「Googleマップでは上位なのにAI検索では競合だけがおすすめされる」「地域名を変えると自店舗が消える」。このような状態の原因を調べるとき、従来のMEO順位だけを確認しても答えは見えてきません。
AI検索のローカル推薦は、質問内容、ユーザーの位置、店舗情報、口コミ、Web上の情報など複数の条件が関係するためです。AIに1回質問して順位を見るだけでは、どの条件が結果を動かしたのかが分かりません。
そこで、同じ条件を固定し、条件を一つだけ変えながら「どの店舗が推薦されたか」「どの情報が根拠になったか」を比較します。
この記事では、AI検索とMEOを混同せず、ローカル企業・店舗の推薦状況を再現可能な形で監査する手順を解説します。質問と位置条件の固定、記録する項目、原因候補の比較、改善後の再測定まで進めると、改善すべき情報を特定できるようになります。
AI検索のローカル推薦は「順位」ではなく「条件差」で監査する
この節では、何を単位に記録するかを決めます。AI検索で店舗の見え方を調べる場合は、1つの順位を追うのではなく、少なくとも「質問」「位置」「推薦された店舗」「根拠となる情報」の4点をセットで記録します。
AIO全体の成果指標や測定の前提は、AIOの効果測定とKPI設計で確認できます。
記録の前提として、従来のローカル検索とAI検索の違いを確認します。Googleは従来のローカル検索について、主に「関連性」「距離」「知名度」の組み合わせで結果を決めると説明しています。距離は検索ユーザーの場所によって変わり、レビュー数や評価なども知名度の判断材料になります。
一方、GoogleのAI ModeやAI Overviewsでは、1回の質問から複数の関連検索を行う「query fan-out」が使われる場合があります。複数のサブトピックや情報源を横断して回答を組み立てるため、通常検索の順位だけではAI回答で推薦される店舗の集合（以下、店舗集合）を説明できません。
ChatGPT Searchも、IPアドレスから推定した大まかな位置や、ユーザーが許可した端末位置をローカル検索に使用できます。近隣店舗の検索では位置情報そのものが回答条件になります。
そのため、AIローカル推薦では、従来のMEOで見るものに加えて、AI回答に特有の項目を見ます。次の表は、その対応をまとめたものです。なお、GBPはGoogle Business Profileの略で、表のGBP情報はその掲載内容を指します。
| 従来MEOで見るもの | AIローカル推薦で追加して見るもの |
|---|---|
| 検索キーワード | 自然文の質問・条件 |
| マップ順位 | 回答内で推薦された店舗集合 |
| 検索地点 | AIへ与えられた位置条件 |
| GBP情報 | GBP・公式サイト・外部情報の整合性 |
| 口コミ数・評価 | 口コミが質問条件の根拠として使われているか |
| 順位変化 | 質問や条件を変えたときの推薦変化 |
従来MEOではキーワードやマップ順位が中心ですが、AIローカル推薦では質問内容、位置条件、推薦された店舗集合、根拠情報まで分けて確認します。
MEO順位は重要な比較材料です。ただし、AI推薦そのものとは別の指標として分けて記録します。
最初に、監査で使う地域質問を5種類に固定する
この節では、毎回同じ質問で比べられるように、監査に使う質問を決めます。AI検索では質問の書き方によって求められる条件が変わります。そのため、実際の来店候補者が使いそうな質問を分類し、毎回同じ質問を使える状態にしてから監査を始めます。
おすすめは次の5種類です。表では、質問タイプごとに質問例と確認したいことを対応させています。
| 質問タイプ | 質問例 | 確認したいこと |
|---|---|---|
| 地域＋業種 | 「渋谷でおすすめの美容室は？」 | 基本的な地域推薦 |
| 近接性 | 「この近くでおすすめの美容室は？」 | 位置情報による差 |
| 条件付き | 「渋谷で子連れでも行きやすい美容室は？」 | 属性・特徴との一致 |
| 時間条件 | 「渋谷で今から行ける美容室は？」 | 営業時間・最新情報 |
| 評判条件 | 「渋谷で口コミ評価の高い美容室は？」 | 評価・口コミとの関係 |
この5種類は、質問条件を一度に増やさず、1条件ずつ変えて推薦店舗の差を確認するための型です。
GoogleのAI Modeでは、近隣店舗の予約可能状況、サービス料金、商品の在庫など、具体的な条件を含むローカルタスクも扱われています。単なる「地域名＋業種」だけでなく、営業時間や在庫、利用条件まで質問に含めることには実務上の意味があります。
ただし、一度に質問条件を増やしすぎると、監査として使いにくくなります。たとえば「渋谷で、駅から近く、口コミが良く、子連れ可能で、今日空いている美容室」のように条件を重ねると、どの条件によって推薦店舗が変わったのか判断しにくくなるためです。最初は1条件ずつ追加しましょう。
STEP1｜位置条件を固定して推薦店舗を記録する
最初に固定するのは検索地点です。「近くの店舗」という問いでは、同じ質問でも位置が変われば候補店舗自体が変わります。
OpenAIは、ChatGPTが大まかな位置情報や、許可された場合の詳細な端末位置をローカル検索に利用できると説明しています。Googleも通常のローカル検索では検索者との距離を主要要素の一つとしています。
監査では、たとえば次の3地点を固定します。
- 店舗から500m程度の地点
- 主要駅や商圏中心
- 商圏の外縁
各地点で同じ質問を行い、推薦された店舗を記録します。位置情報を自由に変更できないAIでは、「渋谷駅周辺」「東京都渋谷区神南」など質問文の中で位置を明記して比較します。
見るべきなのは、「地点Aでは出た」「地点Bでは出なかった」という差そのものです。位置条件が変わっただけで推薦から外れたのであれば、口コミやコンテンツを直す前に「商圏による違い」の可能性を考えましょう。
STEP2｜推薦された店舗だけでなく「根拠」を記録する
AI回答では、店名が出たかどうかだけを記録しても改善につながりません。次の7項目まで記録します。
| 記録項目 | 確認内容 |
|---|---|
| 推薦有無 | 自店舗が回答に含まれたか |
| 推薦位置 | 最初・中盤・最後のどこで紹介されたか |
| 推薦理由 | 駅近、口コミ、価格、専門性など何が説明されたか |
| 店舗情報 | 住所、営業時間、サービスなどが正しいか |
| 引用・参照先 | 公式サイト、地図、メディア等が表示されたか |
| 競合店舗 | 同時に推薦された企業 |
| 不一致 | 古い営業時間、誤ったサービス等がないか |
GBPの情報は事業者本人が入力した内容だけではなく、その他の情報源も組み合わせて表示されます。Googleは住所や営業時間などの店舗情報をローカル検索結果に利用しています。
したがって、自社のGBPだけを確認して「情報は正しい」と判断するのは不十分です。公式サイト、店舗ページ、外部掲載情報なども同時に確認します。
STEP3｜原因候補を店舗情報・口コミ・距離・Web上の根拠情報の4つに分けて比較する
推薦差が確認できたら、原因候補を4つに分けて調べます。ここでは、候補ごとに何を確認するかを決めます。確認の優先順位は、STEP5で付けます。
1．店舗情報は正確で、質問に答えられる内容か
確認するのは、店名、住所、電話番号、カテゴリ、営業時間、提供サービス、料金、予約方法などです。Googleは、GBPの情報が充実していて正確なほど関連するローカル検索に表示されやすいと説明しています。
公式サイト側では、店舗ページに住所や営業時間などを明記します。GoogleのLocalBusiness構造化データでは、営業時間や店舗情報などを検索エンジンへ伝えることができます。構造化データだけでAI推薦が決まるわけではありませんが、機械が店舗情報を理解しやすい状態を作る方法の一つです。
2．口コミは質問の条件を裏付けているか
口コミは件数や平均評価だけでなく、質問との関係を確認します。たとえば「子連れでも利用しやすい店」という質問なら、単に星4.5かどうかだけではなく、子連れ利用や設備について確認できる情報が存在するかを調べます。
Googleは通常のローカル検索について、レビュー数や評価がローカルランキングの知名度に関係すると明示しています。一方で、特定の口コミ表現を書かせればAI推薦が上がる、とまでは公式情報から確認できません。そのため、口コミは自然な利用者体験を集め、事実と異なる内容や特定キーワードの強制は避けます。
3．距離（位置条件）が推薦差の原因ではないか
ここでは、STEP1で固定した位置条件の違いが原因かどうかを見ます。まず自店舗と競合店舗の所在地を比較します。同じ質問でも、検索地点を変えると推薦される店舗が大きく変わるなら、位置条件の違いを疑います。
地理情報を扱うLLM研究でも、地域サービスやPOI推薦では意味的な関連性だけでなく、地理情報を独立した要素として扱う必要性が検討されています。2026年の「Reasoning Over Space」では、地理条件を推論へ組み込むことでPOI推薦の精度改善が報告されています。
ただし、これは特定の研究用推薦モデルの結果であり、ChatGPTやGoogleの実際のランキング要因を示した研究ではありません。
4．AIの回答は、どのWeb上の根拠情報を示しているか
AI検索は必ずしも通常検索の上位ページだけから回答を作るとは限りません。GoogleはAI ModeとAI Overviewsが複数の検索や情報源を利用する場合があると説明しています。
2026年に公開されたGoogle AI Overviewsの測定研究では、55,393件の検索を分析し、AI Overviewが引用したドメインのうち約3割が、同時に表示された通常検索1ページ目には存在しなかったと報告されています。これはローカル店舗だけを対象にした研究ではありませんが、「通常検索順位とAIが採用する情報源を同一視できない」ことを考える参考になります。
そのため、競合がAIで推薦された場合は、単純に「競合のMEO順位が高いから」と決めつけません。AI回答が示した根拠情報まで確認します。
STEP4｜MEO順位とAI推薦の高低で、店舗の状態を4つに分類する
従来MEOとAI推薦を並べると、改善対象を整理しやすくなります。次の表では、MEOとAI推薦の高低でA〜Dの4状態に分け、それぞれ最初に確認することを示しています。
| 状態 | MEO | AI推薦 | 最初に確認すること |
|---|---|---|---|
| A | 高い | 高い | 現状維持・監視 |
| B | 高い | 低い | AI質問との適合、根拠情報、情報源 |
| C | 低い | 高い | AIが評価した特徴・情報源 |
| D | 低い | 低い | GBP・位置・口コミ・Web情報全体 |
MEO順位とAI推薦を分けて見ると、マップ上位なのにAIでは推薦されない店舗など、改善対象の違いを整理できます。
この中で、特に注目したいのがBです。Googleマップでは上位なのに、AIへ「地域＋条件」で質問すると競合だけが推薦される場合、通常MEOで十分な評価を得ていても、その質問に答えるための情報が不足している可能性があります。
反対にCの場合は、AIが何を根拠に自店舗を選んだかを確認します。その情報を特定できれば、店舗の強みとしてWebサイトやGBPで明確に伝える材料になります。
STEP5｜推薦差の原因候補に優先順位をつける
AIの内部アルゴリズムを外部から完全に確認することはできません。したがって、「この施策が原因で推薦された」と断定するのではなく、観測した差から原因候補を絞ります。
優先順位は、次の表のように考えます。優先度が高いのは確認できる事実情報の誤り・不一致・欠落で、低いのは再測定で変動を確かめる段階です。
| 優先度 | 状態 | 対応 |
|---|---|---|
| 高 | 営業時間・住所・サービス内容が誤っている | 事実情報を修正 |
| 高 | GBPと公式サイトの店舗情報が一致しない | 情報を統一 |
| 高 | 質問条件に必要な情報が公式サイトに存在しない | 店舗ページへ追加 |
| 中 | 競合だけが質問に対応する具体情報を持つ | 情報差を分析 |
| 中 | 口コミ・外部情報に特徴が現れていない | 自然な顧客体験の蓄積 |
| 低 | 1回だけ推薦されなかった | 再測定して変動を確認 |
最初に直すのは、推測上の「AI対策」ではなく、確認できる事実情報の誤り・不一致・欠落です。Google自身もAI検索向けに特殊なSEO要件があるとはしておらず、従来の基本的なSEOやユーザーに役立つ情報が引き続き重要だと説明しています。
AIローカル推薦を数値化する4つの指標
継続監査では、単純な「出た・出なかった」だけでは変化を追いにくいため、指標を固定します。次の4つを使います。
推薦率
推薦率 ＝ 自店舗が推薦された質問数 ÷ 実行した質問数 × 100
たとえば20質問中12質問で自店舗が紹介された場合、推薦率は60％です。
安定推薦率
同じ質問を複数回確認し、一定回数以上推薦された割合を記録します。生成AIの回答は毎回完全に同じとは限らないため、単発結果より安定性を見るための指標です。
条件別推薦率
「地域＋業種」「近くの」「営業時間」「口コミ」「特定サービス」などに質問を分け、それぞれの推薦率を出します。
全体60％でも、「地域＋業種」は90％、「子連れ」は10％という状態なら、改善対象は明確です。全体の数字だけでは見えない弱い質問が、条件別に分けると分かります。
競合推薦差
自店舗と主要競合が同じ質問で何回推薦されたかを比較します。順位そのものより、「どの質問で競合だけが残るか」を確認することが重要です。
監査表は「1行＝1質問×1条件」で作る
監査データは次の単位で残すと再測定しやすくなります。
AI検索の推薦結果は、質問・地点・AIなどの条件とセットで記録します。
| 日付 | AI | 質問 | 地点 | 自社推薦 | 競合A | 競合B | 推薦理由 | 参照情報 | 誤情報 |
|---|---|---|---|---|---|---|---|---|---|
| 9/1 | AI-A | 渋谷でおすすめの○○ | 渋谷駅 | ○ | ○ | × | 駅近・専門性 | 公式サイト | なし |
| 9/1 | AI-A | 渋谷で子連れ向け○○ | 渋谷駅 | × | ○ | ○ | 子連れ設備 | 外部情報 | なし |
| 9/1 | AI-B | 渋谷でおすすめの○○ | 渋谷駅 | ○ | × | ○ | 口コミ | 地図情報 | 営業時間違い |
表の例では、「渋谷で子連れ向け○○」の行では、自社だけが推薦されず、競合AとBは推薦されています。このように質問ごとに自社と競合の推薦を並べると、どの質問で競合だけが推薦されているかが分かります。また、3行目のように自社が○でも、誤情報の欄に「営業時間違い」が残る場合があります。
AI名だけでなく、可能であればモデル、ログイン状態、位置情報設定、実行日時も残します。これによって翌月に同じ条件で再測定できます。
来店候補者が実際に判断する条件まで監査する
企業側が確認したいのは「AIで自社名が出たか」ですが、来店候補者が知りたいのは店舗名だけではありません。次のような判断までAIに任せる場面が増えています。
- 「今日行けるか」
- 「駅から近いか」
- 「希望するサービスを扱っているか」
- 「自分の条件に合うか」
「最初に、監査で使う地域質問を5種類に固定する」の節で触れたAI Modeの機能に加えて、ChatGPTも位置情報を使った近隣店舗やレストラン検索を扱います。
したがって、企業側が「地域名＋業種」だけを監視していると、実際の顧客が使う具体的な質問で競合へ流れている状態を見逃す可能性があります。基本質問に加えて、自社の顧客が来店前に確認する条件を監査質問へ追加してください。
改善後は一つの施策ごとに再測定する
複数の施策を同時に変更すると、何が推薦差に関係したのか判断できなくなります。そのため、施策は一つずつ実施し、そのたびに再測定します。たとえば、次の順番で進めます。
- GBPのサービス情報を追加する
- 同じ質問群を再測定する
- 推薦差を確認する
- 公式店舗ページを改善する
- 再測定する
推薦率が変わっても、それだけで因果関係が証明されたわけではありません。AI側の更新、競合側の変更、検索地点、情報更新、回答のランダム性など別の要因も考えられます。複数回・複数条件で同じ方向の変化が続くか確認してください。
AIローカル推薦監査で確認するチェックリスト
ここまでの内容を、次の13項目で確認します。
- 地域＋業種の基本質問を固定した
- 「近くの」「今開いている」など条件質問を追加した
- 検索地点を固定した
- AI・モデル・日時を記録した
- 自社だけでなく競合の推薦状況を記録した
- 推薦理由を記録した
- 引用・参照された情報源を確認した
- GBPの住所・営業時間・カテゴリを確認した
- 公式サイトの店舗情報とGBPを照合した
- 口コミ数・評価・内容を確認した
- 従来MEO順位を別指標として記録した
- MEOとAI推薦が異なる質問を抽出した
- 一つの施策ごとに再測定した
すべてを一度に改善する必要はありません。まず「競合は出るのに自社だけが出ない質問」を抽出し、その質問に必要な情報から確認する方が効率的です。
まとめ
AI検索のローカル企業推薦を監査するときは、MEO順位だけで原因を判断しないことが重要です。Googleの通常ローカル検索では関連性・距離・知名度が主要要素とされています。一方、AI検索では複数検索や複数情報源、位置条件を組み合わせて回答が作られる場合があります。
そのため、次の順番で監査します。
- 質問を固定する
- 位置条件を固定する
- 推薦店舗と根拠を記録する
- 店舗情報・口コミ・距離・Web情報を比較する
- MEO順位とのズレを見る
- 一つずつ改善して再測定する
目標は「AIで何位だったか」を知ることではありません。
どの条件なら自店舗が選ばれ、どの条件では競合へ推薦が移るのかを把握し、改善すべき情報を特定できる状態を作ることです。
最初の一歩は、「競合は出るのに自社だけが出ない質問」を一つ選び、質問と検索地点を固定して、推薦された店舗と根拠を記録することです。
参考文献・データ元
この記事で参照した情報を確認できます。
Google Business Profile Help「Tips to improve your local ranking on Google」
ローカル検索における関連性・距離・知名度の説明に使用。
URL: Google Business Profile Help
Google Search Central「AI features and your website」
AI Overviews・AI Modeのquery fan-outおよびAI検索向けSEOの公式説明に使用。
URL: Google Search Central
OpenAI Help Center「Searching the web with ChatGPT」
ChatGPT Searchにおける位置情報とローカル検索の説明に使用。
URL: OpenAI Help Center
Google Business Profile Help「Understand how Google sources & uses info in Business Profiles & local search results」
Googleが店舗情報をローカル検索へ利用する仕組みの確認に使用。
URL: Google Business Profile Help
Google Search Central「ローカル ビジネス（LocalBusiness）の構造化データ」
店舗情報を検索エンジンへ伝える構造化データの確認に使用。
URL: Google Search Central
Google Search Help「AI モードを使用してローカルの在庫状況と価格を確認する」
AI Modeにおけるローカル店舗・在庫・料金・予約条件の確認に使用。
URL: Google Search Help
Xu, H., Iqbal, U., Montgomery, J. M.「Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact」2026
通常検索結果とAI Overview引用元の違いを考える研究資料として使用。
URL: arXiv
「Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation」2026
地理条件を扱うLLMベースPOI推薦研究として使用。
URL: arXiv
‹ 親記事: AIOの効果測定は何から始める？表示・引用・流入・成果、4段階で分かる全体像
関連記事
- › AI検索で競合だけが引用されるのはなぜ？引用差分の分析方法と改善手順
- › AI検索の引用率を定点観測する方法｜質問セット・記録項目・KPI・変化点の見方
- › AI検索のブランドShare of Voiceを測る方法｜競合別の言及シェア・掲載順位を比較する
- › AI回答の引用元を分析する方法｜ドメイン・ページ種別・一次情報の偏りを可視化する
- › AI回答で自社が推薦される理由を分析する方法｜評価属性・根拠・競合差を分類
- › AI推薦の評価属性を改善優先度に変える方法｜影響度・実現性・競合差で施策化
- › AIO施策の実験ログを作る方法｜変更点・AI回答・引用率・学びを施策単位で残す
- › AIO指標の異常アラート設計｜引用率・SOV・回答差分を監視
- › AI検索で引用された後の成果を測る方法｜AI流入・指名検索・CVを質問群でつなぐ
- › AI回答の引用文脈を確認｜自社ページが何の根拠に使われるか
- › AI回答の再現性を確認｜同じ条件で測り通常の揺れ幅を把握
- › AI検索の地域・言語差を確認｜地域×言語×モデルで回答比較
- › AI Overviews表示時のSEOクリック変化を分析する方法｜同一クエリ・近似順位でCTR差を測る
- › AI ModeとAI Overviewsで引用元がどう変わる？同一質問・同一ブランドで露出差を比較する方法
- › AIO月次レポートの作り方｜質問セット・AI回答・引用・競合・改善内容・次月計画を整理
- › 生成AIで自社が候補に出ないときの診断方法｜質問・公式情報・第三者評価・口コミを確認
- › AI検索で自社名は出るのに公式サイトが引用されないのはなぜ？引用元・根拠情報を診断する方法
- › 生成AIに古い自社情報が出るのはなぜ？公式サイト・引用元・第三者情報を切り分ける方法
- › 従業員規模でAIOスコアに差。300人以上の企業で最も低い結果に
