top of page
Image by Charles Forerunner

LLMO

アンカー 1

はじめに：生成AI時代のSEOの新潮流とは？

なぜ今、生成AIに最適化する必要があるのか？

近年、ChatGPTやPerplexity AIなどの生成AIが急速に普及し、ユーザーの情報収集方法が大きく変化しており、このような生成AIが従来の検索エンジンの代わりに使われるケースが増えています。このような背景から、生成AIに最適化されたSEO戦略が求められています。

​

従来のSEOとの違い

従来のSEOは、検索エンジンのアルゴリズムに基づいてウェブサイトのランキングを向上させることを目的としていました。一方、生成AI時代のSEOは、AIがコンテンツを正確に理解し、ユーザーの質問に対する回答として適切に引用されることを目指します。これにより、情報の信頼性や構造化がより重要となります。

従来のSEO
生成AI時代のSEO

生成AI最適化の基本戦略

AI時代のSEOに必要な考え方

生成AIを通じて情報を届けるためには、以下の3つの視点が重要です。従来の「検索する」という行動とは異なり、生成AIはユーザーの問いに即座に回答を返す新しい情報探索のインターフェースです。この変化に合わせ、企業側もコンテンツの作り方を根本的に見直す必要があります。

  • 信頼性の確保：コンテンツの正確性と信頼性を高める。

    • 情報の出典や著者情報を明記する。

    • 公式サイトや専門家の監修を明記し、第三者からの評価や引用も積極的に活用する。

    • 定期的な情報更新を行い、古い情報を放置しない。

  • 構造化データの活用：AIが情報を容易に解析できるようにする。

    • Schema.orgなどの構造化データを活用し、商品、FAQ、著者、レビューといった情報を明確に示す。

    • JSON-LD形式でのマークアップを行い、AIにとって分かりやすい「意味づけ」をする。

    • ページごとの主題（トピック）が一目で分かるように見出しや文章構造を工夫する。

  • ユーザー意図の理解：ユーザーの質問に対して的確な回答を提供する。

    • ターゲットユーザーがどのような疑問を持っているのかを事前にリサーチする。

    • 「〜とは？」「使い方」「手順」など、ユーザーが求める質問形式を意識した文章を書く。

    • FAQやQ&A形式で、シンプルかつ明確に情報を整理する。

視点
詳細
取り組み例

AIに「見つけられる」ための最適化とは？

生成AIがウェブサイトのコンテンツを適切に認識し、回答に引用するためには、以下の最適化が有効です：

  • 構造化データの実装：Schema.orgなどを活用して情報を明確にする。

  • FAQやQ&A形式のコンテンツ作成：ユーザーの疑問に直接答える形式で情報を提供する。

  • llms.txtの導入：AIが重要なページを特定しやすくするためのファイルを設置する。

生成AI最適化の実践ガイド

llms.txtの設置と役割

llms.txtは、AIがウェブサイトの重要なページを特定しやすくするためのファイルです。検索エンジンのクローラーに対する robots.txt に似た仕組みで、llms.txtは対象がAIモデルです。これを設置することで、AIが効率的にコンテンツを解析し、適切な情報を提供できるようになります。

 

*llms.txt：生成AIがウェブサイトをクロール・学習する際に、どのページを「学習対象」として認識し、回答に反映させるかを明示的に指定するためのテキストファイルであり、サイトのルートディレクトリに設置し、対象ページのURLや学習可否を記載することで、生成AIが引用する情報の範囲をコントロールし、正確かつ意図した情報がユーザーに届くようにするための仕組み。

例）

# llms.txt

# このファイルは生成AIに対して、クロールと利用を許可または禁止するページを示します。

 

User-Agent: *

Allow: /blog/

Allow: /service/

Allow: /faq/

Disallow: /privacy-policy/

Disallow: /terms/

 

# サイトマップ

Sitemap: https://example.com/sitemap.xml

構造化データ（Schema.org）の重要性

Schema.orgはウェブページのHTMLに構造化データを追加して、検索エンジンにページの意味（セマンティクス）を正確に伝えるための仕様です。構造化データを活用することで、AIがコンテンツの意味を正確に理解しやすくなります。特に商品情報やレビュー、FAQなどの情報を明確に伝えるために有効です。

​

*Schema.org：ウェブページの内容を検索エンジンや生成AIが正確に理解しやすいように、ページ上の情報（例：企業情報、FAQ、商品情報など）をマークアップして示すための共通仕様。AIモデルに限定したものではなく、検索エンジンのクローリングでの利用で主に用いられており、「このページは商品です」「これはレビューです」「これはイベントです」といった情報を正確に理解し、リッチリザルトやナレッジパネルなどに活用できるようにします。

例）

Screenshot 2025-09-24 at 14.51.32.png

構築プロトコルの考え方

​

  • MCPサーバーは Hostに対してJSON形式の設定で登録される。

  • 設定ファイル（例：Claude Desktopの claude_desktop_config.json）に、どのサーバーを呼び出すか（command）,どんな引数で起動するか（args）を書くことで、LLMが「外部のツールやデータ」にアクセスできるようになります。

​

設定ファイルによる接続

実際の接続はJSONファイルで行います。Claude Desktopの claude_desktop_config.json に以下のような記述を加えるだけで、SQLiteサーバーが使えるようになります。

​

  • 構築プロトコルイメージ（例：SQLiteサーバー）

Screenshot 2025-09-24 at 14.55.43.png

これを読み込ませると、自然言語で「このDBから最新の顧客リストを取ってきて」と頼むだけで、

→ Hostが sqlite.query を呼び出し、

→ DBサーバーがSQLを実行し、

→ 結果がJSON形式で返ってくる、という流れが実現します。

エージェント間のコンテキスト共有

MCPの大きな価値は、複数のエージェントを「一つの文脈」で結びつけられることにあります。Claude DesktopのようなMCP Hostは、各エージェントが生成した出力を「共通コンテキスト」として管理し、必要に応じて別のエージェントに受け渡していきます。たとえばこんな流れが考えられます。

​

  1. 分析エージェントがCRMデータをセグメント化し、audience.json を生成。

  2. Hostはこの成果物を mcp://file/audience.json というURIで保存します。

  3. SNS運用エージェントはそのURIを参照し、対象セグメント向けの投稿内容を自動生成。

  4. 広告エージェントも同じURIを利用し、広告キャンペーンのターゲティングに反映。

  5. レポートエージェントが広告結果とSNSデータを集約し、report.csv として出力。

 

最後に、HostがURIを更新し、他のエージェントや人間ユーザーがすぐに参照できるようにします。このように URIを介した共通コンテキストがあることで、「分析 → 投稿 → 広告配信 → レポート」という一連の流れがシームレスに自動化されます。

オーケストレーションロジック

MCPを活用する上で重要なのが、タスクをどう制御するか、つまり「オーケストレーション」の仕組みです。

 

ワークフローエンジンの役割

AirflowやDagsterといった既存のワークフローエンジンは、「依存関係の管理」や「スケジューリング」に優れています。これらをMCPと組み合わせると、例えば以下のような定型処理が可能になります。

​

  • SQLデータ抽出（MCPサーバー経由でDB接続）

  • SNS投稿の予約（MCPサーバー経由でスケジュール実行）

  • 広告入札の更新（Google Ads MCPサーバー経由で実行）

 

つまり、繰り返し実行される定常タスクやバッチ処理は、ワークフローエンジンに任せるのが最適です。

​

生成AIとのインタラクティブ性

 

一方で、生成AI（Claudeなど）は強みが異なります。レポートを仕上げる際に「表現を調整する」「誤差を補正する」といった人間的な判断や修正が求められる場合、完全自動のワークフロー制御だけでは不十分です。Claudeのようなエージェントは、逐次対話を通じてタスクを修正・判断できるため、より柔軟なオーケストレーションを実現できます。

ハイブリッド制御という現実解

実際には、「ワークフローエンジン」と「生成AI」を組み合わせたハイブリッド型が現実的です。

​

  • Airflow / Dagster → MCPバッチ処理や定型タスクの自動実行を担当。

  • Claude Host → MCPインタラクティブな分析・資料作成・意思決定支援を担当。

 

両者をうまく組み合わせることで、「定常処理はワークフロー、知的作業はClaude」というハイブリッドなオーケストレーションが実現します。

技術課題

もちろん、MCPによるマーケティング・オーケストレーションには課題も残されています。

 

  • セキュリティ：外部APIに接続する際には認証・認可の仕組みが欠かせません。トークン管理やアクセス権限の設計は今後も大きなテーマになります。

  • データ品質：Webスクレイピングや外部データの誤りが結果に直結するリスクがあります。信頼性を担保する仕組みが必要です。

  • リアルタイム性：SNSや広告配信はタイムラグの影響が大きいため、レイテンシを考慮した設計が求められます。

  • 標準化の不足：MCP自体がまだ新しい枠組みであるため、実装事例が少なく、ベストプラクティスが蓄積されていません。

 

こうした課題はありますが、逆に言えば 「解決すべき次のテーマ」 でもあります。MCPが広がるほど、各社の実践知がフィードバックされ、標準化や運用の知見が整っていくでしょう。

近未来像

[参考]掛谷知秀「MCPマーケティング活用法：AIで顧客獲得戦略を最適化」(2025)

ルールと権限制御

一方で、すべてを自動化するのはリスクを伴います。そこで重要になるのが Model Specification です。これはOpenAIなどが策定している標準仕様で、「どのような入力・出力を許可するか」「危険操作をどう扱うか」といったルールを事前に定義します。例えば「DBの削除」「個人情報の送信」といった操作は危険なので、必ずユーザー承認のポップアップを要求する。認可されていない操作は、スキーマ定義上そもそも実行できない。こうした制約により、モデルが勝手に逸脱した行動を取らないよう保証できる。MCPサーバーはこの仕様に従ってAPIスキーマを公開し、Hostは実行時にModel Specificationを照合して正当性を検証します。つまり、「自由度の高い生成AI」と「安全性を担保する制御ルール」を両立する仕組みがMCPの基盤に組み込まれているのです。

では、この仕組みが数年後にどう進化していくのかを想像してみましょう。マーケティング責任者は、戦略目標だけを入力するだけでよくなるかもしれません。あとはAIエージェント群が自律的にオーケストレーションを回し、人間は最終的な意思決定や戦略調整に専念できます。例えば、責任者が「来月1,000人の新規顧客を獲得したい」と入力したとします。するとAIは、

​

  • 市場調査を実施し、最適なセグメントを選定

  • SNSや広告に配信

  • 営業支援AIがフォローアップ

  • 最後にレポートを自動生成

 

といった一連の流れをシームレスに実行するのです。そのときMCPは、人間とAIが同じ「共通言語」で会話できるための基盤になります。戦略の「目的」を人間が示し、「手段と実行」はAIに委ねる未来がもう視野に入ってきています。

bottom of page