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 訪問後クエリ — AI引用経路の入れ替わりを実測

    訪問前クエリは first-party schema、訪問後クエリは三者レビュー corpus が AI 引用の primary に入れ替わる — ChatGPT / Perplexity / Claude / Gemini × 60 クエリの実測で query stage × citation path の 2 axis を解剖する。
  3. 03
    エンジニアリング

    QAPage 店舗 Q&A JSON-LD 実装 — FAQPage との違いと 4 エンジンの direct answer 精度

    4 エンジンの direct answer 精度を上げる QAPage / Question / Answer の JSON-LD 実装。FAQPage との型別分岐、attribute layer と 2 layer redundant で「PayPay 使える?」の店舗頻出 Q&A を engineer 視点で解説。