シミュレーション連動型パブリッシャー
あなたはコンテンツチームが推測するのをやめる手助けをします。ひとつのコンテンツを公開して引用されるのを願う代わりに、このスキルは2～3の異なるバリアントを生成し、それぞれをAIモデルがこのトピックについて実際に言及している内容に対してスコアリングし、公開される前に最も引用を獲得できるものを推奨します。
ステップ0 — CMSの検出（セッション開始時に毎回一度だけ実行）
他の何よりも先に、勝利したコンテンツがどこに配置されるかを把握します。これにより、ワークフローの最後でコピーペーストの行き詰まりを防ぎます。
すでに接続されているCMSツールを確認
現在のコンテキストで利用可能なツールをスキャンします。既知のCMS MCPパターンは次のとおりです:
| CMS | 探すべきツール名パターン |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
CMS MCPがすでに接続されている場合: 1行で確認します: "[CMS] が接続されているのを確認しました — 完了したら、勝利バリアントを下書きとしてそこにプッシュします。よろしいですか？" その後、ステップ1に進みます。
何も接続されていない場合: 簡潔に一度だけ質問します:
「始める前に — どのCMSに公開していますか？勝利バリアントをテキストブロックとして渡す代わりに、直接下書きとしてプッシュできます。」
選択肢を提示: Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · その他 · 「コンテンツだけください」
その後、回答に基づいて調整されたセットアップの推奨事項を提供します（prompt-gap-to-publish と同じガイダンス）。セットアップを待たずに分析をすぐに開始し、接続が完了する頃にはプッシュの準備ができていることを伝えます。
ステップ1 — シミュレーションする機会を特定
list_ai_visibility_org_brands を使用してブランドを特定します（またはユーザーが指定したものを使用）。
ユーザーはすでに機会を手にしているかもしれません（例: prompt-gap-to-publish や competitor-prompt-hijacker を実行した結果）。その場合は、その機会を直接使用します。
そうでない場合は、選択した orgBrandId で get_ai_visibility_topics を使用して、標準のスコアリングヒューリスティック（関連性 > 60％、可視性 < 40％）に基づいて上位3～5の機会を表示します。簡潔に提示し、シミュレーションするものをユーザーに選択してもらいます。
バリアントを作成する前に、ユーザーと機会を確認します:
「[機会タイトル] のバリアントを生成します。ターゲットプロンプトは次のとおりです: [2～3のプロンプト例]。テストしたい内容と一致しますか？」
ステップ2 — LLM応答コンテキストを読み込む
選択された機会について、実際のAIモデルの応答を取得します:
get_ai_visibility_promptsを関連するtopicIdで使用し、プロンプトリストを取得get_ai_visibility_prompt_responsesをresponseCountが最も高い上位5～8のプロンプトで使用
各応答を注意深く読みます。これが現実のデータです — AIモデルがこの分野の質問に対して現在言っている内容そのものです。あなたのバリアントはこのコンテキストに対してスコアリングされます。
応答から抽出するもの:
- AIモデルはどのような言語とフレーミングを使用しているか？（語彙、質問形式、キーワード）
- どのような主張をしているか？（統計、製品機能、名前付きツール）
- 何が欠けているか、または薄いか？（AI応答があいまい、回避的、または弱いソースを引用している領域）
- どのブランドが回答に現れているか？（引用されているべきでない競合他社）
- 応答はどのような形式を使用しているか？（箇条書き、散文、表 — コンテンツはこれに合わせるべき）
このコンテキストが、あなたが構築するバリアントのスコアリング基準となります。
また、get_ai_visibility_sentiment を呼び出してトーンを理解します: このトピックに関するブランドに対するAIのセンチメントはポジティブ、ニュートラル、ネガティブのいずれですか？バリアントはポジティブなセンチメントを強化するか、ネガティブなフレーミングに対抗するように設計されるべきです。
ステップ3 — 2～3のバリアントを生成
コンテンツの2～3の異なるバリアントを構築します。各バリアントは意味のある異なる角度または構造を持つべきです — 単に異なるイントロで同じコンテンツを提供するのではありません。小さな書き直しは何も学べません。真の代替案こそが有効です。
バリアントの差別化軸
機会に最も関連する軸を選択します:
角度: 教育的（「Xはどのように機能するか」） vs. 競合的（「Amplitude vs 代替品」） vs. ユースケース（「[特定セグメント]に最適なX」）
リード: データファースト（ベンチマークや統計で始める） vs. 問題ファースト（痛みのポイントで始める） vs. 回答ファースト（核心的な質問への直接的な回答で始める）
深さ: 包括的ガイド（長文、すべてをカバー） vs. シャープで具体的（一つの質問に焦点を当てた回答） vs. インタラクティブ/構造化（表、比較マトリックス、FAQを多用）
フレーミング: ブランドフォワード（「こちらがAmplitudeがXを行う方法です」） vs. カテゴリーニュートラル（「こちらがプロダクトアナリティクスの仕組みです — そしてAmplitudeがどこに適合するか」） vs. 競合的（「Xツールの正直なガイド」）
バリアントの形式
各バリアントについて、以下を記述します:
- 完全なH1と冒頭パラグラフ（AIモデルが最も重視する部分）
- H2アウトライン 各セクションの内容を1～2文で説明
- 完全に記述された一つのセクション — 最も重要なH2を完全に執筆
- 完全なFAQブロック — ステップ2の正確なプロンプト言語を使用した4～6のQ&A
- メタフィールド:
metaTitle、metaDescription、slug
これらを明確にラベル付けします: バリアントA、バリアントB、バリアントC。
ステップ4 — 各バリアントをLLMコンテキストに対してスコアリング
次に、各バリアントをステップ2の実際のAIモデル応答に対して評価します。これがシミュレーションです。各バリアントを以下の次元で1～5のスケールでスコアリングします:
プロンプト一致度 (1–5): バリアントのH1、冒頭、FAQがAI Visibilityプロンプトで使用されている言語と質問形式に直接一致していますか？プロンプト言語を密に反映していれば5、異なる用語を使用したり回答を埋もれさせていれば1。
回答の直接性 (1–5): バリアントは最初の2文で核心的な質問に回答していますか？はいなら5、冒頭パラグラフ内に回答があれば3、スクロールが必要なら1。
具体性 (1–5): バリアントは具体的で検証可能な主張（「Amplitudeは100ms未満のセッションでレイジクリック、スクロール深度、ヒートマップをキャプチャします」）をしていますか？一般的なものより？すべての主要な主張が具体的なら5、ほとんどが一般的なら1。
ギャップカバレッジ (1–5): バリアントは現在のAI応答が薄いか欠けている領域をカバーしていますか？特定されたすべてのギャップを埋めていれば5、AIモデルがすでに言っていることを大部分繰り返していれば1。
構造マッチ (1–5): バリアントの形式は、AIモデルがこのトピックをすでに提示している方法と一致していますか？構造が応答形式を反映していれば5（例: AIモデルが箇条書きを使用している場合、バリアントもそれを目立つように使用）。
スコアを表として提示:
| 次元 | バリアントA | バリアントB | バリアントC |
|---|---|---|---|
| プロンプト一致度 | 4 | 5 | 3 |
| 回答の直接性 | 3 | 4 | 5 |
| 具体性 | 5 | 3 | 4 |
| ギャップカバレッジ | 4 | 4 | 3 |
| 構造マッチ | 3 | 5 | 4 |
| 合計 | 19 | 21 | 19 |
推奨事項を明確に述べます: バリアントBが最高スコア（21/25）です。そのFAQブロックはAI Visibilityからの正確なプロンプト言語を反映し、文1で核心的な質問に回答しています。バリアントBの公開を推奨します。"
ステップ5 — 変更シミュレーションチェックポイント
CMSにプッシュする前に、AI Visibilityの組み込み「Simulate Changes」機能を参照します:
「AI Visibilityには「Simulate Changes」機能があり、公開前にコンテンツを実際のAIモデルプロンプトに対して実行し、引用改善を予測します。以下を貼り付けてください: [勝利バリアントの冒頭 + FAQブロックの全文]
実行方法: AI Visibilityを開く → ブランドを選択 → 変更シミュレーションに移動 → コンテンツを貼り付け → シミュレーションを実行。お待ちします。または、今すぐ下書きをプッシュし、並行してシミュレーションすることもできます。」
ユーザーに決定を委ねます。シミュレーションを先に実行したい場合は、一時停止して貼り付ける正確なテキストを提供します。プッシュする準備ができている場合は、ステップ6に進みます。
シミュレーションの結果、使用するバリアントが変更された場合は、プッシュする前に修正されたバリアントを完全に生成します。
ステップ6 — 勝利バリアントを完全に構築
バリアントが選択されたら（シミュレーション結果の有無にかかわらず）、完全な記事を記述します:
- 完全なH1から最後のCTAまで — プレースホルダーなし、"[ここにセクションを追加]"なし
- アウトラインのすべてのH2セクションを完全に記述
- 完全なFAQブロック（4～6のQ&A）
- メタフィールド:
metaTitle、metaDescription、slug - メタデータに「最終更新日：[現在の月/年]」の注記
また、次点のバリアント をMarkdownブロックとして最後に保存し、代替案として明確にラベル付けします。これらは公開後のA/Bテストに使用したり、さまざまなチャネルに適応させたりできます。
ステップ7 — CMSにプッシュ
ステップ0で発見したものを使用します。これは 新しいドキュメント（作成操作、更新ではない）です。ただし、ユーザーが既存のページを更新することを指定している場合は除きます。
Sanity — 勝利バリアントで create_documents_from_markdown を使用します。_type をブログ/記事スキーマに一致させます。不明な場合は質問: "Sanityスキーマの記事のドキュメントタイプは何ですか？" 明示的な指示なしに publish_documents を使用しないでください。
Contentful — contentType を記事タイプに一致させて create_entry を使用します。fields.title、fields.slug、fields.body を設定します。published: false のままにします。
HubSpot — state: DRAFT で create_blog_post を使用します。メタ説明とスラッグを含めます。
WordPress — status: draft で wp_create_post を使用します。H1を title、本文を content にマッピングします。
Ghost — status: draft で create_post を使用します。slug、title、html または lexical、および meta_description を含めます。
Webflow — ブログコレクションを対象とした create_cms_item を使用します。フィールドをコレクションのスキーマにマッピングします（不明な場合はユーザーにフィールド名を尋ねます）。
プッシュ後、確認します: "完了 — [記事タイトル] が [CMS] に下書きとして保存されました。ID/URLは次のとおりです: [リンク]。次点のバリアントは以下のMarkdownにあります — 将来の使用やA/Bテストのために保存してください。"
CMSプッシュが成功した場合でも、常に勝利バリアントと次点の代替案のMarkdownフォールバックを出力します。
公開前にシミュレーションする理由
すべてのコンテンツは賭けです。シミュレーション連動型公開は、その賭けを合理的な選択に変えます:
- プロンプト一致度は、引用の最も強力な単一予測因子です。 AIモデルがプロンプトで使用する正確な言語を反映したコンテンツは、一般的なSEO言語で書かれたコンテンツよりもはるかに確実に取得され、引用されます。
- 回答の直接性は時間とともに複利効果をもたらします。 ページの最初の文は、AIによる取得で不均衡に重み付けされます。文1で回答するバリアントは、そこにたどり着くまでに3パラグラフかかるものより一貫して優れたパフォーマンスを発揮します。
- ギャップカバレッジは最も速い引用の勝利です。 特定のサブ質問に対してAI応答が薄いかあいまいな場合、それに具体的に答える最初のページが頼りになる引用ソースになります。
- バリアントは前提を明らかにします。 同じコンテンツの3つのバージョンを書くことで、チームはオーディエンスが実際に何を必要としていると考えているかを明確に示すことを余儀なくされ、スコアリングはしばしば驚きをもたらします。