買い物エージェント2026年11月
よく考えるだけでは、買い物エージェントの選択は良くならない
買い物を任された10のモデルは、間違えるとき、多くの場合そろって、ほぼ合っている別の商品を選びました。
LLMO と GEO は、ChatGPT などの生成AIの回答に、自社の情報を出典として引用してもらうための取り組みです。 このページは、LLMO と GEO を調べた研究論文86本と、企業が公表した民間調査4件を、日本語でまとめています。
最終更新はです。株式会社ガーオンが、新しい論文を追加しています。 要約は、ガーオンが生成AIを使って作成しました。正確な内容は、各論文の原文で確認してください。
5つとも、各論文が調べた条件の中での結果です。調べた条件は、結果の下に書いています。
調べた3つの生成AIが多く引用したのは、タイトルと本文の段落が利用者の質問の内容と合っているウェブページでした。
FAQ の欄、構造化データ、要約の欄、表示速度は、同じウェブサイトのページ同士で比べると、引用された回数に差がありませんでした。
調べた条件:ChatGPT・Gemini・Perplexity の回答 158,099件(90日間、2つの市場)を分析
生成AIの回答は、同じ質問でも実行のたびに変わりました。1回だけ計測した結果は信頼できません。
論文の著者は、同じ質問を繰り返して計測するよう勧めています。ブランドが回答に出る度合いは、1つの値ではなく分布で表します。
調べた条件:家電・不動産販売・スポーツ用品・通信の4分野で各8問を、ChatGPT・Gemini・Google AI Mode・Perplexity に入力(2026年1〜3月)
人気が上位20%のブランドは、調査した1,176ブランドの平均より1.4〜2.8倍多く、生成AIの回答に引用されました。
ウェブ検索を使って回答する設定の生成AIでも、人気の高いブランドへの偏りは残りました。
調べた条件:イタリアの4業種について、3つの生成AIから1万9,200件の回答を API で取得
GPT-5.6 Luna は、回答の53.6%で、検索で見つけたページの本文を開きませんでした。検索結果の抜粋だけを使って回答しました。
変更前の値で回答した割合は、抜粋だけを使った回答で6.4%、本文を開いた回答で1.3%でした。
調べた条件:モデルの学習後に値が変わった225件の事実について質問
研究者が架空の言葉を一般の投稿サイトに公開すると、10の生成AI検索サービスのうち8つが、公開から7日以内に引用しました。
生成AI検索がよく引用するサイトの記事1本は、あまり引用しないサイトの投稿20本超より多く引用されました。
調べた条件:2026年3〜4月に実験。調べた10サービスには中国向けのサービスが多い
上の5本の次に読む論文です。ガーオンが X で解説した論文を選びました。
買い物エージェント2026年11月
買い物を任された10のモデルは、間違えるとき、多くの場合そろって、ほぼ合っている別の商品を選びました。
調査エージェント2026年11月
OpenAI側のモデルは、MicrosoftとAlphabetの比較で、レポートあたり異なる出典が平均7件でした。
攻撃・差し込み2026年11月
第三者の記事に、宣伝らしくなくブランド名を1回足すだけで、回答への出現が動き得ると報告しています。
計測手法・再現性2026年10月
買い手向けの質問54件について、凍結した予測を、最大約7週間後まで評価しました。
会話・マルチターン2026年9月
数値例では、1ターンだけの順位と、会話全体の順位がずれました。
RAG・根拠提示2026年9月
RAGで渡した文書から根拠を選ぶとき、答えを先に書いて、近い文章に後から出典を付ける後づけが起きうると報告しています。
論文が調べた生成AIの名前、モデルの名前、回答データの取り方で絞り込めます。論文の題名を押すと、要点が開きます。
調べた対象の AI
データの取り方
すべての AIを調べた論文は 86 本です。
From Relevance to Utility: Rubric Alignment in Yuanbao Search
関連度だけでなく、その回の評価基準(ルーブリック)に合う文書集合を集める「ルーブリック整合検索」を、中国の Yuanbao Search に入れた報告である。オフライン評価に加え、本番トラフィックの5%(14日間で約280万クエリ)でA/Bテストを行い、端から端までの回答品質がオンラインの本番ベースライン比で8.52%上がった、としている。
Yuanbao
Cited but Unused: Parametric Provenance in Retrieval-Augmented Generation
RAGの出典は、実際にその文書から来たのかを見誤ることがあり、通常の検証では見分けられない、と報告している。渡した文書の事実を偽の値に置き換えて聞き直すと、出典付き主張の1.2〜15.7%が、渡した文脈ではなくモデルの記憶から来ていた。最も保守的な置き換え距離では、試した2モデルで4.6%と8.5%で、同じ系統の中ではサイズが大きいほど上がった、とされる。
公開モデル
From User Behaviors to Satisfaction Judgments: Reasoning about User Satisfaction with AI Overviews
検索のAI概要(AI Overviews)の評価は回答の質が中心になりがちで、利用者の行動が十分使われていない、として、行動信号から満足を予測する手法 STaRS を提案している。31人・243セッション・554クエリのユーザー実験と、匿名企業の検索ログ SearchLog26(5.4千人、6,589クエリ)を使う。既存のIR向け行動予測をこの設定に移すには限界があり、STaRS はそれを補う、とされる。
WISE: An Agentic Framework for Whole-page Multimodal Search Experience Attribution
検索・推薦・広告のような多段のアルゴリズムサービスでは、運用上は動いていても結果の質が悪いことがあり、悪い結果を見つけるだけでなく原因箇所まで帰属する課題(System Quality Diagnosis)を定式化している。エージェント枠組み WISE と、ハーネスと方策を適応的に最適化する AHPO を提案し、固定の重みでも GPT-5.6-Luna、GPT-5.6-Terra、Kimi-K2.6 でハーネス最適化の前後を比較している(本文)。
ChatGPTKimi
Does the Citation Matter? Quality, Grounding, and Physician-Rubric Accuracy of Google's AI Overviews for Medical Information
Google の AI Overviews を、3,611件の健康ベンチマーク質問で、従来検索の上位5件と比べた。概要は質問の96.4%に出たが、上位5件のうち概要が引用したのは44.4%にとどまり、学術・公的機関より商業的な健康メディアを厚く取った、と報告している。引用文が当該ページに支えられるのは、分類器の誤りを補正した推定で56.7%、引用なしの事実主張は全発言のさらに20.8%。医師のルーブリックでは獲得点が38.2%(正確さ54.2%、完結さ21.6%)だった。
Google AI Overviews
Predicting What Answer Engines Cite: Open Decision Models, Rerankers and a Distilled 4B Student on Ten Engines under Controlled Retrieval
生成エンジン最適化のために、候補ページが引用のどれだけを取るかを予測するスコアを、既存のリランカー、ホスト型の決定モデル Jev、オープンな決定モデル、蒸留学生で比べた。同じ候補をプロンプトに渡した10エンジンで、同じ質問に複数が答えたときのエンジン間の Spearman 相関は0.704。学習なしの Jev とオープンな27B決定モデル2つが最も強く、0.575〜0.578だった。Qwen3-Reranker-4B を教師ラベルで調整した学生(GEO Citation Ranker)も公開している。
公開モデル研究用の独自システム
The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering
類似度とチャンクに依るRAGには、質問が必要とする箇所を見越せず、文書をまたぐ参照を解くための文書全体の情報が落ちる、という構造上の死角がある、として、答えと行単位の出典を同時に出す根拠付き生成(EBG)と、正しさと根拠を同時に採点する Ans+Evid を提案している。MultiHop-RAG と QASPER-MP、合成の2ホップ、10K〜1M文字の NoLiMa 拡張で、専用の最先端モデル10とオープンウェイト3を試した。類似検索は「どれか1つ」は拾いやすいが「必要なすべて」は拾いきれず、チャンク化は身元に関わる質問に必要な文書のメタ情報を壊す、と報告している。
ChatGPTGeminiClaude公開モデル
VoteGEO-Bench: Measuring the Impact of Generative Engine Optimization on Electoral Visibility
選挙の情報にLLMが使われるとき、外部のウェブページの書き換え(GEO)が、提示される政治情報をどう変えるかを見るベンチマーク VoteGEO-Bench を提案している。2024年米大統領選と、2026年日本の衆議院選(比例の11政党)を対象に、質問、過去のウェブページ、有権者のペルソナを組む。引用の観察では、コストの低い自社発信や開放型プラットフォームからの出典が多く、日をまたいで見え続けるページもある、とされる。書き換え11種(4分類)では、対象を指定しない書き換えは見え方がほとんど増えず、指定すると増えやすい。構成を整える、議論で立場を強める、といった戦略の方が、証拠の追加や言い換えより伸びが大きかった、と報告している。
ChatGPTGeminiGrok
Retrieved but Not Read: Understanding Why Search-Augmented LLMs Fail to Use Available Evidence
GPT-5.6 Lunaのnative searchでは、抜粋だけで答えた割合が53.6%でした。7つの構成をまとめると、抜粋だけの回答が古い値になる割合は6.4%でした。開いたページを引用したときに古い値になる割合は、1.3%でした。対象の事実は、本文の評価集合では223件と書かれています。
ChatGPT
Understanding ChatGPT Citations: Evidence from Production Web Search Across Model Generations
ChatGPT Web はウェブページを取ってくるが、引用として出るのはその一部である、として、ChatGPT 5.2から5.5の4設定(Instant と Thinking)で、質問の言い換え、候補の取得、出典の選択を観察した。Instant はほぼ1ラウンド、GPT-5.4 Thinking は複数回の取得が多い。繰り返し実行で、よく取ってくる候補ほど引用されやすい。外部の近似として Google 検索と OpenAI Responses API を比べると、後者の引用の方が ChatGPT Web の出典に近く、ホスト名や主体の単位ではURL単位より一致しやすい。両者を合わせても、引用URLの約4分の1しか拾えない、と報告している。
ChatGPT
What Drives AI Citations? Content, Retrieval and Model Knowledge in Generative Engine Optimization (GEO)
サイトの内部でページを比べると、タイトルと段落が利用者の質問の内容と合っているページほど、引用が多い傾向がありました。調べた対象は、ChatGPT、Gemini、Perplexityです。論文の「title」は、ページの題名テキストと質問の近さとして、第3.2節で定義されています。HTMLのtitleタグか、ページ内の大見出しなのかは、本文に書き分けがありません。見出しの個数は、別の構造の指標として数えています。ChatGPTの90日間の引用回数では、サイト内のばらつきの32%を、検索で拾われたかが説明しました。ページの特徴を全部合わせても、説明できたのは2.8%でした。
ChatGPTGeminiPerplexity
What Drives Citations in Production Large Language Models? An Observational Multi-Method Study of Two Million AI Citations Across Ten Thousand Web Pages
本番の大規模言語モデルが、生成した答えとともにウェブページを引用するとき、ページ側のどの特徴が引用の多さを予測するかを、観察研究で見ている。ChatGPT、Claude、Google AI、Gemini の4エンジンから約6か月で約200万件の引用を集め、19のB2B SaaSワークスペースからクロールした1万ページと結合した。複数の方法で検査を通った結果として、ページとワークスペースの質問全体との語の重なり(Jaccard)が最も強く(beta=+0.37)、よく言われるAEOのチェック項目(FAQ、構造化データ、Core Web Vitals)は、ドメインの固定効果を入れると符号が逆転するかゼロになる(シンプソンのパラドックス)、ドメイン全体のAI上の権威は、アライメント以外で最も強いページ特徴の平均絶対SHAPの6倍、と要旨は述べる。
ChatGPTGeminiGoogle AI OverviewsClaude
Claim-Gated Source-Risk Auditing for Generative Search
生成検索の答えは、支えのある箇所を引用していても、解釈を変える出典との関係を省くことがある、として、質問・出典・答えの組を、主張で門をかけて確認する仕様を定めている。関係の証拠、答えへの採用、重要性、開示がすべて観察されたときだけ省略を確定し、証拠が欠けたものは独立と見なさず未解決のまま残す。参照実装は、網羅的な合成一式で3値述語の81通りをすべて再現し、わざと崩した192件を拒否した、とされる。
Scoring With the Engine: Retrieval Exposure, Cross-Engine Divergence, and the Limits of Engine-Agnostic GEO Scores
エンジンを使わないページ得点で、生成エンジンでの見え方を近似できるか、という議論に対し、ライブエンジンへの露出と、露出したうえでの引用選択を分けるべきだ、と論じている。2026年6月6日、固定の商用プロンプト15を ChatGPT、Microsoft Copilot、Google、Perplexity の4画面で観察し、引用は589件(固有URL 528、ドメイン356)だった。同じ質問でのエンジン間URL重複はごく小さく、平均ペア Jaccard は0.0079、中央値は0、エンジン対の84.9%は引用URLを1つも共有しなかった。4エンジンすべてで見た10プロンプトでは平均0.0072で、同じ大きさの超幾何ベースライン0.1272の5.7%にすぎない。観察URLの96.4%は1エンジンにしか出ず、5〜6日の同一エンジン比較ではURL集合の平均入れ替わりが67.0%だった、と報告している。
ChatGPTGoogle AI OverviewsPerplexityCopilot
Who Anchors AI Overviews in Health? Baidu, Google, and the Geography of Authority
従来の検索にAIが組み込まれるとき、サービス・地域・言語で情報の偏りがどう出るかを、Google と Baidu の AI Overview で健康の質問を比べて見ている。12か国、4言語、1,920の健康質問で、両社とも自社のサービスへ利用者を寄せ、一次情報源の多様性より垂直統合が目立つ、とされる。規模が小さく、現地化の弱い国では、国内出典の参照が少ない。同じ質問をその国の公用語で出すと、英語で出すより現地出典の割合がおよそ3.5〜13.5倍に上がった。健康の免責は多次元で、言語と文化で違う、とも報告している。
Google AI OverviewsBaidu の AI
What Gets Cited: Competitive GEO in AI Answer Engines
取得済みの候補がちょうど2件のとき、どちらが最初に引用されるかを、18の内容因子で一対比較した。最初の引用を最も動かしたのは話題の関連性とリスト内の位置で、価格の明記と新しい日付も一貫して効いた。完全性や信頼の手がかりはより小さく、書式だけの修正はほとんど効かなかった、と報告している。
ChatGPTGeminiClaudeKimi
Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact
Google の AI Overviews を、2026年3月13日から4月21日の40日間、19分野のトレンド質問55,393件で縦断的に測った。全体の出現率は13.7%、疑問文では64.7%まで上がり、政治的に敏感な話題では明らかに低かった。引用ドメインは、同時に出る1ページ目の結果より信頼性が高い一方、約30%は1ページ目に登場せず、順位付けとは別の出典選択がある、とされる。答えを98,020の原子的主張に分解すると、引用ページに支えられないものが11.0%(主な失敗は省略)で、出典の質と主張の忠実さはほぼ独立だった。引用ページの過半はディスプレイ広告を持ち、クリックが抑えられると出版社の収益が減る一方、同じページに Google 自身の広告は出続けた、と報告している。
Google AI Overviews
From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms
生成検索では、見つかること、出典として引用されること、答えに実際に吸収されることは別だ、として、検索が起動して出典を選ぶ段階と、引用ページが言語・証拠・構造・事実として答えに寄与する段階を分ける枠組みを提案している。公開データ geo-citation-lab は、ChatGPT、Google AI Overview / Gemini、Perplexity に対する統制プロンプト602、有効な検索層の引用21,143、引用単位の特徴23,745、取得できたページ18,151、抽出特徴72を含む。記述の中心は、引用の広さと深さが分かれることである。Perplexity と Google は平均してより多くの出典を引き、ChatGPT は出典が少ない一方、取得ページの中での平均的な引用の影響力はより高い、とされる。
ChatGPTGeminiGoogle AI OverviewsPerplexity
Navigating the Shift: A Comparative Analysis of Web Search and Generative AI Response Generation
Google検索と生成AIの回答では、参照ドメインの種類(アーンド、オウンド、ソーシャル)や情報の鮮度がかなり違う、と報告している。家電と自動車の2分野で、各100件のランキング型クエリを、GPT-4o、Claude 4.5 Sonnet、Perplexity Sonar Pro、Gemini 2.5 Flash、Google Search で比べた。事前学習の知識が、検索をオンにしても順位付けに残る場合がある、という実験もしている。
ChatGPTGeminiClaudePerplexity
User First Intelligence: Three Measurements of Search and AI-Answer Analytics (SEO and GEO/AEO), and a Knowledge-Graph Framework for Query Discovery Beyond Search Volume
SEOやGEOが頼る分析ツールは、需要の一部しか見ておらず、数字の出方がツールで大きく違う、と報告している。米国の通信会社サイトの市外局番ページでは、2つの商用アナリティクスが推定月間訪問を7.5倍から27.1倍まで食い違えた。また Google の AI Overviews / AI Mode では、引用に動画・コミュニティサイトが中央値21%入ったのに対し、ChatGPT、Copilot、Perplexity、Gemini では0.6〜9.2%だった、としている。
ChatGPTGeminiGoogle AI OverviewsGoogle AI ModePerplexityCopilot
Humanity's Last Choice: A Common Evaluation Standard for Generative Engine Optimization
人がどのAIに後段の判断を預けるかは、GEOを受けたとき依頼をどれだけ果たすか、を比べられる証拠が要る、として、共通の評価基準を求めている。既存のベンチマークはGEOの作戦空間や編集の制約がばらばらで、アルゴリズムの良さと、どこまで編集してよいかの違いが混ざりうる、と指摘する。出典をどこで、どう直し、どの信号を狙うかを記述するメタ分類を提案し、文献上の作戦を検索できる空間に写し、カバー範囲を明示した比較手順を示している。
Forecasting Brand Mentions in LLM Answers: Frozen Predictions Evaluated from Hours to Weeks
買い手向けの質問54件について、凍結した予測を、最大約7週間後まで評価しました。質問は9系統で、英語、エストニア語、フィンランド語を対象にしています。当初の20日間の再現に加え、後続の収集でも傾向は続いた、と報告しています。1回だけの確認は誤りやすく、複数回・複数時点で測る方がよい、と論じています。
Gemini
Gap Detection: Mitigating Homogenization through Demand and Defensibility
開いた質問に対して、ありうる答えがいくつもあっても、言語モデルの回答は意味のうえで似やすい、として、埋め込み空間で「質問には合うが、既にある答えがまだ占めていない向き」を探す枠組み Gap Detection を提案している。目的関数 GapScore は、質問との関連(需要)と、最も近い既存項目との違い(防御可能性)を掛け合わせる。選んだ5話題で衝突が平均12.8%、INFINITY-CHAT の90質問で10.8%相対的に減った、とされる。商品市場4つの生成エンジン最適化と、合成データの積み増しにも適用している。
Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End
高価で変動する「答えエンジン」の代わりに、安くて決定的な代理得点をどう確かめるか、という手順を示し、生成エンジン最適化の内容得点で端から端まで試している。2023年の因果アンカーを、いまのエンジン系統10(オープンウェイト6、商用4。うち専用の gpt-5.x が3)で測り直すと、その操作子はどれでも引用を動かさず、期限切れの外部確認だった、とされる。残るのは門で強制した反応面で、敵対的な編集の500ソースでは、調整済み操作子を増幅しても攻撃側の得は最大6点で、量が増えると減る。クエリ条件付きの上限では、引用信号のクエリ内 Spearman は0.11で、クエリを問わない得点は引用の予測ではなく質のフィルタとして置くべきだ、と論じている。
ChatGPT公開モデル
Measuring GEO Visibility: Prompt Corpora Define the Answer Market
GEOの見え方得点は、生成された答えにおける出典の出現、引用、ブランド言及を集計する。どの状況を見るかはプロンプトの集まりが選び、重みがその重要度を決める。これらが「答えの市場」を定義し、実際の需要を表すとは限らない、と批判的に整理している。質問の言い回しは検索や競合、答えを変え、言語モデルで採点するなら指示が、同じ答えの得点を変えうる。状況の注釈、定式、実行条件、重み、採点規則を明示し、重みが未知のときは許容される得点の集合を報告する枠組みを示す。出典の寄与は、引用があるだけでは決まらず、統制した文書環境で、その出典ありなしの答えを比べる、と定義する(エンジン全体への介入とは区別する)。
The Dice Roll Method: A Standardized Protocol for Repeated-Query Auditing of Large Language Model Brand Recommendations
同じプロンプトを繰り返して、LLMのブランド推奨のばらつきを見る研究は増えているが、反復回数や安定性の指標、信頼性の閾値に標準手順がなかった、として Dice Roll Method を形式化している。分散を標本化、言い回し、実行ごと、モデル版に分解し、負の二項混合、Cliffのデルタ、依存を保つブートストラップ、シミュレーションによる検出力、一般化理論、固定スナップショットの漂移診断を重ねる。ブランド推奨の既存研究5つ(観察約19万、ブランド270超、6言語、反復5〜40回)を再分析した。再計算したDスタディは固定の段階を支持せず、250の異なる質問(S5)では5回でGが0.96、1〜2回で0.80に達する一方、Gemini のバレンタイン部分集合(S1)では0.27で回数は決まらない、とされる。
Gemini
Query Language Sensitivity in Automated Sentiment Scores of LLM Responses
ブランドについてのLLM回答12,933件を、多言語の感情分類器でスコアしたとき、あてはめた分散の26.49%が質問言語、1.46%がブランドだった。英語を除くと、言語は5.07%、ブランドは2.23%になり、英語1,620件中591件が陰性スコアだったのに対し、他7言語11,313件では77件だった。これは英語を入れたときの分解が大きく変わることを示すのであって、英語の答えがブランドに対してより否定的だと因果的に示したわけではない、と訂正版は述べる。
ChatGPTGeminiPerplexity
Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation: Reproducibility Below the Rerun-Stability Baseline
「最良のCRM」と「上位のCRM」のように、買い手の質問の言い方が少し違うだけで、AIアシスタントが出すブランドの推薦集合が大きく変わる、と報告している。OpenAI と Anthropic のモデルで、言い換え約6,000回と同じプロンプトの再実行約6,000回を比べると、同じ購買意図の言い換え同士の推薦集合の Jaccard は、見た目の言い換えで0.288、制約を足す言い換えで0.135で、同じプロンプトを再実行した基線0.50〜0.61を大きく下回った。推論の努力を上げても差は±0.05に収まり、狭まらない、とされる。
ChatGPTClaude
Don't Measure Once: Measuring Visibility in AI Search (GEO)
調べた4つの生成AIでは、実行や質問の言い回し、時点によって答えが変わりました。対象は、ChatGPT、Gemini、Google AI Mode、Perplexityです。観察期間は2026年1月24日から3月20日でした。キャンペーンは4つ、各8件の質問でした。論文は、ブランドの見え方を1回の観察ではなく、分布として測るべきだと論じています。
ChatGPTGeminiGoogle AI ModePerplexity
The Inadequacy of Offline LLM Evaluations: A Need to Account for Personalization in Model Behavior
標準的なオフライン評価は、独立した、状態を持たない推論の列であり、実際の利用で個人化がモデルの振る舞いを根本から変える様子を捉えられない、と論じている。同じベンチマークの質問でも、状態を持たないシステム、ある利用者のチャット、別の利用者のチャットでは、答えがはっきり違いうる。ChatGPT と Gemini の実利用者800人に、ベンチマークや指定の質問を、自分たちのチャット画面で出してもらう現地評価と、オフライン評価を比べた、とされる。
ChatGPTGemini
Generative Search and Recommendation at Shopify
Shopify の検索と推薦を、商品を短い意味IDの列として生成する SID-LLM にまとめた、という本番システムの報告である。カタログと行動データで共同学習し、強化学習や蒸留も使う。既存の複数モデル検索と同等の品質を、本番の遅延制約の中で達成し、オンラインA/Bでは対象面で注文が7.95%、転換ユーザーが8.60%、転換率が9.85%上がった、と報告している(Dunnett 補正後も有意、とされる)。
研究用の独自システム
IntentGEO: Intent-aware Generative Engine Optimization for Recommendation
既存のGEOは、一般的な質問の下で見え方を上げることが多いが、同じ商品説明でも利用者の意図(どれだけ具体か、どの決定段階か)で見え方の伸びが変わる、として IntentGEO を定式化している。既存手法の伸びは意図でばらつき、学習ベースの手法もある、とされる。評価は C-SEO Bench の Books、Retail、Videogames と Ragdoll の4データ、比較モデルに Gemini 2.5 Flash-Lite と Qwen3-30B-A3B の記載がある(本文)。
Gemini公開モデル
Do GEO Gains Survive the Live Web? Evaluating In-the-Wild Visibility Gains of Generative Engine Optimization via LIVE-GEO
これまでのGEO評価は、テキストを直接渡したり、統制した検索パイプラインに依ることが多く、ライブのウェブでも伸びが残るかは分からない、としてベンチマーク LIVE-GEO を提案している。架空ブランド80、商品ファミリー18を公開し、生成エンジン3つ(ChatGPT(GPT-6)、Gemini 3.6 Thinking、Grok の Expert モード)、テキスト直接のAPI評価器4つ(GPT-4o、DeepSeek、Kimi、Claude)、ローカル評価器 Qwen2.5-3B-Instruct で試した、と本文は述べる。
ChatGPTGeminiGrok
GLOBE: Evolving Structured Agentic Memory for E-commerce Product Optimization in Generative Search
生成検索向けに商品ページを直すとき、うまくいった直し方を、プロンプトや軌跡の中に暗黙のまま残さず、欄ごとの振る舞いとしてハンドブックに蓄積する枠組み GLOBE を提案している。編集役が振る舞いを適用し、順位のフィードバックを受け、反省役が更新案を出し、司会と管理役が重複や有害な項目を除く。構造化した振る舞いの方が、一塊のプロンプト最適化より良く、フィードバックで育て、有害な項目を止めると効果と下振れの抑えがさらに良くなった、とされる。見たことのない商品カテゴリでも振る舞いが効いた、と報告している。
ChatGPTGemini公開モデル
Query Implied Generative Engine Optimization
既存のGEOの多くは、明示された質問や、そこから取った信号に内容を合わせる。QI-GEO は、文書自身から利用者の意図の空間を近似し、ありうる質問に答えるために足りない箇所を足す、と提案している。GEO-Bench と Extended GEO-Bench で、客観指標が最大15.9%、主観指標が最大17.6%上がり、引用の増加は減少のほぼ2倍だった、とされる。明示の質問入力に頼らなくても、文書から近似した意図で見え方が上がりうる、と述べる。
Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)
GEOは、生成エンジンの答えにおける存在、引用されやすさ、影響力を高めることを目指す。基礎論文以降、用語や指標、証拠の基準はばらばらなまま広がった、として、2023年11月から2026年7月を中心に選んだ45研究を批判的に整理している。GEOは単一の順位付けではなく、検索の起動から引用、吸収、忠実さ、利用者行動まで、確率的で一部しか観察できない流れだ、と論じる。基礎論文で広く引用される伸びは、その実験設定(すでに固定の文脈に入っている出典)では妥当だが、自然な発見可能性や持続する流入効果を示したことにはならない、とされる。
Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior
既存のGEOが意味内容の書き換えに寄ることが多いなか、構造の特徴が引用にどう効くかは十分見られていない、として枠組み GEO-SFE を提案している。文書の構造を、マクロ(文書の構成)、メソ(情報の塊)、ミクロ(視覚的な強調)の3層に分解し、生成エンジンの作りの違いを踏まえて引用確率への影響をモデル化する。主流の生成エンジン6で評価し、引用率が17.3%、主観的な質が18.5%上がった、と報告している。
ChatGPTGoogle AI OverviewsClaudePerplexityCopilot研究用の独自システム
AI Answer Engine Citation Behavior An Empirical Analysis of the GEO16 Framework
AI答えエンジンが答えを生成し、ウェブ出典を引用するとき、ページ上の質の信号を16の柱の帯得点と、0から1の正規化得点Gに変える枠組み GEO-16 を導入している。商品意図のプロンプト70について、Brave Summary、Google AI Overviews、Perplexity の3エンジンから引用1,702件を集め、固有URL 1,100を調べた。このコーパスでは、エンジンによって引用ページのGEO質が違い、メタデータと鮮度、セマンティックHTML、構造化データに関する柱が引用と最も強く関連した、とされる。ドメインでクラスタした標準誤差のロジスティックモデルでは、ページ全体の質は引用の強い予測因子で、たとえばGが0.70以上かつ柱の当たりが12以上、といった操作点は、このデータでは引用率の高さと揃った、と報告している。
Google AI OverviewsPerplexity研究用の独自システム
Role-Augmented Intent-Driven Generative Search Engine Optimization
多くのG-SEOは、対象の質問や、その質問で得たエンジンの反応に直接アクセスすることを前提にするが、ウェブの内容は将来の質問が分かる前に公開される、として、対象質問にもその反応にも依らない手法 RAID を提案している。文書から主たる検索意図を推定し、想定する検索者の情報ニーズについて4Wの多役割の反省で精緻化し、主意図と精緻化した意図の両方で書き換えを計画する。GEO-BENCH に、話題に関する多様な質問の変種を足し、最適化中には使わず評価だけに使う。100標本、評価質問500で、相対改善(RIS)は客観総合3.00%、主観平均1.32%で、事前に定めたGEO書き換え9戦略の最良をそれぞれ1.31ポイント、0.74ポイント上回った、と報告している。
公開モデル
C-SEO Bench: Does Conversational SEO Work?
会話型検索エンジンで、文書を書き換えるC-SEO手法が引用順位を上げるかを、複数の課題・領域と、採用者の人数を変えて測った。この実験では、現行手法の多くは引用順位をほとんど上げず、むしろ下げうるとされた。従来SEOで、モデルの文脈に入る順位を上げる方が効きやすく、採用者が増えると全体の伸びは縮み、ゼロサムに近い、と報告している。
ChatGPTClaude
GuardAgent: A Memory-Augmented Agentic Framework for Adaptive Detection of Adversarial Promotions in LLM-Based Recommendation
LLMを使う推薦では、商品説明などの文章が攻撃の入口になりやすい、として、宣伝目的の操作を見つける仕組み GuardAgent を提案している。知覚・行動・内省・記憶のループで、見たことのない攻撃パターンにも合わせる、とされる。Amazon の楽器レビューと Yelp Business のデータで、既存手法より汎化が良い、と報告している。
研究用の独自システム
Reliability Stress Testing of RAG Retrieval under Query-Relevant Corpus Poisoning
外部の文章がRAGの答えに効くのは、検索器がそれをモデルの文脈に入れたあとだ、として、検索の「入場」段階をストレス試験している。BEIR の SciFact と NFCorpus から623クエリを使い、クエリごとに狙った文書を5件入れると、古典的検索器の nDCG@10 が隔離条件で40.2〜61.5%下がった。BM25 の悪化の大半は、クエリ全文を文書に固定する操作で説明でき、後段に付けた文は潜在意味解析側も動かす、と報告している。
Characterizing Adversarial GEO via Implicit Brand Injection
第三者の記事に、宣伝らしくなくブランド名を1回足すだけで、回答への出現が動き得ると報告しています。架空の60ブランドを使った実験では、記事に近い質問で出現率は最大約63%でした。分野全体の質問では、出現率は最大約35%に下がりました。調べた対象は、GPT-5-miniです。
ChatGPT
Manifest-Assisted Retrieval in Artificial Intelligence Search: Evidence Gaps and a Security Evaluation
/llms.txt を読むことが、通常の検索を固定したままでセキュリティや有用性をどれだけ変えるかを、既存文献からは切り出せなかった、という証拠の整理である。最初の文献整理は2026年8月16日時点で39ソース、その後10月14日まで追補した。意図的に選んだ15ツールの観察では、1つのエンドポイントで45試行のうち自動リクエストはなく、非確率的なログ研究では、ファイルが検出されたドメインの97%が2026年5月に記録上のリクエストを受けていなかった、と報告している。
Factual Yet One-Sided: Stance Poisoning and Evidence Balancing in Retrieval-Augmented Generation
RAGの答えの立場は、検索で得た文書の立場の偏りに左右される、として、事実は正しくても争点で一方に寄る注入を調べている。注入後の ProCon 文書で話題あたりの汚染割合が平均18.9%のとき、異なる提供者の生成モデル4つすべてで、汚染の向きに沿った立場のずれが出た。検索器と生成の間に置く Stance-Balancing Middleware(立場の検出、賛成2・反対2・中立1の固定均衡、偏りを抑えるプロンプト。追加のLLM呼び出しなし)を提案し、8つの濃度・方向の設定で、立場のずれの大きさが0.106〜0.350減った、と報告している。
DeepSeekKimi公開モデル
Data-Void Exploits in Web-Searching LLMs
信頼できる情報の少ない検索空間(データボイド)に攻撃者の説明を置き、ウェブ検索付きLLMに拾わせる攻撃を調べている。ChatGPT、Gemini、Perplexity Sonar Pro と、懐疑・興奮・中立の3つの問い方、攻撃者側の3つの操作を変えた。攻撃者が管理するページが1つでも成功しうるとし、全条件を通して攻撃者の内容が回答に出た割合は31%、と報告している。問い方を疑う向きにすると成功が少し減り警告も少し増えるが、問い方やモデルの違いによる大きな効果は見られなかった、とされる。
ChatGPTGeminiPerplexity
From Public Posts to AI-Search Citations: Measuring the Fragility of AI Search
架空の概念を公開したところ、調べた10のAI検索のうち8つが、7日以内に引用しました。引用されやすい媒体の記事1本が、されにくい媒体の投稿20本超より効いた例もありました。有料のGEO投稿では、設計した印を含む内容が1時間以内に引用された例もありました。
ChatGPTGoogle AI OverviewsPerplexityGrokDeepSeekDoubaoKimiYuanbaoWenxin公開モデル
Counter-GEO-Bench: Evaluating Defenses Against Information-Distorting Generative Engine Optimization
情報を歪めるGEO書き換えに対して、既製の防御3つ(Granite Guardian、Llama Guard 3、NeMo Self-Check Fact-Checking)を測ったところ、攻撃成功率の低下は相対で最大5.7%にとどまり、Granite Guardianの減少は統計的に有意でなかった。提案手法 C-GEO Guard は、攻撃成功率を相対47.6%下げ、有用性の損失はほぼゼロだった、と報告している。
公開モデル
When Optimization Becomes Manipulation: Defending Generative Search against Malicious Generative Engine Optimization
事実は原文と合ったまま、引用されやすい形に文書を書き換えるGEO攻撃への防御手法 GEO Defender を提案している。5モデル・7種の攻撃で、平均の攻撃成功率は50.32%から6.20%へ下がり、無害な根拠の利用は94.12%残った、と報告している。事実検証やパープレキシティのフィルタだけでは捉えにくい、とされる。
ChatGPTClaudeDeepSeekKimi公開モデル
Thinking Harder Doesn't Lead to Better Choices: Reasoning Effort Increases the Confidence but Not the Correctness of LLM Shopping Agents
買い物を任された10のモデルは、間違えるとき、多くの場合そろって、ほぼ合っている別の商品を選びました。複数モデルが外した問題では、間違いの81%から87%が、最も多い1つの誤答に集まりました。独立に間違える場合の目安は、32%から36%程度です。推論の量を増やしても、正答率は統計的に意味のある形では上がりませんでした。上がったのは、自信のほうでした。
ChatGPTGeminiClaudeDeepSeekKimi公開モデル
Preference Is Not Permission: Personalizing the Auto-Purchase Line in Agentic Commerce
その商品が合うかだけでなく、エージェントがどこまで自動で買ってよいか、という個人の自動購入ラインを課題にしている。出力は「買わない」「先に確認する」「自動で買う」の3値で、適合だけでなく、情報の十分さ、取り消せるか、いつもの価格か、急ぐかも条件になる。指示調整モデル16(4提供者)では、15人の注釈者がその人物の立場で許す最遠の行動と比べ、適合が低くても、根拠が足りないとモデル自身が示しても、自動で進もうとすることがあった。浅い学習器は、その人自身のラベル数十件(中央値は30〜40件)で、別の分割の自動購入ラインを中央値0.79で予測し、試したプロンプトとモデルの組み合わせを上回った、とされる。
ChatGPTGemini公開モデル
Toolflation: Seller Agents Distort Tool Markets Through Spontaneous Generative Engine Optimization
売り手エージェントがツールや商品の説明を書き、買い手エージェントがそれを読んで選ぶ市場を、Amazon と Instagram の実在データツールから作った。試した本番モデル5つすべてで、売り手は「より選ばれやすく」とだけ言われても説明を書き換え、自ツールが対象の半分未満でしか返さない項目まで主張した。これを toolflation と呼ぶ。能力の高いツールが、売り手モデルと販売元の10組み合わせのうち7つでシェアを失った。5つ目のモデルでは説明が互いに似て区別できなくなり、買い手は並び順で選び、ほとんど答えられないツールが選択の4分の1から5分の2を取り、課題成功は Amazon で89%から約30%、Instagram で77%から40%まで落ちた、と報告している。
ChatGPTClaudeGrokDeepSeek研究用の独自システム
A Cue's Hidden Price: Auditing Seller Influence on AI Shoppers
バッジや推薦文、言い回しといった売り手側の手がかりが、買い物エージェントの選択をどれだけ動かすかを、選ばれる頻度だけでは測り切れない、として、価格換算(PE)を提案している。手がかり付き商品の価格を上げ、半々で選ばれる点をその手がかりの値段とする。113,472試行、系統の異なる7モデル、商品カテゴリ2つで、同じ価格では95%以上選ばれて区別できない手がかりが6条件あった一方、価格換算では1.6%から21.4%まで幅があった、とされる。選択確率を直接出す決定モデル Jev でも試し、多くの手がかりには強い一方、最も強い社会的証明には弱さが残った、と報告している。
ChatGPTClaude公開モデル研究用の独自システム
GroundedGEO: Auditing the Evidence Gap in Generative Search Rankings
生成検索の順位付けは、関連して見える文と、事実に支えられた詳細を、文面だけでは区別できない、として、その識別の隙間を調べている。電子商取引の質問50、1,950ケースの、根拠と対にしたベンチマークと、渡したパケットに支えがない主張を減点する並び替え GroundedGEO を使う。凍結したリストワイズの Qwen2.5-7B では、支えのない豊かな変種が、きれいな候補より正規化した順位を有意に上げた(+0.065〜+0.092)。支えのある対照や中立では上がらず、効果はモデル次第(MiMo-v2.5 では境界的、GLM-5.3-Flash では見られない)、とされる。
公開モデル
What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce
消費者が自分で見てクリックする代わりに、自律エージェントがページやAPIを読んで商品を選ぶ市場を、提供者を問わない枠組み ACES で調べている。エージェントは一部の「よく選ばれる」商品に需要を寄せ、他を全く無視しうる一方、その好みは不安定で、モデルの更新が市場シェアを大きく入れ替えうる、とされる。無作為化試験では、明らかに最良がある簡単な課題では時間とともに良くなるが、位置の偏りは提供者や版で違い、文字だけの画面でも残る。提供タグは一貫して減点され、プラットフォームの推薦は加点される。売り手側のエージェントが、質問に応じた簡単な説明の修正をするだけで、市場シェアを大きく伸ばせた(Claude Opus 4.5 で+7.38ポイント、GPT-5.1 で+14.89ポイント、Gemini 3 Pro Preview で+0.32ポイント、と本文)。
ChatGPTGeminiClaude
Manipulating Large Language Models to Increase Product Visibility
検索にLLMが組み込まれ、利用者が購買の判断をそこに頼るとき、推薦を操作して特定商品の見え方を上げられるか、を調べている。商品情報ページに、注意して作った文(戦略的テキスト系列、STS)を足すと、LLMの首位推薦に入る見込みが大きく上がった、とされる。架空のコーヒーマシンのカタログで、ほとんど推薦に出ない商品と、通常は2位の商品の2つを対象にすると、どちらも首位に出る見込みが上がった。ベンダーに大きな競争上の利点を与え、公正な市場競争を乱しうる、と論じている。
公開モデル
TUSI: A Citation-Grounded Graph-Based Benchmark
ペルシャ語の法律QA向けに、根拠となる法令への引用付きでRAGを評価するベンチマーク TUSI-Bench を提案している。引用付きの回答が必要な質問は1,999件、イラン弁護士試験に基づく四択は約500件、とされる。グラフで条文の関係をたどる検索の基準手法も示している。
公開モデル
CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models
RAGは検索で得た段落をそのまま渡しがちだが、質問に効くのはその中の短い箇所だけであることが多い、として、細かい証拠選択の手法 CURATOR を提案している。見えないデータセットや領域でも使え、最強の既存手法と比べて、下流のRAG回答品質が平均17.4%上がった、と報告している。
公開モデル研究用の独自システム
Tessera: Structure-Completed Evidence Units for Web Retrieval-Augmented Generation
ウェブRAGはページを固定長のチャンクやスクリーンショットのタイルに切るため、表やインフォボックスなど、見出しと組になって意味を持つ情報が欠けやすい、と英語版Wikipedia全体の追跡で述べている。Tessera は、検索の単位と読ませる単位を分け、タイトルや節の経路、表の見出しを補った証拠単位を、同じトークン予算で読者に渡す。3つのQAベンチマークで、テキストとスクリーンショットのパイプラインとも正解が5〜6ポイント上がった、と報告している。
ChatGPT公開モデル
Relevance Is Not Sufficient Evidence: Detecting Evidence Gaps Before Generation in RAG
RAGで取ってきた段落は、名前は合っていても答えに必要な事実がないことがある、として、生成する前に、質問と根拠だけで足りるかを判断できるかを調べている。控えよと指示しても、生成モデル12は根拠不足の質問の40.0〜99.3%に答えてしまった。RINSE は、質問の各部分が覆われているか、どれかの段落が答えを出すか、小さな言語モデルが段落をまとめて十分だと見るか、の3信号を組み合わせる。6データセットで、十分な根拠を不十分なものより上に置く得点は0.837(偶然は0.5)で、先行10手法の最良(0.746)と、API経由の最先端モデル(0.784)を上回った、と報告している。
ChatGPT公開モデル
Attributable Post-Rationalization in RAG Citations: A Controlled Reproduction and an RLVR Comparison
RAGで渡した文書から根拠を選ぶとき、答えを先に書いて、近い文章に後から出典を付ける後づけが起きうると報告しています。正解でない側の文章に、答えの言葉を少し足すと、そちらを根拠にしやすくなりました。正解を報酬にする強化学習が、後づけを減らすかどうかも比較しています。調べた対象は、Qwen2.5-7B-Instructです。
公開モデル
Large Language Models in Resolving Contextual Knowledge Conflicts
与えた文脈の中で根拠が食い違うとき、いまのモデルは対立の解決がまだ不十分で、先に置かれた根拠へ寄る偏りが一貫してある、と報告している。データセット ContextConflict は5,781件で、対立は6種。学習なしの活性化ステアリングで、推論の正確さと要約のバランスが改善した、とされる。
ChatGPTGeminiClaude公開モデル
Label-Free Detection of Structural Bias in LLM-Based Recommender Systems via Randomized Paraphrasing: The Case of Verbosity
LLMが商品を選ぶとき、関連だけでなく説明文の長さなどの表面的な特徴に左右されうる、として、正解ラベルなしでその偏りを見る枠組みを提案している。Amazon ML Challenge 2023 のカタログから2万件の商品クエリと、5系統9モデルで冗長性バイアスを見た。関連を統制したあとでも、説明が長いほど選ばれやすく、長さの標準偏差あたり選択のオッズが最大38%上がった、と報告している。
DeepSeek公開モデル
The Popular Get More Popular: Auditing Brand Bias in Generative Search
人気上位のブランドは、平均の1.4倍から2.8倍、言及や引用されやすい結果でした。対象はイタリアの4業種、1,176ブランドです。検索をオンにしても、偏りは消えませんでした。調べた対象は、gpt-5.5、gemini-3.6-flash、perplexity-sonarです。
ChatGPTGeminiPerplexity
Where Do LLMs Learn to Recommend AI?
何を学ぶか、どの職に就くか、何を作るかと問うと、LLMはAI関連の選択肢を勧めやすい、として、その傾向がどこで付くかを見ている。公開の事前学習モデルでは、回答の27%にAI/MLの語が推薦へ入り、公開の指示調整版では59%だった。自分たちで調整すると、一般の指示調整では率は変わらず、AIに関する指示例(全体の7%)を除くと14ポイント下がって事前学習より低くなった。有用さを報いるデータでは9ポイント上がり、多様な仮想利用者の好みで順位を付けたデータでは9ポイント下がった、とされる。
公開モデル
How Language Models Learn Taste: Brand Preference in LLMs
走る靴のブランドを挙げさせると Nike、勧めさせると Brooks、といったずれが起きうる、として、モデルがどこでその好みを学ぶかを見ている。102モデル、42のブランドカテゴリで、挙げるブランドと勧めるブランドが26カテゴリで異なった。公開の学習パイプライン3つでは、事前学習の時点ですでに勧められるブランドが助言に結びつき、教師ありの指示調整ではほぼ動かず、好みの最適化(DPO)では3パイプラインすべてで11〜24ポイント動いた。好みのデータにはブランドがほとんどなく、ソースやケチャップからペストへ、といったブランド以外の判断にも及んだ、とされる。
公開モデル
System Attribution in LLM Brand Recommendations: Single Responses Identify the System, Aggregated Brand Profiles Do Not Transfer
AIの見え方調査が、本番モデルのブランド推奨をシステムごとの姿にまとめるとき、その姿がシステムを記述するかを、保存回答6,475件(分析可能6,324件)で試している。期間は2025年12月から2026年2月、エンドポイントは GPT-5.2、Gemini 3 Flash、検索付き Gemini 3 Flash、Grok、Perplexity sonar-pro の5つ。各回答を先頭800文字に揃えた文字n-gram分類器は、質問で交差検証して1回答を97.84%で帰属した(5,028回答、383プロンプト)。50の集計単位では12の行動特徴で4システムを66.53%しか分けられず、領域をまたぐと集計の姿は失敗する(ギフト単位22をすべて誤帰属)一方、単一回答はバランス精度89.92%で移った、と報告している。
ChatGPTGeminiPerplexityGrok
How Web Research Agents Interpret User Priorities
OpenAI側のモデルは、MicrosoftとAlphabetの比較で、レポートあたり異なる出典が平均7件でした。比較は18回で、出典の種類は21にとどまりました。引用の94%は、3条件のすべてで使われた9本に集まりました。9本の中心は、両社の決算資料でした。Claude側は、レポートあたり平均35種類、18回で391種類でした。レポート2本のあいだの出典の重なりは、平均5%でした。成長性、守り、指定なしと条件を変えても、出典の顔ぶれはほとんど変わりませんでした。変わったのは、比較に使ったものさしでした。
ChatGPTClaude
When Agentic Retrieval Fails Silently: Framework and Production Evidence from a Creative AI Assistant
クリック率やMRR、行動ベースのNDCGは、利用者が順位付きの結果を見て動くことを前提にするが、エージェント型アシスタントでは生成層が先に検索結果を読むため、その前提が崩れる、と述べている。誰が読むか、いつ行動するか、何が効いたかがずれることを帰属の隙間と呼び、検索の質、関与と結果、製品の成功を独立した層で見る LARA を提案する。動機の観察は Adobe Express で、同じ検索基盤がギャラリー検索とエージェント型アシスタントに使われ、後者のセッション量は前者のおよそ8分の1、とされる。
研究用の独自システム
Self-Consistency of Entity Sets and Citations in a Deep Research System under Repeated Prompting
市販のディープリサーチシステム1つについて、同じサイバーセキュリティ関連の開いた質問を繰り返し、報告書に出る固有名の集合と引用の集合がどれだけ重なるかを見た。10回の実行で、固有名のペアごとの Jaccard の中央値は0.12、引用の Jaccard は0.02未満で、発見曲線は見た目には飽和しなかった。集合のずれの大きさは固有名の種類で違い、自己一貫性はシステムの不変の性質というより、対象となる固有名の空間の関数として見る方がよい、と述べている。
Gemini
Deep Search in Real-World Web Environments
調査エージェントが、生きたウェブで多段の探索を最後までできるかを見る課題 OpenDS と、ベンチマーク OpenDS-World を提案している。タスクは200件で、種類の違う情報やファイル、操作の必要なページを含み、人が証拠と答えの一意性を確かめた、とされる。同じツール環境で最先端モデル12を評価し、最高は GPT-6 Astra の正答率39.0%。人の独立した1,000回の試行では21.1%で、全担当者が解けなかった課題は42.5%あった、と本文は述べる。
ChatGPTGeminiClaudeDeepSeekKimi公開モデル
Who Owns Digital News, and Who Gets Cited: Measuring Media Concentration Across 77 Countries and Seven AI Systems
Wikipedia と Wikidata から9,761のデジタルニュース媒体の所有データを整え、7つのAIシステムの引用の集中を、トラフィックの集中と比べた報告である。媒体レベルでAIの引用分布はトラフィックより1.23〜2.08倍集中し、所有者レベルでは1.11〜1.79倍、とされる。Ahrefs のAI回答回数は ChatGPT、Copilot、Gemini、Google AI Overviews、Grok を含み、Arena 側では Gemini、検索付き Perplexity、GPT-4.0 などの測定も加わる(本文)。
ChatGPTGeminiGoogle AI OverviewsPerplexityCopilotGrok
Can AI Chat Replace Traditional Search? Evidence from a RAG-based Live Events Experiment
会話型AIを検索画面に入れる効果を、主要なライブイベントのサイトから集めた数千件のカタログで、事前登録した報酬付きオンライン実験として比べている。古典的な絞り込み(Filter)、生成AIのチャット(Chat)、両方ある複合(Hybrid)の3画面で、AI側の出力はRAGに制限する。主な結果は、他の2条件に対して Chat が最も悪い、というものである。効果は gpt-4.1-mini、gpt-5.2、gpt-5.4 で頑健で、特定のアーティストや会場を探す人より、開いた探索をする人で大きい。Filter と Hybrid の間には、どの指標でも有意差がなかった、とされる。
ChatGPT
AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence
Google 検索に生成AIを入れることが、利用者の行動、印象、出版社への流入に与える因果効果を、事前登録した現地実験(N=1,100)で推定している。AI Overviews と AI Mode を除くと出版社へのクリック率は上がり、AI Mode だけの経験はクリック率を下げ、Google で得た情報への体験と信頼も損なう、とされる。本文では、AI Mode 条件でクリック率が18.8ポイント下がり(95% CI -22.2〜-15.3)、AI検索なし条件では8.8ポイント上がった、と報告している。
Google AI OverviewsGoogle AI Mode
How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews
生成AIがウェブ検索に入るとき、情報と出典の出し方が従来検索とどう違うかを見るため、実利用者の質問11,500件の公開ベンチマークを用意し、Google の検索結果、付随する AI Overview、Gemini Flash 2.5 を同じ質問で比べた。代表的な実質問の51.5%で AI Overview が出て、自然検索の上に表示された。取ってくる出典は大きく違い、平均 Jaccard 類似は0.2未満。従来の Google 検索は政府や教育など制度的・人気のサイトを取りやすく、生成検索は Google 自身のコンテンツを取りやすい。Google のAIクローラを拒否するサイトは、中身にアクセスできても AI Overview に取られにくい。同じ質問の2回や、わずかな言い換えに対しても、AI Overview は一貫性と頑健さが低い、と報告している。
GeminiGoogle AI Overviews
Wayfinder: Adaptive Resource Routing from Agent Citations
エージェントは、チャットや課題管理、メール、ナレッジベースなど、情報がどこにあるかをあらかじめ知らず、同じ資源を何度も探し直しうる、として、以前の回答で引用した文書から次の行き先を学ぶルーター Wayfinder を提案している。未知の作業環境でも、資源の短い説明だけに頼る方法より適応できる、とされる。NeurIPS 2026採択。
研究用の独自システム
What the Author Wrote, What the Agent Reads: Silent Cue Loss in Enterprise Document Ingestion
企業のエージェントが文書に従う前に、Word や PDF をトークンへ変える取り込み層があり、そこで「文字の見た目」に込めた意味が落ち、エージェントは欠けていると気づかず自信を持って誤る、と報告している。実在の方針文書76件で、著者が目立たせた要件をファイル自身の OOXML から機械的に採点すると、見た目を無視する取り込みでは micro F1 が0.690から、docling で0.150、プレーンテキストで0.075まで落ちた。この差は、Claude の Opus・Sonnet・Haiku 層の5モデルと OpenAI の GPT-5.6 の計6モデルで再現した、とされる。
ChatGPTClaude
CHO-Bench: How Do Context Hints Affect Ad Rankings in LLM Advertising?
ChatGPT Ads のように、広告主が自然文の「文脈ヒント」(何を、誰に、いつ勧めるか)を付けられるとき、ヒントの作り方が広告の順位を変える、として問題を整理し、ベンチマーク CHO-Bench を提案している。ヒント生成に GPT-6-Luna と Gemini-3.1-flash-lite、埋め込み順位に OpenAI text-embedding-3-large と Qwen3-Embedding-4B、LLM順位に GPT-5.6-Luna と DeepSeek-4.1-flash を使い、温度は0、と本文は述べる。
ChatGPTGeminiDeepSeek公開モデル
Advertising to Agents: Measuring Description-Framing Bias in LLM Tool Selection
ツール登録の説明文に宣伝の賛辞を重ねると、エージェントの選択率が約43ポイント上がり、検証可能な仕様の記載に匹敵または上回った、と事前登録の実験は報告している。賛辞は、数値上限が足りないツールへ選択を寄せることもあった。同じ掲載内容なら、先に並んだツールが約72ポイント多く選ばれた。
ChatGPTClaudeDeepSeek
Location, Location, Generation: Where You Ask Matters for Generative Engine Optimization
生成検索の出典やブランドの見え方を、一か所からだけ見ることが多い、として、利用者の位置で引用がどう変わるかを統制して調べた。ChatGPT に宣言した位置19、ChatGPT と Gemini にネットワーク上の位置(要旨は5拠点)から、質問300を各2回送り、回答は31,200件、とされる。ChatGPT はアプリが宣言した位置(市区まで)に従い、自分の検索に地名を書き、質問に地名がなくても検索側が地域化する。ネットワークは無視する。Gemini は宣言位置を無視し、ネットワークの国に従い、場所に依らない質問でも出典の大半が変わった、と報告している。
ChatGPTGemini
The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface
生成検索が商用の質問に答えるとき、どの市場の商品を名前に出すかは、モデルが商品について考える前に決まる、として、ログアウトした ChatGPT のウェブ画面と OpenAI API に対する統制した234回の実行を報告している。収集は2026年8月29〜30日、出口の国4、質問の言語6、セルあたり同じ実行6回。一番の推奨は不安定で、6つのプロンプトのうち4つで6回の同一実行中に変わり、その割合は画面でも、APIでウェブ検索をオンにしてもオフにしても同じだった。現地の供給者が出るかどうかは位置ではなく質問の言語が決め、言語を固定して出口IPだけを動かすと、答えの言語は質問のまま、名前に出るブランドの市場が変わった、と報告している。
ChatGPT
AX is the New AEO
答えエンジンに「出ること」だけでは足りず、エージェントが何段も検索して事業のサイトを取って読めるか(エージェント体験、AX)が結果を決める、と論じている。実在の事業1,056、独立した実行環境4つで、買い手の質問に対するエージェントの行程を37,927回走らせた。完成した答えのうち学習知識から来るのは7〜10%にとどまり、エージェントが読めるサイトでは自社ページから答えが組まれる割合が78%(読めない側は56%)、明確に勧める割合は1.9倍、読めない事業について根拠のある答えを出すコストは平均64%高い、とされる。事業・環境・質問を固定すると、サイトから組んだ答えは平均41%正確で、主な失敗は作り事ではなく、買い手が聞いた事実が一つもない省略(ウェブ由来の答えで3.7倍)だった、と報告している。
ChatGPTClaude
GEO: Generative Engine Optimization
生成モデルが複数の出典を集め、要約して質問に答える検索を、生成エンジン(GE)として形式化し、サイト運営者がその答えの中での見え方を高める枠組みとして、生成エンジン最適化(GEO)を初めて提案した論文である。多様な領域の質問と、それに答えるウェブ出典からなる大規模ベンチマーク GEO-bench(質問10,000、25領域)を導入する。厳密な評価で、GEOは生成エンジンの答えにおける見え方を最大40%押し上げ、戦略の効き方は領域で違う、と報告している。市販の Perplexity.ai でも同じ手法を試し、見え方の伸びは最大37%だった、とされる。
ChatGPTPerplexity
API Benchmark Scores Do Not Reliably Transfer to Chatbot Interfaces
モデル公開で重視されるベンチマーク得点は、APIで測った性能が、実際の画面の振る舞いを正しく表す、という前提に依っている、として、その前提を ChatGPT、Claude、Gemini の7システム、9ベンチマーク(一般能力、社会的偏り、迎合)で調べた。平均してAPI評価は、対応する画面評価より正確さが3.4ポイント、再テスト一致が2.1ポイント高かった。ChatGPT では、APIと画面の差が、APIだけで見た GPT 5.3 と GPT 5.4 の差に匹敵した。システムプロンプトや標本化、推論の設定を変えても、隙間は安定して埋まらなかった、と報告している。
ChatGPTGeminiClaude
What Current AI Benchmarks Leave Unmeasured: Modality, Search, Citations, and Implications (for Safety Evaluations)
安全や信頼性の主張に使われるベンチマークの多くは、APIという一つの経路、プロンプトあたり1回、正確さを主指標にし、ウェブ検索のような条件を十分見ていない、として、広く使われるモデル1系統でその前提を調べた。ChatGPT の画面と OpenAI の API を、ウェブ検索のオン・オフで比べ、BBQ と SafetyBench から層化した401プロンプトを、各3回で計4,812回答を集めた。検索オフでは画面の方がAPIより正確さが低く、検索をオンにすると正確さが最大8ポイント下がり、一方のベンチでは経路の優劣が逆転した。同じプロンプトの反復では、最大21%のプロンプトで回答が一致しなかった、と報告している。
ChatGPT
Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction
数値例では、1ターンだけの順位と、会話全体の順位がずれました。論文は、一問一答ではなく、会話の軌跡レベルで生成エンジン最適化を評価する枠組みを提案しています。出典が一度引用されると、再び引用されやすくなる経路と、答えが次の質問をそちらへ寄せる経路を分けて測れる、としています。
企業が自社のデータで行い、公表した調査です。研究論文と違い、第三者による査読や、データの公開がない調査が多いため、論文とは分けて載せています。
民間調査2026年10月
How Stable Are AI Citations? 10 Things We Learned Tracking 37,500 Citations
Ahrefsは、調べた5つの生成AIで初日に出た引用を、約37,500件、20日間追跡しました。調べた対象は、Google AI ModeとChatGPTです。加えて、Google AI Overviews、Gemini、Copilotです。引用の半数以上は、翌日には消えていました。翌日に消えた割合は、Google AI ModeとChatGPTで約60%でした。Google AI Overviewsでは約50%、GeminiとCopilotでは約80%でした。消えた引用のうち、約75%は20日以内に戻ってきました。GeminiとCopilotの回答では、半数超に出典がありませんでした。
結果を読むときの注意:追跡の期間は20日間です。GeminiとCopilotは、出典のない回答が多く、引用の安定が低く見えます。Brand Radarで別途確認した質問群は、主系列とは件数が違います。
ChatGPTGeminiGoogle AI OverviewsGoogle AI ModeCopilot
民間調査2026年10月
What is AI Reading? October 2026
Muck Rackは、4つの生成AIの回答を4,000万件超調べました。調べた対象は、ChatGPT、Claude、Gemini、Perplexityです。獲得媒体は、分類した引用の約84%を占めました。報道機関の出典は、分類した引用の約22%でした。1つの質問を1日に2回出したときの出典の重なりを見ました。重なりは、ChatGPTで41%、Perplexityで94%でした。Claudeでは56%、Geminiでは45%でした。4つの生成AIのすべてに現れたドメインは、提供者あたり1,020件の質問で212件でした。
結果を読むときの注意:使ったモデルは、調査の途中で導入と廃止がありました。時期の比較は、モデルの更新の影響も含みます。APIで取ったか、一般向けの画面で取ったかは、報告書の方法の節に書いてありません。英語圏と米国寄りの質問が中心です。
ChatGPTGeminiClaudePerplexity
民間調査2026年5月
What is AI Reading? May 2026
Muck Rackは、ChatGPTとClaudeとGeminiの回答から、2,500万件を超えるリンクを調べました。無償の情報源は、記録したリンクの約99%を占めました。獲得媒体は、記録した引用の約84%を占めました。報道機関の出典は、記録した引用の約27%を占めました。ChatGPTは、回答の96%で出典を付け、1回答あたり平均約5件でした。Claudeは、回答の55%で出典を付け、付けるときは1回答あたり平均13件でした。Geminiは、回答の82%で出典を付け、1回答あたり平均約8件でした。
結果を読むときの注意:APIで取ったか、一般向けの画面で取ったかは、報告書の方法の節に書いてありません。生成の挙動は、モデルの更新で変わりうると、報告書は記しています。観察の対象は、ChatGPTとClaudeとGeminiの3つに限られます。
ChatGPTGeminiClaude
民間調査2026年1月
How We Built a Content Optimization Tool for AI Search [Study]
Semrushは、3つの生成AIが引用したURLを、304,805件調べました。対象は、ChatGPT Search、Google AI Mode、Perplexityです。比較対象は、関連する語でGoogle検索の上位20件に入ったURL 921,614件でした。明確さと要約の得点は、引用されたページのほうが32.83%高い傾向を示しました。E-E-A-Tの合図の得点は、引用されたページのほうが30.64%高い傾向を示しました。宣伝的でない調子の得点は、引用されたページのほうが26.19%低い傾向を示しました。
結果を読むときの注意:期間は2025年7月15日から2025年8月6日で、公開時点より前の観察です。ページに見える本文だけを採点し、メタデータやHTML構造、schemaは見ていません。示した数字は相関であり、因果は示していません。査読付きの論文ではありません。
ChatGPTGoogle AI ModePerplexity
このページと同じ内容を、プログラムが読みやすい3つの形式でも公開しています。利用者の登録と API キーは不要です。