LLM
大規模言語モデル（LLM）は、膨大なテキストデータで事前学習され、次の単語（トークン）を確率的に予測することで自然言語を理解し生成するAIモデルです。LLMはChatGPT、Gemini、Claudeなどのサービスを支えるエンジンであり、GoogleのAI Overviewsの基盤でもあります。検索がリンクの一覧からAIが生成した回答へと移行する中で、その中心に位置しています。
LLMは、インターネット規模のデータから学習したうえで次のトークンを予測することでテキストを生成し、ChatGPT、Gemini、Claude、そして GoogleAI Overviewsの回答を生み出すエンジンです。
2017年のTransformerアーキテクチャによって大規模な並列学習が可能になり、現在ではあらゆる主要LLMの基盤となっています。
LLMは学習データに含まれていない最新情報や専門的な情報を本来的には知りません。そのため、検索結果や外部ドキュメントを取り込んで回答するretrieval-augmented generation（RAG）と組み合わせて使われることが多くあります。
検索がLLM生成の回答へと移行するにつれ、検索結果で上位表示されるだけでなく、LLMの応答内で引用・言及されることが新たな可視性指標（GEO）になっています。
Google自身のドキュメントでも、既存のSEOベストプラクティスはAI OverviewsやAI Modeにも引き続き適用されると明記されています。そのため、クロール可能性、構造化データ、そして信頼シグナルがLLM visibilityの基盤となります。
LLMとは何ですか？
大規模言語モデル（LLM）は、本、Webページ、コードなど膨大なテキストで事前学習されたAIモデルで、直前までの文脈に基づいて次の単語（より正確には次の「トークン」）を確率的に予測します。このシンプルな「次トークン予測」を天文学的な量のデータとパラメータにわたって繰り返すことで、翻訳、要約、質問応答、文章作成など、多様なタスクを明示的に設計されていなくても実行できる能力が創発的に生まれます。ChatGPT、Google Gemini、Anthropic Claudeはいずれも、このようなLLMの上に構築されたサービスです。
現代のLLMの出発点は、Googleの研究者による2017年の論文「Attention Is All You Need」(Vaswani et al., arXiv:1706.03762)です。この論文は再帰型ニューラルネットワーク（RNN）を廃し、Transformerアーキテクチャを提案しました。Transformerは自己注意のみを用いて文脈を処理します。Transformerは文を逐次ではなく並列に学習するため、これまでよりはるかに大規模なモデルとデータへのスケーリングを可能にしました。今日では、ほぼすべての主要LLMがTransformerを基盤としています。
次の転換点は、OpenAIの2020年の論文「Language Models are Few-Shot Learners」(Brown et al., arXiv:2005.14165)、いわゆるGPT-3論文でした。この論文では、175 billion parametersにまでスケールしたモデルが、プロンプト内で少数の例を示すだけで、タスク固有のファインチューニングなしに翻訳や質問応答などのタスクを実行できることが示されました。スケーリングの考え方 — 「より大きなモデルほど高性能」 — とプロンプトベースの利用はここで主流になり、その後に続く生成AIブームの直接的な土台となりました。
LLMの仕組み（マーケター向け要約）
数学的な説明を省くと、LLMは次の流れで動作します。
事前学習: モデルはインターネット規模のテキストを読み込み、ひたすら「この文脈で次に来る最もありそうな単語は何か」を予測します。この過程を通じて、言語のパターン、事実、文体、推論がモデルのパラメータ（重み）に圧縮されます。
推論: ユーザーがプロンプトを入力すると、モデルは学習した確率分布に従ってトークンを1つずつ追加しながら回答を生成します。つまり、デフォルトの動作は答えを「参照して取得する」ことではなく、「最ももっともらしい次の語」を生成することです。
この設計には2つの制約があります。1つ目は、モデルが本質的に学習後の情報や、学習データに含まれていない専門知識を知らないこと（knowledge cutoff）。2つ目は、事実ではない内容を自信満々に作り出してしまうことがある点です — これが幻覚（hallucination）です。これに対処するため、検索結果や外部文書を回答の根拠としてリアルタイムに取り込む retrieval-augmented generation（RAG）が広く使われています。AI searchの体験である GoogleAI Overviewsや Perplexity のように、「Webを参照して回答する」ものは、まさにこの組み合わせの実践例です。
従来の検索エンジン vs. LLMベースの回答
LLMが検索に入り込んだことで、ユーザーに情報が届く仕組みそのものが変わりました。違いは次のように整理できます。
観点 | 従来の検索エンジン | LLMベースの回答（AI search） |
|---|---|---|
結果の形式 | リンクの一覧（10本の青いリンク） | 自然言語で要約・統合された回答と参照リンク |
ユーザー行動 | 複数ページをクリックして比較する | 回答を直接読む（ゼロクリックの割合が増加） |
露出の単位 | ページ単位のランキング | 文・段落単位の引用または言及 |
最適化の目標 | 検索順位を上げる（SEO） | AIの回答で引用・推奨される（GEO） |
代表的な例 | Googleの標準検索、Naverの統合検索 | GoogleAI Overviewsおよび AI Mode、ChatGPT、Perplexity |
LLMがSEOとGEOにとって重要な理由
検索結果の表示が「LLMによって生成された回答」へと移行するにつれ、マーケターの目的も拡大しました。現在の中核的な課題は、検索結果の上位に表示されることだけでなく、LLMに自分のコンテンツを回答生成の根拠として引用・言及してもらうことです。これに対応する分野がGEO（generative engine optimization）です。
この変化は学術的にも記録されています。「GEO: Generative Engine Optimization」(Aggarwal et al., arXiv:2311.09735)はKDD 2024に採択されており、「大規模言語モデル（LLM）の登場により、生成モデルが情報を収集、要約し、回答を生成する新しい検索パラダイムが開かれた」と述べ、コンテンツ制作者が制御しにくい「AI回答内での可視性」を最適化の対象として位置づけています。この論文では、出典の引用、統計、引用文を追加するなどの戦略によって、生成エンジンの回答内での可視性を最大40%向上させられることが実験的に示されました。
とはいえ、LLMでの露出はSEOとは完全に切り離された別ゲームではありません。Googleの公式ドキュメント（Search Central、「AI features and your website」）は、既存のSEOベストプラクティスは引き続き有効であり、追加要件はありませんAI Overviewsや AI Mode のようなAI機能についても同様です。また、これらのAI機能はユーザーがさらに詳しく調べられるようにソースサイトへのリンクを表示する
と説明しています。言い換えると、Google のAIが回答を生成する際に同じクロール、インデックス作成、構造化データのインフラを使用するため、ボットが読み取りやすいサイトと、明確な構造および信頼シグナルを備えたコンテンツが、LLMによる引用の基盤となります。
実践チェックリスト：LLMの回答で引用されるためにレンダリングとクロール可能性を確保し、AIクローラー
がコンテンツ本文を読み取れるようにします（JavaScript依存のコンテンツは監査する）。
質問への答えは最初に1〜2文で明確に示し、LLMが抜粋・引用しやすくします。
主張は出典、統計、引用で裏付け、信頼シグナルを強化します（これはGEO論文でも有効性が検証された戦略です）。構造化データと明確な見出し階層を使用し、機械がコンテンツの意味を把握しやすくします。
1つのトピックを深く掘り下げ、その分野で繰り返し引用される権威ある情報源となることを目指します。