お問い合わせ

ChatGPTやPerplexityに自社名を入力したとき、正しい説明が返ってくるでしょうか。 「聞いたことがありません」と返されたり、競合企業の情報が混ざった回答が生成されたりするケースは珍しくありません。

AI検索が購買プロセスに入り始めた今、LLMに自社ブランドを正しく認識させることは、マーケティングの新しい課題になっています。 この記事では、LLMがブランド名を学習する仕組みを整理し、誤情報の修正方法とメンション増加の具体的な手順を解説します。

LLMはブランド名をどう「覚える」のか

LLMがブランド名を知っているかどうかは、学習データに含まれる言及の量と質で決まります。 Petroni et al.（2019, EMNLP）の研究では、言語モデルが知識ベースのように事実を記憶できることが示されましたが、その精度は学習データ中での出現頻度に大きく依存します。

Mallen et al.（2023, ACL）の調査では、頻出エンティティと希少エンティティで、LLMの回答精度に大きな差があることが確認されました。 Wikipediaに記事があるような有名企業なら正確に回答できても、中小企業やニッチ領域の企業は認識すらされないことがあります。

つまり、LLMにとってのブランド認知は「Web上でどれだけ言及されているか」の関数です。 テレビCMや交通広告では解決できない、デジタル上のテキスト量が鍵になります。

なぜブランド名が間違って出力されるのか

LLMがブランド名を誤って出力するパターンは、大きく3つあります。

パターン1：類似名称との混同。 学習データ中に類似した名称の企業が複数存在すると、LLMはそれらを混同します。 「ABCマーケティング」と「ABCコンサルティング」のような社名の場合、事業内容が混ざった回答が生成されることがあります。

パターン2：古い情報の出力。 LLMの学習データには時間的な切断点（カットオフ）があります。 社名変更、事業転換、合併などがカットオフ後に発生した場合、古い情報が出力され続けます。

パターン3：情報不足による推測。 Sun et al.（2023）の研究が示すように、LLMは情報量が少ないエンティティについて、もっともらしいが不正確な回答を生成する傾向があります。 これはハルシネーション（幻覚）と呼ばれ、Web上のブランド情報が少ない企業ほどリスクが高くなります。

ブランド認知の現状を診断する方法

対策を始める前に、まず現状を把握します。 以下の3ステップで、AI検索における自社ブランドの認知状態を診断できます。

ステップ1：複数のAI検索に社名を入力する。 ChatGPT、Perplexity、Gemini、Copilotの4つで自社名を検索し、回答を記録します。 「[社名]とはどんな会社ですか」「[社名]の主要サービスは何ですか」の2つの質問を基本セットにしてください。

ステップ2：回答の正確性を分類する。 各回答を「正確」「部分的に正確」「不正確」「認識されていない」の4段階で評価します。 どの情報が間違っているか、どの情報が欠けているかを具体的に記録します。

ステップ3：競合との比較を行う。 同じ質問を競合3〜5社に対しても行い、回答の詳細さと正確性を比較します。 競合のほうが詳しく正確に説明されている場合、Web上の情報量で差がついている可能性が高いです。

LLMの学習データに自社情報を届ける

LLMの学習データは、主にWeb上の公開テキストから収集されます。 自社情報を正確に届けるには、クロール可能なページに正確なテキスト情報を配置する必要があります。

Wikipediaのエンティティ登録。 Wikipediaに記事が存在するかどうかは、LLMの認知精度に大きく影響します。 掲載基準（特筆性）を満たす場合は、正確な情報で記事を作成・更新することが最優先の施策です。

自社サイトの会社概要ページを充実させる。 設立年、所在地、事業内容、主要サービス、代表者名などの基本情報を、構造化データ（JSON-LD）とともに明記します。 Organization、LocalBusiness、Product などのSchema.orgマークアップを実装し、機械可読性を高めます。

業界メディア・専門メディアへの露出。 LLMは情報源の信頼性を加味して情報を重み付けします。 業界紙、専門メディア、プレスリリース配信サービスなど、権威性のあるサイトでの言及を増やすことが有効です。

ブランドメンションを増やす5つの施策

Web上のブランドメンション（言及）を計画的に増やすことで、LLMの認識精度は改善できます。 以下の5つの施策を、優先度の高い順に解説します。

施策1：プレスリリースの定期配信。 月1回以上のペースで、具体的な数値や事実を含むプレスリリースを配信します。 配信先が多いほどクロール対象のページが増え、ブランドメンションの母数が増加します。

施策2：業界イベントでの登壇・寄稿。 カンファレンスの登壇レポートや、専門メディアへの寄稿記事は、ブランド名と専門領域を紐づける情報になります。 登壇者名と社名が一緒に掲載されるため、エンティティの関連付けが強化されます。

施策3：調査レポート・ホワイトペーパーの公開。 独自の調査データや業界レポートを公開すると、他メディアからの引用が発生します。 引用のたびにブランド名が言及されるため、メンション増加の効率が高い施策です。

施策4：自社ブログでの一次情報発信。 自社の実績データ、ケーススタディ、ノウハウを定期的にブログで公開します。 AI検索はRAG（検索拡張生成）で最新のWebページも参照するため、定期的な情報更新が引用機会を増やします。

施策5：SNSでのオーガニック言及。 X（旧Twitter）やLinkedInでの言及も、一部のLLMの学習データやRAGの検索対象に含まれます。 自社アカウントの発信だけでなく、社員や顧客による自然な言及を促す仕組みを作ります。

誤情報を修正するための具体的手順

既に誤った情報がLLMから出力されている場合、以下の手順で修正を進めます。

手順1：誤情報の出所を特定する。 LLMが参照している可能性のある情報源（古いプレスリリース、誤った口コミ、古いWikipedia記述など）を特定します。 Perplexityは引用元を表示するため、出所の特定に有用です。

手順2：誤情報の元ページを修正する。 自社で管理できるページ（コーポレートサイト、ブログ、SNSプロフィールなど）の誤情報を修正します。 修正後はGoogle Search Consoleからインデックスの再取得をリクエストします。

手順3：正確な情報を含むページを増やす。 誤情報を上書きするには、正確な情報を含むページの数が誤情報のページ数を上回る必要があります。 前述の5つの施策を使って、正確な情報のメンション数を増やします。

手順4：構造化データで機械可読な正確情報を提供する。 JSON-LDで会社情報、サービス情報、FAQ情報を構造化データとして実装します。 構造化データは自然言語よりも曖昧さが少ないため、LLMの誤解を減らす効果があります。

RAG経由でのブランド露出を最適化する

ChatGPTやPerplexityの検索機能は、RAG（Retrieval-Augmented Generation）で最新のWebページを取得して回答を生成します。 学習データへの反映を待つ必要がなく、即効性のある施策です。

検索意図に合致したページを用意する。 「[業界名] おすすめ ツール」「[課題名] 解決方法」といった検索クエリに対応するページを作成します。 ページ内で自社ブランド名とサービスの特徴を明確に記述しておくと、RAGの回答に自社名が含まれる確率が上がります。

FAQ形式のコンテンツを充実させる。 AI検索のクエリは質問形式が多いため、FAQ形式のコンテンツはRAGとの相性が良いです。 FAQPage のSchema.orgマークアップも合わせて実装します。

第三者サイトでの言及を増やす。 RAGは複数の情報源を参照して回答を生成するため、自社サイト以外でのブランド言及が重要です。 比較サイト、レビューサイト、業界メディアでの掲載を計画的に進めます。

計測と改善のサイクル

ブランド認知の改善は一度の施策で完了するものではなく、継続的な計測と改善が必要です。

月次の定点観測。 毎月1回、診断ステップで使った質問セットを各AI検索に入力し、回答の変化を記録します。 回答の正確性スコアを時系列で追跡し、施策の効果を可視化します。

四半期ごとの施策見直し。 3ヶ月単位で、どの施策がメンション増加に寄与したかを振り返ります。 プレスリリースの配信数、被引用数、メディア掲載数を定量的に評価し、翌四半期の計画に反映します。

AIモデルの更新への対応。 LLMのバージョンアップや新サービスの登場により、認識精度は変動します。 新しいモデルがリリースされたタイミングで追加の診断を行い、変化に対応します。

コンテンツパイプラインとの連携

ここまで述べた施策を個別に実行するのは、工数の面で現実的ではありません。 プレスリリース配信、ブログ更新、構造化データ実装、定点観測を一連のパイプラインとして設計することで、運用負荷を下げられます。

具体的には、以下の流れを自動化・半自動化します。

個々の施策は特別なものではありませんが、一貫した運用体制で回し続けることが成果の分かれ目になります。