Answer Engine Optimization (AEO) - アンサーエンジン最適化
ChatGPT、Perplexity、Claude、Gemini、Mistralにあなたのコンテンツを権威ある情報源として引用させましょう。
AEOは、LLMが生成する応答で引用されることを目的としたコンテンツ最適化手法です。これは検索ランキングを最適化するSEOとは異なります。このスキルは、AEOのパフォーマンス監査、最適化、追跡を行います。
SEOとの違い
| SEO | AEO | |
|---|---|---|
| 最適化対象 | クリック率と検索順位 | 権威ある情報源としての引用 |
| 対象ユーザー | 検索結果を閲覧する人間 | 質問に答えるLLM |
| 成功指標 | 1~10位以内、オーガニックトラフィック | 各LLMでの引用回数 |
| 主要シグナル | 被リンク、キーワード、ページ速度 | E-E-A-T、構造化データ、事実密度 |
| 更新頻度 | 週~数月 | 日~数週間(LLM学習サイクルに依存) |
両者は共存可能です。同じコンテンツがGoogleで1位になり、かつPerplexityに引用されることもあります。ただし手法は異なります。SEOはキーワード密度+被リンクを重視するのに対し、AEOは一次情報源のシグナル+構造化された事実を重視します。
使用すべき状況
- AIファーストのオーディエンス向けに新しいコンテンツを企画する場合
- AI Overview展開前の既存コンテンツのE-E-A-Tギャップを監査する場合
- どのページがどのLLMに引用されているかを追跡する場合(引用台帳)
- LLMがどのようなクエリに対して情報源を引用しているかを調査する場合(学習データのみで答えているクエリとの区別)
- 競合他社の引用率と比較する場合
- 従来のSEOと連携した長期的なAEO戦略を構築する場合
使用すべきでない状況
- LLM引用を意図しない純粋なクリック率SEO — 代わりに
marketing-skill/skills/seo-auditを使用 - 事実主張のないブランドボイスコンテンツ — 引用には引用可能な事実が必要
- LLMがすでに強力な学習シグナルを持つトピック(例:初等算数) — 引用によるメリットは最小限
- 時事性の高いコンテンツ(速報ニュース) — LLM学習の遅延により引用は数ヶ月後になる
コア機能
1. コンテンツ監査 + E-E-A-Tスコアリング
監査ツール(aeo_audit.py)はコンテンツを4つの軸で評価します:
- 経験(Experience): 一人称の証拠、日付付きの事例、ケーススタディ、「2026年にXを実施」などの主張
- 専門性(Expertise): 著者経歴、資格、査読済み情報源への引用、技術的深さ
- 権威性(Authoritativeness): 権威ドメインからの外部被リンク、schema.orgマークアップ、構造化データ
- 信頼性(Trustworthiness): HTTPS、連絡先情報、透明性のある訂正、事実密度(1000語あたりの検証可能な主張数)
0~100の複合スコア(軸別内訳あり)。出力は具体的な修正推奨事項を含むマークダウンレポート。
2. コンテンツ最適化
最適化ツール(aeo_optimizer.py)はAEO向上版のバリアントを生成します:
- 構造の書き換え — LLM解析向けに最適化されたH2/H3階層
- 引用密度の向上 —
[1]形式の参照と情報源を追加 - スキーマの注入 — FAQ、HowTo、Articleスキーマ用のJSON-LDを生成
- ファクトファーストリード — 検証可能な主張を最初の200語に移動
3つのモード:conservative(10%未満の語句を変更)、balanced(30%未満)、aggressive(最大AEO向けに書き換え)
3. 引用追跡
追跡ツール(citation_tracker.py)はローカルの引用台帳を管理します:
- 手動入力:ChatGPT/Perplexity/Claude/Geminiの出力で見つけた引用を貼り付け
- URL、LLM、クエリ、日付を記録
- ページごとの引用回数、引用速度、LLMカバレッジを計算
- レポート用にCSVにエクスポート
データは ~/.aeo-data/citations.json にローカル保存(テレメトリなし)。
ワークフロー
1. 既存コンテンツを監査
$ python3 scripts/aeo_audit.py --url https://example.com/blog/post
→ 複合スコア+4軸内訳のマークダウンレポート
2. 最適化の推奨事項を適用
$ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
→ 引用+スキーマ+構造修正を施した最適化バリアント
3. 公開+監視
$ python3 scripts/citation_tracker.py --action add --url https://example.com/blog/post \
--llm perplexity --query "what is AEO" --date 2026-05-17
→ ローカルのcitations.json台帳にエントリを追加
4. レポート
$ python3 scripts/citation_tracker.py --action report --url https://example.com/blog/post
→ ページ別の引用統計:回数、LLM、クエリ、速度
設定
このスキルは実行時の --industry フラグにより業界を認識します。対応業界:saas、healthcare、finance、legal、ecommerce、b2b、media、education。
業界は以下に影響します:
- 権威シグナルの要件 — ヘルスケア/ファイナンスはより厳格な情報源引用が必要
- 事実確認の厳格さ — 法律/ヘルスケアでは検証不可能な主張を重大としてフラグ
- 引用スタイル — アカデミック、業界誌、ブログの慣習の違い
例:
python3 scripts/aeo_audit.py --url <url> --industry healthcare
# → より厳しいE-E-A-T閾値;一次引用のない健康主張をすべてフラグ
出力形式
マークダウン監査レポート(デフォルト)
# AEO監査レポート — [ページタイトル]
**URL:** https://example.com/blog/post
**日付:** 2026-05-17
**業界:** saas
**複合スコア:** 72/100 (B+)
## 軸別内訳
| 軸 | スコア | 評価 |
|---|---|---|
| 経験 | 80/100 | 良好 — 一人称のケーススタディあり |
| 専門性 | 65/100 | 著者経歴に資格が欠如 |
| 権威性 | 75/100 | 権威ドメインからの被リンク4件 |
| 信頼性 | 68/100 | 訂正ポリシーへのリンクなし |
## 上位3つの修正
1. 資格情報を含む著者経歴を追加(専門性 +15)
2. フッターに訂正ポリシーへのリンクを追加(信頼性 +12)
3. H2に暗黙的に含まれる5つの質問に対してFAQスキーマを注入(権威性 +8)
## 全推奨事項
[...]
## 監査トレイル
[分析ステップ数、引用元、所要時間]
パイプライン用JSON
python3 scripts/aeo_audit.py --url <url> --output json
コンテンツ管理ワークフローとの統合のための完全な構造化データを返します。
業界別E-E-A-T閾値
| 業界 | 最小複合スコア | 重要なシグナル |
|---|---|---|
| ヘルスケア | 85 | 医学レビュアー名義、査読済み引用、FDA開示 |
| ファイナンス | 85 | 著者のCFA/CPA資格、「投資助言ではない」免責、日付付き事例 |
| 法律 | 85 | 管轄区域の開示、弁護士経歴、「法的助言ではない」免責 |
| SaaS | 70 | プロダクトマネージャー名義、指標付きケーススタディ、ROI計算機 |
| Eコマース | 65 | 製品レビュー集約、返品ポリシー、schema.org Product |
| B2B | 70 | 業界アナリストの引用、顧客ロゴ、ROIデータ |
| メディア | 70 | 編集ポリシー、事実確認リンク、独自取材 |
| 教育 | 75 | 講師経歴、学習成果、該当する場合は認定 |
拒否されるアンチパターン
- AI向けキーワードスタッフィング — LLMはセマンティクスからトピックを抽出します。キーワード密度は引用可能性を高めません。
- 人間によるレビューがない純粋なAI生成コンテンツ — 汎用的なLLM出力は、RAG検索アルゴリズムが独自のシグナルを求めるため優先度が下がります。
- 引用ファーム/リンクホイール — 現代のLLM RAGは低権威のリンクネットワークをペナルティします。
- スキーマスパム — 偽の、または検証不可能なschema.org主張はフィルタリングされます。実際の検証可能な主張のみをマークアップしてください。
- 一つのLLMだけに最適化し他を無視すること — 主要LLM間の引用分布は高い相関があります(学習データソースを共有しているため)。LLM別のハックではなく、共有シグナル(E-E-A-T)に最適化してください。
- SEOを完全に無視すること — AEO引用は、多くの場合オーガニック検索で既にランクインしている情報源から発生します。AEOとSEOは補完関係にあります。
依存関係
- 全3スクリプトで標準ライブラリのみ —
pip installは不要 - オプション:
--urlモードを使用する場合のみrequests+beautifulsoup4が必要(それ以外は--inputでマークダウンファイルを直接渡して監査可能) - オプション:
query_researchモード用の任意のLLM APIキー(現在はスキャフォールドのみ — 本格的なLLM駆動クエリ調査はロードマップ)
ストレージ
すべてのデータはローカルファースト:
~/.aeo-data/citations.json— 引用台帳~/.aeo-data/patterns.json— 成功パターンライブラリ~/.aeo-data/audits/<hash>.md— 保存された監査レポート
テレメトリなし。クラウド同期なし。citation_tracker.py --action export でいつでもCSVにエクスポート可能。
トリガーフレーズ
- 「AEO監査」「AEOチェック」
- 「ChatGPT / Perplexity / Claude / Gemini向けに最適化」
- 「[LLM]に引用される」
- 「LLM引用戦略」
- 「アンサーエンジン最適化」
- 「AI検索向けコンテンツ」
- 「E-E-A-T監査」
- 「AI引用追跡」
- 「AI向けスキーマ」
関連スキル
marketing-skill/skills/seo-audit— 従来のクリック率SEOmarketing-skill/skills/programmatic-seo— テンプレート駆動型SEOの大規模展開marketing-skill/skills/content-strategy— より広範なコンテンツ計画marketing-skill/skills/copywriting— ボイスとトーンmarketing-skill/skills/schema-markup— 構造化データの実装
バージョン: 2.7.3
ソース: alirezarezvani/aeo-box からの移植(answer-engine-optimization/ スキル、9モジュール2,464行)。この移植は9モジュールのPythonツールキットをclaude-skills規約に従い3つの標準ライブラリCLIツールに凝縮。E-E-A-Tスコアリング手法、引用追跡スキーマ、業界認識閾値をそのまま保持。
ライセンス: MIT(上流および本リポジトリと同一)