LLMOで継続率を高める実践法｜AI推奨を維持する評価と施策

生成AIが企業の情報を回答に取り込む時代において、顧客との関係をどれだけ長く維持できるかは、事業の安定成長を左右する重要な経営課題になりつつあります。従来のSEOは検索順位やクリック数を主な成果指標としてきましたが、LLMOでは、AIの回答に自社が推奨され続けるかどうかが新たな評価軸となります。一度推奨されても、競合情報の増加や情報の鮮度低下によって引用が途切れれば、獲得した機会は容易に失われます。本記事では、LLMOにおける継続率を契約継続率と引用維持率の二つの視点から捉え直し、経営指標としてどのように設計・計測すべきかを整理します。さらに、AIが信頼できる情報源を優先する仕組みを踏まえ、3ステップの実践手順と効果測定の考え方を示します。事業戦略の観点から、LLMO投資をどのように評価し、継続的な成果につなげるかを検討する材料としてご活用ください。

LLMOにおける継続率の再定義とAI時代の評価軸

従来のSEOとLLMOの評価軸の違い

従来のSEOは、検索結果ページでの順位とそこから発生するクリック数を主な評価軸としてきました。一方、LLMO（Large Language Model Optimization：大規模言語モデル最適化）は、ChatGPTやGemini、Perplexityなどの生成AIが回答を組み立てる過程で、自社の情報がどの程度参照され、推奨されるかを評価軸とします。Google検索でもAI Overviewsが表示されるようになり、ユーザーは検索結果をクリックせずに回答を得る場面が増えています。

この変化により、評価の単位は「順位」から「回答内での言及と推奨」へと移行します。経営の観点では、流入数よりも、AIが自社をどの文脈で、どの頻度で推奨しているかを継続的に把握することが重要になります。

LLMOの継続率が経営指標になる理由

LLMOにおける継続率は、単発の施策効果ではなく、AIの回答における自社の存在感が時間の経過に対してどれだけ維持されるかを示す指標です。生成AIの出力には確率的な揺らぎがあり、同じ質問でも回答の内容は変動します。そのため、一度の観測で推奨されたことをもって成果とみなすことはできません。

経営層にとって重要なのは、継続率が指名検索の増加や問い合わせ経路の変化と連動し、中長期的な売上基盤に影響を与える点です。定期的な報告と効果測定を行う組織ほど、継続率を改善できる傾向があります。LLMOの継続率を経営指標として位置づけることで、マーケティング、ブランディング、営業の各機能を横断した投資判断が可能になります。

契約継続率と引用維持率という二つの継続率

LLMOにおける継続率は、大きく二つに分けて捉える必要があります。一つは、自社サービスの契約が更新される割合を示す契約継続率です。もう一つは、生成AIの回答においてAIが自社の情報を引用し続ける割合を示す引用維持率です。

この二つを混同すると、AI上での露出は改善しているのに契約が伸びない、あるいはその逆といった誤った判断につながります。引用維持率が高くても推奨の質が伴わなければ、契約継続率には結びつきにくいため、両者を分けて計測し、因果関係を検証する設計が求められます。

LLMO継続率の算出方法と計測設計

契約継続率の算出ロジックと新規契約の扱い

契約継続率は、特定期間の開始時点で契約していた顧客のうち、期間終了後も契約を更新した顧客数の割合で算出します。算出の際には、期間中に新たに獲得した新規契約を分子にも分母にも含めないことが重要です。新規契約を含めると、既存顧客の離脱が見えにくくなり、施策の効果を正しく評価できなくなります。

契約継続率は、顧客満足度やコミュニケーションの質に影響を受けます。LLMO施策によって新規の問い合わせが増えても、既存顧客が成果を実感できていなければ継続率は改善しません。そのため、LLMOの成果を契約継続率で評価する場合は、既存顧客の体験価値を同時に設計する必要があります。

引用継続率・推奨率の月次観測による算出

引用継続率と推奨率は、生成AIに対して主要な質問を定期的に投げかけ、回答内で自社が引用されているか、推奨されているかを記録して算出します。観測の頻度は月次が一般的です。週次では揺らぎの影響が大きく、四半期では施策の効果が見えにくくなるためです。

算出の際は、観測対象となる質問群を固定し、同じ条件で継続的に記録することが基本です。質問が変わると比較の前提が崩れるため、質問の入れ替えは意図的に管理する必要があります。推奨率は、観測した回答のうち自社が推奨として言及された割合で表します。

生成AIの出力に生じる揺らぎへの対処

生成AIの出力は確率的な揺らぎを含むため、単回の観測結果だけで判断することは適切ではありません。対処の基本は、同一の質問を複数回実施し、結果を平均化して傾向を読み取ることです。また、ChatGPTやGemini、Perplexityなど、複数のサービスをまたいで観測することで、特定モデルに依存した評価を避けられます。

さらに、観測結果を時系列で蓄積し、移動平均などで推移を見ることが有効です。一時的な上下動に反応して施策を変更するのではなく、中長期の傾向に基づいて判断することで、経営層が安定した意思決定を行える体制が整います。

継続率を左右する要因とAI推奨率の構造

生成AIが自社を推奨するかどうかは、一度の施策で決まるものではありません。AIは継続的に情報を収集し、回答を生成し直すため、推奨の状態も時間とともに変動します。継続率を左右するのは、AIがどのような基準で情報源を選び、どのように自社を評価しているかを構造的に理解することです。本章では、その仕組みと原因分析の視点を整理します。

AIが信頼できる情報源を優先する仕組み

生成AIは回答を作成する際、複数の情報源を参照し、信頼性が高いと判断した情報を優先して引用します。信頼性の評価では、発信元の専門性や一貫性、第三者による言及の有無などが重視されると考えられます。自社の主張だけが並ぶ情報は、AIにとって根拠として扱いにくいことがあります。そのため、客観的な事実や数値、外部からの評価を含む情報設計が、引用の安定性を高める基盤になります。

自社サイトと外部メディアを組み合わせた情報設計

LLMOは自社サイトだけで完結する施策ではありません。自社サイトは提供価値や専門性を体系的に示す場として機能し、外部メディアは第三者視点での評価や言及を通じて信頼性を補強する役割を担います。両者の情報が矛盾なく連動していることが重要であり、AIが複数の情報源から同じ特徴を読み取れる状態を目指す必要があります。経営層としては、自社発信とPR、業界メディアへの露出を一体で設計する視点が求められます。

引用されても推奨されない原因の分析

自社サイトがAIに引用されているにもかかわらず、推奨されないケースは少なくありません。主な原因としては、引用された情報が事実の一部に留まり、強みや選ばれる理由として構造化されていないこと、競合と比較した際の独自性が明確でないことが挙げられます。また、顧客が検討時に用いる文脈とのずれがあると、AIは自社を最適な選択肢として提示しにくくなります。引用の有無だけでなく、回答内での位置づけや推奨の文脈を分析することが、推奨率を高める第一歩です。

3ステップで進めるLLMO対策の実践手順

LLMO対策を場当たり的に進めると、施策の効果を把握できず、継続的な改善にもつながりません。ここでは、CEPの設定、KBFの調査、RTBの配置という3つのステップに沿って、段階的に推奨率を高める手順を解説します。各ステップは順序立てて実行することで、経営判断に資する再現性のある仕組みとなります。

ステップ1：CEPの設定による検討文脈の把握

最初のステップは、CEP（顧客が検討時に用いる情報・文脈）を設定することです。顧客はAIに対して、業界や課題、予算、導入目的などを含む質問を投げかけます。その質問の文脈を特定し、どのような場面で自社が想起されるべきかを明確にします。CEPが曖昧なままでは、どの情報を強化すべきかが定まらず、AIの回答に自社が登場する機会も限られます。経営企画部門や営業部門と連携し、顧客の意思決定プロセスに沿った文脈を整理することが重要です。

ステップ2：KBFの調査と購買決定要因の特定

次に、KBF（購買決定要因）を調査します。顧客が最終的に特定のサービスや企業を選ぶ際に重視する要素を、定量調査や既存顧客へのヒアリングを通じて把握します。価格や実績、導入支援体制、専門性など、業界や商材によって重視される要素は異なります。特定したKBFを情報として自社サイトや外部メディアに反映させることで、AIが自社の強みを理解しやすくなり、推奨の根拠を形成できます。

ステップ3：RTBの配置による根拠情報の強化

最後のステップは、RTB（根拠となる情報）の配置です。RTBとは、自社の主張を裏付ける事実や数値、第三者評価、支援実績などを指します。KBFで特定した要素に対して、具体的な根拠を紐づけて提示することで、AIは自社の主張を信頼性の高い情報として扱いやすくなります。例えば、支援実績の数値や導入企業による評価などを明確に示すことが有効です。RTBは一度配置して終わりではなく、新たな実績や変化に応じて更新を続けることで、推奨率の維持につながります。

効果測定とKPI設計による継続運用

GA4によるAI経由流入の把握と指名検索への波及

AI検索の影響を評価するには、まずGA4でAI経由の流入を可視化することが出発点になります。参照元やセッションの流入経路を整理し、生成AIからの訪問数と、その後の資料請求や問い合わせの動向を時系列で追跡します。ここで重要なのは、AI経由の流入が直接的なクリックだけでなく、回答を見たユーザーが後から社名やサービス名で検索する指名検索として現れる点です。指名検索の件数が増加しているかを併せて確認することで、AIの回答内での推奨が認知の拡大につながっているかを判断できます。計測結果は経営会議で扱えるよう、施策前後の比較と月次推移で整理しておくことが望まれます。

LLMOツールを活用した露出状況と競合分析

LLMOツールは、自社が生成AIの回答においてどの程度言及されているか、どの情報源が引用されているかを継続的に把握するために有効です。自社の露出状況に加え、競合企業が特定のテーマでどのように推奨されているかを比較できる点に価値があります。推奨率の推移を追うことで、施策の効果が出ているかを定量的に評価できるほか、競合が強い質問領域と未開拓の領域を切り分けることも可能になります。ツールは費用対効果を見極めながら選定すべきであり、目的に応じて分析範囲や計測頻度を設計することが求められます。

認知経路アンケートによる問い合わせ経路の可視化

デジタル上の計測だけでは、AI経由の影響を捉えきれない場合があります。そのため、問い合わせや商談の際に認知経路をアンケートで確認する仕組みが欠かせません。生成AIで情報を得たと回答するケースは、従来のWeb検索や紹介と区別して集計することが重要です。アンケートの結果をGA4の数値やLLMOツールの推奨率と突き合わせることで、オンラインとオフラインを横断した効果の全体像が見えてきます。営業部門とマーケティング部門が同じ指標を共有し、継続的な改善サイクルを回せる体制づくりが、AI検索時代の営業の仕組み化につながります。

成果報酬型AIOサービスの活用を検討されている方へ

成果報酬型で継続率を担保する仕組みの考え方

LLMOへの投資は、効果が見えにくいことが経営判断の障壁になりがちです。そこで検討されるのが成果報酬型の仕組みです。AI推奨率や引用継続率といった成果指標に連動して費用が発生するため、施策が機能しない場合の損失を抑えられます。一方で、成果指標の定義や計測方法を事前に明確にしておかないと、評価をめぐる認識のずれが生じかねません。継続率を担保するには、契約期間中の推奨率の維持と改善を成果の対象に含めるかどうかを、経営の視点で設計することが重要になります。年間の費用感としては、規模や対象領域によって異なりますが、一般的に年間1000万円から5000万円の範囲で検討されるケースが多く見られます。

コネクタブルーの成果報酬型AIOサービスの特徴

コネクタブルーの成果報酬型AIOサービスは、以下の3つの特長により、AI検索時代の新たなマーケティングとブランディングの実現を支援します。

• ビジネスとWebマーケティングの両方の視点で最適な対策を実施
• 成果報酬型で投資リスクを最小化
• AI推薦獲得率70%以上

事業の収益構造と生成AIにおける評価の両面から施策を組み立てるため、単なる表示対策にとどまらない実効性のある取り組みを進めることができます。

導入判断のための確認ポイント

導入を判断する際には、成果指標の定義が自社の経営目標と整合しているか、計測の透明性が確保されているかを必ず確認することが重要です。また、契約期間中に推奨率や引用継続率をどのように追跡し、経営層へ報告するかの体制も検討すべきです。AI検索の評価は変動しやすいため、短期的な数値だけでなく、継続的な改善を前提とした運用設計が求められます。社内のマーケティング、ブランディング、営業部門が連携できる体制があるかも、成果を持続させるための重要な判断材料になります。