1. AIが「おすすめ」を生成する仕組み
ChatGPT・Gemini・Perplexityなどに「〜のおすすめは？」と尋ねると、AIは2段階で回答を組み立てます。
- 候補集合の生成：学習データや参照ソース（AI検索の場合はリアルタイムのWeb）から、そのカテゴリで言及されるブランド群を集めます。ここに入らなければ、そもそも土俵に上がれません。
- 推薦理由の要約：各候補について「誰向けで、何が強いか」を要約します。明確な推薦理由を持つブランドほど上位で言及されます。
つまり推薦獲得は「候補集合への参入」と「推薦理由の明確化」という、内部改善と外部評価の両面から攻める課題です。これはGEO実践7ステップで扱う最適化の、推薦・比較レイヤーに特化した応用にあたります。
2. 推薦されるブランド vs されないブランドの差
推薦系プロンプトで出るブランドと出ないブランドには、明確な構造的差があります。
| 観点 | 推薦されるブランド | 推薦されないブランド |
|---|---|---|
| 第三者ソース | 比較記事・ランキング・レビューに掲載されている | 第三者の比較文脈に登場しない |
| 推薦理由 | 「誰向けに・何が強いか」が一文で言い切られている | 特徴が長文に埋もれ抽出しづらい |
| カテゴリ関連付け | カテゴリ名とブランド名が同じ文脈で頻出 | カテゴリ名との関連が弱い |
| 裏付け | 実績・数値・事例で根拠が示されている | 定性的な訴求のみ |
| 構造 | 比較表・FAQで差別化要因が整理されている | 選定根拠が散在している |
右列の状態にあると、たとえ製品が優れていてもAIは候補に挙げられません。改善の起点は「製品の質」ではなく「推薦理由が抽出可能な形になっているか」です。
3. まず現状把握：推薦シェアを測る
改善の前に、自社が今どれだけ推薦されているかを定量化します。改善アクションの効果は、この基準値との比較でしか検証できません。
- 同一プロンプトを複数回実行：AIの出力は揺れるため、同じ質問を5〜10回繰り返し、自社名が挙がる頻度（推薦シェア）を記録します。
- 複数モデルで横断：ChatGPT・Gemini・Perplexityで結果が大きく異なるため、モデル別に推薦シェアを取ります。
- 競合と並べる：自社だけでなく主要競合の推薦シェアも測り、差分から弱点を特定します。
4. 推薦を獲得する7ステップ
現状把握で見えた弱点を、次の順序で潰していきます。
4.1 対象プロンプトを洗い出す
「〜のおすすめは？」「〜の比較」「〜で人気のサービスは？」など、購買・選定につながる推薦系プロンプトをカテゴリごとに列挙します。検索意図に近い表現を優先します。
4.2 推薦シェアと候補集合を測る
前章の手順で、各プロンプトの推薦シェアと、競合が挙げられる際の推薦理由を記録します。「競合は何を理由に推薦されているか」が改善の設計図になります。
4.3 推薦理由を公式サイトで言い切る
製品ページ冒頭で「誰向けに・何が強いか」を一文で言い切ります。例：「中堅BtoB向けに、AI検索での推薦シェアを週次で追跡できる国産ツール」。長文の中に埋めず、抽出しやすい位置に置きます。
4.4 比較・ランキング系の第三者ソースに載る
AIが参照する比較記事・ランキング・レビュー媒体に自社が掲載されるよう働きかけます。候補集合は第三者の比較文脈から強く影響を受けるため、ここが推薦シェアを大きく動かします。
4.5 比較表とFAQで差別化要因を構造化する
競合と並べた比較表と、想定質問のFAQを用意し、選定の根拠を構造化します。AIは表形式・QA形式の情報を要約に取り込みやすい性質があります。
4.6 実績・数値・事例で裏付ける
導入実績、定量データ、事例を提示し、推薦理由の信頼性を高めます。「導入500社」「CV率1.4倍」など具体的な数値は推薦の根拠として引用されやすくなります。
4.7 推薦シェアを週次で追跡し改善を回す
施策後の推薦シェアの変化を週次で追跡し、効果のあった施策を他カテゴリ・他プロンプトへ横展開します。ツール選定はLLMOツール比較12選を参照してください。
5. プロンプト類型と対策の対応表
推薦系プロンプトは類型ごとに勝ち筋が異なります。自社のカテゴリで頻出する型から優先的に対策します。
| プロンプト類型 | 例 | 主な対策 |
|---|---|---|
| おすすめ列挙型 | 「〇〇のおすすめツールは？」 | 候補集合への参入＝第三者の比較・ランキング掲載 |
| 比較型 | 「AとBどっちがいい？」 | 比較表で差別化要因を明示し、対象読者を分ける |
| 条件指定型 | 「BtoB向けで安いのは？」 | 対象・価格帯・条件を公式情報で言い切る |
| 用途特化型 | 「〇〇に使えるサービスは？」 | ユースケース別ページとFAQで用途を網羅 |
| ランキング型 | 「人気の〇〇トップ5は？」 | 実績・数値・事例で上位の根拠を提供 |
いずれの型でも共通するのは、「候補集合に入る（第三者ソース）」と「推薦理由を抽出しやすくする（公式情報の構造化）」の2軸です。現状把握で弱い軸から着手すれば、最短で推薦シェアを伸ばせます。