ChatGPTが信頼するサイトの特徴——AI検索で引用されるドメインの条件

ChatGPTやPerplexityで検索すると、回答の中に特定のサイトが引用されます。しかし自社サイトはなかなか引用されない。「SEOではドメインオーソリティが高いのに、なぜAI検索では無視されるのか」という疑問を持つマーケティング担当者は少なくありません。

実は、AI検索が信頼するサイトの基準は、従来のSEOとは別の構造を持っています。この記事では、学術研究の知見をもとに、AIがどのようにサイトの信頼性を判断しているか、そして自社サイトが信頼を獲得するために何をすべきかを解説します。

ドメインオーソリティが高くてもAIに引用されない理由

従来のSEOでは、ドメインオーソリティ（DA）が高いサイトほど検索上位に表示されやすいとされてきました。しかしAI検索では、この常識が通用しません。

AuthorityBench（2025年、arXiv:2603.25092）の分析によると、従来のドメインオーソリティとAI検索での引用確率の相関はr = 0.18にとどまります。 DAはAI引用の分散のわずか3%しか説明できません。

つまり、DA90のサイトでもAI検索で引用されないケースがあり、DA20のサイトでも引用されるケースがあります。 SEOで長年積み上げてきたドメイン評価と、AI検索での信頼性は、ほぼ別物と考える必要があります。

AIはどうやってサイトの信頼性を判断しているのか

GoogleのSEOでは「E-E-A-T」（Experience, Expertise, Authoritativeness, Trustworthiness）という明確な評価基準が存在します。一方、LLM（大規模言語モデル）にはE-E-A-Tのような明示的な評価指標はありません。

AIが信頼するサイトの判断は、大きく2つの仕組みで成り立っています。

学習データの偏りによる暗黙の信頼性

LLMは、学習時に取り込んだ大量のテキストの統計的パターンから、どのサイトが信頼できるかを暗黙的に学習しています。

Brown et al.（2020年、OpenAI）のGPT-3論文によると、学習データの品質フィルタリングでは「Wikipediaの外部リンク先ページとの類似度スコア」が使われました。 Wikipediaの編集者が参照先として選んだページと似たスタイル・品質のページが、優先的に学習データに含まれたのです。

この結果、LLMの知識には以下のようなサイトのパターンが強く反映されています。

学術機関のサイト
政府機関のサイト
確立されたメディア
Wikipediaが参照している情報源

たとえば医療情報の場合、「Mayo Clinicのサイトに書かれている内容」と「個人ブログの医療情報」では、前者のパターンがモデルの重みにより強く刻まれています。

頻度と共起による暗黙の認知

LLMの学習データにおいて、特定のドメインやブランドが繰り返し言及される頻度は、暗黙の信頼性シグナルとして機能します。

たとえば「量子コンピューティング」について多くのテキストでIBMやGoogleの研究所が言及されていれば、LLMはこれらを量子コンピューティングの権威として暗黙的に認識します。

この仕組みは、GoogleのPageRankの原理に似ています。 PageRankが「多くのサイトからリンクされるサイトは重要」という考え方に基づくように、LLMは「学習データ中で多く言及されるブランドは重要で信頼できる」というパターンを獲得しています。

学術研究が明らかにしたAIの信頼性判断の限界

TruthfulQA——AIは誤情報も「自信を持って」答える

Lin et al.（2022年、Oxford大学 / OpenAI）は「TruthfulQA」というベンチマークを開発し、LLMが一般的な誤解をどの程度再現してしまうかを検証しました。

817の質問を38のカテゴリ（健康、法律、科学、陰謀論など）にわたって出題した結果は、以下の通りです。

最良のモデルでも正確な回答率は58%にとどまった
人間の正確回答率は94%だった
大規模モデルほど、一般的な誤解を自信を持って回答する傾向が見られた

Lin et al.はこれを「imitative falsehoods（模倣的な虚偽）」と呼んでいます。学習データ中に頻出する誤った情報を、モデルがそのまま再現してしまう現象です。

この研究はマーケティング担当者に2つの示唆を与えます。

第一に、AIは学習データ中の頻度分布に強く影響されます。誤った情報であっても、多くのサイトで繰り返されていれば、モデルはそれを「事実」として学習する可能性があります。

第二に、正確な情報源からのテキストの比率が学習データ中で十分に高ければ、モデルの正確性は向上します。正確な情報を発信し続けることは、長期的にAIからの信頼獲得につながります。

AuthorityBench——AIの権威性認知にはトピック依存性がある

AuthorityBench（2025年）の研究からは、AIの権威性認知に以下の特徴があることが分かっています。

同じサイトでもトピックによって評価が変わる。 たとえば大学のWebサイトは学術トピックでは高い権威性が認知されますが、料理レシピのトピックでは認知が低下します。

コンテンツの中身で判断している。 LLMはドメイン名やブランドだけでなく、テキストの内容と構造から権威性を判断します。出典の明示、データの提示、専門用語の適切な使用がシグナルとなります。

学習データでの長期的な存在感が効く。 学習データ中で長期にわたり一貫して権威的に言及されてきたドメインは、安定した権威性認知を持ちます。新規ドメインは学習データ中の存在感が薄いため、権威性の認知構築に時間がかかります。

学習データのフィルタリングが信頼性の「ふるい」になっている

LLMが暗黙的に学習する信頼性は、学習データの作り方に大きく依存します。

Dodge et al.（2021年、Allen Institute for AI）のC4データセット分析では、Common Crawlの生データから99.7%のドキュメントがフィルタリングで除外されていました。残った0.3%のドキュメントには以下の特徴があります。

3文以上のテキストを含む
文法的に整った文章である
不適切語を含まない
他のドキュメントとの重複が少ない

このフィルタリング自体が、品質の低いサイトを除外し、品質の高いサイトの比率を高める効果を持っています。

また、Wikipediaの編集ポリシーでは、信頼できる二次資料からの出典が求められます。その結果、Wikipediaが参照するサイト群——学術論文、政府統計、確立されたメディア——が、LLMの学習データにおいて暗黙的に「信頼できるソース」としての重みを持つ構造になっています。

自社サイトがAI検索で信頼を獲得するための方法

新規ドメインはLLMの学習データに含まれていないため、暗黙の信頼性がゼロからのスタートです。しかしRAGベースのAI検索（ChatGPTやPerplexityなど）では、検索時のリアルタイムシグナルによって信頼性が評価されるため、対策の余地があります。

外部からの参照を獲得する

被リンクは、従来のSEOだけでなくAI検索でも信頼性シグナルとして機能します。特に以下のソースからの参照が有効です。

学術論文やホワイトペーパーからの引用
業界団体のWebサイトからのリンク
確立されたメディアからの言及

これらの参照は、BingやGoogleのインデックスにおける権威性評価に反映されます。 AI検索がこれらのインデックスを参照する場合、評価も間接的に引き継がれます。

構造化データでメタ情報を伝える

Schema.orgの構造化データは、コンテンツの信頼性を機械的に伝達する手段です。

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "author": {
    "@type": "Person",
    "name": "著者名",
    "url": "https://example.com/author/profile"
  },
  "publisher": {
    "@type": "Organization",
    "name": "組織名"
  },
  "datePublished": "2025-07-01",
  "dateModified": "2025-07-15"
}
</script>

著者情報、組織情報、公開日が構造化データとして提供されていれば、クローラはこれらをメタデータとして認識できます。

出典を明示する

記事内で学術研究や信頼性の高いデータソースを引用し、出典を明示することは、コンテンツの信頼性を示す直接的な方法です。

「○○大学の○○ et al.（2024）による研究では、△△という結果が報告されている」のように、著者名、年度、機関名を含む引用は、LLMが学習した学術コンテンツのパターンと一致します。

このパターンの一致は、AI検索のランキングにおいて「信頼できる情報源のスタイルに類似したコンテンツ」として評価される可能性があります。

専門領域を絞って一貫して発信する

AuthorityBenchの研究が示すように、ドメインの権威性はトピックに依存します。特定のトピックにおける権威性は、そのトピックに関するコンテンツの蓄積と一貫性から評価されます。

1つのサイトが10のトピックを浅くカバーするよりも、2〜3のトピックに集中して深いコンテンツを蓄積するほうが、特定トピックにおける権威性の構築には有効です。

RAG環境でのリアルタイム信頼性評価

RAGベースのAI検索では、学習データの暗黙的信頼性に加えて、検索時のリアルタイムシグナルが信頼性評価に使われます。

コンテンツ品質シグナル

検索で取得されたテキストの品質も、信頼性の判断材料になります。以下の特徴を持つコンテンツは、品質シグナルが高いと評価される傾向があります。

具体的な数値データが含まれている
出典が明示されている
見出し構造が整っている
主張と根拠が対になっている

ユーザーフィードバック

AI検索サービスの中には、ユーザーの回答評価（thumbs up/down）をフィードバックループに組み込んでいるものがあります。特定のソースからの引用がユーザーに高く評価される場合、そのソースの信頼性スコアが長期的に向上する可能性があります。

信頼性構築のタイムライン

新規ドメインがAI検索で信頼性を構築するには、一定の時間が必要です。以下は目安としてのタイムラインです。

短期（1〜3か月）

SSR/SSGの採用とAIクローラのクロール許可設定
構造化データ（Schema.org）の実装
IndexNowの設定とBingへの即時通知開始
専門領域の記事を10〜20本公開

中期（3〜6か月）

出典付きの専門コンテンツの継続的な公開
業界メディアやSNSからの被リンク獲得
既存記事の定期更新とIndexNow通知

長期（6か月〜）

一次データ（独自調査、ベンチマーク結果など）の公開
学術論文やホワイトペーパーからの被引用
特定トピックでのAI検索引用の定期的な確認

業界、トピック、競合状況により変動しますが、継続的な発信が前提となります。

まとめ

AIが信頼するサイトの仕組みは、従来のSEOとは異なる構造を持っています。

ドメインオーソリティとAI引用の相関はr = 0.18と低い（AuthorityBench, 2025）
AIは学習データの頻度分布から暗黙の信頼性を学習している（Brown et al., 2020; Lin et al., 2022）
権威性はトピックに依存し、コンテンツの中身で判断される

自社サイトがAI検索で信頼を獲得するには、外部からの参照獲得、構造化データの実装、出典の明示、そして特定領域への一貫した発信が基本となります。学習データに含まれていないドメインでも、RAG環境でのリアルタイムシグナルを通じて信頼性を示すことは可能です。