「SEO」から「SEO ＋ AEO ＋ GEO」の 3 層構造へ — AI Search 時代に勝つためのContext Opsとしての Web マーケティング

3 層モデル — SEO は死なない。その上に AEO と GEO を積む

Web マーケターは今、歴史上で最も静かで、最も破壊的な地殻変動の渦中にいる。検索窓にキーワードを打ち込み、表示された「青い 10 本のリンク」を一つずつクリックする 20 年来の「当たり前」が、急速に崩壊しつつある。

Google の AI Overviews、Perplexity、ChatGPT Search — これらの AI 検索エンジンは、ユーザーが入力した複雑な疑問に対して、その場で Web をクロール・要約し、「1 枚の回答」 を提示する。

では従来の SEO はどうなるのか。結論は単純だ。「SEO を捨てる必要はない。しかし、それ単体ではもはや機能しない」。これからは SEO の上に AEO と GEO を積み上げる 3 層構造が必須になる。

1. SEO（入口）— 存在を認識してもらう

SEO は死んでいない。AI 検索クローラーであっても、まずは対象の Web ページを発見し、インデックスに登録しなければ何も始まらない。技術的にクリーンで、セマンティックなマークアップ、表示速度 — これらは AEO や GEO を構築するための土台（1 層目）として残り続ける。

2. AEO（答え）— 質問への直接回答として採用される

AEO は、ユーザーの具体的な問いに対して「このページにズバリ回答がある」と AI に瞬時にパースさせる技術。AI 検索は「〜とは何か？」「〜の手順は？」という質問に対して、Web 上の最適な数行を抜き出して回答を生成する。ここに採用されるためには、まわりくどい導入やポエムを排除し、「短い回答 + 詳細な解説」 という AI が要約しやすい親切なデータ構造（TL;DR / FAQ）をページ内に明示的に埋め込む必要がある。

3. GEO（根拠）— AI の回答の引用元として組み込まれる

これからのマーケティングで最もホットな主戦場が、GEO だ。AI 検索エンジンは、回答文を作成する際に必ず「その根拠となったソース」をリンク（注釈）として付与する。AI に「この記事は信頼に足る根拠だ」と判断され、引用元として選ばれるための最適化が GEO。

GEO で選ばれるためには、誰が書いても同じになる一般論ではなく、独自の実証データ・著者の実体験・失敗と葛藤のプロセスといった、AI が自らの事前学習データとして持っていない ユニークな差分データ を提示することが極めて重要になる。

関連: AI エージェント全体の文脈で言えば、『「過去の正しさ」を再現する AI を作るな — 仕様書と Source of Truth の差分がコンテキストだ』 で書いた「ギャップこそが文脈」の話と同じ構造。本記事はそれを 外部発信側 に持ち込んだ話。

ベクトル検索と「余弦類似度の罠」 — コモディティ記事の死

なぜ、これまで SEO で上位を独占していた「まとめサイト」や「キュレーション記事」が、AI 検索の引用から完全に排除されつつあるのか。

そこには、AI 検索エンジンが採用している ベクトル検索と余弦類似度（Cosine Similarity） という冷徹なアルゴリズムの罠が存在する。

AI クローラーは、取得した Web ページのテキスト情報を多次元のベクトル空間に写像し、すでに自らが学習している膨大なデータ（一般知識）や他のページとの「類似度」を測定する。ネット上の情報をただまとめただけの記事は、「類似度 99%（＝すでに AI が完璧に知っている内容）」 と判定される。AI にとって、その記事をあえて RAG のコンテキストとして読み込み、引用する価値はない。情報利得（コンテンツを追加することで得られる新しい情報価値）がゼロだからだ。

一方で、以下のようなコンテンツは、ベクトル空間上で既存の学習データから大きく離れた 「独自の価値あるノード（新次元）」 として認識される。

• 自社製品を実際に使って検証したビフォーアフターの生ログ
• 特定のプロジェクトで発生した失敗と、そこから得た独自の判断基準
• 現場で泥臭く獲得した暗黙知の言語化

AI は一般論のまとめを嫌い、客観的で検証可能な「ファクト（主張 + 検証 + 実証データの 3 点セット）」を、ハルシネーション（嘘）を防ぐための安全な防壁（エビデンス）として最優先で引用する。

Web マーケティングは「Context Ops（文脈運用）」へシフトする

AI 検索や自律型エージェントに「情報を正確に理解され、ユーザーの意思決定の根拠として選ばれる」 — これは本質的に、AI システムに対する Context Ops（文脈運用） そのものだ。

ソフトウェア開発の世界で、AI アプリケーションの品質向上の本丸が「どのモデルを使うか」から「いかにクリーンで良質な情報を AI に読ませるか（Context Ops / RAGOps）」へ移行したように、外部発信の品質も「AI にどの文脈を渡し、どの優先順位で判断させるか」という Context Ops 的な発想へ移行している。

Reasoning モデルの役割誤認という罠

ここで、多くの企業やマーケターが陥る致命的な罠がある。それは、「高度な論理推論を行う Reasoning モデル（大型 LLM）に、長文のブログやダラダラとした解説書を書かせる」 という役割の誤認だ。

どれほど巨大で頭の良い LLM であっても、彼らが出力するドキュメントは本質的に学習データの 統計的な平均値 であり、「お行儀の良いまとめ（コモディティ）」 にしかならない。中身の創作そのものを AI に丸投げしてしまうと、ハルシネーションのリスクを抱えるだけでなく、前述の「余弦類似度の罠」によって AI 検索のインデックスから即座に排除される — 二重の崩壊リスクを招く。

人間と AI の「標準化境界」

では、これからの Web マーケティングにおいて、人間と AI はどのように役割を分担すべきか。境界線は極めて明確だ。

Reasoning モデルに依頼すべきは、「思考の壁打ち」や「複雑な情報の構造設計（暗黙知の整理・分解）」 という上流の工程だ。出力を言語化する最後のプロセスでは、人間（または軽量な高速 LLM）が自らの体験とエモーショナルな熱量を吹き込む必要がある。

組織が AI 時代に圧倒的に強くなるための本質は、現場の「なんとなくできる（暗黙知・実践知）」を、AI を用いて「誰でも再現できる知識（形式知）」へと変換し、Web 上にクリーンな形でデリバリーし続けられる体制（Context Ops のパイプライン）を作ること に他ならない。

関連: 暗黙知と暗黙考の領域に AI がどう降りるかは 『コードでは書けない領域に降りる AI エージェント — ロングテール × 暗黙知 × 暗黙考』 で整理した。本記事はその発信側の話。

関連: 個人の文脈を AI に永続化する場所としての Obsidian は 『Obsidian を「AI のメモリそのもの」にする』 で扱った。Context Ops のローカル実装側。

AI と人間に最適化された「次世代 Web ページ」の実践テンプレート

AEO/GEO を高めるためのコンテンツ設計は、1 ページ 1 論点で狭く深く書く ことが鉄則だ。浅く広いページは、AI にとって「何の質問に答えるべきページなのか」が曖昧になり、結論が埋もれ、引用（GEO）の精度が著しく低下する。

下のテンプレートは、AI が極めてパースしやすく、かつ人間の認知負荷を極小化するための次世代 Web ページの標準構造だ。「次のブロックへ」を押すと、上から順に組み立てていける。

認知負荷理論に基づくデザインの必然性

人間がテキストを読む際、左脳の言語野で一文字ずつ処理するため、脳のワーキングメモリ（認知負荷）を大量に消費する。そのため、Web マーケティングの「最後の 1 マイル」を突破するためには、文字情報だけではなく、美しく動くインタラクティブな UI やグラフィック を組み合わせることが必要不可欠だ。

右脳の視覚野で並列処理できるビジュアルは、認知負荷を極小化し、人間に対して瞬間的な「腑に落ちる納得感」を生み出す。AEO/GEO によって AI に認められた先で、最終的に人間に「選ばれる」ためのデザイン設計 がここに結実する。