構造化データ×LLMO — 検索エンジンとAIの両方に最適化する

JSON-LDで書く構造化データは、長らくGoogleのリッチリザルト表示のための技術でした。しかし2025年後半から、ChatGPTやPerplexityもJSON-LDを回答生成の参考にしていることが判明しています。

JSON-LD は現時点で全 Web サイトの約 54% に実装されており、構造化データはすでに Web の標準的な基盤技術です。AI 検索側でも、Princeton 等による生成エンジン最適化（GEO）の研究では、出典・統計・引用といった「機械が解釈しやすい構造」を整えることで、生成エンジンの回答内での可視性が最大 40% 向上したと報告されています。

※ 出典: W3Techs — Usage statistics of JSON-LD for websites（取得 2026-06）／GEO: Generative Engine Optimization (arXiv 2311.09735, ACM SIGKDD 2024)（取得 2026-06）

つまり、構造化データは「Google向け」と「AI向け」の両方に効く共通基盤です。

Google検索とAI検索では、構造化データの使われ方が異なります。

Google検索ではリッチリザルト（レビュー・パンくず・商品情報など）の表示に直結し、SERP上の視認領域が広がることでクリックされやすくなります。ただし FAQ スキーマについては、2023年8月以降 Google がリッチリザルト表示を「信頼性の高い政府・医療系サイト」に限定したため、一般サイトでは FAQ のアコーディオン表示は出なくなっている点に注意してください。

※ 出典: Google が FAQ リッチリザルトを政府・医療系サイトに限定（2023年8月、Search Engine Journal が公式発表を報道）（取得 2026-06）

一方AI検索では、構造化データがエンティティの認識精度を高めます。AIは「この会社は何をしている会社か」をJSON-LDから読み取り、回答のソースとして選びやすくなる。Perplexityのソース選定ロジックでも、構造化データが実装済みのページは優先度が高いと報告されています。

この2つのチャネルに同時に対応する。それが「デュアル最適化」の考え方です。

理論は理解できても、実装で手が止まる企業が多いのが実情です。実際、JSON-LD を実装している Web サイトは全体の約 54% にとどまり、知識として知られている割合に比べて「正しく実装し切れている」サイトはまだ多くありません。

※ 出典: W3Techs — Usage statistics of JSON-LD for websites（取得 2026-06）

ここでは実務で使える4フェーズの実装プロセスを紹介します。

最初にJSON-LDで4つのスキーマを実装します。Organization（会社情報）、Article（記事メタデータ）、FAQ（質問と回答）、BreadcrumbList（サイト階層）。この4つでGoogle・AI両方のカバー率が最も高くなります。

Schema Markup Validatorでエラーゼロを確認してください。エラーが残っているとGoogleのリッチリザルト対象から外れるだけでなく、AIの解釈精度も下がります。

llms.txtはAI向けのサイト概要書です。サイト名、事業概要、主要ページへのリンク、サービス説明を記述します。ルートディレクトリに配置すれば、AIがサイト全体を把握しやすくなる。

ただし llms.txt の効果は過大評価しないでください。2025年時点で、OpenAI・Anthropic・Google のいずれも llms.txt を正式にサポートしておらず、Google は公式に「サポートする予定はない」と明言しています。AI 引用への直接的な押し上げ効果を示す確たる証拠も、現時点では確認されていません。AI に正しく理解されるための土台は、あくまで JSON-LD などの構造化データとコンテンツ品質です。llms.txt は将来への備えとして低コストで置いておく位置づけと考えるのが現実的です。書き方の詳細はllms.txtの書き方と設置方法を参照してください。

※ 出典: LLMs.txt: Does It Actually Work?（OpenAI/Anthropic/Google 非対応、Google 公式コメントを引用）（取得 2026-06）

コンテンツは「Google向け」と「AI向け」の両方に最適化します。具体的には以下の4点。

• 冒頭2文で結論を述べる — AIが引用しやすい構造
• 定義文を含める — 「〇〇は△△のための手法」形式
• 具体的な数値を出典付きで入れる — 「全体の約54%」のように一次情報へリンクする
• 見出し階層をH2→H3で整理する — Googleのクロール効率向上

とくに「出典付きの統計・具体的な数値・信頼できる引用」を本文に織り込むことは、生成エンジンの回答内での可視性を高める手法として研究でも有効性が示されています（GEO 研究では最大 40% の可視性向上）。

※ 出典: GEO: Generative Engine Optimization (arXiv 2311.09735, ACM SIGKDD 2024)（取得 2026-06）

Google Search Consoleでリッチリザルトの表示状況を、AI検索モニタリングでChatGPT・Perplexityの引用状況を追跡します。月次で両方のKPIを確認し、改善サイクルを回す。

私たちは「リッチリザルト表示ページ数」と「AI引用回数/月」の2指標を主要KPIにしています。

デュアル最適化を導入したら、Google 側と AI 側それぞれで「何が動いたか」を切り分けて追跡します。施策ごとに反応するチャネルが違うため、片方の指標だけ見ても効いているかどうかは判断できません。

Google 側はリッチリザルトの表示ページ数とそこからの CTR を、AI 側は ChatGPT・Perplexity などでの引用回数を、いずれも実装前後で比較します。構造化データは正しく実装すればリッチリザルト対象になり得る一方、研究上も「出典・統計・引用」を整えたコンテンツは生成エンジンでの可視性が伸びやすいことが示されています（GEO 研究で最大 40%）。順位や引用回数は外部要因にも左右されるため、短期の上下に一喜一憂せず、数ヶ月単位の傾向で評価するのが現実的です。

※ 出典: GEO: Generative Engine Optimization (arXiv 2311.09735, ACM SIGKDD 2024)（取得 2026-06）

重要なのは「構造化データだけ」や「llms.txtだけ」に頼らないこと。Google 向け・AI 向けの最適化は補完関係にあり、両方のチャネルを並行して整えることで、どちらか一方の変動に左右されにくい土台ができます。

すべての実装が完了しているか確認するリストです。上から順に進めてください。

実装期間の目安は、小規模サイト（30ページ以下）で2週間。中規模サイトで1ヶ月。大事なのは完璧を目指すことではなく、Phase 1からすぐ着手することです。

構造化データの効果は累積します。早く始めた企業ほど、Google検索でもAI検索でも優位なポジションを獲得できます。

両軸の進捗を可視化する場合は、Google 側はリッチリザルト表示ページ数、AI 側は LLM Citation Rate と Visibility Score を月次で追うと、施策のどちらが効いているかが切り分けられます。構造化データの詳細は 構造化データ完全ガイド 2026 を、LLMO 本体は LLMO 完全ガイド 2026 を併読してください。

引用状況を測るには LLMO 無料簡易診断 で URL を入力するだけで概算スコアが返ります（24 時間以内、完全無料、契約不要）。

JSON-LD 3 種 + llms-full.txt + リライト 50 本を一括で導入したい場合は LLMO 最適化パック（¥4,980 一回買い切り）。記事中の「構造化データ + llms.txt」をワンストップで即納します。

リッチリザルトと AI 引用の両方を継続観測したい場合は AI 検索ヘルスチェック（¥14,800/月）で 4 LLM × 業種派生 10〜15 KW を月次計測できます。