AIO時代—SEOの終焉ではなく「AIに採点される」始まり

前回は、マーケの主戦場が「認知」から「NPI（次回購入意向）の代理形成」へ移る、という大きな地殻変動を整理しました。今回は、その変化が最初に表面化しやすい領域である検索——つまりSEOの世界で何が起きているのかを、できるだけ実務的に解説します。

結論から言えば、SEOは「終わる」というより、前提が変わります。検索結果の上位を取ってクリックを集めるゲームから、AIが要約・比較し、結論を提示する世界で“引用され、残る”ゲームへ。ここで問われるのは小手先のテクニックではなく、企業が提供する価値そのもの、私はこれを「プロダクトアイデアの純度」と呼んでいます。

AIO（AI Overviews）は、検索を“リンク集”から“結論提示”へ変える

Googleは、AI Overviews（AIO）について「AI生成のスナップショットで、複雑なトピックの要点を早く理解でき、関連リンクで深掘りできる」と説明しています。つまり検索は、青いリンクを並べるだけでなく、最初から“答えに近いもの”を差し出す方向へ進んでいます。さらにReutersは、従来のリンク表示を大きく置き換える「AI Mode」の試験を報じており、AI要約の比重が増える流れは一過性ではないと考えた方が自然です。

ユーザー体験としては便利です。調べる手間が減り、要点がまとまっている。しかしビジネス側から見ると、ここには二つの変化が含まれます。

クリックが減りやすい（ゼロクリック化が進む）
“どのサイトが引用されるか”が新たな競争になる

Pew Researchの分析では、AI要約が表示されるとリンクがクリックされにくく、要約内リンクのクリックも稀だという結果が示されています。つまり、従来のSEOで前提だった「上位にいれば流入する」という常識が揺れます。

SEOが無意味になるのではなく、「KPIがズレる」

ここでよくある誤解は、「じゃあSEOはもうやらなくていい」という結論に飛ぶことです。私はそれは危険だと思います。なぜなら、AI要約は“どこかの情報”を参照して作られるため、参照される情報源を整備できない企業は、そもそも比較表の席に座れないからです。

ただしKPIはズレます。従来は「検索順位→クリック→CV」の一本線でした。AIO時代は、少なくとも次の二段に分解して捉える方が現実的です。
・AIに引用される／比較表に載る（可視化の段階）
・そこからリンクがクリックされる／あるいは“相談内で意思決定される”（行動の段階）

実際、AIOの普及に伴うCTR（クリック率）の変化を示す調査・レポートも複数出ています。たとえばSearch Engine Landは「AI Overviewsがクリックを奪う」方向の研究を紹介しています。また、Seer InteractiveはAIO表示時のCTR低下を示す分析を公開しています。もちろん、データは業界・クエリで差が出ますが、「クリックが必ず来る」前提を置けない状況になりつつあるのは確かです。

「情報流通の争い」が起きている：出版社の反発は構造の裏返し

AIOは、ユーザーには便利でも、コンテンツで収益化してきた事業者には痛手になり得ます。実際、独立系出版社がEUでAIOに関する反競争的な申立てを行ったという報道があります。ここで大事なのは、これを“メディア業界の話”で終わらせないことです。情報流通の主導権が「サイト」から「AI要約」へ移ると、あらゆる企業が「自社の情報がどう扱われるか」に直面します。要するに、企業は“検索エンジン向け”ではなく“要約エンジン向け”の情報設計を求められるようになります。

AIO時代に問われる「プロダクトアイデアの純度」

ここでいうプロダクトアイデアの純度とは、便益・独自性・根拠が矛盾なく一体になっている状態です。純度が低いと、AIは比較表を作れません。作れないものは推奨されにくい。たとえば、

便益が抽象的（「高品質」「安心」だけ）
根拠がない（数値・第三者評価・実例がない）
独自性が言語化できない（結局どこも同じ）
条件が曖昧（納期・返品・保証が不明）

このような情報は、AIがユーザーに提案しづらいのです。

逆に言えば、AIOはマーケターにとって“価値の曖昧さ”を暴く優秀な鏡になります。私はここに、短期の流入減という痛みだけではない、長期の改善機会があると思います。

実務：AIOで“残る”ための5点セット

では何を整えるべきか。私は実務として、次の5点セットを推奨します。

便益を「状況」で書く
「誰に」より「いつ・なぜ困るか」から書くと、AIの相談文脈に乗りやすいです。
仕様・比較可能性を出す
比較表に載せられる粒度（スペック、料金、所要時間、制約）を揃えます。
根拠（RTB）を第三者にする
自社主張ではなく、第三者評価、ユーザーの声、事例、検証データを用意します。
条件（在庫・納期・返品・サポート）を明確にする
ここが曖昧だと、推奨後の不満につながり、推薦スコアが落ちやすいです。
更新運用を持つ
一度作って終わりではなく、FAQや事例を更新し続ける仕組みを持ちます。

ここまで読んで、「結局コンテンツを増やす話ですか？」と思われるかもしれません。私の意図は少し違います。増やすのは文章量ではなく、“意思決定される材料”です。AIO時代の情報は、読み物ではなく「判断の部品」になっていきます。

ゼロクリック化の中で、企業は何を取りに行くべきか

クリックが減ると聞くと、多くの担当者は「終わった」と感じます。しかし私は、ここで目的を取り違えないことが大事だと思います。そもそも顧客が欲しいのはリンクではなく解決です。AI要約が“結論”を提示するなら、企業は「クリック数」より「結論の中に自社が入ること」、つまりAIの提示する選択肢に残ることを優先すべきです。

その際に現場で効くのは、指標を“二層化”することです。
・露出層：AI要約に引用された回数／ブランド名の言及／比較表への掲載
・行動層：指名検索の増加／直接流入／問い合わせ時の「AIで見た」比率／購入レール到達

ゼロクリックが増えても、指名が増え、問い合わせの質が上がり、成約率が上がるなら、全体最適では勝てます。逆に、クリックだけ追うと「見られたが、選ばれない」を見落とします。

AI要約の“品質問題”は、企業側のリスクにもなる

もう一点、AIO時代に無視できないのは、要約の誤りです。AI要約が誤解を招き、健康情報などで問題になり得るという指摘も報じられています。ユーザーにとってのリスクであると同時に、企業にとっても「自社の情報が誤って要約される」リスクが出ます。だからこそ、根拠の明確化、用語の統一、条件の明示、一次情報へのリンクなど、“誤読されにくい設計”が重要になります。

「構造化」と「編集」が、AIO時代の基本動作になる

AIOに強い情報は、文学的に美しい文章ではなく、構造が整った説明です。たとえば次のように「AIが拾いやすい形」に揃えます。

定義：何のサービスか（1文）
対象：どんな状況の誰に効くか（状況で）
便益：何がどう変わるか（具体）
根拠：数値・事例・第三者評価（引用可能）
条件：価格、納期、返品、制約（比較可能）

ここで重要なのは、コンテンツ制作が“表現の勝負”から“編集の勝負”へ寄ることです。私は、マーケの仕事が「コピーを書く」から「意思決定の材料を編集する」に移っていく、と感じています。

「プロダクトアイデアの純度」を上げる最短ループ

最後に、現場で回しやすい改善ループを提示します。おすすめは次の3ステップです。

自社の価値をA4一枚で書く（便益・独自性・RTB・条件）
AIに要約させ、“弱い箇所”を指摘させる
弱い箇所を、事例・データ・条件の明示で補強する

これを月次で回すだけでも、情報の精度と一貫性が上がり、結果としてAIO環境への耐性が上がります。AIOは怖い存在ではなく、むしろ「価値の曖昧さを暴いてくれるテスター」として活用できるはずです。

AIOは「一部の検索」から「検索の標準」へ近づいている

「AIOはまだ限定的では？」という声もありますが、複数のSEOデータ提供者がAIOの出現頻度の増加を報告しています。たとえばseoClarityは、米国のデスクトップ検索でAIOが表示される割合が大きく増えたという分析を公開しています。またSemrushも、AIOがどのようなクエリ意図で出やすいかを大規模データで分析しています。

この点からも、AIOは“例外”ではなく“標準”に寄っていくと見ておくのが安全です。だから企業は、SEOチームだけの問題にせず、プロダクト・CS・オペレーションも巻き込んで「AIに採点される情報」を整える必要が出てきます。

「検索の外側」で発見される：AIプラットフォームを前提にした商品情報へ

さらに視野を広げると、発見の入口はGoogle検索だけではありません。たとえばShopifyは、AIプラットフォーム上でブランドが発見されやすくする「Agentic Storefronts」を発表し、ChatGPTなどの会話空間での発見を前提にした仕組みを打ち出しています。これは「SEOで拾われる」だけでなく、「会話で推薦される」ための情報整備が、EC側の標準機能になりつつあることを示しています。

AIOは入口の一つですが、論点はより広く、“AIが扱える形のプロダクト情報”へ移っています。

最後に：SEOの次は「職能ボット」へ

AIOは検索の入口ですが、代理形成は検索に限りません。次回は、汎用AIではなく、特定領域の知識を学習させた「職能AIBot」が増殖し、学び・実務・意思決定をどう変えるのかを扱います。AI時代の実装は、完璧な設計図からではなく、小さな公開と試行錯誤から始まる——その感覚を、具体例とともにお伝えしたいと思います。