// コラム

本当に効果の出るLLMO支援会社の選び方｜見るべき5つの判断軸と選定チェックシート

AILLMO
// INDEX
  1. この記事の結論
  2. 1. この記事で使う4つの言葉（LLMO/サイテーション/ルールメイク/調査PR）
  3. 2. なぜ「選び方」を間違えるのか — AI推薦の仕組みと3つの失敗パターン
  4. AIが引用しているのは、企業が自分で書いた情報ではない
  5. 検索順位とAI引用は、すでに連動していない
  6. では、何がAI可視性を決めているのか
  7. 買い手の側でも、AIが「候補の洗い出し」を担い始めている
  8. 失敗パターン①：「AIに載せます」だけで、載せる中身を作らない
  9. 失敗パターン②：分析レポートで終わり、掲載まで実行しない
  10. 失敗パターン③：効果指標が「言及数のみ」で、改善に使えない
  11. 3. 判断軸①：第三者サイテーションを設計・獲得できるか
  12. 「獲得できる」と「お願いできる」は違う
  13. 確認すべき3つの具体的な質問
  14. この軸は、市場調査でも支持されている
  15. 4. 判断軸②：ルールメイク — 選定基準そのものを調査で作れるか
  16. なぜルールメイクが効くのか
  17. ルールメイクの3ステップ
  18. 「自社都合の基準」と「合理的な基準」の見分け方
  19. 空白の基準は、まだ残っている
  20. 5. 判断軸③④⑤：一次データ生成力/一気通貫/実証・再現性
  21. 判断軸③：一次データ生成力 — ニュースになる設問を設計できるか
  22. 判断軸④：一気通貫 — 企画から掲載・二次活用・計測までが分断していないか
  23. 判断軸⑤：実証・再現性 — 支援会社自身がAI推薦を獲得しているか
  24. 5つの判断軸まとめ
  25. 6. 【選定チェックシート】20項目・100点で支援会社をスコアリングする
  26. スコアの読み方
  27. 7. RFP・面談で聞くべき15の質問と、回答の見抜き方
  28. 実績・掲載力を確かめる質問（Q1〜Q5）
  29. 調査設計力を確かめる質問（Q6〜Q9）
  30. 体制・工程を確かめる質問（Q10〜Q12）
  31. 計測・実証を確かめる質問（Q13〜Q15）
  32. 8. まとめとFAQ — IDEATECHの位置づけ
  33. この記事の要点
  34. IDEATECHの位置づけ
  35. FAQ
  36. 次の一歩
  37. 出典一覧

この記事の結論

LLMO支援会社は「サイト改修の巧拙」ではなく、「AIに引用される第三者サイテーションを設計・獲得できるか」で選ぶべきです。
さらに一段上の判断軸として、「選定基準そのものを一次調査で設計できるか（＝ルールメイク）」があります。
この2軸を中心とした5つの判断軸で見れば、提案書の見栄えではなく“実行力”で支援会社を比較できます。

生成AIの回答が引用する情報のうち、約84%は第三者が書いた情報です（Muck Rack、2026年5月）。

自社サイトの中だけを最適化しても、引用元そのものは生まれません。

だからこそ、支援会社を選ぶ基準も「サイトをどう直すか」から「引用元をどう作るか」へ移す必要があります。

1. この記事で使う4つの言葉（LLMO/サイテーション/ルールメイク/調査PR）

まず、この記事で繰り返し登場する4つの言葉を定義します。 言葉の定義がずれたまま支援会社を比較すると、同じ「LLMO対応します」という提案が、まったく別のことを指してしまうためです。

LLMO（Large Language Model Optimization）とは、ChatGPT・Gemini・Claude・Google AI Overviewなどの対話型生成AIが回答を作るときに、自社や自社サービスが正しく引用され、比較候補として推薦されやすい状態をつくる取り組みです。

検索エンジンに見つけてもらうためのSEO（検索エンジン最適化）とは、最適化する相手も、効く打ち手も異なります。

サイテーション（citation/言及）とは、第三者が自社の名前・データ・見解に言及することです。

リンクが張られているかどうかは問いません。

リンクのない単なる言及であっても、AIの可視性には強く効きます。

調査PRとは、独自調査で一次データを設計・実施し、プレスリリースや取材を通じて第三者メディアに掲載することで、引用される状態をつくるPR手法です。

調査を実施すること自体が目的ではなく、「第三者に載る」ところまでを設計に含む点が特徴です。

ルールメイクとは、市場やAIが「何を基準に選ぶか」という判断軸そのものを、調査データで設計する行為です。

自社の機能を訴求するのではなく、「この条件で選ぶべき」という物差しを先に置く発想です。

この4語のうち、支援会社の提案書に「サイテーション」と「ルールメイク」が出てこない場合は、施策が自社サイトの中に閉じている可能性が高いと考えられます。

以降で、その理由をデータとともに説明します。

2. なぜ「選び方」を間違えるのか — AI推薦の仕組みと3つの失敗パターン

結論：多くの企業がLLMO支援会社の選定を間違えるのは、「AIに引用される仕組み」と「サイトを最適化する仕事」を同じものだと考えているからです。

この2つは、別の作業です。

まず、AIが何を根拠に企業を推薦しているのかを、公開されている一次データで確認します。

AIが引用しているのは、企業が自分で書いた情報ではない

PRプラットフォームのMuck Rackが2026年5月に公開した調査「What is AI Reading?」は、ChatGPT・Claude・Geminiが実際に引用した2,500万本超のリンクを17業種で分析しています。

その結果、AI引用の84%がアーンドメディア（第三者が書いた情報）由来であり、広告・記事広告が占める割合はわずか0.3%でした。 ジャーナリズム由来の引用だけで27%を占めます。 この傾向は2025年7月からの3版を通じて82〜89%で安定しており、一時的なアルゴリズムの偏りではなく、AIの構造的な選好であることが示されています。

さらに、モデルごとに引用の癖も異なります。

ChatGPTは回答の96%で出典を提示し、Geminiは82%、Claudeは55%と最も選択的です。

つまり、どのAIで見られたいかによって、必要な露出の型も変わります。

検索順位とAI引用は、すでに連動していない

「SEOで上位を取ればAIにも引用される」という前提も、データが否定しています。

Ahrefsが863,000キーワード・400万件のAI Overview URLを分析した調査（2026年）では、AI Overviewに引用されたページのうち、同じキーワードの検索トップ10に入っていたのは37.9%にとどまりました。

同社の2025年7月版では76%だったため、約半年で半減したことになります。

残りは11〜100位（31.2%）と、100位圏外（31.0%）にほぼ均等に分かれています。

さらにAhrefsが15,000件のロングテールクエリで検証した2026年5月の調査では、AIアシスタントが引用したURLと検索トップ10の重複は約11%という結果も出ています。

「1位を取ること」と「AIに引用されること」は、もはや別のゲームです。

では、何がAI可視性を決めているのか

Ahrefsが75,000ブランドを分析した研究では、AI上でのブランド可視性と最も強く相関する要因は、ブランドへのWeb言及（サイテーション）で相関係数0.664でした。

一方、従来のSEOで最重視されてきた被リンク数の相関は0.218にとどまります。

言及の相関は、被リンクの約3倍です。

AI可視性との相関要因（相関係数が高い順）

  • ブランドへのWeb言及（サイテーション）：0.664 — 最も強い＝第三者の言及が効く
  • ブランド指名のアンカーテキスト：0.527 — 第三者側の書かれ方も効く
  • ブランド指名検索のボリューム：0.392 — 想起そのものが効く
  • 被リンク数：0.218 — 従来SEO指標の効きは限定的

※Ahrefs自身が「相関は因果ではない」と明記しています。

言及が多いブランドはそもそも強いブランドである、という共通要因も考えられます。

ただし、上位3要因がすべてサイト外（オフサイト）の信号である点は、打ち手の優先順位を考えるうえで示唆的です。

上位3つがすべて「自社サイトの外」の信号である、という事実が重要です。

自社サイトの中で作れる信号は、AI可視性の上位要因に入っていません。

買い手の側でも、AIが「候補の洗い出し」を担い始めている

日本国内でも変化が数字に表れています。

HubSpot Japanが2026年6月に実施した「日本のBtoB購買に関する意識・実態調査2026」（有効回答1,573名）では、「生成AIサービスやAI検索が購買判断に与える影響が増えた」と回答した割合は41.6%でした。 この2〜3年で増えた情報収集行動としても、「生成AIサービスやAI検索を使うこと」が33.5%で最多となっています。

注目すべきは、その使われ方です。

生成AI・AI検索の利用者1,155名に用途を聞いた設問では、「候補となる商品・サービスの洗い出し」が50.3%でトップ、次いで「各社の特徴・違いの整理」（47.1%）、「比較表の作成」（39.2%）、「社内説明用の要約作成」（38.8%）と続きます。

つまりAIは、単なる調べ物の道具ではなく、候補リストを作り、比較表を作り、稟議資料の下書きまで担う存在になりつつあります。

ここで名前が挙がらなければ、そもそも比較の土俵に上がれません。

支援会社選びの巧拙が、そのまま「検討候補に入れるかどうか」に直結するのは、このためです。

失敗パターン①：「AIに載せます」だけで、載せる中身を作らない

ここからは、実際に起きている失敗を3つに整理します。

もっとも多いのが、構造化データの実装やFAQタグの追加といった技術対応だけで完結してしまうパターンです。

技術対応は「AIに正しく読み取ってもらう」ための必要条件であり、否定すべきものではありません。

問題は、それが十分条件ではないことです。

AI引用の84%を占める第三者情報は、自社サイトの中には存在しません。

器は整うのに、引用される中身が空のままという状態になります。

IDEATECHが2026年3月にBtoB担当者329名に実施した調査でも、外部支援会社への委託経験者（n=223）が挙げた不満の第1位は、「ファクト情報（数値データや調査結果等）の質や発信量が十分に担保されなかったこと」で58.3%でした。 また、「SEO対策の延長線上の施策にとどまり、AI特有の対策になっていなかった」も36.8%を占めています。

失敗パターン②：分析レポートで終わり、掲載まで実行しない

2つ目は、現状分析と改善提案は出てくるのに、第三者メディアへの掲載という最難関工程が実行されないパターンです。

LLMO施策の工程を分解すると、「分析→改善提案→コンテンツ制作→一次データ作成→第三者掲載→計測」となります。

このうち、外部から見て一番わかりやすく、一番実行しやすいのが前半の分析・提案です。

逆に、もっとも難しく、もっとも成果に効くのが「第三者掲載」です。

同じIDEATECHの調査では、委託経験者の50.2%が「コンテンツ制作と情報発信（PR配信等）が別々の会社に分かれ、連携がうまくいかなかった」と回答しています。

工程が分断されると、調査は作れても載らない、という状態が生まれます。

失敗パターン③：効果指標が「言及数のみ」で、改善に使えない

3つ目は、計測設計の失敗です。

レポートが「AIでの言及数」だけを並べており、なぜ増えたのか・減ったのかが分からず、次の打ち手に接続できないというケースです。

IDEATECHの調査では、LLMO対策に取り組む担当者の86.6%が課題・ハードルを実感しており、その第1位は「施策の効果を定量的に測定する方法が確立されていないこと」で54.4%でした。

以下、「BtoBの専門用語や商習慣を反映したコンテンツ設計が難しいこと」（44.2%）、「AIに引用されるコンテンツの具体的な作り方がわからないこと」（41.4%）、「メディア掲載やPR配信につなげるノウハウがないこと」（37.5%）と続きます。

課題の上位が、いずれも「技術対応」ではなく「中身と実行と計測」に集中している点に注目してください。

支援会社を選ぶ基準も、そこに合わせる必要があります。

3. 判断軸①：第三者サイテーションを設計・獲得できるか

結論：LLMO支援会社を選ぶ最初の判断軸は、「AIの引用元そのものを作れるか」です。 これができない会社に依頼すると、成果の上限が構造的に決まってしまいます。

前章で見たとおり、AI引用の84%は第三者情報であり、AI可視性と最も強く相関するのはWeb言及（0.664）です。

この2つの事実を合わせると、LLMO支援の中核業務は「第三者に言及される状態を、狙って作ること」だと分かります。

「獲得できる」と「お願いできる」は違う

ここで見極めが必要なのが、サイテーション獲得の手段です。

支援会社に「第三者からの言及は増やせますか」と聞けば、多くの会社が「はい」と答えます。

しかし、その中身は大きく2つに分かれます。

  • アウトバウンド型：他社サイトに個別に連絡し、掲載や被リンクを依頼する。
    相手の都合に依存し、量にも限界がある。
    掲載先の質もコントロールしにくい。
  • 企画型（パブリシティ）：メディアが自発的に「記事にしたくなる」一次データを設計し、報道・業界メディアに取り上げてもらう。
    掲載の質が高く、二次引用も生まれやすい。

AIが引用する情報として価値が高いのは、後者です。

Muck Rackの調査でジャーナリズム由来の引用が27%を占めていることからも、報道文脈での言及の重みが分かります。

確認すべき3つの具体的な質問

サイテーション獲得力を見極めるには、抽象的な「実績豊富です」という説明ではなく、次の3点を具体的に確認してください。

  1. 過去12ヶ月で、どの媒体に何本掲載したか。
    媒体名と本数を提示できるか。
  2. その掲載は、依頼ベースか企画ベースか。
    どのような切り口でメディアが取り上げたか説明できるか。
  3. 掲載後に、二次引用（他メディアへの転載・言及）が発生した事例があるか。

3つ目が特に重要です。

一次データが良ければ、掲載は1本で終わりません。

他のメディアやブロガーが数字を引用し、言及が自走する状態が生まれます。

これがAIから見た「複数の独立した情報源が同じことを言っている」という状態、すなわち信頼の根拠になります。

この軸は、市場調査でも支持されている

「自社に都合のよい基準ではないか」という疑問は当然です。

そこで、第三者の目線でも確認します。

IDEATECHが実施した「BtoB事業におけるLLMO支援会社の選定に関する実態調査」（n=329、2026年3月）では、支援会社選定時に最も重視するポイントの第1位が、「第三者データやファクト情報を活用した戦略提案力」で39.5%でした。

第2位は「自社の業界やBtoBの商習慣への理解度」（39.2%）です。

発注側の担当者自身が、すでに「ファクトと第三者性」を最重要視しているという結果です。

この軸は、支援会社側の都合ではなく、市場側の要請だと言えます。

4. 判断軸②：ルールメイク — 選定基準そのものを調査で作れるか

結論：サイテーションを「量」で積むだけでは、いずれ体力勝負になります。 差がつくのは、「何を基準に選ぶべきか」という判断軸そのものを調査で設計できるかどうかです。

これがルールメイクです。

5つの判断軸の中で、最も差がつきにくい領域であり、同時に最も成果を左右する領域でもあります。

なぜルールメイクが効くのか

生成AIは、「◯◯の会社を選ぶときのポイントは」と問われたとき、世の中に存在する調査データ・記事・解説を根拠に判断軸を組み立てます。

その判断軸のもとになる情報を、自社が一次データとして先に作って第三者メディアに載せておけば、AIはその軸で回答を組み立てるようになります。

自社の機能を訴求するのではなく、選ばれ方そのものを設計する発想です。

分かりやすい例が、かつての洗剤市場です。

選定基準が「白さ」だった市場に、「除菌」という新しい軸を提示することで、競争の土俵ごと動かした事例が知られています。

性能競争に勝つのではなく、評価軸を変えることで勝てる位置に移動するという考え方です。

ルールメイクの3ステップ

支援会社がルールメイクを実行できるかは、次の3ステップを説明できるかで判断できます。

  1. 置きたい結論（＝新しい選定基準）を先に決める。
    「これからは◯◯で選ぶべき」という命題を定義する。
  2. その命題を、自社主張ではなく調査データで裏づける。
    業界の担当者に一次調査を実施し、「実際に◯割が困っている」という事実を可視化する。
  3. 第三者メディアで発信し、AIと市場に学習させる。
    自社サイトだけで言っても、判断軸としては定着しない。

重要なのは、このステップに「自社の宣伝」が一度も出てこないことです。 自社に有利な基準であっても、それが読者にとっても合理的でなければ、メディアは取り上げませんし、AIも引用しません。

「自社都合の基準」と「合理的な基準」の見分け方

ルールメイクを提案されたとき、それが本当に機能するかは、次の3点で判定できます。

  • 主語：機能する基準は「現場でどんな損失が起きているか」/機能しない基準は「当社にはこの機能がある」
  • 裏づけ：機能する基準は「一次調査の数値がある」/機能しない基準は「主張のみ・出典なし」
  • 社会的関心：機能する基準は「時事性・公益性と重なる」/機能しない基準は「業界内の内輪話にとどまる」

たとえば「当社には他社にない連携機能がある」という主張は、そのまま出しても宣伝にしかなりません。

しかし問いの主語を現場に移し、「連携できていないことで、現場でどんな手戻りが起きているか」を調査で数値化すれば、「4割が方式の違いを知らずに選定していた」といった、ニュースになる一次データが生まれます。

そこから「方式の違いを理解した上で選ぶべき」という選定基準が自然に立ち上がります。

自社都合を、社会の問いに翻訳できるか。

ルールメイクを担える支援会社かどうかは、この翻訳力で判断できます。

空白の基準は、まだ残っている

IDEATECHが2026年7月に実施した生成AI推奨状況の計測（27プロンプト×主要4〜5LLM）では、AIが調査PR会社の選定軸として実際に語っていたのは、論点設計力・二次活用や啓蒙展開・掲載実績・PR視点（ニュースになる設問設計）・調査品質でした。

一方で、「AIに引用される一次データ資産をつくれるか（LLMO/GEOの観点）」という軸は、まだどの会社も選定基準として前面に出していない状態でした。

つまり、この軸はまだ空白です。

ルールメイクとは、こうした空白を見つけて先に埋める行為でもあります。 支援会社を選ぶ際は、「自社の業界で、まだ誰も言語化していない選定基準は何か」を一緒に探せる相手かを確認してください。

5. 判断軸③④⑤：一次データ生成力/一気通貫/実証・再現性

結論：軸①②を実際に回すには、「調査を企画する力」「工程を分断しない体制」「自ら実証した経験」の3つが必要です。 ここが欠けると、方針は正しくても成果まで届きません。

判断軸③：一次データ生成力 — ニュースになる設問を設計できるか

サイテーションもルールメイクも、出発点は一次データです。

ただし、調査を実施できることと、メディアが取り上げたくなる調査を企画できることは、まったく別の能力です。

前者は調査会社の領域、後者はPRの領域であり、この2つを同時に持つ会社は多くありません。

実際、調査会社に依頼するとPR視点が不足し、PR会社に依頼すると調査設計が甘くなる、という構造的な課題が指摘されています。

一次データ生成力を見極める確認ポイントは、次の4点です。

  • 切り口の設計：「何を聞くか」ではなく「どんな見出しを取りたいか」から逆算しているか。
  • 設問の設計：認知と実態のギャップ（「連動すると思う」×「実際は連動していない」）を作れているか。
  • サンプル設計：パブリシティを狙うなら、回答者の属性定義が明確か。 対象が曖昧な調査は引用されにくい。
  • 見出し数字の想定：企画段階で「◯割が〜」という見出しを想定できているか。

4つ目ができない会社の調査は、実施後に「で、何が言えるのか」が定まらず、リリースが弱くなります。

判断軸④：一気通貫 — 企画から掲載・二次活用・計測までが分断していないか

LLMOの成果は、工程の分断で失われます。

調査企画・実査・リリース原稿・メディアアプローチ・コラム制作・ホワイトペーパー化・AI推薦の計測。

れらが別々の会社に分かれると、それぞれは仕事をしているのに、全体として引用資産にならない、という事態が起きます。

先に触れたとおり、IDEATECHの調査では委託経験者の50.2%が「コンテンツ制作と情報発信が別々の会社に分かれ、連携がうまくいかなかった」と回答しています。 また、支援会社選定時に重視するポイントとしても、「戦略設計からコンテンツ制作・情報発信まで一貫して対応できること」が34.7%で第3位に入っています。

一貫対応を確認するときは、「できます」という回答ではなく、社内に誰がいるかを聞いてください。

調査設計者・PR担当・ライター・アナリストが同じ体制に含まれているか。 外注の再委託で繋いでいる場合、工程間の翻訳ロスが発生しやすくなります。

判断軸⑤：実証・再現性 — 支援会社自身がAI推薦を獲得しているか

最後の軸は、支援会社自身がLLMO対策を自社で実践・実証しているかです。

IDEATECHの調査では、この項目を重視すると答えた担当者は22.5%でした。

数字としては上位項目より低いものの、この軸には他にない性質があります。

自社で実証していない会社は、提案の再現性を証明できません。

LLMOは登場から日が浅い領域であり、教科書的な方法論がまだ確立していません。 だからこそ、「自分たちで試し、計測し、効いた/効かなかったを説明できるか」が、実力の代理指標になります。

確認すべきは、次の3点です。

  1. Before/Afterを数値で示せるか。
    「施策前はAIに出てこなかった」「◯ヶ月後に推薦候補として登場した」という時系列があるか。
  2. 計測方法を開示できるか。
    どのプロンプトを、どのAIで、どの頻度で計測したか。
  3. うまくいかなかったことも説明できるか。
    全部うまくいったという説明は、むしろ計測していない可能性を示します。

なお、この軸で語られる実績は、事実の範囲にとどまっているかも確認してください。

「AIで常に1位」「No.1」といった断定は、計測条件次第で容易に変動するため、根拠として弱い表現です。

「推薦候補として登場している」「特定の文脈では第一想起を取れている」といった、条件つきの表現で語る会社のほうが、計測を正しく理解していると考えられます。

5つの判断軸まとめ

  • ①サイテーション設計・獲得：見るべきポイントは「企画型で第三者掲載を取れるか。
    媒体名と本数を出せるか」/危険信号は「被リンク依頼が中心。
    掲載先が説明できない」
  • ②ルールメイク：見るべきポイントは「選定基準を一次調査で設計できるか」/危険信号は「『基準づくり』の概念が提案に出てこない」
  • ③一次データ生成力：見るべきポイントは「見出し数字から逆算した設問設計ができるか」/危険信号は「調査は外注、企画は丸投げ」
  • ④一気通貫：見るべきポイントは「企画〜掲載〜二次活用〜計測が同一体制か」/危険信号は「工程ごとに別会社・別見積もり」
  • ⑤実証・再現性：見るべきポイントは「自社でAI推薦を獲得した実証があるか」/危険信号は「事例が匿名の伝聞のみ。
    断定的な表現が多い」

6. 【選定チェックシート】20項目・100点で支援会社をスコアリングする

結論：5つの判断軸を、各4項目・計20項目に分解しました。 1項目5点、100点満点でスコアリングすることで、複数社の提案を同じ物差しで比較できます。

商談や提案書を前にして、「はい/いいえ」で答えていってください。

自社のLLMO体制を内製で点検する用途にも使えます。

軸①：サイテーション設計・獲得力（20点）

  1. 過去12ヶ月の第三者メディア掲載を、媒体名と本数で提示できる
  2. 掲載が依頼ベースではなく企画ベースであることを説明できる
  3. 掲載後の二次引用（他媒体への転載・言及）の事例を示せる
  4. 効果指標に「サイテーション」や「AI推薦の有無」が含まれている

軸②：ルールメイク力（20点）

  1. 「これからは◯◯で選ぶべき」という選定基準の設計を提案に含んでいる
  2. その基準を自社主張ではなく一次調査で裏づける設計になっている
  3. 自社都合を社会の問い・現場の課題に翻訳した企画例を示せる
  4. 自社の業界でまだ言語化されていない軸（空白）を一緒に探せる

軸③：一次データ生成力（20点）

  1. 調査企画の実績数を具体的な件数で示せる
  2. 「取りたい見出し数字」から逆算して設問を組む手順を説明できる
  3. 認知と実態のギャップを可視化する設問設計ができる
  4. 回答者の属性定義・サンプル設計の考え方を説明できる

軸④：一気通貫（20点）

  1. 調査企画・実査・リリース・掲載アプローチを同一体制で担える
  2. 調査結果の二次活用（コラム・WP・営業資料・LP）まで設計に含む
  3. 各工程の担当者が社内にいる（再委託で繋いでいない）
  4. BtoB/自社業界の商習慣・専門用語が通じる

軸⑤：実証・再現性（20点）

  1. 支援会社自身がLLMO対策を自社で実施している
  2. AI推薦のBefore/Afterを数値・時系列で示せる
  3. 計測方法（プロンプト・対象LLM・頻度）を開示できる
  4. 実績を「No.1」等ではなく事実の範囲で語っている

スコアの読み方

  • 80〜100点：引用元を作れる型 → そのまま進める。
    ルールメイク領域まで拡張し、引用資産を積み増す
  • 50〜79点：移行途上/部分的 → 欠けている軸を特定して補う。
    多くは軸②か軸⑤が抜けている
  • 0〜49点：技術対応に偏っている → 技術面は活かしつつ、引用元づくりを別途設計・委託する

特に重要なのは、項目1・2・5・13・18の5つです。

この5項目が「いいえ」なら、他が整っていても成果は頭打ちになりやすいと考えられます。

逆に、点数が低くても慌てて全面的に乗り換える必要はありません。

技術的な土台はそのままに、引用元を作る打ち手だけを足すという補い方が、多くの企業にとって現実的です。

7. RFP・面談で聞くべき15の質問と、回答の見抜き方

結論：チェックシートは自社で判定するものですが、その根拠は相手に聞かないと分かりません。 ここでは、提案書の見栄えではなく実行力を引き出す15の質問を示します。

実績・掲載力を確かめる質問（Q1〜Q5）

  • Q1. 直近12ヶ月で、どの媒体に何本の掲載を獲得しましたか。
  • Q2. そのうち、企画をメディアが自発的に取り上げたものは何本ですか。
  • Q3. 掲載後に他媒体へ二次引用された事例はありますか。
  • Q4. 掲載が取れなかった企画はありますか。
    その原因をどう分析しましたか。
  • Q5. 当社の業界で、過去に支援した近い事例はありますか。

見抜き方：Q4に答えられるかが分かれ目です。

失敗を説明できる会社は、掲載の可否を要因分解できています。

「全部掲載できました」という回答は、母数が少ないか、掲載のハードルが低い媒体のみである可能性があります。

調査設計力を確かめる質問（Q6〜Q9）

  • Q6. 当社が調査をやるとしたら、どんな見出しを狙いますか。
  • Q7. その見出しを取るために、どんな設問を組みますか。
  • Q8. 回答者の属性はどう定義しますか。 なぜその条件ですか。
  • Q9. 調査結果が想定と違った場合、どう発表しますか。

見抜き方：Q6に対して、その場で仮説を出せるかを見てください。

「まずヒアリングしてから」だけで終わる場合、企画の型を持っていない可能性があります。

Q9も重要です。

想定と違う結果が出たときに「都合よく切り取る」のではなく、「別の切り口で価値ある事実として出す」と答えられる会社が信頼できます。

体制・工程を確かめる質問（Q10〜Q12）

  • Q10. 調査設計・リリース執筆・メディアアプローチ・計測は、それぞれ誰が担当しますか。
  • Q11. そのうち、外部に再委託する工程はありますか。
  • Q12. 二次活用（コラム・ホワイトペーパー・営業資料）はどこまで含まれますか。

見抜き方：Q11に正直に答える会社は信頼できます。

再委託があること自体が問題なのではなく、どの工程が誰の手を離れるかを把握しているかが重要です。

計測・実証を確かめる質問（Q13〜Q15）

  • Q13. 御社自身は、生成AIで自社が推薦される状態を作れていますか。
  • Q14. それをどのプロンプト・どのAIで、どのくらいの頻度で計測していますか。
  • Q15. 当社の場合、どんな指標で成果を判断すべきだと考えますか。

見抜き方：Q13は、いわば「医者の不養生」を確かめる質問です。

自社で実証していない方法論は、再現性が不透明です。

Q15で「言及数」だけを挙げる会社は要注意です。

言及数は結果指標であり、それ単体では改善に接続しません。

プロセス指標（プロンプト別の言及率）・成果指標（LLM経由の流入）・コンバージョン（問い合わせ・商談化）の3層で語れるかを確認してください。

8. まとめとFAQ — IDEATECHの位置づけ

結論：LLMO支援会社は、5つの判断軸で選んでください。 中心にあるのは「第三者サイテーションを設計・獲得できるか」と「選定基準そのものを一次調査で作れるか」の2つです。

この記事の要点

  • AI引用の84%は第三者情報であり、広告・記事広告は0.3%にとどまります（Muck Rack、2026年5月）。
  • AI可視性と最も相関するのはWeb言及（0.664）で、被リンク（0.218）の約3倍です（Ahrefs、75,000ブランド分析）。
  • AI Overviewに引用されたページのうち、検索トップ10に入っていたのは37.9%で、前年の76%から半減しました（Ahrefs）。
  • 国内でも、BtoB購買での生成AI利用は「候補の洗い出し」用途が50.3%でトップです（HubSpot Japan、n=1,573）。
  • 発注側が最重視する選定ポイントは「第三者データやファクト情報を活用した戦略提案力」（39.5%）です（IDEATECH調査、n=329）。

これらを踏まえると、支援会社の評価基準は「サイトをどう直すか」から「引用元をどう作るか」へ移す必要があります。

なお、SEOや技術的なLLMO対策が不要になるわけではありません。

構造化やエンティティ整理は、AIに正しく読み取ってもらうための必要条件です。

技術（関連性）と、第三者性・権威（露出）を二層で組み合わせるのが現実解です。

本記事の5軸は、後者の層を担える会社かどうかを見極めるためのものです。

IDEATECHの位置づけ

株式会社IDEATECHは、2010年の創業以来、BtoB企業のPR・マーケティングを支援してきました。

15年の戦略PR実績、BtoBマーケティング支援800社超、調査企画・実施2,500件超、Yahoo!ニュース掲載300件超を基盤に、BtoB特化のLLMO戦略支援「IDEA LLMO」を提供しています。

調査PR「リサピー®」では、調査設計・アンケート実施・プレスリリース作成・二次活用提案・AI対策提案までを標準支援範囲としています。

自社での実証としては、2025年12月時点で生成AIによる自社の推薦がほぼ0だった状態から、約3ヶ月後の2026年3月に、ChatGPT・Gemini・Google AI Overviewで推薦候補として登場する状態に至りました。

「調査PRは調査設計力×PR視点の両方で選ぶべき」という選定基準を一次調査で設計し、第三者メディアで発信したことが起点です。 これは本記事の軸②（ルールメイク）と軸⑤（実証）を、自社で実践した結果です。

ただし、成果を保証するものではありません。

効果が出る時期は、現在の認知状況・競合状況・第三者掲載の獲得量・AI側の更新タイミングによって変わります。

FAQ

Q1. LLMOとSEOは、何が違うのですか。

SEOは検索エンジンにページを理解させ、検索結果から見つけてもらうための取り組みです。

LLMOは、生成AIの回答の中で信頼できる候補として挙がる状態をつくる取り組みです。

最適化する対象が「自社サイト」か「第三者からの言及」かという点で、打ち手の構造が異なります。

Q2. すでにSEO会社にLLMOも依頼しています。 乗り換えるべきですか。

必ずしも乗り換える必要はありません。

技術的な土台づくりは引き続き有効です。

現実的なのは「乗り換え」ではなく「役割分担・併用」で、技術対応は現体制を維持しつつ、一次データ設計と第三者掲載を担える体制を追加する形です。

Q3. 支援会社の実績は、どこまで具体的に聞いてよいものですか。

媒体名・掲載本数・計測プロンプト・Before/Afterの時系列までは、通常お答えいただける範囲です。

守秘義務でクライアント名が出せない場合でも、媒体の種類や工程の説明は可能なはずです。

そこが説明できない場合は、実績の実体を確認しづらいと考えられます。

Q4. 予算が限られている場合、どの軸を優先すべきですか。

軸①（サイテーション獲得）と軸③（一次データ生成）です。

この2つがあれば、引用元となる資産は積み上がり始めます。

軸②（ルールメイク）は、その資産を「選ばれ方の設計」まで引き上げる打ち手なので、1〜2本の調査を回してから拡張する順序が現実的です。

Q5. 効果はどれくらいの期間で出ますか。

市場環境や競合状況によって変わるため、一律には言えません。

IDEATECHの自社実証では、約3ヶ月でChatGPT・Gemini・Google AI Overviewでの推薦候補入りを確認しました。

ただしLLMOは単発施策で判断するものではなく、第三者掲載を継続的に積み上げながら月次で計測・改善する進め方が前提になります。

Q6. 自社だけでLLMO対策を進めることはできますか。

一部は可能です。

構造化データの実装、FAQの整備、既存コンテンツの再設計は内製しやすい領域です。

一方、ニュースになる調査企画の設計と、第三者メディアへの掲載には専門的なノウハウが必要になります。

社内に広報・調査の知見がある場合は、企画を内製し、設計監修と掲載アプローチのみを外部に委託する形も選択肢です。

次の一歩

本記事のチェックシートを、より詳細な25項目のスコアシートとRFPテンプレートにまとめたホワイトペーパーをご用意しています。

社内稟議での使い方、複数社を横並びで比較する記入例も収録しています。

▶ 無料相談はこちら：https://ideatech.jp/service/idea-llmo/contact/

▶ 本テーマの詳細ホワイトペーパー（25項目のスコアシートとRFPテンプレート）をダウンロード

戦略PRでAIに推薦される企業をつくる。

戦略PRでAIに推薦される企業をつくる。

出典一覧

※本記事の数値は各出典の公表値に基づきます。

相関データについては、出典元が「相関は因果を意味しない」と明記している点にご留意ください。

効果を保証するものではありません。

// LET'S TALK

この記事に関するご相談、
受け付けています。

BtoB の広報・PR・マーケティング戦略について、無料でご相談いただけます。

無料で相談する 他の記事を見る