AI回答で自社が推薦される理由を分析する方法｜評価属性・根拠・競合差を分類

監修: 菊地 将（リブランディング株式会社）

AI回答で自社ブランドが何回紹介されたかだけを見ても、次に何を改善すべきかは分かりません。

重要なのは、AIが「価格が分かりやすい」「特定用途に向いている」「実績が豊富」など、どの評価属性を理由に自社や競合を推薦しているかを分解することです。

実際、2026年の国内調査では、AIは単純に1位から順番に企業を並べるだけではなく、用途・機能・対象者など複数の切り口を使ってブランドを推薦する傾向が確認されています。

この記事では、AI回答を「推薦された企業」「推薦理由」「評価属性」「根拠」「競合差」に分解し、改善テーマまで決める方法を解説します。

関連する全体像や前提は「AIOの効果測定は何から始める？表示・引用・流入・成果、4段階で分かる全体像」で整理しています。

AI推薦の分析では「何回出たか」と「なぜ選ばれたか」を分けて考える

AI検索の分析では、まず「露出量」と「推薦理由」を分けて考える必要があります。

AI Share of Voice（AI SOV）は、設定した質問群の中で自社ブランドがどの程度登場したかを競合と比較する指標です。一方、推薦理由分析では、AIが自社をどの条件・特徴と結びつけて紹介したかを確認します。

たとえば、同じ30％のSOVだったとしても、次の2社では状態が大きく異なります。

AI SOVが同じでも、AI回答内で企業に付与される推薦理由の数や内容には差があります。

SOVだけなら両社は同程度に見える場合があります。しかし、購買候補としてAIが提示するときの説得力には差があります。

AI検索の計測サービスや分析記事でも、ブランドの表示率だけでなく、推薦順位、センチメント、引用元、説明内容などを分けて見る考え方が広がっています。

そのため、AI推薦分析では次の順序で見ると整理しやすくなります。

1. 自社が推薦されたか
2. どの位置で推薦されたか
3. どのような理由が添えられたか
4. その理由は何の評価属性に属するか
5. 競合にはどの属性が付いているか
6. その違いを生んでいる情報は何か

「出た・出なかった」から一段深く入り、AIが自社を何者として評価しているかを見るのが推薦理由分析です。

AIの推薦理由は「評価属性」に分解して分析する

AI回答は文章のまま比較するより、推薦理由を共通の評価属性へ分類した方が分析しやすくなります。

2026年5月時点の41,264件のAI回答を分析したGMO TECHの調査では、AI回答内の「条件と推薦をひもづける単位」を34種類の推薦軸として分類しています。AIは一つの絶対的な順位だけでなく、用途・機能・対象者などの条件ごとにブランドを推薦していました。

実務では、自社の業界に合わせながら、まず次のような属性へ分けると扱いやすくなります。

AI回答の表現を共通の評価属性へ分類すると、自社と競合の違いを比較しやすくなります。

ここで重要なのは、最初から属性を細かく増やしすぎないことです。

まず8〜12程度の大分類を作り、実際の回答を見ながら業界固有の属性を追加すると、月次比較や競合比較がしやすくなります。

AI回答から推薦理由を抽出する5ステップ

推薦理由分析は、同じ質問条件で自社と競合の回答を収集し、文章を属性単位に分けることで実施できます。

同じ質問条件で回答を集め、推薦理由を属性化してから競合差と根拠を確認します。

STEP1．比較する質問を固定する

最初に、実際の顧客が比較検討時に聞きそうな質問を設定します。

たとえばBtoBサービスであれば、次のように質問タイプを分けます。

• 「おすすめの○○会社は？」
• 「中小企業向けの○○サービスは？」
• 「サポートが充実している○○は？」
• 「A社とB社ならどちらがよい？」
• 「○○を改善したい企業に向くサービスは？」

質問文が変わればAIが重視する条件も変わります。そのため、競合比較や時系列比較では、原則として同じ質問セットを使います。

GoogleはAI Modeについて、入力された質問を複数のサブトピックへ分解し、関連する複数の検索を同時に実行する「クエリ ファンアウト」を利用すると説明しています。ChatGPT Searchも、質問を一つ以上の検索クエリへ書き換える場合があります。

つまり、似ているように見える質問でも、AIが調べる情報や形成する回答が変わる可能性があります。

STEP2．「ブランド名＋推薦理由」を抜き出す

回答を保存したら、ブランド名の前後から「なぜ推薦しているのか」を表す文を抜き出します。

例として、次の回答があったとします。

「A社は導入支援が充実しており、初めて導入する中小企業に向いています。一方、B社は分析機能が豊富で、大規模運用を行う企業に適しています。」

この場合、次のように分解します。

一つのブランドに複数の理由が付いている場合は、すべて記録します。

STEP3．肯定・中立・否定だけでなく属性別に評価する

ブランド全体を「ポジティブ」「ニュートラル」「ネガティブ」の3段階だけで分類すると、改善箇所を特定しにくくなります。

たとえば、

「機能は充実しているが、価格は高め」

という回答は、ブランド全体では中立に見えます。

しかし属性単位なら、

• 機能：プラス
• 価格：マイナス

と分けられます。

AI回答のセンチメント分析でも、価格、サービス、品質などの側面ごとに評価を分ける「属性単位」の分析が有効とされています。

マーケティング施策へつなげるなら、ブランド全体の感情スコアより、「どの属性で勝ち、どの属性で負けているか」の方が重要です。

STEP4．競合との差を表にする

属性分類が終わったら、自社と主要競合を横並びにします。

例として10回の回答を分析した場合、次のような表を作れます。

※数値は分析方法を説明するための例です。

この表で重要なのは「自社が何回登場したか」ではありません。

自社は何を理由に選ばれ、競合は何を理由に選ばれているかを見ることです。

STEP5．推薦理由と根拠となる情報を結びつける

最後に、AI回答内の推薦理由について、その判断に使われた可能性がある根拠を確認します。

確認対象は主に次の4つです。

• AI回答内で引用されているページ
• 自社サイトのサービス・事例・料金ページ
• 比較記事や業界メディア
• 口コミ・レビュー・第三者評価

ChatGPT Searchでは検索を利用した回答に引用元が表示される場合があり、OpenAIも検索結果の掲載には関連性や信頼性など複数の要素を使用すると説明しています。掲載そのものは保証されません。

そのため、「AIがこう言ったから、このページが原因だ」と断定するのではなく、

推薦理由とWeb上の情報との対応関係を仮説として確認する

という扱いが適切です。

競合分析では「ある属性」だけでなく「ない属性」を探す

AI推薦理由の競合分析では、自社に付いている属性だけでなく、競合には付いているのに自社には付いていない属性を見ることが重要です。

たとえば競合について、

• 導入実績が豊富
• 大企業向け
• セキュリティに強い
• 導入支援が充実

という理由が繰り返し出ている一方、自社は、

• 高機能
• 専門サービス

だけであれば、「実績」「対象企業」「安全性」「支援体制」が情報上の弱点候補になります。

2026年8月に日本企業100ブランドを対象に行われたAI検索調査でも、上位ブランドには「カテゴリとの結びつき」「比較コンテンツでの定番性」に加えて、推薦理由が明確に言語化されているという傾向が報告されています。

ここから実務上重要なのは、単に「もっとブランド名を露出させる」ことではありません。

「○○なら自社」という組み合わせを、AIが説明できる状態を増やすことです。

改善優先順位は「重要度×競合差×改善可能性」で決める

不足属性が見つかっても、すべてを一度に改善する必要はありません。

次の3軸で優先順位を決めます。

たとえば、競合だけが「導入実績」を理由に頻繁に推薦されている場合、自社にも十分な実績があるのにWeb上で数字や事例が出ていなければ優先度は高くなります。

一方、自社には存在しない機能について競合が高く評価されている場合、コンテンツ修正だけでは解決できません。商品・サービス側の改善テーマとして切り分ける必要があります。

推薦理由分析を行うと、AI検索対策を次の4種類へ分けられます。

1. 情報不足：自社には強みがあるがWebに十分書かれていない
2. 証拠不足：強みを主張しているが実績・数字・第三者評価が弱い
3. 認知不足：自社サイトにはあるが外部で語られていない
4. 実態差：そもそも競合の方がサービス条件で優れている

競合との差には、情報発信で改善できる問題と、商品・サービス自体の改善が必要な問題があります。

この分類まで行うと、「記事を増やす」のような曖昧な施策ではなく、改善担当部署まで決めやすくなります。

AI推薦理由は1回の回答では判断しない

AI回答には揺らぎがあります。

2026年7月にChatGPT、Gemini、Google AI Modeを対象として行われた10業種・100クエリ・15,000試行の調査では、各クエリで最も多く1位になったブランドが実際に1位として出る割合は平均77.7％でした。また、同じ23クエリを3か月後に再計測すると、1位ブランドが約54％のケースで入れ替わっていました。

したがって、1回の回答から、

「AIは自社を○○と評価している」

と断定するのは適切ではありません。

最低限、次の条件を記録します。

• AIサービス
• 使用した質問
• 実行日
• 実行回数
• Web検索の有無
• 推薦されたブランド
• 推薦順位
• 推薦理由
• 評価属性
• 引用・参照元

そして、単発の表現ではなく繰り返し現れる属性を自社のAI上の評価として見ます。

月次では「推薦理由の増減」を追う

改善後は、SOVだけでなく属性ごとの出現率を比較します。

たとえば、

AI回答には揺らぎがあるため、単発の回答ではなく、同じ質問条件で推薦属性の変化を継続して確認します。

という変化があれば、「実績」「サポート」を伝える情報整備後に、それらの属性がAI回答へ現れる頻度が増えたことを確認できます。

ただし、前後で数字が変化しても、施策だけが原因とは限りません。

AIモデルの変更、検索結果、参照ページ、競合の情報更新なども影響する可能性があります。そのため、因果関係を断定せず、「施策後にこの変化が確認された」と記録します。

AI推薦理由分析で使えるチェックリスト

自社で分析するときは、次の項目を確認してください。

• 同じ質問条件で自社と競合を比較している
• 1回ではなく複数回計測している
• ブランドが出た回数を記録している
• 推薦順位を記録している
• 推薦理由の原文を保存している
• 推薦理由を評価属性へ分類している
• 属性ごとに自社と競合を比較している
• 競合だけに存在する属性を抽出している
• 引用・参照元を確認している
• 自社サイトに根拠情報が存在するか確認している
• 第三者サイトで同じ評価が語られているか確認している
• 改善前後を同じ条件で再計測している

すべてを満たす必要はありません。

最初は「10〜20の重要質問×自社＋主要競合」程度から始め、よく現れる推薦属性を把握するだけでも、SOVだけでは見えなかった改善テーマを発見できます。

まとめ

AI回答で自社が推薦される理由を分析するときは、「何回出たか」だけでなく「何を理由に選ばれたか」を評価属性へ分解することが重要です。

基本手順は、

質問を固定する → 推薦理由を抜き出す → 評価属性へ分類する → 競合と比較する → 根拠を確認する → 改善後に再測定する

という流れです。

AI検索では、用途・機能・対象者など複数の条件からブランドが推薦される傾向があります。さらに回答や推薦順位には一定の揺らぎがあります。

だからこそ、一度の回答や単純なSOVだけで判断せず、複数回答に共通する「自社が選ばれる理由」と「競合だけが持つ理由」を追う必要があります。

推薦理由を継続的に記録すれば、AI検索対策を「掲載されるための施策」から、自社がどの価値で選ばれる状態を作るかというブランド改善へつなげられます。

参考文献・データ元

‹ 親記事: AIOの効果測定は何から始める？表示・引用・流入・成果、4段階で分かる全体像