AI検索での自社ポジションを把握するうえで、競合がどう引用されているかの調査は欠かせません。 しかし従来のSEOで使っていた検索順位チェックツールは、生成型検索のアウトプットにそのまま適用できません。
この記事では、競合のGEO状況を体系的に調査する方法と、自社との比較に使えるフレームワークを解説します。
なぜ競合のGEO状況を調べる必要があるのか
従来のSEOでは、特定キーワードにおける検索順位が明確な競争指標でした。 1位から10位までのランキングが可視化されるため、競合との差分も一目で分かります。
生成型検索では、この「順位」という概念がありません。 ChatGPTやPerplexityの回答には引用元が数件表示されますが、どの企業がどのクエリで引用されるかは回答ごとに変動します。 そのため、一度の確認ではなく、体系的な調査設計が必要になります。
競合のGEO状況を把握することで、以下の3つが明らかになります。
1. 自社が引用されていない領域の特定。 競合は引用されているのに自社は引用されないクエリがあれば、それがGEO施策の優先領域になります。
2. 競合の引用されやすいコンテンツ特徴の把握。 競合のどのページがどのような文脈で引用されているかを分析すれば、引用されやすいコンテンツの構造パターンが見えてきます。
3. 市場におけるAI認知ポジションの理解。 Sun et al.（2023）の研究が示すように、LLMの回答精度はエンティティの知名度に依存します。 自社と競合のどちらがAIにより認知されているかは、今後のマーケティング戦略に直結する情報です。
調査の前提——AI検索の引用は確率的である
調査手法の詳細に入る前に、1つの前提を押さえておく必要があります。 生成型検索エンジンの回答は、同じクエリでも毎回異なる引用を返すことがあるという点です。
これは、LLMの出力が確率的に生成されるためです。 温度パラメータの設定や、RAG（検索拡張生成）で取得されるドキュメントの組み合わせにより、同一プロンプトでも回答のバリエーションが生じます。
したがって、競合のGEO調査は「1回検索して確認する」ではなく、「同一クエリを複数回・複数日にわたって検索し、引用の出現頻度を記録する」アプローチが必要です。 具体的な回数の目安は、1クエリあたり最低10回、理想的には20回以上の試行です。
ステップ1：調査対象クエリの設計
競合分析の精度は、調査に使うクエリの設計で決まります。 クエリは以下の4カテゴリに分類して網羅的に設計します。
カテゴリA：指名検索クエリ。 「〇〇社とは」「〇〇社の評判」「〇〇社のサービス内容」など、企業名を直接含むクエリです。 自社名と競合各社の名前で同一パターンのクエリを作成します。
カテゴリB：業界・カテゴリクエリ。 「〇〇業界のおすすめサービス」「〇〇の比較」「〇〇の選び方」など、業界やカテゴリに関するクエリです。 このカテゴリでは、どの企業がAI回答内で推薦されるかが競争のポイントになります。
カテゴリC：課題・ニーズクエリ。 「〇〇を効率化するには」「〇〇のコスト削減方法」など、顧客の課題を起点としたクエリです。 ここで引用されるかどうかは、ソートリーダーシップの浸透度を示します。
カテゴリD：比較クエリ。 「〇〇社 vs △△社」「〇〇社と△△社の違い」など、直接比較を求めるクエリです。 AI検索での比較回答は、ユーザーの意思決定に直接影響するため、特に重要なカテゴリです。
各カテゴリで5〜10個のクエリを設計し、合計20〜40個のクエリセットを作成するのが実用的な規模感です。
ステップ2：複数のAI検索エンジンで調査を実行する
設計したクエリを、複数の生成型検索エンジンで実行します。 調査対象とするエンジンは、最低でも以下の3つをカバーしてください。
ChatGPT（検索モード）。 OpenAIのChatGPTはBingのインデックスを利用したWeb検索機能を持っています。 回答内に表示される引用リンクと、回答本文中での企業名・サービス名の言及を記録します。
Perplexity。 Perplexityは引用元を明示的に表示する設計になっており、どのURLが引用されたかを正確に把握できます。 引用の順序と、引用元が回答のどの部分で使われているかも記録対象です。
Google AI Overview（SGE）。 Googleの生成AI機能は、従来の検索結果と統合された形で表示されます。 AI Overviewに表示される引用元は、SEOの検索順位とは異なるロジックで選ばれることがあるため、別途調査する価値があります。
BrightEdge（2025）のレポートでは、AI検索エンジンごとに引用されるソースの傾向が異なることが指摘されています。 1つのエンジンだけで調査を完結させると、偏った分析結果になるリスクがあります。
ステップ3：調査結果の記録フォーマット
調査結果は、再現性と比較可能性を担保するフォーマットで記録します。 スプレッドシートで以下のカラムを用意するのが実用的です。
調査日時、使用したAI検索エンジン名、入力クエリ、AI回答の要約（200字程度）、引用されたURL一覧、回答本文中で言及された企業名・サービス名、自社の引用有無（Yes/No）、競合A〜Eの引用有無（Yes/No）の8項目です。
このフォーマットで記録を蓄積すると、後述する定量分析が可能になります。 手動での記録が負荷になる場合は、API経由で自動化する方法もあります。
ChatGPTのAPIやPerplexityのAPIを使えば、同一クエリの複数回実行と回答の記録を自動化できます。 ただし、API経由の回答とWeb UIの回答は異なる場合がある点には注意が必要です。
ステップ4：引用頻度の定量化
蓄積した記録データから、以下の指標を算出します。
引用出現率（Citation Appearance Rate）。 特定のクエリカテゴリにおいて、各企業のコンテンツが引用された回数を、総試行回数で割った値です。 たとえば、カテゴリBのクエリ10個×各20回＝200回の試行で、自社が35回引用されていれば、引用出現率は17.5%です。
引用ポジション（Citation Position）。 引用が回答の冒頭・中盤・末尾のどこで登場するかの分布です。 Aggarwal et al.（2023）のGEO論文では、引用位置が情報の重要度認知に影響することが示唆されています。
排他率（Exclusive Mention Rate）。 自社だけが引用され、競合が引用されなかった回答の割合です。 この指標が高いクエリ領域は、GEOにおける自社の強みを示しています。
共起率（Co-occurrence Rate）。 自社と特定の競合が同時に引用された回答の割合です。 共起率が高い競合は、AIの認識上で直接的な競合関係にあると解釈できます。
比較フレームワーク：GEOポジションマトリクス
定量化した指標を使って、競合比較を構造化するフレームワークを紹介します。 以下の2軸でマトリクスを作成します。
横軸：引用出現率（低→高）。 AI検索で引用される頻度を示します。
縦軸：引用クエリの多様性（低→高）。 引用されるクエリのカテゴリ数やバリエーションを示します。
このマトリクスにより、自社と競合を4象限に配置できます。
右上（高頻度・高多様性）：GEOリーダー。 多くのクエリで頻繁に引用されており、AI検索における存在感が最も大きいポジションです。
右下（高頻度・低多様性）：ニッチ専門家。 特定のトピックでは強く引用されますが、領域が限定的です。
左上（低頻度・高多様性）：薄く広い認知。 多様なクエリで時々引用されますが、どの領域でも支配的ではありません。
左下（低頻度・低多様性）：GEO未着手。 AI検索での存在感がほとんどない状態です。
自社がどの象限にいるかを把握し、目指すべき象限に向けた施策を設計します。
競合の引用コンテンツを分析する
引用頻度の定量分析に加えて、競合の「何が」引用されているかの質的分析も重要です。 以下の観点で競合の引用コンテンツを分析します。
コンテンツの種類。 ブログ記事なのか、製品ページなのか、ヘルプドキュメントなのか、プレスリリースなのかを分類します。 引用されやすいコンテンツ種別のパターンが見えてきます。
情報の構造。 引用されたページの構造的特徴を確認します。 見出しの付け方、箇条書きの使い方、数値データの提示方法、定義文の書き方などが分析対象です。
ドメイン権威性。 競合の引用元ドメインのDR（Domain Rating）やDA（Domain Authority）を確認します。 Mallen et al.（2023）の研究からも示唆されるように、LLMは信頼性の高いソースからの情報を優先する傾向があります。
更新頻度。 引用されているページの最終更新日を確認し、更新頻度と引用率の相関を分析します。
分析結果から施策に落とす
競合分析の結果は、具体的なGEO施策に変換しなければ意味がありません。 分析結果から導出する施策を、優先度別に整理します。
即座に着手する施策（1〜2週間）。 自社が引用されていないが競合は引用されているクエリを特定し、そのクエリに対応するコンテンツの有無を確認します。 コンテンツが存在しない場合は新規作成、存在するが引用されていない場合は構造の改善を行います。
短期施策（1〜2ヶ月）。 競合の引用コンテンツの構造パターンを参考に、自社の既存コンテンツを体系的にリライトします。 具体的には、定義文の冒頭配置、箇条書きによる要点整理、一次データの追加などです。
中期施策（3〜6ヶ月）。 引用クエリの多様性を高めるために、カバーするトピック領域を拡張します。 競合が引用されていないニッチ領域を先行して押さえることも有効な戦略です。
定期モニタリングの設計
競合のGEO状況は一度調査すれば終わりではありません。 AI検索エンジンのアルゴリズム更新やRAGの仕組みの変更により、引用傾向は変化し続けます。
定期モニタリングの推奨サイクルは以下のとおりです。
週次：主要クエリのスポットチェック。 最重要の5〜10クエリについて、自社と主要競合の引用状況を確認します。 大きな変動があれば即座に原因を調査します。
月次：全クエリセットでのフル調査。 設計した全クエリセットで調査を実行し、前月との比較データを作成します。 引用出現率の推移グラフと、競合とのギャップ変動を可視化します。
四半期：フレームワーク全体の見直し。 GEOポジションマトリクスを再作成し、自社と競合のポジション変動を確認します。 調査クエリセット自体の更新（新しいクエリの追加、陳腐化したクエリの削除）もこのタイミングで行います。
調査ツールと工数の目安
競合GEO分析に必要なツールと、初期調査にかかる工数の目安を示します。
必須ツール。 AI検索エンジンのアカウント（ChatGPT、Perplexity、Google）、記録用スプレッドシート、この2点で調査は開始できます。 追加投資は不要です。
推奨ツール。 API利用のためのプログラミング環境（Python等）、既存のSEOツール（Ahrefs、SEMrush等のDR確認用）があると効率が上がります。
初期調査の工数目安。 クエリ設計に2〜3時間、30クエリ×3エンジン×10回の手動調査に15〜20時間、データ整理と分析に5〜8時間が目安です。 合計で25〜30時間程度を見込んでください。
APIによる自動化を導入すれば、2回目以降の調査工数は初期の3分の1程度に削減できます。
競合分析で陥りやすい3つの落とし穴
最後に、競合GEO分析で注意すべきポイントを挙げます。
落とし穴1：試行回数が少なすぎる。 AI検索の回答は確率的に変動します。 1〜2回の確認で「引用されていない」と結論づけると、実際には10回に3回は引用されているケースを見逃します。
落とし穴2：自社に有利なクエリだけで調査する。 自社が強い領域だけを調査すれば、当然ながら良い結果が出ます。 競合が強い領域を含めた網羅的なクエリ設計が重要です。
落とし穴3：分析で終わり、施策に落とさない。 競合の状況を「知っている」だけでは何も変わりません。 分析結果を具体的な施策とタスクに変換し、実行するところまでを調査プロジェクトのスコープに含めてください。
競合のGEO状況を正しく把握することで、AI検索時代の競争環境における自社のポジションが明確になります。 定量的なデータに基づいた施策設計は、限られたリソースを最も効果的に配分するための基盤です。