深い記事と広い記事、AI検索にはどちらが有効か——トピック深度とカバレッジの判断基準

AI検索で自社コンテンツが引用されるために、記事はどう設計すべきか。「1つのテーマを深く掘り下げる記事」と「広い範囲をカバーする記事」のどちらが有効かは、マーケティング担当者が頻繁に直面する問題です。

結論から言えば、「どちらか一方が常に有効」ではありません。 AI検索の仕組み——特にRAGのチャンキングとリトリーバルの動作を理解すると、トピックの性質とユーザーの質問タイプに応じた使い分けが見えてきます。

この記事では、深度と広さの判断基準をRAGの技術的な仕組みから整理し、記事設計の実務に落とし込みます。

AI検索が記事を「部品化」して使う仕組み

AI検索（RAG型システム）は、Webページ全体をそのまま引用するわけではありません。ページの内容を一定の単位に分割し（チャンキング）、質問に関連する部分だけを取り出して回答に使います。

Lewis et al.（2020）のRAGの原論文が示した通り、検索段階で取得されるのは「文書全体」ではなく「文書のパッセージ（段落や節の単位）」です。つまり、5,000文字の記事も、300文字の段落単位に分割され、それぞれ独立した「部品」として扱われます。

この仕組みが、記事設計に決定的な影響を与えます。

チャンキングの基本単位と記事構造の関係

チャンキングの方法には複数のアプローチがありますが、代表的なのは以下の3つです。

固定長チャンキング

記事を一定の文字数（例：500文字）ごとに機械的に分割する方法です。もっとも単純な方式で、初期のRAGシステムで広く使われました。

この方式では、段落やセクションの途中で分割されることがあります。文脈が切断されるため、分割された各チャンクの情報としての完全性は保証されません。

セマンティックチャンキング

意味的なまとまり（段落、セクション）を単位として分割する方法です。見出し（H2、H3）の区切りを基準にする実装が一般的です。

この方式では、記事の見出し構造がチャンキングの品質に直結します。見出しごとに完結した情報を持つ記事は、チャンキングの結果も情報として完全性が高くなります。

再帰的チャンキング

大きなチャンクからスタートし、サイズの上限を超える場合に再帰的に分割していく方法です。セクション全体が上限以内であればそのまま1チャンクとし、超える場合は段落単位、文単位と段階的に分割します。

現在のRAGシステムでは、セマンティックチャンキングと再帰的チャンキングを組み合わせた方式が主流になっています。

「深い記事」がAI検索で有効な場面

1つのテーマを深く掘り下げた記事は、以下のような場面でAI検索に有効です。

専門的な質問への回答

「RAGのチャンキングにはどのような方式があるか」のような専門的な質問に対して、AI検索は深い情報を持つソースを優先的に引用します。

理由は技術的に明快です。チャンキングされた各パッセージの中に、質問に対する具体的な回答が含まれている必要があるからです。深い記事のパッセージは、特定のテーマに関する具体的な情報——数値、手順、比較、因果関係——を含んでいる確率が高くなります。

チャンク単体の情報密度

深い記事の各セクションは、そのテーマに関する文脈を十分に持っています。チャンクとして切り出されたときにも、単体で意味をなす情報の塊になりやすいのが特徴です。

Gao et al.（2024）のRAGサーベイ論文では、検索精度において「チャンクの情報密度」が重要な因子であることが示されています。スカスカのチャンク（一般論だけで具体性がない段落）は、検索段階で関連性が低いと判定され、回答に使われにくくなります。

権威性のシグナル

1つのテーマについて深い情報を持つページは、そのテーマの「権威ある情報源」として評価される可能性があります。 AI検索のソース選択において、複数のチャンクが同一テーマで高い関連性を示すページは、信頼度が高いソースと判断される要因になります。

「広い記事」がAI検索で有効な場面

広範なテーマをカバーする記事も、特定の場面では有効です。

概要・入門的な質問

「GEO対策とは何か」「AI検索の全体像を教えてほしい」のような概要的な質問に対しては、広いカバレッジを持つ記事が有利です。

AI検索は質問のタイプを判別し、概要的な質問には概要的な情報を、詳細な質問には詳細な情報を返す傾向があります。広い記事は、トピックの全体像を1つのページで提供できるため、概要的な質問の回答ソースとして選ばれやすくなります。

ハブページとしての機能

広い記事は、サイト内の専門的な記事群への「入口」として機能します。この機能はAI検索での直接的な引用だけでなく、クローラーがサイト構造を理解する際にも重要な役割を果たします。

Lost in the Middleの問題——長い記事の構造的な弱点

広い記事には構造的な弱点があります。Liu et al.（2024）が示した「Lost in the Middle」現象です。

この研究は、LLMがコンテキストウィンドウ内の情報を使う際に、先頭と末尾の情報は利用しやすいが、中間部分の情報は利用しにくいことを実証しました。

この現象は、広い記事のチャンキングにも影響を与えます。

長い記事の中間セクションが埋もれるリスク

長い記事がチャンキングされ、複数のチャンクがコンテキストウィンドウに入った場合、中間に位置するチャンクの情報は回答に反映されにくくなります。

具体的な影響として、以下が想定されます。

10セクションある記事のうち、冒頭と末尾のセクションは回答に使われやすい
中間のセクションは、関連性が高くても回答に反映されにくい
重要な情報を中間セクションに配置すると、AI検索で無視される可能性がある

深い記事のほうがこの問題を回避しやすい

深い記事は1つのテーマに絞っているため、記事全体のセクション数が比較的少なくなります。チャンキングされた際のチャンク数も少ないため、Lost in the Middleの影響を受けにくい構造になります。

RAGの検索段階における深度と広さの評価

RAGの検索段階（リトリーバル）では、ユーザーの質問とチャンクの「意味的な近さ」（コサイン類似度）で関連するチャンクが選別されます。

深い記事のチャンクは特化型のベクトルを持つ

深い記事の各チャンクは、特定のテーマに関する濃い情報を含んでいます。そのため、そのテーマに関連する質問との類似度が高くなりやすいです。

言い換えれば、深い記事のチャンクは「狭いが強い」類似度を持ちます。専門的な質問に対してピンポイントでマッチする強みがあります。

広い記事のチャンクは汎用型のベクトルを持つ

広い記事の各チャンクは、それぞれ異なるサブトピックを扱っています。個々のチャンクの類似度は深い記事ほど高くはなりませんが、幅広い質問に対して「ある程度の関連性」を示します。

言い換えれば、広い記事のチャンクは「広いが弱い」類似度を持ちます。多様な質問に対して引用候補に上がりやすいが、最上位に選ばれるかは競合次第です。

記事設計の実務的な判断基準

ここまでの分析を踏まえて、実務で使える判断基準を整理します。

判断基準1：想定される質問の具体性

自社の記事に対して、ユーザーがどのような質問をするかを想定します。

具体的で専門的な質問（「RAGのチャンキング方式の比較」）が想定される場合は、深い記事が有効です。概要的な質問（「AI検索対策の全体像」）が想定される場合は、広い記事が有効です。

質問の具体性は、キーワードリサーチのデータから推定できます。ロングテールキーワードが多いテーマは深い記事、ショートテールキーワードが中心のテーマは広い記事が適しています。

判断基準2：競合のコンテンツ構成

同じテーマで競合がどのような記事を出しているかを確認します。

競合が広い記事を出している場合、自社は深い記事で差別化するのが有効です。 AI検索は複数のソースを比較して引用元を選ぶため、競合と同じ広さ・深さの記事では、引用競争で勝ちにくくなります。

逆に、競合が深い記事を出しているテーマでは、広い概観記事で「入口」を押さえる戦略が有効な場合もあります。

判断基準3：自社の固有データの有無

自社にしか出せない独自データ、調査結果、事例がある場合は、深い記事に落とし込むのが有効です。独自データを含むチャンクは、他のソースと重複しないため、AI検索の重複除去フィルターを通過しやすくなります。

独自データがないテーマでは、広い記事で複数の公開情報を体系的に整理する方が、コンテンツとしての付加価値を出しやすくなります。

セクション設計の具体的な手法

記事の深度と広さを決定した後、セクション設計が記事の品質を左右します。

深い記事のセクション設計

深い記事では、1つのH2セクションが1つの完結した論点を持つように設計します。

各セクションに含めるべき要素は以下の通りです。

その論点の結論（セクションの冒頭で提示）
根拠となるデータや研究
具体的な手順や判断基準
想定される反論や例外

この設計により、チャンキングされた際に各チャンクが「自己完結した情報の塊」になります。セクション冒頭に結論を置くことで、チャンクの先頭部分で情報の概要が伝わり、検索段階での関連性判定が正確になります。

広い記事のセクション設計

広い記事では、各H2セクションが「その記事内で完結するサマリー」と「深い記事へのリンク」の両方を持つように設計します。

サマリー部分は、そのサブトピックの要点を3〜5文で簡潔にまとめます。このサマリーだけでも、ユーザーの基本的な疑問には答えられるレベルの情報量を持たせます。

深い記事へのリンクは、「より詳しい情報はこちら」という形で、自サイト内の専門記事に誘導します。この構造がトピッククラスターの基本です。

ハイブリッド戦略——ピラーページとクラスター記事

深い記事と広い記事を対立させるのではなく、組み合わせるのが最も効果的な戦略です。

ピラーページ（広い記事）

トピック全体を概観するページを1つ作成します。このページはAI検索で概要的な質問に対応するとともに、クローラーにサイトのトピック構造を伝える役割を果たします。

クラスター記事（深い記事）

ピラーページの各セクションで触れたサブトピックについて、それぞれ深い記事を作成します。各クラスター記事はAI検索で専門的な質問に対応します。

相互リンクの設計

ピラーページから各クラスター記事へ、クラスター記事からピラーページへ、相互にリンクを設置します。この構造により、クローラーはサイト内のトピック関係を正確に理解できます。

AI検索が「このサイトはこのトピックについて体系的な情報を持っている」と判断すれば、引用される確率は個別記事単体よりも高くなります。

まとめ——「深さか広さか」ではなく「設計の精度」が勝敗を分ける

AI検索において、深い記事と広い記事のどちらが有効かは、質問のタイプ、競合状況、自社の固有データの有無によって異なります。

しかし、いずれの場合も共通して重要なのは「セクション設計の精度」です。チャンキングされた際に、各チャンクが自己完結した高密度な情報の塊になっているかどうかが、AI検索での引用確率を決定します。

深い記事と広い記事を対立軸として捉えるのではなく、ピラーページとクラスター記事の組み合わせとして戦略を設計してください。この構造が、AI検索に対して「体系的な情報源」として認識される基盤になります。