Claude × LLMO 完全ガイド — 自社で使う Claude と、自社サイトが引用される Claude

Claude を業務に入れる議論と、自社サイトが Claude に引用される議論は、ほぼ常に別の本・別のセミナー・別の担当者で語られています。前者はエンジニアリングと社内 IT の議題、後者はマーケティングと SEO の議題というのが、2026 年 5 月時点の業界の暗黙の前提です。

しかし、この二つは同じコインの裏表です。Claude が回答時に何を「良いソース」と判定するかを理解した会社こそが、Claude に引用される側に回れます。逆に、自社で Claude を運用して「どんな質問にどんな根拠をぶつけると Claude は信用するか」を体感している会社しか、自社サイト側の最適化を本気で詰められません。

このピラー記事では、Anthropic 公式の citations 仕様、llms.txt 仕様（llmstxt.org — Jeremy Howard が 2024 年 9 月 3 日に提案）、Google Search Central の helpful content / E-E-A-T 指針を一次出典に、Claude を業務に入れると自社サイトが Claude に引用されるを一体化した実装手順を提示します。記載の運用手順は、公式仕様にもとづいて自社サイトの整備を進める過程で実践してきた方法論です。

※ 出典: Anthropic Citations Feature Documentation（取得 2026-05）／llmstxt.org Specification（取得 2026-05）／Google Search Central — Creating Helpful Content（取得 2026-05）

「Claude は何を見て、何を引用するのか」を、推測ではなく公式仕様から押さえます。

Anthropic の citations API は、ユーザーがリクエストに含めた document ブロックの中身を、文字インデックス（plain text）・ページ番号（PDF）・ブロックインデックス（custom content）で参照する仕組みです。

※ 出典: Anthropic Citations API Documentation（取得 2026-05）

つまり、Claude の API レイヤーで「引用される」とは、ユーザー側のシステムが Claude にどのドキュメントを渡したかで決まります。ここまでは仕様の話で、SEO 側のコントロール対象外です。

Claude.ai 上のチャットや、Web 検索ツールを使ったエージェント実行では、Claude は Web 上の公開コンテンツから情報を取得して回答します。ここで「自社サイトが選ばれるかどうか」が LLMO の本丸です。

Anthropic 公式は Claude.ai の Web 検索アルゴリズムの内部仕様を公開していません。断言できる事実は次の 3 つだけです。

1. Claude は Web 検索ツール（web_search）経由でリアルタイム取得した結果を citations 付きで返せる仕様を持つ
2. Claude のサーバーサイド Web search ツールは $10 per 1,000 searches の有料機能として API ユーザーに提供されている
3. citations 仕様上、title と context は「引用されない補助情報」、source の中身だけが引用対象になる

※ 出典: Anthropic Server-side Tools Pricing（取得 2026-05）

LLMO 界隈で見かける「AI 検索に引用されると通常順位の 2-3 倍の CTR」「Claude 引用で指名検索が X% 増える」などの数字は、2026 年 5 月時点で Anthropic も Google も第三者調査機関も公表していません。

参考までに、Featured Snippet（Google の強調スニペット）については Ahrefs の調査で「ゼロクリック化で逆に CTR が下がるクエリも多い」と報告されています。AI 引用も同じ構造的バイアスを持つ可能性が高く、「Claude 引用 = アクセス増」の単純な等式は要警戒です。

※ 出典: Ahrefs — Featured Snippets Study（取得 2026-05）

詳しくは SEO/MEO/LLMO 業界の数字俗説 30 件 で出典付き訂正を整理しています。

Anthropic の citations 仕様と Google の helpful content 指針から導ける事実ベースの最適化原則は次の 4 つです。

1. 一次出典付きの数字: Claude は数値の妥当性を文書外で検証する手段を持たないため、本文中で ※ 出典: [...](URL)（取得 YYYY-MM） のように明示された数字を含む構成は、根拠不明な数字より引用ソースとして扱われやすいと考えられる
2. 構造化された見出し階層: H2 → H3 → H4 の論理階層が崩れていない記事は、citations API のチャンキング（sentence chunk）でも意味のある単位で切られやすい
3. E-E-A-T の経験（Experience）シグナル: Google が 2022 年末に E-A-T へ追加した「Experience」（実体験）は、Anthropic 公式の言葉ではないが、Claude の Web 検索結果ランキングが Google の検索結果に強く依存している以上、間接的に効く
4. llms.txt と構造化データ: 後述の通り、Claude を含む複数の AI エージェントが llms.txt を「サイト構造の凝縮ガイド」として読み込む実例が増えている（Anthropic 自身が docs.anthropic.com に llms.txt を設置）

※ 出典: Google Search Central — Helpful Content System and E-E-A-T（取得 2026-05）

ここからは実装フェーズです。各 Step は、Anthropic / Google / llmstxt.org の公式仕様にもとづいた実装手順としてまとめています。

llms.txt は Jeremy Howard が 2024 年 9 月に提案した仕様で、サイトのルートに /llms.txt というマークダウンファイルを置き、「LLM に読ませる前提でサイト構造と主要コンテンツのリンクを凝縮する」ものです。Anthropic・Cloudflare・fast.ai などが採用しています。

※ 出典: llmstxt.org Specification（取得 2026-05）

最小構成:

# Tufe Company

> AI・SEO・Web 制作・自動化を手がける東京の事業会社。LLMO/MEO/EC 領域の権威性監査と
> エージェント運用に強み。

## 主要サービス

- [LLMO Optimization Pack](https://tufecompany.co.jp/market/llmo-optimization-pack): 結論先出し・FAQ・構造化データ・llms.txt を一括整備
- [Monthly Citation Audit](https://tufecompany.co.jp/market/monthly-citation-audit): AI 検索引用状況の月次レポート
- [AI Search Health Check](https://tufecompany.co.jp/market/ai-search-health-check): LLMO 継続運用フェーズ

## 主要記事

- [Claude × LLMO 完全ガイド](https://tufecompany.co.jp/blog/claude-llmo-optimization-2026)
- [SEO/MEO/LLMO の数字俗説 30 件](https://tufecompany.co.jp/blog/seo-meo-llmo-myths-30-corrections-2026)

詳しい書き方は 手書き llms.txt vs AI 生成 llms.txt の使い分け と llms.txt セットアップ完全ガイド を参照。

llms.txt を設置したら、サーバーログや GA4 の user-agent 別レポートで AI クローラ（GPTBot / ClaudeBot / PerplexityBot など）のアクセス傾向を継続観測し、設置前後の変化を自社の指標として残しておくことを推奨します。

Article / FAQPage / HowTo / Organization / Person スキーマの JSON-LD 実装は、Google AI Overview や Claude の Web 検索ツールがコンテンツ意味を解釈する補助になります。

• Article schema: author, datePublished, dateModified, reviewedBy, wordCount を必須に
• FAQPage: Claude が「Q&A 形式の凝縮された答え」を選びやすい
• Organization: 会社の sameAs で SNS・GitHub・LinkedIn を繋ぐと E-E-A-T の権威性（Authoritativeness）に寄与

詳細は 構造化データ × LLMO デュアル最適化ガイド を参照。

Article + FAQPage を二重実装したら、Search Console の「リッチリザルト」レポートで認識状況と表示推移を確認し、実装の効果を自社で追跡します。

これは Tufe Company の 9 鉄則の中でも最重要項目です。なぜか — Claude は本文中の数字を文書外で検証する手段を持たないため、出典が明示されていない数字を含むコンテンツを「引用ソースとして危険」と判定する可能性が高いからです。

運用ルール:

• 具体数値（%・倍・件・秒・分・時間・年・万・億・円）を書く前に WebSearch / WebFetch で公式ソースを確認
• 採用ソース優先順位: 政府統計 > 政府ポータル > 業界団体公式 > 事業者公表
• 引用フォーマット: ※ 出典: [ソース名](URL)（取得 YYYY-MM） をマッチ行から ±5 行以内に配置
• 自社実測は ※ Tufe Company 内部実測 / YYYY-MM時点 等の明示注釈

出典のない数字は、孫引きや古い記事の引き写しで誤情報が混入しやすい領域です。新規・既存いずれの記事でも、数字は一次出典で再照合する運用を徹底します。

業種特有の業務手順・専門用語・規制要件を言語化したコンテンツは、Claude が「この業種の質問にはこのサイトを引用すべき」と判定する強いシグナルになります。

例: 士業向け SOP の言語化要素

• 業界特有の手続きフロー（例: 法人成りタイミングの判断条件、相続放棄の期限管理）
• 専門用語の平易な言い換え（顧客向け・社内向け）
• 規制要件チェックリスト（金商法・宅建業法・税理士法など）
• 失敗パターン集と回避策

業種別の詳細実装例は LLMO 業種別事例集 2026 を参照。

業種ごとに引用されやすかった構成パターンは、社内でテンプレート化して横展開すると、次の記事の制作効率と品質が安定します。

Claude には 2026 年 5 月時点で 3 つの current モデルが存在し、それぞれ得意分野とコンテキスト長が異なります。あなたのコンテンツが「どのモデルで読まれるか」を意識すると、文章設計が変わります。

※ 出典: Anthropic Pricing（取得 2026-05）／Claude Models Overview（取得 2026-05）

実務上の含意:

• Opus 4.7 で読まれる前提なら、1M tokens の文脈に長い記事を一気に投入されるため、論理の一貫性と内部リンクの整合性が決定的に重要
• Sonnet 4.6 で読まれる前提なら、結論先出しと FAQ 構造の効きが最も大きい（業務自動化エージェントが多用）
• Haiku 4.5 で読まれる前提なら、200K tokens でチャンクされるため、各 H2 セクション 1,000〜1,500 字で完結する構造が引用されやすい

「自社サイトが Claude に引用される準備がどれくらい整っているか」を自己採点する 10 項目スコアです。Tufe Company が社内運用しているチェックリストの簡易版を公開します。

• /llms.txt を設置済み（主要 10 ページ以上が記載されている）
• 全主要ページに Article / FAQPage の JSON-LD が実装されている
• 主要記事の冒頭 300 字以内に「結論」を明示している
• 全数値に ※ 出典: [...](URL) が ±5 行内に併記されている
• author の Person スキーマと sameAs が実装されている
• 業種特有の SOP・専門用語が言語化されたコンテンツが 10 本以上ある
• 月次で AI 引用状況（ChatGPT / Perplexity / Claude.ai）を手動確認している
• 内部リンクが各記事 5 本以上、関連用語へ繋がっている
• dateModified が更新時に正しく更新される CMS 設計になっている
• sitemap.xml / robots.txt / llms.txt の整合性が取れている

詳しいスコアリング基準は Citation Readiness Score 解説 を参照。

チェック項目を満たしていくと、AI 経由とおぼしき流入の質的変化を観測しやすくなります。採点結果は四半期ごとに記録し、自社の推移として追跡します。

Claude を含む AI エンジン側のアルゴリズムは継続的に変動します。一度整備して終わりではなく、月次で監査ループを回すことが LLMO の本体です。

Tufe の月次 audit ルーチン:

1. bash scripts/audit_numbers.sh で数字出典率を CSV 監査
2. 違反密度 top 10 のファイルを修正
3. ChatGPT / Perplexity / Claude.ai で主要 KW 10 個を手動検索し引用状況を記録
4. Search Console の AI Overview 表示数を確認
5. llms.txt と sitemap.xml の整合性を再生成

詳細運用は Monthly Citation Audit サービス としてパッケージ化しています。

月次で監査ループを回すと、出典なしの数字や記事間の数値矛盾を継続的に洗い出せます。一度きりの整備で終わらせず、ルーチン化することが LLMO 運用の本体です。

ここからは「Claude を業務に入れる側」の話です。重要なのは、Claude で社内業務を回している会社ほど、自社サイトの LLMO 精度も上がりやすいという関係です。Claude が何を信頼するかを日々の業務で体感していると、自社サイト側の最適化も詰めやすくなります。

自社サイトの全 MDX に対する数字出典監査は、Claude Opus 4.7 のエージェントで自動化できます。具体的には:

• 入力: 1 ファイルの MDX 本文（最大 8,000 字程度）
• タスク: 数値（%・倍・件・年など）を抽出し、各数値に対して ※ 出典: リンクが ±5 行以内にあるか判定
• 出力: 違反箇所の行番号と訂正提案

Claude Opus 4.7 の 1M context を使えば、関連する複数記事を同時に読ませて「同じ数字が他記事と矛盾していないか」もチェックできます。スクリプトでの CSV 監査（bash scripts/audit_numbers.sh）と並走させると、機械的な検出と意味的な判断を補い合えます。

業種別 pSEO（士業・EC・SaaS・製造・メディア・地域サービス）のテンプレは Claude Sonnet 4.6 で生成できます。

• 強み: コスト効率と速度のバランス（$3/$15 per MTok）
• 使い方: 業種別の「失敗パターン 5 件」「専門用語 10 個の平易な言い換え」「規制要件チェックリスト」を構造化マークダウンで生成
• 人手の役割: 生成後、自社実測の数字を差し込み、出典 URL を実在確認

詳細は pSEO 業種別実装ガイド を参照。

各記事に対して「Experience（経験）の証拠は何か」「Expertise（専門性）はどう示されているか」「Authoritativeness（権威性）の sameAs リンクは整っているか」「Trustworthiness（信頼性）の出典は揃っているか」を Claude にチェックさせます。

Claude は内部プロンプトに業界の E-E-A-T 基準を読み込ませた上で、各記事の不足を指摘します。

※ 出典: Google Search Central — E-E-A-T Guidelines（取得 2026-05）

Claude Opus 4.7 の 1M context にサイト全記事のタイトル + description + 主要 H2を投入し、「この記事から、どの記事へ、どんなアンカーテキストで内部リンクを張るべきか」を一括提案させます。

scripts/internal-link-audit.ts のような自動チェックと組み合わせると、内部リンクの「孤立記事ゼロ」を保ちやすくなります。各記事から関連用語・関連比較・関連事例へ複数本ずつリンクを張る方針を、Claude の提案とスクリプトの検出で二重に担保します。

「この記事に書かれている数字 X の一次出典として、URL Y は妥当か」を Claude の web_fetch ツールで自動検証します。WebFetch は標準トークン課金のみで追加料金なしのため、コスト効率が良好です。

※ 出典: Anthropic Server-side Tools Pricing（取得 2026-05）

これにより、ChatGPT や Claude が出した URL を実在確認せずに採用してしまうリスクを排除できます（鉄則 #2 で禁止している運用パターン）。

業種ごとに「Claude が好む情報構造」と「ICP 顧客の検索意図」が違います。ICP として最も検索意図と LLMO 整合性が高い士業を主軸に、5 業種の戦略を整理します。

• Claude が引用しやすい構造: 「Q. ○○の場合どうすべき？ A. ○○。ただし要件は△△」の条件分岐型 FAQ
• 必須シグナル: 執筆者の有資格者表記（弁護士登録番号・税理士登録番号）、Person スキーマの sameAs で日本弁護士連合会・日本税理士会連合会へのリンク
• 失敗例: 「相談はお気軽に」だけで具体的な手続きフローが書かれていない記事は引用されにくい
• 推奨構成: 規制論点を網羅し、各論点に裁判例・通達への一次出典を併記する。論点を細かく分けてページを積むほど、条件分岐型の質問に対する引用候補が増えます。

• Claude が引用しやすい構造: Product schema + FAQPage で「サイズ感」「素材」「返品条件」「配送日数」を構造化
• 必須シグナル: review 数と評点（AggregateRating schema）、配送ポリシーの明示
• 失敗例: 商品スペックだけで「誰にとってどう良いか」が書かれていない
• Tufe 推奨: 業種別ロングテール（「○○ Amazon と楽天 どちらが安い」「○○ 失敗しない選び方」）を 20 個以上カバー

詳しくは EC コンテンツ戦略 2026 を参照。

• Claude が引用しやすい構造: Docs サイトの llms.txt 設置（Anthropic 自身が docs.anthropic.com で実装している）、API リファレンスのコード例 + 自然言語解説
• 必須シグナル: SoftwareApplication schema、料金ページの Offer schema、changelog の dateModified 更新
• 失敗例: API 仕様だけ書いて「どんなユースケースで使われるか」が言語化されていない
• Tufe 推奨: 各機能ページに「業種別ユースケース 3 つ」「比較表」「失敗パターン」を必置

• Claude が引用しやすい構造: 業界用語と一般用語の対応表、製造プロセスのフローチャート、規格番号（JIS / ISO）への一次出典リンク
• 必須シグナル: ISO 認証・JIS マーク取得の明示、技術者の経験年数と保有資格
• 失敗例: 業界俗語を解説なしで使い、検索ユーザーの語彙と乖離している
• Tufe 推奨: 「○○加工 とは」「○○部品 国内調達 と 輸入 コスト比較」のロングテール KW を 30 個以上

• Claude が引用しやすい構造: Article schema の reviewedBy で校閲者を明示、関連記事のクラスタリング、用語集ページへの内部リンク網
• 必須シグナル: 編集方針（editorial policy）の公開、修正履歴の透明化、sameAs で SNS / 業界団体への接続
• 失敗例: 「中の人」が誰なのか分からないメディアは E-E-A-T で減点
• Tufe 推奨: 用語集（glossary）+ 比較（compare）+ 業種事例（industries）の 3 軸で内部リンク網を構築

詳しい業種別実装は LLMO 業種別事例集 2026 を参照。

LLMO 界隈で頻繁に流通する誤情報を、一次出典で訂正します。鉄則 #7「既存記事の数字は疑え」を実例で示すセクションです。

よく見る記述: 「AI 検索（Claude/ChatGPT/Perplexity）に引用されると通常順位の 2〜3 倍の CTR が得られる」

実際: 2026 年 5 月時点で、Anthropic も Google も第三者調査機関も、このような数値を公表していません。「Claude 引用 → CTR 2-3 倍」を断言する一次出典は存在しません。Featured Snippet の研究では逆に CTR が下がるクエリも多く報告されており、AI 引用も同様のゼロクリック化バイアスを持つ可能性が高いです。

※ 出典: Ahrefs — Featured Snippets Study（取得 2026-05）

よく見る記述: 「AI 検索のシェアは 2026 年に Google 検索の XX% に達した」

実際: AI 検索のシェアは Statista・SimilarWeb・eMarketer などが推計値を出していますが、「Google 検索全体に対する比率」を公式に発表している調査会社は 2026 年 5 月時点で存在しません。ChatGPT の週次アクティブユーザーは 2025 年 9 月時点で 8 億超ですが、「検索行動の何%」かは別問題です。

数字を書くなら「ChatGPT WAU 8 億超（2025 年 9 月時点 OpenAI 公表）」のように生数値 + 一次出典で書くのが安全です。

詳しくは SEO/MEO/LLMO の数字俗説 30 件 のカテゴリ B-4 を参照。

llms.txt は「サイト構造を凝縮した LLM 向けガイドマップ」であり、設置すればコンテンツが薄くても Claude が引用してくれるわけではありません。

llms.txt は Step 1 の入口に過ぎません。本質は Step 2〜7（構造化データ、数字出典、業種別 SOP、E-E-A-T、月次 audit）にあります。詳しい誤解の整理は 手書き vs AI 生成 llms.txt を参照。

社内で Claude API を契約していることと、自社サイトが Claude.ai の Web 検索で引用されることは完全に独立です。Anthropic は API 顧客とコンテンツプロバイダーを区別しておらず、API の支払いがクローラのランキングに影響することはありません（Anthropic 公式は明示していないが、Google が広告主と検索順位を分離しているのと同じ構造的論理）。

Map Pack CTR「20-30%」、Featured Snippet「1 位の 2-3 倍」、LP「最初の 3 秒」、ROAS「200% 未満要改善」など、SEO/MEO/AI/EC 業界には桁違いや混同合成の俗説が大量に流通しています。こうした俗説は、必ず一次出典まで遡って真偽を確認することを徹底します。

※ 出典: BrightLocal Local Consumer Review Survey（取得 2026-05）／Ahrefs — Featured Snippets Study（取得 2026-05）／Nielsen Norman Group — How Long Do Users Stay on Web Pages（取得 2026-05）

詳しくは SEO/MEO/LLMO 業界の数字俗説 30 件 — 一次出典で訂正 を参照。

「どのモデルで自社の LLMO 業務を回すか」を 8 軸で並べた比較表です。

※ 出典: Anthropic Pricing（取得 2026-05）／Claude Models Overview（取得 2026-05）

このセクションだけでも「今日帰って動かせる」資産を 5 つ用意しました。

• /llms.txt を設置済み
• llms.txt に主要サービス・主要記事のリンクが 10 本以上掲載
• 全主要ページに Article schema 実装
• FAQPage schema が主要 10 ページ以上に実装
• Organization schema の sameAs で SNS / GitHub / LinkedIn 接続
• author の Person schema 実装（経歴 + 保有資格）
• 全数値に ※ 出典: [...](URL) が ±5 行内
• 自社実測値に ※ Tufe Company 内部実測 / YYYY-MM時点 注釈
• 主要記事の冒頭 300 字以内に結論明示
• 内部リンクが各記事 5 本以上
• sitemap.xml と llms.txt の整合性
• 月次で ChatGPT / Perplexity / Claude.ai での引用状況を手動確認

10 項目以上チェックできれば、LLMO 基礎は整っています。

検索ボリュームは「参考値」とご認識ください。

# {会社名}

> {1〜2 文で会社の本質的価値を凝縮。業界・地域・差別化要素を含める}

## 主要サービス

- [{サービス 1 名}](https://{ドメイン}/{パス}): {1 文の価値訴求}
- [{サービス 2 名}](https://{ドメイン}/{パス}): {1 文の価値訴求}
- [{サービス 3 名}](https://{ドメイン}/{パス}): {1 文の価値訴求}

## 主要記事（ピラー）

- [{ピラー記事 1}](https://{ドメイン}/blog/{slug}): {Claude が引用しやすい一文要約}
- [{ピラー記事 2}](https://{ドメイン}/blog/{slug}): {Claude が引用しやすい一文要約}

## 用語集 / 比較 / 業種別

- [{glossary トップ}](https://{ドメイン}/glossary): {分野} 用語の定義集
- [{compare トップ}](https://{ドメイン}/compare): {主要選択肢} の比較
- [{industries トップ}](https://{ドメイン}/industries): {業種} 別の実装ガイド

## 会社情報

- 創業: {YYYY 年}
- 所在: {都道府県・市区}
- 専門領域: {差別化要素 3 つ}
- 連絡: [{お問い合わせフォーム}](https://{ドメイン}/contact)

{ } 内を書き換えるだけで使えます。サイズは概ね 1,000〜2,000 字に収めるのが推奨です（llmstxt.org の設計思想）。

1. 「Claude 引用 → CTR 2-3 倍」俗説に基づく過剰投資
2. 「AI 検索シェア XX%」を出典なしで書く
3. llms.txt 設置だけで満足する
4. 社内で Claude を使うことと自社サイトが引用されることを混同する
5. 業界俗説を孫引きし続ける

• Anthropic Citations Documentation
• Anthropic Pricing
• Claude Models Overview
• llmstxt.org Specification
• Google Search Central — Helpful Content
• Schema.org — Article
• Schema.org — FAQPage

これらは数字の一次出典を照合する際に、WebFetch で実在と数値支持を確認すべき代表的な出典群です。詳しい領域別の出典整理は 領域別の信頼一次出典カタログ を参照。

可能です。Claude を業務に入れない会社でも、本記事の Step 1〜7 を実装すれば自社サイトが Claude.ai の Web 検索で引用される確率は上がります。ただし、社内で Claude を運用している会社の方が「Claude が何を信頼するか」の感覚が研ぎ澄まされるため、LLMO の精度も高くなる傾向はあります（Tufe の dogfooding 観察）。

Tufe の推奨は Sonnet 4.6 からです。価格が Opus の 60% で、コンテキスト長は同じ 1M。一般的な業務自動化は Sonnet で十分です。サイト全体監査・複雑推論が必要になったら Opus を追加するのが現実的です。

※ 出典: Anthropic Pricing（取得 2026-05）

しません。llms.txt は LLM 向けの補完仕様で、robots.txt（クローラ制御）と sitemap.xml（URL 一覧）とは目的が異なります。3 つは併存させる設計が標準です。

※ 出典: llmstxt.org Specification（取得 2026-05）

両立します。むしろ AI 検索の Web 検索結果ランキングは Google オーガニックに強く依存しているため、SEO で上位のページの方が AI に引用されやすい傾向があります。「AI 引用 vs 被リンク獲得」の重み付けは AI 引用 vs 被リンク 2026 年の重み付け で詳しく整理しています。

工数はコンテンツ規模と自動化の度合いで大きく変わります。Claude Sonnet 4.6 + 自動スクリプトで検出を機械化すると、人手の判断は違反密度が高い記事の修正方針決定に集中でき、運用負荷を抑えやすくなります。

Step A: 自社の Citation Readiness Score を採点する 本記事 Section 2 の Step 6 の 10 項目を採点。5 項目以下なら llms.txt 設置と数字出典付与から着手します。

Step B: 直近 5 記事の数字監査を Claude で回す Claude Sonnet 4.6 に MDX を 1 ファイル投入し、「数値の隣 ±5 行に出典 URL があるか」をチェックさせます。違反が多い記事から訂正に着手。

Step C: llms.txt を設置する 本記事 Section 8(c) のテンプレートをコピーし、自社情報で書き換えてサイトルートに設置。Tufe Company の /llms.txt も実装例として参考にしてください。

Step D: 主要 5 KW で Claude.ai / ChatGPT / Perplexity に手動検索 自社が引用されているか、何が引用されているかをスプレッドシートに記録。これが月次 audit ループの起点になります。

Step E: 3 ヶ月後に重み付けを見直す Step A の Citation Readiness Score を 3 ヶ月後に再採点。伸びていない項目に次の四半期のリソースを集中させます。

Tufe Company は AI・SEO・Web 制作・自動化を手がける東京の事業会社です。本記事の内容は、Anthropic 公式仕様・Google Search Central 指針・llmstxt.org をはじめとする一次出典をもとに、自社サイトの LLMO 整備で実践してきた手順としてまとめました。

• LLMO Optimization Pack — 結論先出し構成・FAQ・構造化データ・llms.txt 設置をまとめて実施するフルパック。本記事 Step 1〜4 を一括で進めたい場合に。
• Monthly Citation Audit — AI 検索引用状況を月次で計測・レポート。Step 7 の月次 audit ループをサービス化したもの。
• AI Search Health Check — 月額の LLMO 継続運用フェーズ。AI エンジンのアップデートに毎月対応。
• Schema Markup Library — 業種別の JSON-LD テンプレ集。Step 2 の構造化データ実装を加速。

• SEO/MEO/LLMO 業界の数字俗説 30 件 — 鉄則 #7 整合の事実チェック集
• 手書き llms.txt vs AI 生成 llms.txt — Step 1 の判断補助
• AI 引用 vs 被リンク 重み付け — SEO と LLMO の配分判断
• Headless CMS vs WordPress プラグイン LLMO — 実装基盤の判断
• Citation Readiness Score 解説 — Step 6 の詳細スコアリング
• 構造化データ × LLMO デュアル最適化 — Step 2 の深掘り
• llms.txt セットアップ完全ガイド — Step 1 の手順詳細
• LLMO 業種別事例集 2026 — Section 4 の業種別深掘り
• 中小企業に LLMO は必要か — 導入判断の根拠
• LLMO × GEO × AI 検索ガイド 2026 — 全体俯瞰

• LLMO とは
• llms.txt とは
• AI Overview とは
• Citation（AI 引用率）とは
• E-E-A-T とは
• 構造化データ とは
• GEO とは

• 自社サイトに /llms.txt を設置している
• 全主要ページに Article / FAQPage の JSON-LD が実装されている
• 全数値に ※ 出典: [...](URL) が ±5 行内で併記されている
• 業種別 SOP の言語化コンテンツが 10 本以上ある
• 月次で Claude.ai / ChatGPT / Perplexity の引用状況を確認している
• Citation Readiness Score を四半期ごとに自己採点している
• 社内で Claude を業務利用している（dogfooding ループが回っている）
• 「Claude 引用 → CTR 2-3 倍」のような出典なき俗説を社内資料から排除した

8 項目中 5 項目以上をチェックできれば、Claude × LLMO の基礎は整っています。判断に迷う場合は、無料相談で御社の現状を 45 分（オンライン・契約前提なし）で診断し、優先 3 施策を書面でお渡しします。