AIは出典をどう選ぶのか：実測データが示すこと

要点

AIの回答に表示される出典は、読者に提示された資料です。その選び方を決める内部の仕組みまで見えるわけではありません。私たちの研究で確認できるのは、出典の出現頻度、回答モードによる違い、測定の限界です。非公開の選定基準を解明したものではありません。回答を読む際は、引用されたページ、そのページが裏づける主張、ブランドが実際に登場するかを分けて考える必要があります。

AIはどのように出典を選ぶのでしょうか。私たちの測定だけでは、その判断を最初から最後まで再現することはできません。検証できるのは、表に現れた結果です。この違いは診断の読み方を変えます。LinkedInへのリンクがあるからといって、常にLinkedInが優先されるとも、そのページだけで回答全体が決まったとも言えません。表示された資料は確認できますが、検討された後に外されたすべての文書は見えません。

二つのデータセットは別の問いに答えています

AIブランド可視性バロメーターは、2025年9月から2026年6月までの回答6,820件、完全な診断104件、65ブランドを対象としています。異なる44モデルを含みます。調べているのはブランドの可視性であり、個別の指標ごとに使う部分標本が異なります。各回答の生成に使われた情報源をすべて分類したデータではありません。

ブランドについて引用される情報源の研究は、診断123件と回答7,264件を分析しています。診断対象ブランドの自社サイトは除外し、同じ情報源は一つの診断内で一度だけ数えています。したがって割合が示すのは、その外部情報源が少なくとも一度現れた診断の比率です。バロメーターの回答6,820件を分母にした数字ではありません。

なぜ分母にこだわるのでしょうか。読み違えると判断まで変わるからです。情報源研究でLinkedInが診断の37%に登場したことは、AIの全回答の37%がLinkedInに基づくという意味ではありません。37%のブランドがそこで推薦を得たという意味でもありません。結果は、実際に測定した対象から切り離さずに扱う必要があります。

引用だけでは選定過程の全体像は分かりません

情報にアクセスできること、文書が参照されること、内容が回答に寄与すること、リンクが表示されることは、分けて考えられます。これは分析のための整理であり、特定のエンジンの構造を検証した説明ではありません。最終的な参考リンクの一覧だけでは、これらの段階が実際にどう進んだかをたどることはできません。

特に欠けているのは、選ばれなかった候補の証拠です。自社ページが登場しない場合、その観察だけでは、アクセスできなかったのか、検索結果の集合になかったのか、問いに合わないと判断されたのか、単に表示されなかったのか分かりません。権威性が足りないために除外されたと断定するのは早計です。リンクがないことは、その理由まで教えてくれません。

逆の場合にも注意が必要です。表示されたURLは記録して検証できる観察です。そのURLが回答全体を説明していると主張するには、別の証拠が要ります。回答は複数の主張を複数の資料と結びつけることがあります。最も目立つリンクが、読者の知りたい細部を裏づけているとは限りません。

観測された出現頻度が示すこと

診断123件を対象にした研究の一部を見るだけでも、読者に提示される情報源の種類が多様であることが分かります。

• LinkedInは診断の37%、Wikipediaは35%に登場しました。
• Trustpilotは診断の32%に登場しました。
• フランスの企業情報サービスPappersは診断の24%に登場しました。
• YouTubeは診断の23%、Redditは21%に登場しました。

これは信頼性の順位ではありません。企業登録情報は法人の同一性を示す資料になり得ます。レビューは誰かの経験を記録し、動画は利用場面を示すことがあります。同じデータセットに含まれていても、証拠として互いに置き換えられるわけではありません。各出典がどの種類の主張と結びついているかを確認することが大切です。

標本にフランスの要素がある点も無視できません。Pappersの頻度から、他国での企業登録情報の役割を予測することはできません。この日本語記事も、日本市場を調査した結果ではありません。数字の適用範囲と限界は、元の公表研究のままです。翻訳によって市場別の証拠が増えるわけではありません。

ネイティブモードとウェブ検索モードは別の測定条件です

バロメーターでは、診断63件で両モードを比較しています。平均可視性スコアは、ウェブ検索を使わないネイティブモードで100点中63.4点、ウェブ検索を有効にしたモードで70.5点でした。これは可視性スコアです。特定ドメインの引用率でも、クリック率でもありません。

この平均値は、当該部分標本において二つの条件で測定結果が異なったことを示します。検索を加えるとすべての回答が改善する、新しいページが必ず引用される、と証明したものではありません。また、この違いをLinkedInやWikipediaなどの寄与に割り当てることもできません。公表された比較では、その因果の内訳は測定していません。

AI Labs Auditには、ネイティブ回答とウェブ検索を使う回答を比較するデュアルモードが文書化されています。今回の問いでは、観察条件を分けられることに意味があります。検索なしの画面と検索ありの画面を比べ、その違いを記事修正の効果と呼ぶと、診断が曖昧になります。モードは結果のすぐそばに記録するべき情報です。

出典になることと推薦されることは別の結果です

ブランドは自社サイトへのリンクなしで言及されることがあります。サイトがある事実の出典として示されても、その運営ブランドが推薦されたとは限りません。また、複数の情報源が表示されていても、測定対象の企業が一度も出てこない回答も考えられます。これらを説明なしに一つの可視性指標にまとめると、判断に必要な違いが失われます。

バロメーターの自発的なブランド言及の結果は、エンティティ抽出が行われた13ブランド、回答657件の部分標本に基づきます。言及は106件で、約16%でした。この数字は回答6,820件全体の比率ではありません。引用リンクのうち、対象ブランドが所有するリンクの割合でもありません。どちらの解釈でも分母を取り違えることになります。

私たちの判断は明確です。異なる結果を混ぜた大きなスコアより、分母の明確な狭い指標の方が役立ちます。企業情報を訂正したいチームも、専門性の出典として引用されたいチームも、推薦に登場したいチームもあります。報告書では、どの目的を実際に試し、どの証拠を変化とみなすのかを示すべきです。

主張とリンクの関係を確かめる

実際の顧客事例ではなく、説明用の例を考えてみましょう。ある回答が、企業の営業地域、提供サービス、好意的なレビューに言及し、企業登録情報とレビューサイトを示しています。登録情報は法人の同一性を裏づけても、現在のサービスを確認できないかもしれません。レビューは意見を記録しても、今そのサービスが提供されている証拠にはならないかもしれません。

そこで重要な主張を一つずつ確認します。正確なページを開き、主張を裏づける記述を探してください。同じ企業なのか、日付は問いに合うのか、回答が元の記述より広く一般化していないかを見ます。個人の感想が全体への評価に変わっていたら、リンクが正常に開いても解釈の問題が残ります。

該当する記述が見つからなければ、裏づけ未確認と記録します。それだけでエンジンが他の資料を参照していないと証明したことにはなりません。ページが開けない場合は、失敗した確認とその条件を残します。一時的なアクセス障害だけで、AIがURLを捏造したと判定することはできません。不確実さを刺激的な言い方に置き換えないことが重要です。

因果関係を作り上げずに仮説を試す

自分で管理するプロフィールの古い説明を修正したとします。次のテストで、そのプロフィールが引用されました。修正が引用を引き起こしたと証明できたでしょうか。答えはいいえです。その説明に合う結果ではありますが、モデル、ツール、質問の表現、利用可能な検索結果も変わっていたかもしれません。

比較を解釈できるよう、正確な質問文、言語、指定市場、表示されたモデル、モード、日付を保存します。回答とURLも残してください。できる限り似た条件で観察を繰り返します。これは本記事で提案する測定上の注意点です。既存の公表研究で実施済みの因果実験を説明しているのではありません。

成功の基準も、結果を解釈する前に決めます。事実訂正が目的なら、誤った記述が消えたかを確認します。引用が目的なら、提示されたページを確かめます。推薦が目的なら、自発的な言及と文脈を見ます。一つの結果が変わっても、他の結果まで改善したことにはなりません。

選ばれた理由が分からなくてもできること

証拠があり、正当な訂正手段がある誤りから着手します。自社サイトの古い住所や、管理するプロフィールの古い説明には、具体的な修正が必要です。一般的な出典の頻度順位は、偽レビュー、架空プロフィール、作為的なコミュニティでの言及を正当化しません。エンジンの判断を制御できると装わなくても、情報の正確性は追求する価値のある目的です。

望ましくない観察も保存してください。修正したページが引き続き表示されないことも一つの結果であり、隠すべき失敗ではありません。正しい情報を公開することと、回答に含まれることの境界を示しています。その限界を記録すれば、次の判断が恣意的になりにくくなり、都合のよい成功談が証拠を置き換えるのを防げます。

データと適用範囲は、先ほどリンクした二つの研究で確認できます。私たちの結論は、万能な手順より狭いものです。測定が示すのは、提示された出典と可視性の違いであって、エンジンの完全な選定規則ではありません。AIが好むプラットフォームは何かより、この回答のどの部分を引用資料で実際に検証できるのか。その問いの方が、次の判断につながります。