AIが「おすすめ」を生成する仕組み（候補集合と推薦理由）
推薦されるブランドとされないブランドの差
推薦を獲得するための7ステップの改善アクション
TL;DR：「〜のおすすめは？」という質問に対し、AIはまずそのカテゴリの候補集合を作り、各候補の推薦理由（特徴・評価・実績）を要約して提示します。推薦で勝つ条件は2つだけで、①候補集合に入ること ②抽出しやすい明確な推薦理由を持つことです。被リンク数ではなく、比較・選定の文脈で参照される情報源に載っているかが分かれ目になります。
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。
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。
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。
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。
実務Tip：手動計測は揺れと工数が課題です。まずブランド可視性モニタリングで現状を可視化し、本記事の改善アクションに進むと、効果検証まで一気通貫で回せます。
現状把握で見えた弱点を、次の順序で潰していきます。
「〜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。
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。
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。
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。
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。
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。
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15選を参照してください。
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。
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。
AIは学習データと参照ソース（AI検索の場合はリアルタイムのWeb）から、そのカテゴリの「候補集合」を作り、各候補の推薦理由（特徴・評価・実績）を要約して提示します。候補集合に入ること、明確な推薦理由を持つことの2つが必須です。
同じプロンプトを複数回・複数モデルで実行し、自社名が挙がる頻度（推薦シェア）を記録します。まずはブランド可視性モニタリングで現状を可視化してから、本記事の改善に進むのが効率的です。
被リンクは一因ですが、推薦は「比較・選定の文脈で参照されるか」に強く依存します。比較記事・ランキング・第三者レビューなど、推薦理由の根拠になる情報源にブランドが載っているかが重要です。
多くの場合、①比較・ランキング系の第三者ソースに自社が載っていない ②公式サイトに特徴・強み・対象が構造化されていない ③カテゴリ名と自社の関連付けが弱い、のいずれかです。推薦シェアの差分から原因を切り分けます。
有効です。ニッチなほど候補集合が小さく、第三者ソースと公式情報を整えれば短期間で推薦シェアを取りやすい傾向があります。
AI検索（Perplexity等）はWeb更新を即時反映するため数日〜数週間、学習データ依存のモデルは更新サイクルにより数週間〜数ヶ月が目安です。推薦シェアを週次で追跡し変化を確認します。
公式サイトの製品ページ冒頭、比較表、FAQ、第三者の比較・レビュー媒体です。「誰向けに・何が強いか」を一文で言い切る形が最も抽出されやすくなります。
LLM Insightで、AIに選ばれるブランドへ
