LLMO vs SEO vs AEO vs GEO

LLMO、SEO、AEO、GEOは、互いに重なり合う4つのコンテンツ最適化手法である。 LLMOはAEOとGEOを包含し、すべてのLLMインタラクションに及ぶ上位概念であり、SEOはAIシステムではなく検索エンジンを対象とする先行手法にあたる。

用語そのものを確認したい場合は、まず LLMOとは何か から。このページは定義を理解している前提で進む。

LLMO・SEO・AEO・GEOの違いは何か?

SEOは検索エンジンのランキング、AEOは回答エンジンでの直接回答、GEOは生成型検索エンジンでの可視性を対象とし、LLMOはAEOとGEOを含むすべてのLLMインタラクションを対象とする。

• SEO (Search Engine Optimization、1997年〜) — 検索エンジン (Google、Bing) の検索結果で上位表示されるように最適化する。シグナル: 被リンク、キーワード、技術的パフォーマンス。
• AEO (Answer Engine Optimization、2018年〜) — 回答エンジン (音声アシスタント、強調スニペット) で直接回答として選ばれるように最適化する。シグナル: 疑問文型の見出し、構造化されたQ&A。
• GEO (Generative Engine Optimization、2023年〜) — 生成型検索エンジン (ChatGPT、Perplexity) での可視性を最適化する学術的フレームワーク。シグナル: 統計データ、引用、権威ある発言者の言葉。
• LLMO (Large Language Model Optimization、2024年〜) — AEO + GEO + 直接的なLLMクエリ + RAG + AIエージェントをカバーする上位手法。シグナル: ナレッジクラリティ、構造化フォーマット、検索シグナル、権威性シグナル、引用シグナル、整合性シグナル。

1997: SEO — 検索エンジン向けの最適化
2018: AEO — 回答エンジン向けの最適化
2023: GEO — 生成エンジン向けの最適化
2024: LLMO — すべてのLLMインタラクション向けの最適化

比較表

	SEO	AEO	GEO	LLMO
焦点	検索ランキング	AIによる回答	生成型検索	すべてのLLMインタラクション
対象	Google、Bing	音声アシスタント、AI検索	AI搭載の検索エンジン	ChatGPT、Claude、Gemini、Perplexity
学術的裏付け	数十年の研究蓄積	限定的	Princeton大学 (KDD 2024)	新興分野
フレームワーク	確立済み	非公式	研究重視	LLMO Framework (6コンポーネント)
スコープ	Web検索	狭い (回答のみ)	狭い (生成型検索のみ)	広い (すべてのLLMコンテキスト)

LLMO・AEO・GEOはどのような関係か?

LLMOはAEOとGEOをサブセットとして包含し、検索を超えて、LLMがWebコンテンツとやり取りするすべてのコンテキストをカバーする。

LLMO (すべてのLLMインタラクション)
├── GEO (生成型検索エンジン)
│   └── AEO (回答重視の検索)
└── 直接的なLLMクエリ (ChatGPT, Claude 等)
    └── RAGベースのアプリケーション
    └── Webを閲覧するAIエージェント

一文で言えば AEO ⊂ GEO ⊂ LLMO — AEOでの成果はそのままGEOの成果であり、LLMOの成果でもある。逆方向は成り立たない。

どれに最適化すべきか?

最も広い範囲をカバーしたいなら、LLMOに最適化する。 LLMOはスーパーセットなので、そのチェックリストを満たせばAEOとGEOも副次的にカバーされる。SEOだけに最適化したサイトは、Googleでは上位表示され続けても、ChatGPT、Claude、Gemini、Perplexityからは見えないままになり得る。ユーザーが質問を始める場所は、いまやそちらへ移りつつある。

はじめの一歩は 30分でクイックスタート。サイトを「AIから見えない状態」から「AIに引用される状態」へ動かす3つの必須ファイル (robots.txt、llms.txt、JSON-LD) を扱っている。

ローカルビジネスやマップ検索が対象なら、ローカルビジネス向けのLLMO vs GEO vs AEO が同じ比較をGoogleビジネスプロフィール、NAPのエンティティ解決、各AIエンジンによるローカルデータの引用に当てはめて解説している。

LLMOとSEOは衝突するか?

部分的に衝突する — そして「LLMO施策を全ページに全部入れする」のが、この衝突を踏み抜く典型的なやり方である。実際に記録された事例では、結論先出し書き換え・本文の簡潔化・質問形式見出しを全ページに一律適用したサイトで、1ヶ月以内にAI引用が増える一方、Google Search Consoleの既存検索流入が減少した (実測レポート)。

SEOとの関係で、LLMO施策は3つのクラスに分かれる。

1. 共存する施策 — 迷わずサイト全体に適用する

• コンテンツプルーニング: 薄いページ・重複ページの統合はSEO (リンクエクイティ、品質シグナル) にもLLMOにも効く。同じ概念を複数URLが奪い合う状態は、生成エンジンには「自信のなさ」として映る。剪定は残したページの更新継続とセットで行う — 更新の止まったページは引用頻度が落ちる

• 構造化見出しとQ&Aフォーマット: AIには抽出しやすさ、検索にはリッチスニペットとして効く

• 統計と出典: 最強の共存施策。GEO研究は統計データの追加が引用率を上げることを示しており、同じ一次データはE-E-A-Tも直接強化する。Google自身のAI最適化ガイダンスも、生成型での可視性を強いSEOの延長線上に位置づけている 2. 条件つき施策 — 結果は実行方法で決まる

• 内部リンク: リンクを張り替えずに剪定すると孤立ページが生まれ、人間の回遊もクローラーの巡回も途切れる。剪定と再リンクは1つの作業として行う

• キーワード: 密度型の繰り返しはAI可視性を計測可能なレベルで下げる。一貫したエンティティレベルの用語法は両エンジンに効く。効くのは密度でなく一貫性

3. 衝突しやすい施策 — ページの役割で出し分け、一律適用しない

• 結論先出し構造はAI引用を改善する (リアルタイム検索は冒頭パッセージで関連性を判断する) が、読者が冒頭で完全な答えを得ると滞在時間とスクロール深度を削り得る
• 過剰な簡潔化はチャンクを抽出しやすくするが、検索が評価するトピックの深さとロングテールのカバレッジを剥ぎ取る。解決は構造で行う: 冒頭要約と各セクション頭の一文は簡潔に保ち、本文全体の深さは削らず、リストとテーブルで深いコンテンツを抽出可能にする。縮めるのはコンテンツではなく答えへの到達距離である

決着のつけ方はページ単位の役割分担である。用語解説とFAQページは結論先出しに全振りし、事例と技術深掘りページは冒頭要約を置きつつ深さを保つ。1ページで両方の最大化を狙わない。

2つの分野は指標を分けて計測する。 混ぜたダッシュボードはトレードオフを平均化して消してしまう — AI引用が増える裏で検索流入が静かに削れる。SEOはSearch Console (流入、順位)、LLMOは新規セッションでのAI直接質問で追う (指標は LLMOの測定 を参照)。並べて追跡して初めて、施策が実際に持つ交換比率が見える。