LLMOで狙うべきクエリの4分類と検索意図分析｜AI検索のクエリはどう見つけるか

AI検索で成果を出すには、生成AIがどのような質問を受け、どう処理しているかを理解したうえで、対策するクエリを設計する必要があります。当社Iteraが実施した30ジャンル897クエリの調査では、日本語検索におけるAI Overviewの平均出現率は86.5%、ゼロクリック率(推定)は59.0%。ユーザーの質問がAIの回答内で完結する場面が増え、そこに自社が登場するかどうかが競争軸になりました。

ただし、AI検索のクエリは検索窓への入力ではないため、Search Consoleなど既存の分析ツールには表示されません。

本記事では、対策すべきクエリの4分類、検索意図ごとの対策、そして「見えないクエリ」の見つけ方までを解説します。

前提｜AI検索のクエリは、検索窓の入力と何が違うのか

キーワードの羅列ではなく、条件を並べた相談文になります。そして1つの質問の裏で、複数の検索が同時に走っています。

従来の検索では、ユーザーは「渋谷 焼肉 個室」のように単語を並べて入力し、結果一覧から自分で選んでいました。

AI検索では入力の形が変わります。「今夜6人で使える渋谷駅近くの焼肉屋。個室があって予算5,000円くらい、接待でも失礼にならない店」といった、条件と背景を含んだ文章になります。話し言葉に近い長文が増え、単語数も増えます。

クエリファンアウト｜1つの質問が複数に分解される

さらに重要なのが、AI内部での処理です。AI検索は受け取った質問を複数のサブクエリに分解し、並列で検索して結果を統合します。この仕組みはクエリファンアウトと呼ばれます。

先ほどの質問なら、内部では「渋谷 焼肉 個室」「接待 焼肉 マナー」「渋谷 焼肉 予算5000円」「個室 6人 焼肉店」といった複数の検索が同時に走ります。ユーザーが見るのは統合された1つの回答だけですが、自社が引用されるかどうかは、この見えないサブクエリのどれかで選ばれるかで決まります。

つまり対策の単位は、ユーザーが入力する1つのクエリではなく、そこから展開される質問群になります。仕組みの詳細はクエリファンアウトの解説記事をご覧ください。

特徴として押さえるべき3点

条件が複合する。地域・予算・人数・時間帯・目的といった複数の軸が同時に含まれます。単一キーワードへの最適化では、この照合の網にかかりません。

背景や状況が語られる。「未経験だけど」「予算が限られていて」「急いでいる」といった前提条件が質問に含まれます。この前提に答えられる情報を持つ企業が候補に残ります。

現在性が求められる場面がある。料金やキャンペーンのように変動する情報では、更新されている情報源が参照されやすくなります。

対策すべきクエリの4分類

検索者の検討段階によって、必要な情報も置くべき場所も変わります。4つに分けて設計してください。

分類①：指名クエリ｜ブランド名が含まれる

「（社名） 評判」「（社名） 料金」「（サービス名） 使い方」など、すでに自社を認知している層の質問です。

この層への対策は、露出よりも正確性が主眼になります。AIが古い料金や終了したサービスを回答していれば、検討の最終段階で離脱されます。公式情報が薄い企業ほど、回答が口コミサイトや第三者情報だけで構成されがちです。

対策のポイント

• 料金・サービス内容・会社情報を公式サイトにテキストで明記する

• よくある質問(選考、契約、解約、サポート範囲)をFAQとして公開する

• 情報の更新日を明示し、変更時は速やかに反映する

• AIの回答内容を定期的に確認し、誤情報を検知する

分類②：カテゴリクエリ｜業種・地域は含むがブランド名がない

「（地域）で（業種）のおすすめは」「（課題）を解決するサービス」など、業種は認識しているが企業を絞り込んでいない層の質問です。

この層が、新規接点の獲得において最も重要な層です。ここで候補に挙がらなければ、比較の土俵にすら立てません。

対策のポイント

• 対応できる条件(地域、対象、価格帯、規模)を具体的に言語化する

• 「どんな人に、何を提供するか」を抽象表現ではなく事実で書く

• 第三者媒体や比較メディアでの掲載を獲得する

• 競合と比較したときの照合材料になる情報を揃える

分類③：質問クエリ｜方法・理由・判断基準を問う

「〇〇のやり方は」「なぜ〇〇が起きるのか」「〇〇と△△はどちらがいいか」など、課題は認識しているが解決策を探している層の質問です。

この層への対策が、コンテンツ引用の主戦場になります。AIは解説を要約して回答を作るため、その材料として自社コンテンツが使われるかどうかが問われます。

対策のポイント

• 結論を冒頭に置き、その後に根拠を示す構造にする

• 見出しを質問形にし、直下に短い直接回答を置く

• FAQと段階的な手順解説の両方を用意する

• 具体的な数値・条件・期間を含める

分類④：比較クエリ｜選定と事例を求める

「（自社） vs （競合）」「〇〇の選び方」「導入事例」など、導入判断のために情報を集めている層の質問です。

対策のポイント

• 比較の軸を自社で提示する（価格だけでなく、体制・対応範囲・期間など）

• 事例を具体的な数値とともに公開する

• 「向いていないケース」も明示する（誠実さが照合材料になる）

• 競合との違いを事実ベースで整理する

4分類の使い分け

AI検索のクエリはどう見つけるか

ここが実務で最も難しい部分です。AI検索のクエリは、Search Consoleにも順位計測ツールにも表示されません。

まず前提を共有します。ユーザーがChatGPTやGeminiに投げた質問は、Googleの検索窓への入力ではないため、Search Consoleのクエリレポートには現れません。AI Overviewは検索結果内の機能なので元のクエリは記録されますが、AIが内部で展開したサブクエリは記録されません。

つまり、既存のSEO分析ツールのデータだけでは、AI向けのクエリ設計はできません。推定する方法が必要になります。実務では次の4つを組み合わせます。

方法①：現場に届く質問を集める

最も精度が高い方法です。営業やカスタマーサポートが日々受けている質問は、そのまま顧客がAIに投げる質問です。

各担当者に「お客様からよく聞かれる質問を3つ」と依頼し、原文のまま集めてください。整形された想定質問より、実際の言い回しのほうが実態に近くなります。

方法②：「他の人はこちらも質問」を拾う

Googleで主要クエリを検索し、「他の人はこちらも質問」に並ぶ質問群を確認します。

当社の30ジャンル897クエリ調査では、この要素の出現率は89.0%と、AI Overviewの86.5%を上回りました。これはGoogleが「このクエリの背後にある質問群」として把握している内容の可視化であり、クエリファンアウトで展開されるサブクエリに近い性質を持ちます。無料で使える、精度の高い推定材料です。

方法③：AI自身に逆質問する

ChatGPTなどに「『（主要クエリ）』という質問に答えるために、追加でどんな情報を調べる必要がありますか?」と聞くと、サブクエリに近いリストが返ってきます。

AIがどのような分解を行うかを、AI自身に語らせる方法です。得られたリストを、そのまま計測対象の候補にできます。

方法④：AI回答の内容から逆算する

自社の主要クエリでAIに質問し、回答が触れている論点を書き出します。ユーザーが聞いていない論点が含まれていれば、それはAIが内部で調べたサブクエリの痕跡です。

さらに、各論点で引用されたのがどのサイトかを見れば、「どのサブクエリで、誰に負けているか」が論点単位で特定できます。ページ全体の順位比較より、はるかに解像度の高い競合分析になります。

ローカルビジネスで効くクエリの型

「地域 × 条件 × 課題」の組み合わせが、地域企業にとっての主戦場です。

地域ビジネスにとって、AI検索は必ずしも不利な戦場ではありません。むしろ、条件が細かくなるほど、情報を整備した企業が有利になる構造があります。

有効な型①：地域の粒度を下げる

「東京都 美容室」では大手と競合しますが、「（市区町村） （施術内容） （条件）」まで絞り込むと、対策している企業は大きく減ります。

例：「〇〇区でブリーチ毛の縮毛矯正に対応できるサロン」

理由は単純で、多くの競合は都道府県レベルでしか情報を整備していないためです。

有効な型②：条件を複合させる

地域に加えて、時間帯・予算・対象者・設備といった条件が組み合わさるほど、照合できる企業は絞られます。

例:「〇〇駅周辺で、当日予約できて、子ども連れでも入りやすい店」

この質問に答えるには、営業時間・予約方法・設備（ベビーカー可、個室有無）がテキストで公開されている必要があります。

有効な型③：背景と解決をセットにする

「なぜそうなるのか」と「どうすればいいか」が同時に含まれる質問は、AIが回答を組み立てる際に、原因と対策の両方を説明できる情報源を求めます。

例：「（地域）の（業種）で新規客が増えない原因と対策」

一般論の解説記事は多数ありますが、地域の実情を踏まえた情報は少ないため、地域企業が差をつけやすい領域です。

有効な型④：業種の「悩み」でクエリ化する

多くの企業は「（業種） + （サービス名）」で対策していますが、AIに投げられるのは「（業種） + 悩み」の形です。

• 一般的な対策:「税理士 クラウド会計」

• AIに聞かれる形:「独立後に売上が伸びない。税理士に相談すべきか」

悩みそのものを言語化したコンテンツは、競合が手をつけていない領域が残っています。

質問型クエリへの対策

FAQと段階的なHow-toを併用してください。AIは両方を参照して回答を組み立てます。

質問型クエリは、コンテンツ引用を獲得する上で最も重要な分類です。有効な形式は2つあります。

形式①：FAQ|即答を提供する

AIが最も抽出しやすい形式です。ただし、一問一答で終わらせないでください。

改善前

Q. LLMOとは? A. AI検索最適化のことです。

改善後

Q. LLMOとは? A. LLMO（Large Language Model Optimization）とは、ChatGPTやGoogle AI Overviewなどの生成AIが回答を作る際に、自社の情報が引用・言及されるようにする最適化手法です。検索結果での順位を追う従来のSEOに対し、AIの回答文の中での露出を目指す点が異なります。両者は対立せず、SEOの土台の上にLLMOを積む関係にあります。

定義だけでなく、背景と位置づけまで含めることで、AIが文脈ごと引用できる情報になります。

形式②：段階的なHow-to｜手順を構造化する

「どうやるのか」を問う質問には、順序立てた構造が有効です。推奨する構成は次の形です。

【前提】読者がどの段階にいるか
  ↓
【ステップ1】最初に判断すべきこと
  ↓
【ステップ2】具体的な実行手順
  ↓
【ステップ3】結果の確認方法
  ↓
【よくある失敗】つまずきやすい点と対処

各ステップに完了の条件を書くと、AIが手順として抽出しやすくなります。

共通して守るべき2点

具体的な数値と条件を書く。「効果的です」「傾向があります」といった曖昧な表現より、「当社の30ジャンル897クエリ調査では86.5%」のように、検証できる形で書かれた情報のほうが引用されます。数値を書く際は、対象と期間をセットにしてください。

見出しの階層を論理的にする。AIは見出し構造からコンテンツの論理を読み取ります。H2で問いを立て、H3でその答えを段階的に展開する。この一貫性が抽出の精度を左右します。

競合が対策していないクエリを見つける

競合の少ないクエリには、共通するパターンがあります。

パターン①：「機能」ではなく「悩み」

前述の通り、多くの企業はサービス名や機能名で対策しています。悩みや状況を言語化したクエリは手つかずのまま残っていることが多い領域です。

パターン②：「一般名詞」ではなく「属性 + 業種」

「飲食店」ではなく「新規開業する飲食店」「個人経営の飲食店」「多店舗展開中の飲食店」。属性を組み合わせることで、対象が明確になり、条件照合の精度も上がります。

自社の顧客層を属性(規模、事業ステージ、体制、地域)で細分化し、それぞれの課題を想定してクエリ化してください。

パターン③：「地域 × 専門性」

地域名と専門分野の組み合わせは、大手が対策しにくい領域です。全国展開の企業は地域固有の情報を持たず、地域の企業は専門性を言語化していないことが多いため、両方を満たすと空白が取れます。

選定のチェックリスト

見つけたクエリが対策に値するかを、次の基準で判定してください。

• そのクエリでAIに質問したとき、回答が曖昧または一般論に留まっている

• 自社が実績・データ・経験に基づいて回答できる

• 対象が「全員向け」ではなく、属性や地域で絞られている

• 検索意図が明確で、何を知りたいかが一読して分かる

• 顧客が実際に使う言葉で表現されている

3つ以上該当すれば、優先度を上げる価値があります。

クエリセットの設計と計測

クエリの設計は人が行い、ツールは計測を担う。この役割分担が実務の形です。

ステップ1：クエリセットを設計する

前述の4つの方法（現場の質問、関連質問、AIへの逆質問、回答からの逆算）で候補を集め、4分類に振り分けます。本数は10〜30本が目安です。

配分の目安は、指名系3〜10本、カテゴリ系5〜15本、質問系5〜10本、比較系2〜5本です。目的によって比重を変えてください。ブランド防衛が主目的なら指名系を厚く、新規接点の獲得ならカテゴリ系を厚くします。

この工程に1時間かけるかどうかで、以降のすべての精度が変わります。思いついたキーワードを数本入れただけの設定では、数値が出ても打ち手につながりません。

ステップ2：ベースラインを記録する

施策を始める前に、設計したクエリでの現状を記録します。言及の有無、引用元、誤情報の有無。この数字がなければ、数か月後に効果を証明できません。

ステップ3：計測を継続する

AIの回答は同じ質問でも毎回変わるため、1回の確認は測定値になりません。同一クエリを反復実行し、出現頻度の傾向として読む必要があります。

手動でも小規模なら可能ですが、エンジン数 × クエリ数 × 反復回数の掛け算で、すぐに工数が破綻します。当社が提供するLLMOチェキでは、この計測を自動化しています。

LLMOチェキで確認できること

• 8つのAIエンジン（ChatGPT・Gemini・Perplexity・Claude・AI Overview・AI Mode等）での言及率・引用率

• 競合との言及シェアの比較

• AIが参照した引用元ドメインの内訳

• 指名クエリでの誤情報の検知

ここで重要なのは、ツールがクエリを自動で発見するわけではないという点です。何を測るかを決めるのは人であり、その設計の質がツールの価値を決めます。ツールが担うのは、設計されたクエリの継続計測と、変化の可視化です。

ステップ4：内訳から次の打ち手を決める

計測結果は、絶対値より内訳と推移で読みます。

• 引用元が競合サイトに偏っている → 自社コンテンツの改修

• 引用元が第三者メディアに偏っている → その媒体への掲載獲得

• 指名系で誤情報がある → 公式情報の整備

• カテゴリ系で言及がない → 条件の言語化が不足

同じ「言及率が低い」でも、内訳によって正解の施策は変わります。

よくある質問(FAQ)

Q1. Search ConsoleでAI検索のクエリは確認できますか?

できません。ChatGPTなどへの質問は、Googleの検索窓への入力ではないためです。AI Overviewは検索結果内の機能なので元のクエリは記録されますが、AIが内部で展開したサブクエリは記録されません。したがって、本記事で挙げた4つの推定方法を組み合わせる必要があります。

Q2. AI検索向けの対策は、SEOと大きく変える必要がありますか?

土台は共通です。検索意図に答える、E-E-A-Tを明示する、クロール可能な構造にする。これらはSEOでもLLMOでも同じく評価されます。追加で必要なのは、結論の先出し、FAQの整備、トピックの網羅、そしてAI回答での見え方の計測です。既存コンテンツの改修から始めるのが効率的です。

Q3. クエリは何本くらい設定すべきですか?

10〜30本が目安です。多ければ良いわけではなく、本数が増えるほど1本あたりの注意が薄まり、費用も上がります。意思決定に使うクエリを丁寧に設計し、型別の集計が安定してから広げる順序を推奨します。

Q4. 競合が対策しているかは、どう判断しますか?

そのクエリでAIに質問し、回答内容と引用元を確認するのが最も直接的です。回答が一般論に留まり、引用元が汎用的なメディアばかりなら、特定企業の対策は進んでいない可能性があります。逆に、特定企業のページが繰り返し引用されているなら、その企業は対策済みと考えられます。

Q5. 効果が出るまでどれくらいかかりますか?

当社観測では、施策後の改善傾向の確認に約3か月、投資判断に足る評価には約6か月が目安です。AIの回答は日々揺れるため、単月ではなく期間の傾向で評価してください。

Q6. 外注する場合、どこまで任せるべきですか?

クエリ設計だけは自社で主体的に関わることを推奨します。材料となる「顧客が実際に使う言葉」は社内にしかなく、外注先が作れるものではないためです。コンテンツ制作や技術実装は外注できますが、何を測るかの設計を委ねると、施策の評価軸ごと失うことになります。

まとめ

AI検索のクエリは、検索窓への短い入力ではなく、条件を並べた相談文です。そして1つの質問の裏で、複数のサブクエリが同時に走っています。対策の単位は、キーワードではなく質問群になりました。

指名・カテゴリ・質問・比較の4分類で対策を分け、それぞれに必要な情報を用意する。そしてクエリは、Search Consoleではなく、現場の質問・関連質問・AIへの逆質問・回答からの逆算で見つける。この設計ができれば、あとは計測して改善を回すだけです。

まずは自社の主要クエリを10本設計し、AIに質問して現状を記録してください。それがベースラインになります。継続的な計測には、LLMOチェキ(llmocheki.com)で8つのAIエンジンでの言及・引用状況を確認できます。初期費用0円・カード登録不要で試せます。

調査概要

• 調査名:LLMO傾向分析レポート

• 調査主体:株式会社Itera（LLMOチェキ）

• 調査対象:30ジャンル・897クエリ（日本語Google検索）

• 調査期間:2026年7月25日〜2026年8月3日

• 実測値:AI Overview出現率（平均86.5%）、検索結果要素の出現率（関連する検索89.6%、他の人はこちらも質問89.0%）、引用元ドメイン

• 推定値:ゼロクリック率（59.0%）、CTR低下率（51.9%）。モデルによる算出であり、実際の流入数・クリック率を保証するものではありません

本記事の調査データは、出典として「LLMOチェキ調べ（株式会社Itera）／https://llmocheki.com/report/llmo-trend」をご記載いただければ、引用・転載自由です。