Reference Implementation №1 · est. 2026

AI Native MEO

LLMO Framework をローカルビジネス領域に実装する最初のリファレンス実装。 お客様が「検索」ではなく「AI に相談」して店を選ぶ時代の最適化を扱います。

AI 検索最適化の領域では AEO や GEO といった用語も使われますが、 LLMO (Large Language Model Optimization) が最も精密なフレームワークとして急速に標準化が進んでいます。 AI Native MEO はその LLMO のローカルビジネス領域への特化実装です。

§   §   §

定義

AI Native MEO とは

従来の MEO (Map Engine Optimization) は Google マップ順位を狙うものでした。 AI Native MEO はその次のレイヤー — 顧客が ChatGPT / Gemini / Claude / Perplexity 等の生成 AI に自然言語で 「近くで○○なお店ある?」と聞いたときに、 AI が引用・推薦する側の店舗になるための運用を扱います。

本サイトは MEO 代理店の視点ではなく、LLMO Framework 標準に準拠した エンジニア視点での体系化です。

最新の収録記事

記事一覧 →
  1. 01
    比較

    メニュー画像 OCR vs 構造化メニュー — AI はどちらを引くか

    AI がレストランのメニューを引く source は画像 OCR と構造化 hasMenu の 2 系統。ChatGPT・Perplexity・Gemini・Claude 4 エンジンの pickup priority と reliability を比較し、両 source 併用の redundancy multiplier を整理する。
  2. 02
    比較

    訪問前クエリと訪問後クエリ — AI引用経路はどう切り替わるか

    AI アシスタントは『予約可能?』の訪問前クエリと『感想』の訪問後クエリで first-party GBP と第三者レビューの引用経路を systematic に切り替える。4 エンジン × 5 業種の実測を Provenance 軸で整理する。
  3. 03
    エンジニアリング

    QAPage で店舗 Q&A を JSON-LD 構造化する — 4 エンジンの direct answer 精度を上げる

    4 エンジンの direct answer 精度を上げる QAPage / Question / Answer の JSON-LD 実装。attribute layer と 2 layer redundant で「PayPay 使える?」の店舗頻出 Q&A を engineer 視点で構造化する実装ガイド。