LANYが実施した施策の内容と順序
結果の数値を、分母・対照の有無・発表主体ごとにどう読むか
同じ施策を自社で試すときの計測設計
TL;DR：AIから参照されているのに自社サービスが推奨されない記事に、サービス名・KBF（比較時に重視される点）・RTB（その根拠）を一つのパッセージとして書き足すと、推奨率は動きます。LANYの自社検証では、参照数がほぼ変わらないまま参照時推奨率が記事Aで約23%→約79%（+55pt）になりました。参照の量ではなく、参照された箇所に推奨理由があるかが結果を分けています。
LANY（横断（匿名化された支援先））の事例。発表主体は支援会社の自社検証、証拠グレードは B（当事者の公表）。
AI検索の対策は「引用されるか」で語られがちです。ただ、引用されることと、比較の場面で自社が推奨されることは別の出来事です。この検証が扱ったのは後者で、すでにAIの回答に参照されている記事なのに、回答では自社サービスが推されていない、という状態でした。
原因として疑われたのは、記事の中に「なぜこのサービスを選ぶべきか」が読み取れる箇所がないことです。AIは記事を読んでいても、推奨の理由になる記述を見つけられなければ、そのサービスを推さないのかもしれません。
そこで記事の量や参照数には手を付けず、推奨理由になる一つのパッセージだけを足しました。参照数がほぼ変わらないまま推奨率が上がったことで、変化の原因を中身に絞り込みやすい設計になっています。
AIから参照されているのに自社サービスが推奨されていない記事を特定し、サービス名・KBF（比較時に重視される点）・RTB（その根拠）を一つのパッセージとして明文化し、冒頭部・結論部や記事末尾に配置
順序は「対象記事の特定」が先です。参照されていない記事に推奨理由を足しても、AIがその箇所を読む保証はありません。まず参照はされているが推奨されていない記事を選ぶことで、足したパッセージがAIの目に入る前提をそろえています。
次に、サービス名・KBF・RTBを分けずに一つのパッセージへまとめます。三つが離れた段落に散っていると、AIが部分だけを抜き出したときに推奨の理由がつながりません。ひとまとまりで読める形にしておくことが、セクションの自立化（C-8）にあたります。
最後に、置き場所を冒頭部・結論部や記事末尾にしています。記事のどこが参照されても推奨理由に行き当たりやすい位置です。
| 指標 | 前 | 後 | 期間・母数 |
|---|---|---|---|
| 参照時推奨率（記事A） | 約23% | 約79% | +55pt。参照数はほぼ不変 |
| 参照時推奨率（記事B） | 約59% | 約95% | +35pt。参照数はほぼ不変 |
| 参照時推奨率（別企業の解説記事） | 53% | 90% | 参照数15回→15回 |
参照数はほぼ変わらないまま、参照時推奨率が記事Aで約23%→約79%（+55pt）、記事Bで約59%→約95%（+35pt）。別企業の解説記事では参照数15回→15回のまま53%→90%
参照される量を増やさなくても、参照された箇所に推奨理由があれば推奨結果は動く。ただし支援先は匿名化され数値も丸められており、対照群は無い
指標の「参照時推奨率」は、記事が参照された場面に限った推奨の割合と読めます。分母は参照の回数なので、参照されていない回答は数に入りません。別企業の解説記事では分母が15回と小さく、1回の違いで率が大きく動きます。
前後比較のみで、パッセージを足さなかった記事との対照はありません。比較の期間中にAI側のモデル更新があれば、それだけで推奨率が変わる可能性もあります。発表主体は支援会社のLANY自身で、支援先は匿名化されています。
検証の対象はChatGPTです。他のAIで同じ動きになるかは、この検証からは分かりません。
比較検討の質問（「おすすめの○○は？」など）を固定し、AIの回答で自社記事が参照された回数と、そのうち自社サービスが推奨された回数を記録します。参照はされているのに推奨率が低い記事が対象候補です。AI別の参照と推奨はモニタリング機能で定期的に記録できます。
対象記事に、サービス名・KBF・RTBを一つにまとめたパッセージを書き足し、冒頭部・結論部や末尾に置きます。参照数の変化と切り分けるため、同じ期間に記事の量や他の箇所は変えません。可能なら、手を入れない記事を比較用に残します。
同じプロンプトで再計測し、参照数と参照時推奨率を並べて見ます。参照数が少ないと率は大きく振れるため、複数回の計測で幅を確認してから判断します。
この事例を含む一覧はLLMO成功事例・失敗事例集にまとめています。
ChatGPT・Gemini・Perplexity・Google AI Overviews・Microsoft Copilotでの自社と競合の露出を、無料で診断します。
出典ページ（LANY）で公開されています。掲載している数値は、出典ページの表記と照合できたものだけです。
施策前の基準値です。対象プロンプト（質問）を固定し、AI別の引用・言及・推奨を記録してから着手すると、効果の有無を切り分けられます。
保証はありません。この検証は、すでにAIから参照されている記事が前提です。支援先は匿名化され、数値は丸められ、対照群もありません。結果は業種・記事の内容・AIのモデル更新に左右されます。
KBFは比較検討のときに重視される点（購買決定要因）、RTBはその点を満たすと言える根拠です。この検証では、サービス名・KBF・RTBを一つのパッセージにまとめ、記事の冒頭部・結論部や末尾に置いています。
この検証では、参照数がほぼ変わらないまま参照時推奨率が上がっています。別企業の解説記事でも参照数は15回→15回のままで、推奨率は53%→90%でした。ただし参照されていない記事には当てはまりません。
A：対照群や前後比較を自ら開示、B：当事者の公表、C：支援会社の発表（複合施策）、D：測定条件非公開（公開対象外）。本事例は B です。
登録したプロンプトをAI別に定期実行し、引用URL・言及・推薦順位を自動記録します。無料診断では現在の露出状況をレポートします。
LLM Insightで、AIに選ばれるブランドへ
