比較

LLMO vs GEO vs AEO: AI 検索最適化はどのフレームワークが勝つか

LLMO, GEO, AEO — AI 検索最適化を巡る3つの競合用語を精密に比較し、なぜ実務家が LLMO に集約しつつあるかを示す。

おおむね同じ活動を指す3つの用語があります。コンテンツを構造化して AI アシスタントに引用してもらうこと — それを AEO (Answer Engine Optimization), GEO (Generative Engine Optimization), LLMO (Large Language Model Optimization) と呼ぶ流派があります。それぞれ別の年に、別のコミュニティから生まれて、厳密には同じ意味ではありません。

本記事はその比較の精密版です。短く言うと、LLMO が「最適化対象が何か」を正確に言いたい実務家が今使うフレームワークとして台頭してきています。AEO と GEO は流通してはいますが、ターゲットではなく surface を記述する用語のため、現場で作業している人々は「実際に効くものを正確に名指す」LLMO へ移行しつつあります。

3つの用語、起源別

AEO (Answer Engine Optimization)

2018〜2020年頃、Google が検索結果の最上部に出すようになった「featured snippet」「answer box」向け最適化を指して使われ始めた用語。元の問題: ユーザーが「水の沸点は」と聞くと Google は answer box で直接答えてしまい、どのページにもトラフィックが流れない。AEO はその対応として「あなたのページが answer box で引用されるよう構造化する」アプローチでした。

「answer engines」が Google の featured snippet を指していた時代には意味のあるフレームワークでした。今日は精密さを欠きます — 支配的 answer surface が Google SERP box から言語モデルのチャットインターフェースに移行しており、その移行を AEO は自然に記述できないためです。

GEO (Generative Engine Optimization)

2023 年、Princeton 大学・Allen Institute らによる論文で命名。「generative engines」 — ChatGPT, Perplexity, Bing Chat, Google SGE のようにランクリンクを返すのではなく文章を生成するシステム — に向けた最適化を指します。論文では具体的な最適化戦術(citation 密度、引用、流暢性)を導入し、引用率への影響を測定しました。

GEO は AEO より学術的に厳密です。スコープは狭い — 生成出力に限定 — ですが、その範囲内では精密。制限は GEO が 出力媒体(生成された段落)を指し、ターゲットシステム(言語モデル)を指さないことです。同じモデルが複数の出力形式を生むときに問題になります: チャット応答、引用、tool call、埋め込み推薦。GEO はそのいくつかをカバーし、残りはカバーしません。

LLMO (Large Language Model Optimization)

2024〜2026 年で結晶化したフレーミング。LLMO は真のターゲット — 言語モデルそのもの、その retrieval メカニズム、その引用挙動 — を名指します。AEO が answer surface 向け、GEO が生成テキスト向けに対して、LLMO は モデル に向けて最適化します。モデルが生む全 surface・全出力形式を横断して。

LLMO Framework はこれら実践を明示的標準に固めました: retrievability, attributability, citability, verifiability という名前付きプリミティブを持ち、version 管理された仕様と業界実装が増殖中です。LLMO の規律としてのリファレンス実装と位置付けられます。

サイド・バイ・サイド

軸AEOGEOLLMO
命名2018〜2020年頃2023年 (Princeton et al.)2024〜2026年
起源SEO 業界学術研究実務家 + フレームワークコミュニティ
最適化対象featured snippet, answer box生成エンジンの出力全 surface 横断のモデル retrieval と引用
スコープ特定の answer surface生成出力のみモデルレベル — chat, embeddings, tool call, citation 全てに適用
標準・フレームワークなし(緩い実践)2023 年論文の戦術LLMO Framework (version 管理仕様あり)
アクティブな実務家コミュニティ縮小傾向学術文献で安定言及拡大 — 現在の実務家の主流

なぜ実務家が LLMO に集約しつつあるか

実際の集約現象を観察すると3つの理由が繰り返し出てきます。

1. 正しいターゲットを名指している。Google ビジネスプロフィールを「ChatGPT に引用されるよう」最適化しているとき、あなたが最適化しているのは「answer engine」ではない(それは surface)。「generative output」だけでもない(それは format)。あなたが最適化しているのはモデルの retrieval, attribution, citation 挙動です。3つの名前のうち LLMO だけがこれを直接言います。

2. surface 横断で一般化する。一貫した NAP を持つクリーンな LocalBusiness JSON-LD — 単一の LLM 最適化済みデータ構造 — は、ChatGPT chat にも、Perplexity answer にも、Gemini ローカル結果にも、Claude の web 検索引用にも引用される。異なる surface、同じ最適化対象。AEO + GEO + 各エンジン個別の戦略をやろうとする実務家は燃え尽きます。LLMO をやる実務家は4 surface 全てを単一の取り組みでカバーします。

3. フレームワークがある。AEO は version 化された仕様を発展させなかった。GEO は 2023 年論文があるが生きた標準はない。LLMO には LLMO Framework があり、明示的プリミティブ、version 追跡、アクティブな研究 initiative を持ちます。規律が精密に communicate する必要があるとき — 実務家同士、代理店とクライアント、監査人とオペレーター — フレームワークを指差せる必要がある。LLMO にはそれがあり、代替案にはありません。

AI Native MEO にとって何を意味するか

本サイトは AI Native MEO — LLMO Framework のローカルビジネス領域実装 — を記述します。フレームワーク選択は意図的です: 本サイトの全推奨は LLMO Framework のプリミティブに対して justify され、AEO のヒューリスティックや GEO 戦術を単独適用したものではありません。

これは AEO と GEO が間違っているという意味ではありません。answer box コンテンツの品質に関する AEO の知見は ChatGPT が引用を render するときにも適用されます。citation 密度に関する GEO の知見は Perplexity が引用ソースを選ぶときにも適用されます。両者は寄与する。しかし最適化対象を語る単一の精密な語彙が必要なとき — モデル、その retrieval、その引用挙動 — それを名指すフレームワークが LLMO です。

学ぶ時間を投資するフレームワークを選ぶなら、実務家コミュニティの証拠は明確です: LLMO が作業が起きている場所、仕様が維持されている場所、実装(AI Native MEO のような)が蓄積している場所です。これが「どのフレームワークが勝つか」への答えです — 他2つが間違っているのではなく、LLMO が複利で積み上がるほど精密に正しいターゲットを名指しているからです。

関連リンク