自社サイトGEO最適化の
実践記録
GEOスコア21点→38点への改善過程と、AI検索で発見されるサイトにするための具体的な施策を全公開します。
Before
21/100
GEOスコア（初回監査）
After
38/100
GEOスコア（第3回監査）
改善率
+81%
2日間での向上
背景と課題
株式会社atypicalは2025年5月に設立されたEC×AIコンサルティング企業です。ChatGPT連携によるエージェント型コマース構築と、AIO（AI検索最適化）コンサルティングを主要サービスとして提供しています。
「AIOコンサルティングを提供する企業が、自社サイトのAI可視性スコアが低いのは説得力がない」という課題認識から、自社サイトを実験台として、GEO（Generative Engine Optimization）最適化に取り組みました。
初回のGEO監査では、21/100点（Critical）という結果でした。robots.txt未設置、構造化データゼロ、llms.txt未対応など、AI検索に対する基本的な準備が全くできていない状態でした。
GEOとは何か
GEO（Generative Engine Optimization）とは、ChatGPT、Perplexity、Google AI Overviewsなどの生成AI検索エンジンにおいて、自社サイトの情報が引用・推薦されるよう最適化する手法です。従来のSEOが「検索結果で上位に表示される」ことを目指すのに対し、GEOは「AIが回答を生成する際に、自社の情報を情報源として選ぶ」ことを目指します。
2025年のデータによると、AI経由のセッション数は前年比527%増加しており、AI経由のコンバージョン率はオーガニック検索の4.4倍という調査結果も出ています。Gartnerは2028年までに従来の検索トラフィックが50%減少すると予測しており、GEO対策は今後のWeb戦略に不可欠です。
GEOスコアの評価基準
| カテゴリ | ウェイト | 評価内容 |
|---|---|---|
| AI引用可能性・可視性 | 25% | コンテンツの引用適性、AIクローラーアクセス、llms.txt |
| ブランド権威シグナル | 20% | 外部プラットフォームでの言及、エンティティ認識 |
| コンテンツ品質・E-E-A-T | 20% | 経験、専門性、権威性、信頼性 |
| テクニカル基盤 | 15% | SSR、Core Web Vitals、セキュリティ |
| 構造化データ | 10% | JSON-LD、Schema.org、sameAs |
| プラットフォーム最適化 | 10% | Google AIO、ChatGPT、Perplexity等への対応 |
Phase 1: テクニカル基盤の構築（21→31点）
最初に取り組んだのは、AIクローラーがサイトにアクセスし、コンテンツを理解するための技術的な基盤整備でした。
robots.txtの作成
GPTBot、ClaudeBot、PerplexityBot等の主要AIクローラー8種を明示的に許可。Allow: /でサイト全体へのアクセスを開放しました。
効果: AIクローラーアクセス: 0→100点
sitemap.xmlの生成
Next.jsのApp Routerでsitemap.tsを実装。全5ページのURL、更新頻度、優先度を設定しました。
効果: クローラビリティ向上
JSON-LD構造化データの実装
ProfessionalService、Person、WebSite、WebPage、Service×2、FAQPageの7エンティティを@graph形式で実装。SpeakableSpecificationも追加しました。
効果: 構造化データ: 0→52点
OGP・Twitter Cardの設定
og:title、og:description、og:image等のOpen GraphタグとTwitter Cardを完備しました。
効果: ソーシャル共有時の表示改善
法的ページの整備
プライバシーポリシー（OpenAI APIへのデータ送信を明示）、利用規約、特定商取引法表記の3ページを作成。信頼性シグナルを大幅に強化しました。
効果: Trustworthiness: 3→13/25点
Phase 2: AI可視性の向上（31→38点）
テクニカル基盤を整えた後、AIモデルがサイトを「発見」し「理解」するための施策に取り組みました。
llms.txtの作成・設置
AIクローラー向けの機械可読なサイト概要をllms.txt形式で作成。サービス内容、料金、連絡先、全ページリンクを構造化して記述しました。
効果: llms.txt: 0→70点
Person構造化データの追加
代表者（鈴木慎太郎）の詳細情報をPerson型で構造化。jobTitle、worksFor、knowsAbout等のプロパティを設定し、専門性シグナルを強化しました。
効果: E-E-A-T Expertise向上
SpeakableSpecificationの実装
WebPageスキーマにSpeakableSpecificationを追加。AIアシスタントが音声読み上げ可能なセクション（ヒーロー、サービス説明）をcssSelector で指定しました。
効果: AI音声検索への対応
sameAsエンティティリンキングの開始
Organization.sameAsにGitHub URLを追加。AIモデルがクロスプラットフォームで「株式会社atypical」を同一エンティティとして認識するための第一歩です。
効果: エンティティ認識の基盤構築
サブページcanonical URLの修正
全サブページのcanonicalがホームページを指していた致命的バグを修正。各ページに個別のmetadataエクスポートを追加し、正しいcanonical URLを設定しました。
効果: サブページのインデックス阻害を解消
スコア変遷
| カテゴリ | 第1回 | 第2回 | 第3回 | 変化 |
|---|---|---|---|---|
| AI引用可能性・可視性 | 33 | 18 | 33 | +0 |
| ブランド権威シグナル | 0 | 2 | 3 | +3 |
| コンテンツ品質・E-E-A-T | 22 | 34 | 32 | +10 |
| テクニカル基盤 | 44 | 74 | 80 | +36 |
| 構造化データ | 0 | 52 | 62 | +62 |
| プラットフォーム最適化 | 14 | 34 | 49 | +35 |
| GEO総合 | 21 | 31 | 38 | +17 |
得られた知見
1. テクニカル対策だけではGEOスコアは50点を超えない
robots.txt、構造化データ、SSGなどの技術実装は必要条件ですが十分条件ではありません。AIモデルが実際に引用するための「素材」（独自データ、ケーススタディ、外部言及）がなければ、テクニカルスコアがどれだけ高くてもGEO総合スコアは頭打ちになります。
2. ブランド認知がGEOの最大のボトルネック
AIモデルは複数の独立したソースで確認されたエンティティを優先的に引用します。Wikipedia、LinkedIn、YouTube、業界メディアなど第三者プラットフォームでの存在がゼロの場合、AIが信頼できる情報源として選ぶ可能性は極めて低くなります。
3. 「atypical」のようなジェネリック名はエンティティ認識を困難にする
社名が英語の一般形容詞と衝突するため、AIモデルによるエンティティ解決が通常以上に困難でした。社名を選ぶ際は、AIによるエンティティ認識のしやすさも考慮すべきです。
4. llms.txtは費用対効果が最も高い施策の一つ
1時間の作業でllms.txtスコアを0→70点に引き上げられました。AIクローラーに対するサイトの自己紹介として、特に小規模サイトでは非常に効果的です。
5. 自社サイト自体が最良のケーススタディ
AIOコンサルティングを提供する企業として、自社サイトのGEO改善プロセスを公開することが最も説得力のあるマーケティングになります。このケーススタディ自体がその実践です。
今後の計画
現在のGEOスコア38点から、Phase 3-4の施策により68点（Good）への到達を目指します。
- —LinkedIn企業ページ・Googleビジネスプロフィールの作成（ブランド認知 3→25点）
- —ピラーコンテンツ「エージェント型コマース完全ガイド」の執筆
- —ピラーコンテンツ「AIO完全ガイド」の執筆
- —note/Zennでの技術記事発信開始
- —セキュリティヘッダーの追加（HSTS、CSP）
進捗はこのケーススタディページで随時更新していきます。