はじめに——「なぜ競合は引用されて自社は引用されないのか」という問いの立て方
AEO（Answer Engine Optimization）の実践が広まるにつれ、「自社コンテンツをChatGPT・Perplexity・AI Overviewに引用させるにはどうするか」という最適化と、「引用されているかどうかを測るShare of Modelの計測スタックをどう組むか」という計測の議論は、かなり成熟してきました。
しかし、現場で次に当たる壁はこうです。「計測してみたら引用率が低かった。でも、何から手をつければいいか分からない。」
その答えが出てこない理由のほとんどは、「自社だけを見ているから」です。引用率が低いという事実は分かっても、なぜ低いのかは、競合と比較しなければ診断できません。競合が引用されているクエリで自社が引用されていないなら、そこには必ず差がある。その差を4つの軸で特定し、施策に転換するのが本記事の目的です。
本記事は、当サイトの既存のShare of Model計測ガイド（自社の測定スタック）の「競合分析版」として機能します。計測スタックを組んで引用率の数字を持っている方が、次に「どこを直すか」を判断するための実践フレームです。
想定読者は、自社のAEO対策を推進しているコンテンツ責任者・SEO担当者・マーケティングマネージャーの方々で、Share of Modelを計測しているか、これから計測しようとしているフェーズの方々です。
前提——AEO競合ギャップ分析の全体像と4つのギャップ軸
競合が引用されて自社が引用されない理由は、1つではありません。AIが回答を生成する際に参照するコンテンツを選ぶとき、複合的な判断が行われています。その判断を逆算すると、ギャップは大きく4つの軸に分類されます。
| ギャップ軸 | 何の差か | 主な症状 | 逆に有効な施策の方向 |
|---|---|---|---|
| ①コンテンツ構造 | AIが「取り出しやすい」形になっているか | 同じ内容でも競合だけが引用される | 見出し・要約・FAQ・表の最適化 |
| ②権威性・信頼性 | AIが「信頼できるソース」と判断するか | 情報の正確さは同等なのに引用されない | 著者情報・引用元・外部リンク構造の整備 |
| ③更新頻度・鮮度 | AIが「最新の情報」として扱うか | 時事性のあるクエリで負ける | 更新サイクルの設計・更新日の明示 |
| ④エンティティ設計 | AIが「何について書かれているか」を正確に理解できるか | 関連クエリで引用されない | 構造化データ・エンティティ網羅・内部リンク設計 |
この4軸はそれぞれ独立しておらず、複合的に作用します。分析では「どの軸で最も差が大きいか」を特定することが、施策優先順位付けの起点になります。
ギャップ軸①：コンテンツ構造の差
AIが「取り出しやすい」構造とは何か
AIが回答を生成する際、参照したコンテンツの内容をそのまま使うわけではありません。コンテンツの中から、クエリへの回答として適切な断片（スニペット）を抽出して使います。この「抽出のしやすさ」がコンテンツ構造のギャップです。
抽出しやすい構造の代表的な特徴は次の通りです。
- 冒頭要約（TL;DR）があるか：記事の冒頭に「この記事で分かること」を2〜3文で要約した段落があると、AIはそこを直接引用しやすくなります。
- 見出し階層がクエリ形式に対応しているか：「〜とは何か」「〜の方法」「〜のデメリット」のように、よく問われる質問の形式に見出しが対応していると、クエリと見出しのマッチングが起きやすくなります。
- FAQ セクションがあるか：記事末尾の FAQ は、AI が Q&A 形式で回答を生成する際に最も取り出しやすい構造です。競合記事に FAQ があって自社記事にない場合、FAQ 型クエリで負けていることが多い。
- 表・箇条書きで比較・定義が整理されているか：AIは「〜の違いは」「〜の一覧」系クエリに対して、表や箇条書きをそのまま引用しやすいです。
競合との構造比較の手順
競合記事の構造を分析する際は、引用されているクエリを起点に、競合記事の「引用された箇所」を特定することが重要です。Perplexityは引用元と引用箇所が表示されるため、同一クエリを投げて競合がどの段落で引用されているかを確認します。その段落の構造（H2直下の要約か、FAQか、表か）を記録することで、「構造のどの要素が引用を生んでいるか」が見えてきます。
| チェック項目 | 競合 | 自社 |
|---|---|---|
| 冒頭 100 文字以内に要約段落があるか | ○ / ✗ | ○ / ✗ |
| 見出し（H2/H3）がクエリ形式を含むか | ○ / ✗ | ○ / ✗ |
| FAQ セクションが存在するか | ○ / ✗ | ○ / ✗ |
| 比較表・定義表が含まれるか | ○ / ✗ | ○ / ✗ |
| 1セクションが 200 文字以内に収まっているか | ○ / ✗ | ○ / ✗ |
ギャップ軸②：権威性・信頼性の差
AIが「信頼できるソース」と判断する基準
コンテンツの内容が同等でも、権威性・信頼性のシグナルが弱いと引用されにくくなります。これは SEO における E-E-A-T（経験・専門性・権威性・信頼性）に近い概念ですが、AI のソース選択においても類似した判断が行われていると考えられます。
特に差が出やすい要素は以下の通りです。
- 著者情報の明示：誰が書いたか（氏名・肩書き・専門領域）が記事ページに記載されているかどうか。競合が著者プロフィールページへのリンクを持っているのに自社が「編集部」とだけ書いているなら、ここがギャップになっている可能性があります。
- 一次情報・引用元へのリンク：主張の根拠として、公式発表・研究論文・統計データへの外部リンクが記事内に含まれているか。競合が「○○社の調査によると（リンク）」と書いているのに自社が引用なしで同じ主張をしているなら、権威性のシグナルが弱い。
- 被リンクのプロファイル：外部サイトからの被リンクは、AIが学習するウェブデータにおいて「他者から引用されているソース」として機能します。競合が業界メディアや Wikipedia から被リンクを受けていて自社が受けていない場合、ここが構造的なハンデになります。
- HTTPS・ドメイン年齢：基礎的な信頼性シグナルです。新規ドメインで競合が老舗ドメインの場合、他の要素で補う必要があります。
権威性ギャップの診断方法
権威性ギャップは、定量化しにくいですが次の手順で診断します。まず、競合記事の著者ページ・About ページを確認し、著者の専門性のシグナル（SNS フォロワー数・メディア掲載歴・所属機関）を記録します。次に、Ahrefs や Moz などのツールで競合と自社の被リンク元ドメインの質・量を比較します。最後に、記事内の外部引用リンクの数と質（公式サイト・査読あり研究・権威ある統計）を数えて比較します。
ギャップ軸③：更新頻度・鮮度の差
AIが「最新の情報」として扱う条件
時事性・鮮度は、特定カテゴリのクエリで引用を左右する重要な変数です。「2026年 ○○ の最新状況は」「○○ は今どう変わっているか」のような時事性クエリでは、更新日が古いコンテンツは引用されにくくなります。
競合との更新頻度の差が生む引用ギャップは、3つのパターンで現れます。
- 初出は同時期でも、競合だけが継続的に更新している：元の記事の質が同等でも、更新日・内容の鮮度で差がつく。年に一度のリライトでは追いつけない場合があります。
- トピックの変化に競合が即座に対応している：業界の重要な変化（法改正・新機能リリース・統計の更新）を競合が記事に反映してから自社が対応するまでの時差が、引用のロスになります。
- 更新日の明示が不十分：コンテンツを更新しているが、記事の更新日が正しく表示・マークアップされていないため、AIが「古い記事」と判断している可能性があります。
更新頻度ギャップの分析と設計
競合の更新頻度を把握するには、Wayback Machine（web.archive.org）で競合記事の過去のスナップショットを確認するのが最も直接的です。合わせて、記事の最終更新日をページ上に明示し、JSON-LD の dateModified フィールドを正しく実装することで、AI・検索エンジン双方に鮮度シグナルを正確に伝えます。
更新頻度の設計では、「全記事を均一にリライトする」よりも「引用クエリを持つ上位記事を優先的に最新化する」ほうが費用対効果が高い。Share of Model の計測データと組み合わせて、引用率が下がりはじめた記事を早期に検知してリライトするサイクルを作ります。
ギャップ軸④：エンティティ設計の差
AIが「何について書かれているか」を正確に理解するための設計
エンティティ（概念・人物・組織・製品など）の設計は、4軸の中で最も見落とされやすいギャップです。AIは、コンテンツが扱っているトピックを「単語の出現頻度」ではなく「エンティティとその関係性」で理解していると考えられます。エンティティ設計が不十分なコンテンツは、クエリとコンテンツが概念的に一致していても、AIが正確にマッピングできず引用されない可能性があります。
競合との差が生まれやすいポイントは以下の通りです。
- エンティティの網羅性：競合記事がターゲットトピックの周辺エンティティ（関連概念・対比概念・上位概念・下位概念）を一つの記事内で定義・言及しているのに対し、自社記事がコア概念のみを扱っていると、関連クエリで引用されにくくなります。
- 構造化データ（JSON-LD）の実装：Article・FAQPage・HowTo・BreadcrumbList などのスキーマが競合には実装されていて自社にない場合、機械可読性に差が出ます。
- 内部リンク構造によるエンティティの文脈化：競合が関連記事・用語解説ページへの内部リンクで概念の関係性を示しているのに、自社がそれをしていない場合、エンティティの文脈が弱くなります。
- エンティティの一貫性：同じ概念を記事ごとに異なる表記で書いている（例：「生成AI」「生成系AI」「ジェネレーティブAI」を混用）と、エンティティの同定が揺れます。
エンティティギャップの診断
エンティティ設計の差を診断する実践的な方法は、競合記事を Google の Rich Results Test および Schema Markup Validator に通して、実装済みの構造化データの種類・量を自社と比較することです。また、競合記事の内部リンク先を記録して「エンティティマップ」として整理すると、どのエンティティが自社のコンテンツで手薄かが視覚化されます。
競合の引用パターンを逆算する——実践的な分析手順
4軸のギャップを具体的に特定するための分析手順を、ステップ別に整理します。
ステップ1：ターゲットクエリセットの選定
分析対象とするクエリを選びます。基準は「競合が引用されていて自社が引用されていないクエリ」です。Share of Model の計測データがある場合は、そこからスコアの差が大きいクエリを抽出します。計測データがない場合は、自社がターゲットにしている主要クエリ 20〜30 件を ChatGPT・Perplexity・AI Overview でそれぞれ検索し、引用されたドメインを記録することで簡易的なベースラインになります。
ステップ2：引用競合のマッピング
各クエリで引用された競合ドメインとページをリストアップします。同一クエリで繰り返し引用されるドメインが「主要競合」です。クエリごとに競合が変わる場合は、クエリのカテゴリ（What 系・How to 系・比較系・最新情報系）と引用競合の関係を記録します。
ステップ3：引用箇所の特定と構造分析
Perplexity の場合、引用元リンクとともに引用された段落が表示されます。その段落が記事内のどの位置にあるか（冒頭要約・FAQ・表・本文の特定セクション）を記録します。これにより「競合のどの構造要素が引用を生んでいるか」が直接分かります。
ステップ4：4軸での差分スコアリング
各ギャップ軸について、競合と自社の差を 3 段階（大差あり・やや差あり・差なし）でスコアリングします。スコアが「大差あり」の軸が最初の施策対象です。
| ギャップ軸 | 競合の状態 | 自社の状態 | 差のレベル |
|---|---|---|---|
| ①コンテンツ構造 | （記入） | （記入） | 大 / 中 / 小 |
| ②権威性・信頼性 | （記入） | （記入） | 大 / 中 / 小 |
| ③更新頻度・鮮度 | （記入） | （記入） | 大 / 中 / 小 |
| ④エンティティ設計 | （記入） | （記入） | 大 / 中 / 小 |
ギャップ別の施策優先順位付けフレーム
ギャップが特定できたら、次は「どの施策から着手するか」の優先順位付けです。すべてのギャップを同時に埋めようとすると分散して効果が出ません。施策は「インパクト × 実装コスト」のマトリクスで整理します。
| 施策 | 対象軸 | インパクト | 実装コスト | 優先度 |
|---|---|---|---|---|
| 冒頭要約段落の追加 | ①構造 | 高 | 低 | ★★★ |
| FAQ セクションの追加・拡充 | ①構造 | 高 | 低〜中 | ★★★ |
| JSON-LD（Article / FAQPage）の実装 | ④エンティティ | 高 | 中 | ★★★ |
更新日の明示と dateModified 実装 | ③鮮度 | 中〜高 | 低 | ★★★ |
| 著者情報ページの整備 | ②権威性 | 中 | 低 | ★★ |
| 一次情報・統計への外部リンク追加 | ②権威性 | 中 | 低 | ★★ |
| 内部リンク構造のエンティティ対応 | ④エンティティ | 中 | 中 | ★★ |
| 引用クエリ記事の定期リライトサイクル設計 | ③鮮度 | 高 | 高 | ★★ |
| 被リンク獲得（PR・共同記事・引用掲載） | ②権威性 | 高 | 高 | ★（長期） |
| エンティティ表記統一・用語集ページ整備 | ④エンティティ | 中 | 中 | ★★ |
優先度★★★の施策（冒頭要約・FAQ・JSON-LD・更新日明示）は、実装コストが低い割に構造的なシグナルを大きく改善するため、まず集中して実行します。被リンク獲得のような高コスト施策は並行して仕込みながら、短期の効果は構造・鮮度・エンティティで取りにいくのが現実的な進め方です。
計測と改善のループ——競合ギャップ分析を「一回やって終わり」にしない
競合ギャップ分析は、一度やれば完結するものではありません。競合もコンテンツを更新し続けるため、ギャップは動き続けます。また、AIの引用パターン自体も、モデルの更新やプロダクトの変化で変わります。
持続的な改善ループの最小構成は次の通りです。
- 月次のShare of Model計測：主要クエリセットに対して引用率を計測し、前月比でのスコア変化を記録します。
- 四半期ごとの競合ギャップ再診断：引用率が下がったクエリカテゴリについて、4軸のギャップを再診断します。競合の変化（新記事の投入・既存記事のリライト）を確認します。
- 施策ごとの効果検証：施策実施前後の引用率変化を記録します。どの施策が効いたかを蓄積することで、自社サイト固有の「引用されやすい要素」のパターンが見えてきます。
この計測→診断→施策→計測のサイクルを回すことで、競合ギャップ分析は「現状把握」から「継続的な競争優位の構築」に進化します。
よくある質問（Q&A）
Q1. 競合分析はどのくらいの頻度でやればいいですか？
最低でも四半期に一度の深掘り分析を推奨します。ただし、引用率の計測は月次で行い、急激なスコア低下が観測されたタイミングで即時に競合分析をトリガーすることが理想です。特に、競合がサイトリニューアルや大幅なコンテンツ増強をした直後は、引用パターンが変わりやすいため注意が必要です。
Q2. Share of Model の計測スタックがまだない場合、競合分析はできますか？
簡易的な形であれば可能です。ターゲットクエリ 20〜30 件を手動で ChatGPT・Perplexity・AI Overview に投げ、引用ドメインを記録するだけで「誰が引用されているか」のベースラインは作れます。ただし、変化を追跡するためには計測を自動化するスタックを早期に構築することを推奨します。計測スタックの構築方法については当サイトの Share of Model 計測ガイドをご参照ください。
Q3. 4つのギャップ軸すべてで競合に負けています。どこから着手すればいいですか？
コンテンツ構造の改善（冒頭要約・FAQ・表の追加）を最初に着手してください。理由は2つあります。第一に、実装コストが最も低い。第二に、引用の「入り口」となる構造の改善は、他の軸の施策より即効性が出やすいためです。構造を整えたうえで、JSON-LD の実装（エンティティ設計）と更新日の明示（鮮度）を続けます。権威性ギャップは最も改善に時間がかかるため、並行して長期施策として進めます。
Q4. 競合のコンテンツを真似するだけでは問題ありますか？
「構造・フォーマット」のパターンを参考にすることと、「内容そのものを複製する」ことはまったく別物です。競合分析で学ぶべきは「どういう構造のコンテンツが引用されやすいか」というパターンであり、事実・主張・情報の中身は自社独自の視点・一次情報・専門性から書く必要があります。内容の模倣は著作権上のリスクがあるだけでなく、AIも独自性のない複製コンテンツより、一次情報に基づいたオリジナルコンテンツを優先して引用する傾向があります。
Q5. エンティティ設計は技術的に難しそうです。非エンジニアでも対応できますか？
JSON-LD の実装は技術的なステップが含まれますが、WordPress の場合は Rank Math・Yoast SEO などのプラグインで Article・FAQ スキーマをノーコードで設定できます。エンティティ表記の統一と用語集ページの整備は、ライターレベルで対応可能なガイドライン整備で対応できます。技術的な実装（JSON-LD のカスタマイズ等）はエンジニアと協力する部分を切り分けて進めるのが現実的です。
まとめ——「自社だけを見る」AEO から「競合との差を診る」AEO へ
AEO の実践は、「引用されるコンテンツを作る」段階から「なぜ競合より引用されないのかを診断して埋める」段階へと進化しています。本記事で整理した要点は3つです。
1. 引用率のギャップは4軸で診断する。コンテンツ構造・権威性・更新頻度・エンティティ設計のどれが原因かは、競合と並べて比較しなければ分かりません。数字の低さだけを見ていても施策は出てきません。
2. 競合の「引用された箇所」から逆算する。Perplexity などのツールで「どの段落が引用されたか」を確認することで、構造のどの要素が引用を生んでいるかが直接見えます。ここが競合ギャップ分析の最もパワフルな起点です。
3. 短期施策（構造・鮮度・エンティティ）と長期施策（権威性）を並行させる。冒頭要約・FAQ・JSON-LD・更新日明示のような低コスト施策で短期の引用率を改善しながら、被リンク獲得のような時間がかかる権威性施策を並行して積み上げる。この二層設計が持続的な競争優位につながります。
計測→診断→施策→再計測のループを四半期単位で回すことで、競合ギャップ分析はAEO戦略の「羅針盤」として機能します。
参考リンク
- 【2026年版】AEO「引用の劣化（Citation Decay）」監視・奪還ガイド（当サイト）
- AEO×FAQ設計・構造化データ完全ガイド【2026年版】（当サイト）
- 【2026年版】AEOのクエリリサーチ完全ガイド（当サイト）
- Schema.org — Article
- Google Rich Results Test
- Schema Markup Validator
- Wayback Machine（Internet Archive）
免責事項：本記事は2026年6月時点の情報および当サイトの調査に基づく一般的な情報提供であり、特定の検索エンジン・AIシステムにおける引用結果を保証するものではありません。AIの引用アルゴリズムは非公開であり、随時変更される可能性があります。実際の施策は自社のコンテンツ方針・法令・利用規約に照らして検討し、必要に応じて専門家にご相談ください。
コメント