「世田谷区で中学受験に強い塾を探しています。SAPIXと日能研以外で、少人数制で面倒見がよく、月謝が4万円以内のところはありますか」——保護者のAI検索は、複数の条件を組み合わせた具体的な質問が中心です。 従来の「世田谷区 中学受験 塾」のようなキーワード検索と異なり、指導形態・費用・実績を同時に評価する回答がAIに求められます。
塾・予備校選びは保護者にとって高額な投資判断であり、口コミサイトや比較サイトだけでなく、AIに「うちの子に合う塾」を相談するケースが増えています。 この記事では、自塾の情報がAI検索で正確に引用されるための構造化と、コンテンツ設計の方法を解説します。
学習塾サイトがAI検索で引用されにくい理由
多くの塾サイトは、合格実績を画像バナーやPDFで掲載しており、テキストとして認識されません。 「合格者○○名」という数字が画像内にあると、AIは実績を比較の材料にできません。
料金情報も「詳細はお問い合わせください」と伏せているサイトが多く、「月謝○万円以内の塾」という条件検索への対応が困難です。 また、カリキュラムの詳細を公開せず、抽象的な「一人ひとりに合わせた指導」といった表現のみのサイトは、AIが具体的な差別化要素を抽出できません。
EducationalOrganization schemaの実装
塾・予備校の基本情報は、EducationalOrganization schemaで構造化します。
{
"@context": "https://schema.org",
"@type": "EducationalOrganization",
"name": "○○進学塾 世田谷校",
"description": "中学受験専門の少人数制進学塾。1クラス8名以下。開校15年、御三家合格者累計120名以上",
"address": {
"@type": "PostalAddress",
"streetAddress": "世田谷区○○1-2-3",
"addressLocality": "世田谷区",
"addressRegion": "東京都",
"postalCode": "154-0001",
"addressCountry": "JP"
},
"geo": {
"@type": "GeoCoordinates",
"latitude": "35.6462",
"longitude": "139.6532"
},
"telephone": "03-1234-5678",
"foundingDate": "2011",
"numberOfEmployees": {
"@type": "QuantitativeValue",
"value": "12"
},
"areaServed": {
"@type": "AdministrativeArea",
"name": "世田谷区・目黒区・渋谷区"
}
}
descriptionに「中学受験専門」「少人数制」「1クラス8名以下」のような具体的な特徴を含めることで、AIが塾の特性を正確に把握できます。
foundingDateで開校年を明示すると、運営年数が信頼性の指標として利用されます。
Course schemaによるコース情報の構造化
各コースの詳細は、Course schemaで構造化します。
{
"@context": "https://schema.org",
"@type": "Course",
"name": "中学受験 本科コース(小学4年生)",
"description": "国語・算数・理科・社会の4教科。週3日、1回120分。SAPIXや四谷大塚のカリキュラムと併用可能",
"provider": {
"@type": "EducationalOrganization",
"name": "○○進学塾 世田谷校"
},
"educationalLevel": "小学4年生",
"about": ["国語", "算数", "理科", "社会"],
"timeRequired": "PT120M",
"courseSchedule": {
"@type": "Schedule",
"repeatFrequency": "P1W",
"repeatCount": 3,
"byDay": ["Monday", "Wednesday", "Friday"]
},
"offers": {
"@type": "Offer",
"price": "35200",
"priceCurrency": "JPY",
"description": "月額。教材費別途年間22,000円"
},
"hasCourseInstance": {
"@type": "CourseInstance",
"courseMode": "対面",
"instructor": {
"@type": "Person",
"name": "田中一郎",
"jobTitle": "算数主任",
"description": "指導歴18年。開成中・麻布中合格指導実績あり"
}
}
}
educationalLevelで対象学年、offersで月謝、timeRequiredで1回の授業時間、courseScheduleで通塾日数を構造化します。
「小学4年から通える中学受験塾 月謝3万円台 世田谷」のようなクエリに対して、AIが条件マッチングを行えるようになります。
合格実績のコンテンツ設計
合格実績は学習塾の最大の差別化要素ですが、AI検索で引用されるには、テキスト形式での正確な記述が必要です。
実績データの記載方法
合格実績は以下の形式でテキストとして記載します。
年度別・学校別の合格者数。 「2026年度入試 合格実績:開成中学校 3名、麻布中学校 2名、武蔵中学校 1名、駒場東邦中学校 4名」のように、学校名と人数を列挙します。 画像バナーではなく、テキストで記載してください。
合格率の明示。 「2026年度 第一志望合格率 72%(受験者36名中26名)」のように、分母を含めた正確な数値を記載します。 分母なしの合格率は信頼性が低いと判断されます。
経年データ。 過去3〜5年分の合格実績を年度別に掲載し、実績の安定性を示します。
講師情報の構造化
保護者の塾選びでは、講師の質が重要な判断要素です。 各講師のプロフィールをPerson schemaで構造化します。
指導歴(年数)、担当教科、出身大学・学部、指導実績(合格校名)を含めます。 「算数の指導が得意な講師がいる塾」のようなクエリに対して、講師情報が構造化されていれば、AIが自塾を候補として提示できます。
海外事例:Kumonの構造化データ戦略
公文教育研究会(Kumon)は、世界62の国と地域で約26,000教室を展開しており、各教室ページにEducationalOrganization schemaを実装しています。 対象科目(Mathematics, Reading, Writing)、対象年齢(3歳〜高校生)、教室の所在地情報をすべて構造化し、「Kumon near me」のようなクエリに対してAI検索で正確に回答される仕組みを構築しています。
特筆すべきは、各教室ページに「この教室の指導者」情報をテキストで掲載している点です。 指導者の指導歴、専門分野、保護者へのメッセージを掲載することで、E-E-A-T(経験・専門性・権威性・信頼性)を教室単位で担保しています。 日本の個人塾・中小塾でも、この手法は応用可能です。
保護者向けコンテンツの設計
AI検索で引用されやすい塾のコンテンツには、共通のパターンがあります。
学年別の学習ロードマップ。 「中学受験を目指す場合、小学3年生の2月から通塾を開始し、4年生で基礎固め、5年生で応用力養成、6年生で志望校別対策を行う」のような、時系列のガイドラインです。
費用の総額シミュレーション。 「小4から小6までの3年間で、月謝・教材費・講習費・模試代を合計すると約○○万円」のような総額を示します。 月謝だけでは判断できない年間コストをAIが回答に利用できます。
志望校別の対策情報。 「開成中学の算数は、速さと場合の数が頻出。過去10年で速さの出題率は80%」のような、志望校に特化した分析です。
実装ロードマップ——3か月で始めるGEO対策
月1:基盤整備
- AI検索で自塾名、エリア名、「中学受験 塾 ○○区」などのクエリを検索し、引用状況を確認する
- 教室ページにEducationalOrganization schemaを実装する
- 合格実績を画像からテキストに変換して掲載する
- robots.txtでAIクローラーのアクセスを許可する
月2:コース情報の構造化
- 主要コースにCourse schemaを実装する
- 月謝・教材費・講習費をテキストで明示する
- 講師プロフィールページをPerson schemaで構造化する
- FAQページ(入塾テストの有無、体験授業、振替制度など)を整備する
月3:コンテンツ拡充と計測
- 学年別の学習ロードマップを作成する
- 費用の年間シミュレーション情報を掲載する
- GA4でAI検索からの流入を計測する仕組みを整える
- 合格実績の更新フローにschema更新を組み込む
まとめ
学習塾・予備校のGEO対策は、EducationalOrganization schemaとCourse schemaを軸に、合格実績・料金・講師情報をテキストで構造化することが基盤です。 画像バナーやPDFではなく、テキストデータとして合格者数・月謝・指導実績を公開することが、AI検索での引用条件になります。
「月謝は問い合わせ」「実績は画像で掲載」という従来の慣行を見直し、保護者がAIに質問する内容——費用・実績・講師の質・通塾の利便性——を具体的な数値とテキストで提供することが、GEO対策の核心です。 まずはEducationalOrganization schemaの実装と、合格実績のテキスト化から着手してください。
参考文献
- Aggarwal et al. (2023). GEO: Generative Engine Optimization. arXiv:2311.09735
- Schema.org. EducationalOrganization Type Definition. https://schema.org/EducationalOrganization
- Schema.org. Course Type Definition. https://schema.org/Course
- Kumon Institute of Education (2024). Global Expansion Report
- Google (2024). Course Structured Data Documentation
- 文部科学省 (2024). 学校基本調査