LLMOで問い合わせを増やす打ち手と業界ベンチマーク

「LLMO対策で成果が出る」という情報は増えました。しかし「どんな仕組みで問い合わせにつながるのか」を、検証可能なデータと一緒に説明している記事はほとんどありません。

この記事では、AI検索（ChatGPT・Perplexity・Geminiなど）からの流入を問い合わせにつなげるための打ち手を、公的・第三者調査の数字と、業種別のモデルケースに分けて解説します。架空の自社実績や個社の相談件数を誇示するのではなく、再現できる考え方を持ち帰ってもらうことを目的にしています。

前提として、検索結果にAIによる要約が出るようになり、リンクのクリック行動そのものが変わってきています。米Pew Research Centerの調査では、AI要約が表示された検索でユーザーが従来の検索結果リンクをクリックしたのは全体の8%にとどまり、AI要約が表示されない場合（15%）のおよそ半分でした。要約内の出典リンクに至っては、クリックされたのは1%にすぎません。

※ 出典: Pew Research Center「Google users are less likely to click on links when an AI summary appears in the results」（取得 2026-06、米成人900名・2025年3月の68,879検索を分析）

つまり「検索結果に表示される」だけでは流入は得にくくなり、AIの回答そのものに引用・推薦される設計（＝LLMO）の重要性が増している、というのが出発点です。

ここからは、Tufe Companyが想定する典型的な業種パターンを「モデルケース」として示します。実在の特定企業の数値ではなく、施策と起こりうる変化の流れを説明するためのものです。

製造業の中小メーカーでは、問い合わせの多くがGoogleの自然検索経由で、AI検索からの流入はまだほぼゼロ、というケースが一般的です。

このパターンで有効になりやすい打ち手は3つです。構造化データ（JSON-LD）の全ページ実装。「精密加工」のような自社の強みに特化した専門コンテンツの拡充。そしてllms.txtの設置です。

AI検索で「精密加工 おすすめ」のような指名性の低い質問に対し、回答内で候補として挙げられることを狙います。一般に、AIに引用される状態が安定するまでには数ヶ月の継続が必要で、その間に自然検索の評価も同時に底上げされていく、という相乗効果が期待できます。

士業のように地域・専門領域が明確な業種では、AI検索で「社労士 助成金 相談」のような質問をしたとき、既に対策している競合だけが回答に挙がっている、という状況が起こりがちです。

打ち手としては、助成金申請などよくある相談に答えるFAQ形式のコンテンツを整備し、回答内容と実績を構造化データで明示します。ここで注意したいのは、Googleは「FAQリッチリザルト（よくある質問の展開表示）」を2026年5月7日付で検索結果から廃止した点です。

※ 出典: Google検索セントラル（developers.google.com）FAQ構造化データ ドキュメント（取得 2026-06、「This feature will no longer appear in Google Search starting May 7, 2026」）

そのため、FAQスキーマは「検索結果の見た目を盛るため」ではなく、ページに実在する質問と回答をAI・検索エンジンに正確に伝えるために使う、という位置づけに切り替える必要があります。質問と回答をユーザーが読める形で本文に置き、それを忠実にマークアップする。この積み上げが、AI回答での引用につながりやすくなります。

BtoB SaaSでは、AI検索で「○○ツール おすすめ」と聞くと大手数社しか挙がらない、という参入障壁の高い領域が少なくありません。

ここで効くのは、製品の技術仕様を構造化データで詳細に記述すること、導入事例を具体的に公開すること、そして比較・選定の文脈で引用されやすいコンテンツを用意することです。AIは「中小企業向け」「特定機能に強い」といった条件付きの推薦を返すことがあるため、自社が明確に勝てる条件を絞り込んで言語化しておくと、推薦枠に入りやすくなります。

個社の数字ではなく、市場全体としてAI検索からの流入がどう動いているかを押さえておきます。

検索結果におけるAI要約の浸透は速く、前掲のPew Research Centerの調査では、2025年3月時点でGoogle検索のおよそ5回に1回（約18%）でAI要約が表示されていました。AIの回答経由でユーザーと接点を持つ機会は、確実に増えています。

※ 出典: Pew Research Center「Google users are less likely to click on links when an AI summary appears in the results」（取得 2026-06、2025年3月の68,879検索のうち12,593件でAI要約を確認）

導入から成果が出るまでの立ち上がりは、一般に「最初の1〜2ヶ月はほぼ変化なし、数ヶ月かけてAI引用が安定し、流入源として機能し始める」という緩やかなカーブを描きます。期間は案件規模・業界・競合状況によって前後します。構造化データの実装とコンテンツ品質の向上は、AI検索だけでなく従来の自然検索にもプラスに作用するため、両方の流入が同時に伸びていく傾向があります。

業種を問わず、AI検索からの流入を問い合わせにつなげやすいパターンには、共通点があります。

1つ目は構造化データの徹底実装。JSON-LDで自社の情報を機械可読にしておくこと。ただし前述のとおり、FAQスキーマはSERPの見た目を盛る目的ではなく、本文に実在する質問と回答を正確に伝える目的で使います。

2つ目は専門コンテンツの集中投下。広く浅い記事はAIに引用されにくく、「1テーマの深さ」が鍵になります。量を追うより、自社が一次情報として語れる領域を深掘りする方が効果的です。

3つ目はllms.txtの早期設置。AIクローラーに対し、参照してほしい情報を直接提供する準備を初期に整えておきます。

4つ目は継続的なモニタリングと改善。ChatGPT・Perplexity・Geminiでの表示を定期的に確認し、引用文が古くなっていないか、競合に抜かれていないかをチェックして手を入れ続けることです。AIの回答は流動的なので、一度の最適化で終わりにしないことが重要です。

ここまでの内容から言えるのは、「特別なことはしていない」ということです。構造化データ、専門コンテンツ、llms.txt。基本的な施策を、正しい順序で、継続的に実行する。それだけです。

まずは次の2項目から始めてみてください。どちらも今日のうちに着手できる軽い作業です（サイト規模により所要時間は前後します）。

• 自社サイトで構造化データが未実装のページを目視で洗い出す
• llms.txt を設置しているか確認し、なければ用意する

AI検索からの流入は、まだ多くの企業が獲得できていない領域です。前掲のPew Research Centerのデータが示すように、検索でAI要約が出るとリンクのクリックは半減します。だからこそ「AIの回答そのものに引用・推薦される」ための設計を、正しい施策で継続して積み上げることが、これからの問い合わせ獲得を左右します。