは記事」を自分で作ることになります。

測る前に、測り方を確かめる

AIO・GEO・LLMO・AEOのいずれを追う場合でも、最初に必要なのは施策ではなく計器です。自社で実際に踏んだ誤りを挙げます。

同じ期間の数字が5倍違った

検索の実績を集計した際、同じ期間・同じサイトで表示回数が6,251とも31,899とも出ました。検索語ごとに集計したか、ページごとに集計したかの違いです。検索数の少ない語は検索語ごとの集計に含まれないため、合計が小さくなります。

この誤りで、95本の記事群を「クリック0」と評価しかけました。正しくは20です。規模を報告する前に、別の取り方でもう一度取る。

最大の流入元が測定対象から抜けていた

自社サイトの流入元を確認したところ、最大はBingで44.6%、Googleは15.0%でした。Googleの管理ツールに映るのはGoogleだけなので、全体の15%の経路だけを見て施策を決めていたことになります。

生成AIの検索機能がどの検索基盤を参照しているかは提供元によって異なります。Googleだけを見ている状態では、引用の経路も見落とします。

0は「無い」とは限らない

検索需要を測る仕組みを作った際、82語すべてが0を返しました。原因は応答の解釈の誤りです。以後、既知で需要の大きい語を対照として必ず一緒に測り、対照が0なら測定そのものの失敗として処理を止めるようにしました。

引用の測定でも同じです。0件と出たとき、引用されていないのか、測れていないのかを区別する仕掛けを先に持ってください。

引用されているかを自分で測る手順

外部のサービスを使わずに測れます。自社で実施している手順をそのまま書きます。所要時間は最初の1回で2〜3時間、以降は自動で回せます。

手順1：問いを20個書き出す

自社の顧客が実際に抱く問いを、検索語ではなく話し言葉の質問文で書きます。「AI導入費用」ではなく「社内でAIを導入するとき、最初にいくらかかりますか」の形です。生成AIに投げるのは質問文なので、検索語のままでは実態と合いません。

このうち4〜5個は対照にします。自社が確実に上位表示されている題材、あるいは自社名を含む問いです。対照が引用されなければ、測定そのものを疑います。

手順2：検索機能つきの生成AIに投げる

画面から手で投げても、APIで自動化しても構いません。重要なのは検索機能を有効にすることです。無効だと学習済みの知識だけで答えるため、引用が出ません。

複数の提供元で試すと差が見えます。参照している検索基盤が提供元ごとに違うため、片方で引用され片方で引用されないことがあります。

手順3：出典を解決してから数える

ここが最も間違えやすい段です。返ってくる出典が中継用の住所になっている場合、そのままでは媒体名が分かりません。 実際にたどって最終的な行き先を取得してから数えます。

自社はこれを怠り、すべての引用が同じ場所を指しているように見える集計を作りました。エラーは出ません。

手順4：引用された相手の構造を数える

引用されたページを集め、機械的に数えます。本文の文字数、見出しの数、数値の個数、外部への出典リンクの本数、構造化データの数。 自社のページと並べると、どこで負けているかが数字で出ます。

自社の場合、負けていたのは外部への出典リンクだけでした。感覚で「もっと詳しく書こう」と考えていたら、既に勝っている項目に時間を使っていました。

手順5：同じ問いで毎月測る

1回では分かりません。問いを固定して毎月測り、変化を見ます。 問いを変えると比較できなくなるので、追加はしても差し替えはしません。

やらなくてよいこと

引用されるための小細工を探す：構造で負けていないのに引用されないなら、原因は書き方ではありません
全部の問いを毎月測る：20個で足ります。増やすと続きません
1回の結果で方針を変える：生成AIの回答は同じ問いでも揺れます

用語より先に決めること

AIO・GEO・LLMO・AEOのどれを採るかは、実務ではほとんど影響しません。先に決めるべきことが3つあります。

1. 何をもって成果とするか

「生成AIに引用されること」自体は成果ではありません。引用された結果として何が起きてほしいのかを決めます。問い合わせなのか、名前を知ってもらうことなのか、既存顧客への説明が楽になることなのか。

自社の場合、記事から問い合わせに至った人は90日で3人でした。引用を増やす前に、引用された人がどこへ向かうかを整えるほうが先だと判断しています。

2. 自社にしかない材料は何か

引用されていた相手は、規模の大きいサイトではなく実際にその業務をやっている事業者でした。一般論は既にどこかに書かれています。

自社の場合、それは運用して測った数字と、試して効かなかった記録でした。これらは実測レポート一覧にまとめています。材料が無い題材には手を出していません。

3. どこを測るか

流入元の内訳を先に確認します。自社は最大の流入元がBingで44.6%、Googleは15.0%でした。Googleの管理ツールだけを見て施策を決めていた期間があります。

決めること	決めていないと起きること
成果の定義	引用数が増えても続ける理由も止める理由も出せない
自社にしかない材料	一般論を量産して、どれも上位に入らない
測る場所	一部の経路だけを最適化する
測り方の検算	間違った量を正しく数え続ける

この4つが決まっていれば、呼び方はAIOでもGEOでもLLMOでも同じ作業になります。用語の選択で結果は変わりません。

参考にした一次資料

GEOの学術論文（Generative Engine Optimization） — GEOという語の起点
GoogleのAI機能と検索 — AI による概要への表示に関する公式の説明
役に立つコンテンツの作成 — 制作方法ではなく内容で評価するという方針
スパムポリシー — 順位操作目的の大量生成の扱い
FAQPage の構造化データ — 自社で全数検証した対象
schema.org FAQPage — 語彙の定義
Article の構造化データ — 記事のマークアップ
robots.txt の仕様 — 正典化の根拠
サイトマップの概要 — 件数監視の対象
Search Console — 本ページの実績データの取得元
Bing Webmaster Tools — 最大の流入元を測るために登録
Bing Webmaster Tools のドキュメント — 需要の測定に使っているAPI
生成AIの根拠づけ（グラウンディング） — 引用の測定に使った仕組み
別系統の検索連携の仕様 — 提供元ごとに出典の返し方が違う
RAGの原論文 — 外部情報を参照させる仕組みの出発点
ハルシネーションのサーベイ論文 — 根拠のない生成への対処

よくある質問

Q. 生成AIに引用されているかは、どうやって確かめますか？

検索機能を有効にした生成AIに、顧客が実際に抱く質問文を20個ほど投げ、回答に付いた出典を数えます。このうち4〜5個は自社が確実に上位表示されている題材の対照にしてください。対照が引用されなければ、測定そのものを疑う必要があります。注意点として、返ってくる出典が中継用の住所になっている場合があり、そのまま数えると引用元の分布がまったく取れません。当社はこれを実際に踏みました。

Q. 引用されないのは、サイトの規模が小さいからですか？

当社の観測では違いました。実際に引用されていたのは、同じ分野の事業者が自社で運営しているブログで、規模の小さい事業者のものも含まれていました。引用されていた23ページと自社の記事10本の構造を数えて比べたところ、見出しの数・数値の個数・構造化データの数では自社のほうが多く、明確に負けていたのは外部への出典リンクの本数だけでした。差は書き方ではなく、実際にその業務をやっている立場かどうかにあると読んでいます。

Q. 「〜とは」という定義記事は、いま書く価値がありますか？

検索需要の側では大きな価値があります。当社が30語まとめて測ったところ29語に需要があり、「生成aiとは」19,727、「ハルシネーションとは」19,285、「llmとは」18,305といった規模でした。当社は以前「〜とは型の記事は上位に入らない」と結論していましたが、それは自社の記事が競えていないという話で、需要が無いという話ではありませんでした。ただし、自社に語れる実測が無い語には手を出さないほうがよいと考えています。

Q. AIO・GEO・LLMO・AEOのどれを社内で採用すべきですか？

どれでも構いません。社内で1つに決めて使い、外部と話すときは相手の語に合わせてください。用語の選択で成果は変わりません。実務上の判断が必要なのは呼び方ではなく、何をもって成果とするか、自社にしかない材料は何か、どの経路を測るかの3点です。

Q. SEOとGEOの違いは何ですか？

SEOは検索エンジンの検索結果ページでの順位向上を目的とする、1990年代後半から続く確立した分野です。GEOは、生成AIが回答を合成する際に自社が引用・参照されることを目的とする用語で、2024年のACM SIGKDD(KDD)で発表された学術論文(Aggarwal et al.)を起点に使われ始めました。

Q. AIOとGEOは同じ意味ですか？

明確な使い分けの標準はありません。GEOには特定できる学術論文という起源があるのに対し、AIOは日本のマーケティング業界で使われる総称的な言い方であり、単一の起源となる文献は確認できず、発信者によって指す範囲が異なります。

Q. LLMOとGEOは何が違いますか？

LLMOはLLM(大規模言語モデル)最適化を指す業界慣用語で、GEOとほぼ同じ意味で使われることが多い言葉です。GEOのような特定の学術論文を起点とする単一の由来は確認できていません。

Q. AIOとLLMOの違いは何ですか？

どちらも業界慣用語で、標準化された定義はありません。AIOは「AI最適化」の総称として範囲を広く取る言い方、LLMOは対象をLLM(大規模言語モデル)に限定した言い方という使い分けが見られますが、単一の起源となる文献はどちらも確認できず、実務上はほぼ同じ取り組みを指して使われています。当社は、どちらの語を使うかで実装が変わることはないと考えています。

Q. LLMOとSEOの違いは何ですか？

目的の置き場所が違います。SEOは検索結果ページでの順位を上げることを目的とし、LLMOはLLMが生成する回答の中で引用・参照されることを目的とします。ただし土台は共通で、クロールできること・構造化データが壊れていないこと・どの段落が何の答えかが明確であることは、どちらにも同じように効きます。当社の実装記録も、この共通の土台を整える作業が中心でした。

Q. AIOとSEOの違いは何ですか？

SEOは検索エンジンの順位を対象とする確立した分野で、AIOは生成AI検索への対応を指す日本のマーケティング業界の総称です。AIOには統一定義がないため、発信者によって「SEOの一部」とする説明と「SEOとは別分野」とする説明の両方が見られます。当社は、実装の中身が重なる以上、対立する二者として扱う必要はないと考えています。

Q. AEOはどこに位置づけられますか？

AEOは生成AIの普及より前から、強調スニペットや音声アシスタントなど「直接答えを返す面」への最適化を指して使われてきた用語です。GEOが「生成された回答に引用されること」を指すのに対し、AEOは「質問に対する答えとして抽出されること」を指すと区別されることが多い言葉ですが、こちらも標準化団体による定義は確認できていません。

Q. 用語を知っていれば生成AI検索に引用されますか？

されません。当社はrobots.txtの正典化・構造化データの全数検証・不要記事の削除などの技術的な土台を整えましたが、本稿執筆時点で生成AI検索の回答に出典として現れた実績はまだゼロです。用語の整理と実際に引用される実績は別の問題です。