AI検索に載ると売上はどう変わるか、測る手法が登場

ChatGPTやGeminiに「おすすめの○○を教えて」と聞いたとき、そこに自分のブランド名が登場するかどうか——これが新しい集客の争点になりつつある。GEO（Generative Engine Optimization）と呼ばれる概念で、従来のSEOが検索結果の順位を争うゲームだったとすれば、GEOはAIの回答文の中に自社名を滑り込ませるゲームだ。

しかし問題がある。「AIの回答に何回自分の名前が出たか」は測れても、それが実際に売上や問い合わせにつながっているかどうかは、これまで誰にも測れなかった。WebのトラッキングやGA4の計測は、ユーザーがAIとやりとりした会話の中に入り込めないからだ。

この空白を埋めようとした理論的枠組みが、arXivで発表された論文「Generative Marketing Mix Modeling（GMMM）」だ。AI回答への露出を変数として扱い、ビジネス成果との因果関係を推定するための設計図がまとめられている。

GMMのオリジナルはテレビCMやWeb広告の投資対効果を混合推計する手法で、日本でも広告代理店などが利用してきた。今回の論文はそこにAI特有の要素を組み込んでいる。

具体的にはGEO（無料の自然露出）とGEM（AI検索面への有料広告）の2種類に対応する。GEOの推計では、①AIが実際に生成した回答の中に自社名が含まれる頻度、②その質問がどれだけ多く検索されているか（質問数）、③ChatGPT・Gemini・Perplexityなど複数のAIサービスのシェア、④ユーザーが回答を読んだときに実際に社名に気づく確率（注目確率）——これら4つを掛け合わせて「推定露出量」を算出する。

ここで面白いのが「注目確率」という概念だ。AIの回答は長文になることが多く、ユーザーが全文を読むとは限らない。たとえ社名が回答に含まれていても、読み飛ばされていれば広告効果はゼロに近い。論文はこの「見たけど気づかない」リスクをモデルに組み込んでいる点が実態に即している。

論文では英語と日本語両方の環境でシミュレーションを実施している。AIの回答における社名出現パターンが言語によって異なることを考慮した設計で、日本語対応のシミュレーション結果が含まれている点は実用上の参考になる。

理論論文なので「このツールを使えばすぐ測れる」という話ではない。ただ、GEO対策を自分でやっている人にとっては、「何を記録しておくべきか」という視点が根本的に変わる。

従来のSEO管理では検索順位・流入数・コンバージョン率を追っていればよかった。GMMという枠組みに乗せるなら、今後は①AIが自社について何と回答しているか（生成回答のサンプリング）、②どの質問カテゴリで自社名が出現しやすいか、③その質問カテゴリの検索ボリュームに相当する「質問量」はどのくらいか——といったデータを手元に積み上げておく必要が出てくる。

「効果測定の設計図がないまま施策を走らせる」状態は、昔のWeb広告黎明期に似ている。測定の枠組みが先に出てきた今、実務としては「何を計測し続けるか」を先に決めておく段階に入ったと読める。

AIがAI自身を改良する時代の到達点とはでも触れたように、AIが介在する工程が増えるほど、従来の計測ツールが追いつかないケースは今後も増えていく。効果測定の設計を「あとで考える」にしておくと、打てる手が後手に回る。

この論文を実務の文脈で読むとき、現時点での限界も整理しておく価値がある。

第一に、まだ理論と検証段階だ。シミュレーションは実施されているが、実在企業の実データを使った検証ではない。実務に組み込むには追加の調整が必要になる。

第二に、「注目確率」の取得が難しい。ユーザーがAIの回答のどこを読んだかはサービス側のログに依存しており、外部から取得できるデータではない。この変数をどう近似するかが実装の最大のボトルネックになる。

第三に、AI検索サービスの仕様変更が速すぎる問題がある。ChatGPT、Gemini、Perplexityはそれぞれ回答スタイルやスポンサー広告の仕様を頻繁に変える。モデルを組んでも半年後にはキャリブレーションが必要になるリスクがある。

これらは「だから使えない」という話ではなく、「設計時に前提として持っておくべきこと」として捉えるのが適切だ。