「検索最適化」から「エージェント最適化（AFO。 Agent‑Facing Optimization）」へ

　2025年以降のSEOは、「人が検索してサイトを読む」という直接性モデルから、「AIエージェントが収集・要約・意思決定を代行する」間接性モデルに急速に移行します。

AFO（Agent‑Facing Optimization）とは

　AFO（Agent‑Facing Optimization）とは、RAG/ツール実行/計画推論を行うエージェントに対し、機械に可観測・可引用・可検証なコンテンツを供給し、「回答の部品」として選ばれる確率を最大化する学術・実務統合フレームです。

パラダイムの転換
Zero‑Click の先の Zero‑Look

直接性から間接性へ

　これまでの検索体験は、ユーザーがGoogleで検索し、結果をクリックしてサイトを閲覧するという、人間による「直接性」を前提とした直線的な流れでした。

　ところが、AIエージェントが実装され普及すると構図は一変します。ユーザーは課題や目的をエージェントに委ね、エージェントは計画を立て、検索し、情報を抽出・統合し、最終的に意思決定や実行（見積依頼や発注など）にまで到達します。

　人が複数ページを行き来して理解を深めるのではなく、エージェントが裏側で必要な証拠を集め、要約し、最適解を提示するため、可視化される行動は短く、意思決定は非可視のプロセスで完了します。

　Zero‑Clickを超えて、人の視線がページに届かないZero‑Lookの局面では、可視トラフィックの多寡が価値の中心ではなくなり、意思決定の裏側に入り込めるかどうかが勝敗を分けます。

従来

ユーザー → Google → クリック → サイト閲覧（人間の直接性）

これから

ユーザー → AIエージェント（計画・検索・抽出・統合・意思決定）→ 実行/発注（AI媒介の間接性）

　結果として、アクセス数/PV/CTR/平均滞在時間のような「人間の閲覧」前提KPIは、回答採用前提KPIへ置き換わります。
　AFOは、エージェントの観測・判断・引用のパイプラインを最適化対象に据えます。

AI SEO KPIの再定義とAFOの役割

　この転換は、アクセス数やPVやCTR、平均滞在時間といった「人間の閲覧」を前提としたKPIを、そのままの形で追うことの限界を明確にします。

　代わって重要になるのは、エージェントが観測し、判断し、引用するまでのパイプラインにおいて、自社の情報がどれだけ「採用」されるかという視点です。

　私たちはこれをAgent‑Facing Optimization（AFO）と呼び、エージェントのワークフローに寄り添って、機械にとっての可観測性、判断に資する表現、そして引用されやすい根拠の供給という三点を系統立てて最適化します。

　露出の最大化から、採用の最大化へ。Zero‑Look時代にふさわしいKPIは「読まれたか」ではなく「使われたか」を測る指標へと置き換わっていくのです。

エージェント媒介型集客の数理モデル

POMDP定式化

POMDPによる問題設定

（１）モデルの枠組み

　エージェントの意思決定を厳密に扱うため、私たちは問題全体を部分観測マルコフ決定過程（POMDP）として定式化します。すなわち、

$$M=\langle S, A, O, T, \Omega, R, \gamma\rangle$$

と置き、ここで状態 \(S\) はユーザーの潜在目的や制約、緊急度、予算などの内的要因を表し、行動 \(A\) は検索やツール実行、要約、照会、発注といったエージェントの具体的なステップを含みます。

　観測 \(O\) はWeb上のページやEvidence API、構造化データなどから得られる証拠単位であり、遷移 \(T\) は情報獲得に伴ってユーザー目的の記述が洗練される過程を示します。

　観測確率 \(\Omega\) は、どの証拠がどの程度の確率で見えるかを規定し、報酬 \(R\) はユーザー満足や回答の正確性、規制適合、そして事業価値の創出を統合的に評価します。

　割引率 \(\gamma\) は将来報酬の重みづけを与え、探索と活用のバランスを調整します。

（２）観測性と報酬に直結するコンテンツ設計

　この枠組みの下では、コンテンツ側の設計がとりわけ \(\Omega\) と \(R\) を直接押し上げるレバーとして機能します。

　観測性を高めるには、機械可読なマークアップや厳密な構造化、埋め込み表現との整合、そして再利用可能性を明確化するライセンス表記が欠かせません。

　　一方で報酬を高めるには、検証可能な一次データ、根拠の出典、再現可能な手順といった「Evidence」を過不足なく用意し、エージェントが誤りなく結論に到達できる条件を満たすことが重要です。

　言い換えると、観測できることと、観測した結果が高得点で評価されることは別の問題であり、AFOはこの二軸を同時に満たす情報設計を要求します。

　エージェントの意思決定を部分観測マルコフ決定過程（POMDP）で表現

$$M=\langle S,A,O,T,\Omega,R,\gamma\rangle$$

　\(S\)：ユーザーの潜在目的（課題・制約・緊急度・予算など）

　\(A\)：エージェントの行動（検索・ツール実行・要約・照会・発注）

　\(O\)：観測（Web/Evidence/API/構造化データからの証拠単位）

　\(T\)：状態遷移（情報獲得に伴う目的の鋭敏化）

　\(\Omega\) ：観測確率（どの証拠が見えるか）

　\(R\)：報酬（ユーザー満足・正確性・合規・事業価値）

　\(\gamma\)：割引率

　M は、部分観測マルコフ決定過程（POMDP）そのものを表す7要素のタプルです。

　厳密には、状態空間 \(S\)、行動空間 \(A\)、観測空間 \(O\)、遷移確率カーネル \(T: S\times A \to \Delta(S)\)、観測モデル \(\Omega: S\times A \to \Delta(O)\)、報酬関数 \(R: S\times A \to \mathbb{R}\)、割引率 \(\gamma \in [0,1)\)をひとまとめにした \(M=\langle S, A, O, T, \Omega, R, \gamma\rangle\)を指します。

　つまり M は、エージェントが

「何を観測でき（\(\Omega\)）、どの行動がどのように次の状態をもたらし（\(T\)）、その結果どれだけの価値を得るか（\(R\)）、そして将来価値をどれだけ重視するか（\(\gamma\)）」までを含めて定義した、意思決定問題全体の数理モデル（設計図）」

です。

コンテンツ側の役割は、\(\Omega\)（観測性）と\(R\)（報酬）に直結します。

観測性
　機械可読・構造化・埋め込み整合・ライセンス明記

報酬
　検証可能な一次データ/根拠/手順により、回答の正確性・再現性を上げる

「採用確率」の目的関数

（１）AEPの定義と意味

　AFOの目的は、単なる露出ではなく「採用」の最大化にあります。

　コンテンツ集合 C に対して、回答採用確率 AEP（Agent Exposure Probability）を次のように定義します。

$$\mathrm{AEP}(C)=\mathbb{E}_{q\sim D}\left[\Pr\big(\ C\ \text{由来の証拠がTop-}K\ \text{に採用}\ \big|\ q,\ \pi_{\text{agent}}\big)\right]$$

　ここで \(q\) は実際に発生する問い合わせ分布 \(D\) からのクエリ、\(\pi_{\text{agent}}\)​ はエージェントの方策です。

　Top‑K とは、最終回答や意思決定の根拠として保持される上位の証拠集合を指し、そこに自社由来の証拠が入る確率を期待値としてとらえています。

（２）露出から採用へ

　この定義が示すのは、評価軸の重心が「見えるか」から「使われるか」へと完全に移ったという事実です。

＊「使われる」とは、エージェントの意思決定に使われること。

　AEPは、要約の裏側で起きているエージェントの選別過程を指標化し、構造化やマークアップ、Evidence API、埋め込み整合、出典の厳密さ、レイテンシといった設計上の意思決定が、どの程度「採用」という結果に寄与したかを測ります。

　ゆえにAFOは、観測性を高める取り組みと、採点基準としての報酬を押し上げる取り組みを同時並行で進め、結果として \(\mathrm{AEP}(C)\) の最大化を戦略目標として掲げます。

　露出の最適化に留まらず、意思決定の内部に席を得ることこそが、Zero‑Look時代のAI SEOの本質だと言えるでしょう。

あるコンテンツ集合Cに対し、回答採用確率（AEP。Agent Exposure Probability）を

$$\mathrm{AEP}(C)=\mathbb{E}_{q\sim D}\left[ \Pr\left( C\text{由来の証拠がTop-}K\text{に採用}\mid q,\pi\_{\text{agent}}\right)\right]$$

と定義。AFOのゴールはAEPの最大化。

　AEPは「露出」ではなくエージェントの意思決定に使われる確率を測る指標です。

AI SEO 指標体系の再設計
（Agent‑First KPI）

AI SEO で核となる四つの指標

　エージェントが意思決定の標準になる環境では、従来のPVやCTR、平均滞在時間といった「人の閲覧」を前提とするKPIだけでは価値が測れません。そこで私たちは、エージェントの行動連鎖に合わせて四つの核指標に再編します。

　最初に重視するのはARV（Agent Retrieval Visibility）で、これは検索やベクトル索引、サイトマップ、構造化データを介して、ある証拠単位（Evidence Unit: EU）が取得候補に入る確率を表します。

　形式的には

$$\mathrm{ARV}=\mathbb{E}_{q}\big[\mathbf{1}\{EU\in\text{候補集合}\}\big]$$

と書け、可観測性の土台がどの程度確保できているかを定量的に示します。次にCPS（Citation Probability Score）を定義し、取得候補に入ったEUが実際に引用や根拠として使われる条件付き確率

$$\mathrm{CPS}=\Pr(\text{引用}\mid EU\in \text{候補}) $$

を追います。

　単に見つかるだけでは不十分で、根拠として選ばれることが重要だからです。さらにRES（Representation Exposure Score）では、要約や計画の過程で形成される「表現空間」において、当社のブランドや製品が理想的な概念座標で表出しているかを評価します。

　これは当社を条件とした概念分布と理想分布の乖離をKLダイバージェンスで測り、

$$\mathrm{RES}=1-\mathrm{KL}\!\big(p(\text{概念}\mid\text{当社})\parallel p(\text{概念}\mid\text{理想})\big)$$

として、埋め込み整合やエンティティ同定の質を反映します。最後にAACR（Agent‑Assisted Conversion Rate）を据え、人のクリックを介さずにエージェント経由で発注・問い合わせ・予約などの行動が実際に誘発された比率を測定します。

　要するに、可視的なトラフィックではなく、ARV・CPS・RES・AACRという四つの段階で「採用」と「行動」を追うことにより、Zero‑Look時代の成果を真正面から捉えるわけです。

1. ARV（Agent Retrieval Visibility）
   検索・ベクトル索引・サイトマップ・構造化データ経由で、証拠単位（Evidence Unit: EU）が取得候補に入る確率。

$$\mathrm{ARV}=\mathbb{E}_{q}[ \mathbf{1}\{EU\in \text{候補集合}\}]$$

2. CPS（Citation Probability Score）
   取得候補に入ったEUが実際に引用/根拠として使われる確率。

$$\mathrm{CPS}=\Pr(\text{引用}\mid EU\in \text{候補})$$

3. RES（Representation Exposure Score）
   要約・計画中の表現空間に、当該ブランド/製品が正しい概念座標で表出する度合い（埋め込み整合 + エンティティ同定）。

$$\mathrm{RES}=1-\mathrm{KL}(p(\text{概念}|\text{当社})\Vert p(\text{概念}|\text{理想}))$$

4. AACR（Agent‑Assisted Conversion Rate）
   人のクリックを介さず、エージェント経由で発注・問合せ・予約などの行動が誘発された比率。

旧来KPI → Agent‑First KPI
PV/CTR/滞在 → ARV/CPS/RES/AACR（＝採用と行動の計測）

AI SEO 補助メトリクスの位置づけ

　四指標を支える下位の計量学も明確にします。まずCFQ（Citable Fact Quantity）は、数値や根拠、手順といった引用可能な原始事実の密度を表し、エージェントが要約の裏側で参照する「材料」の充足度を左右します。

　次にCAV（Content Atomicity & Verifiability）は、事実の原子性と検証可能性を統合したスコアで、主張と根拠が一対一で結び付く度合いを測ります。

　さらにERF（Evidence Reuse Factor）は、同じEUが複数の問いに再利用される効率を示す指標で、限られた制作コストでAEPを押し上げる生産性の尺度になります。

　そしてAEB（Agent Execution Budget）は、当社ドメインに対してエージェントが割く計算・時間予算の期待値を表し、低レイテンシAPIや高速な構造化により、結果として当社情報の探索・検証に多くの計算が割かれる構造を作り出します。

　これらの補助メトリクスは、ARVやCPSを底上げする実装上のテコとして機能し、ダッシュボード上では因果関係を意識して運用されるべきです。

追加の計量学（メトリクス）

CFQ（Citable Fact Quantity）
　引用可能な原始事実（数値・根拠・手順）の密度

CAV（Content Atomicity & Verifiability）
　事実の原子性・検証可能性スコア

ERF（Evidence Reuse Factor）
　同一EUが複数問いに使い回される係数（再利用効率）

AEB（Agent Execution Budget）
　当社ドメインに対し、エージェントが割く計算/時間予算の期待値（低レイテンシAPI・高速構造化で増大）

AI SEO 情報幾何でみる
「トピック多様体の被覆率」

　クエリ分布\(D\)を埋め込み空間\(M\subset\mathbb{R}^d\)の多様体とみなし、当社のEU集合の\(\epsilon\)-近傍被覆率

$$\mathrm{Coverage}\;_{\epsilon}=\frac{\mathrm{Vol}\left(\bigcup_{EU\in C}B(EU,\epsilon)\right)}{\mathrm{Vol}(M)}​$$

　被覆率が低いテーマは回収漏れが生じ、ARV/CPSが頭打ちになります。
　→ トピック・ギャップマップで空隙を特定し、原子事実EUを増やす。

情報幾何でみる被覆率という視点

トピック多様体の被覆

問い合わせ分布 \(D\) を埋め込み空間 \(M\subset\mathbb{R}^d\) 上の多様体として捉えると、当社のEU集合がどれだけその多様体を被覆しているかが、回収の上限を規定します。これを \(\epsilon\)-近傍の体積比で

$$ \mathrm{Coverage}_{\epsilon} = \frac{\mathrm{Vol}\!\left(\bigcup_{EU \in C} B(EU,\epsilon)\right)} {\mathrm{Vol}(M)} $$

と定義すると、被覆率の低い領域はそもそも候補集合に入らない確率が高まり、ARVとCPSが同時に頭打ちになります。

　したがって、まずは埋め込み空間上に「トピック・ギャップマップ」を描き、空隙を特定して、原子事実レベルのEUを系統的に増やすことが合理的です。

　結果として、探索段階での見逃しが減り、引用段階での競合との闘いにも十分な母集団を供給できるようになります。

AFOの実装設計
Agent‑Readable Content Architecture（ARCA）

Evidence‑Firstの情報設計

EU（Evidence Unit）
　1主張=1根拠=1出典=1ID

JSON‑LD/Schema.org
　FAQPage/HowTo/Product/MedicalGuideline 等で意味役割を宣言

Evidence JSON Endpoint
　/facts, /datasets, /methods（低レイテンシ・安定URL・版管理）

ライセンス行/引用ポリシー
　エージェントが安心して再利用できる法的明確性

Embedding‑Sitemap
　主要EUのベクトル表現・要約・更新時刻を機械向けサイトマップで配信

　ARCAの中心に据えるのはEvidence Unit、すなわち一つの主張に一つの根拠と出典、そして固有IDを対応させる設計です。

　EUはページの断片ではなく、検証可能な最小単位として定義し、FAQPageやHowTo、Product、MedicalGuidelineなどのSchema.orgを用いたJSON‑LDで意味役割を宣言します。

　加えて、/factsや/datasets、/methodsといったEvidence JSONエンドポイントを公開し、低レイテンシで安定したURLと版管理を提供します。

　再利用の安心感を担保するため、ライセンス表記や引用ポリシーを明確にし、Embedding‑Sitemapでは主要EUのベクトル表現や要約、更新時刻を機械向けに配信します。

　これにより、可観測性と再利用性が同時に高まり、ARVとCPSの双方に効く土台が整います。

RetrievalとRAGの「入口」最適化

表記ゆれ吸収（同義/別名/略称をsameAsで束ねる）

単位・範囲の正規化（SI単位/日付ISO/地理ID）

反事実耐性：反例・境界条件・失敗事例もEU化（要約耐性が上がり誤答を抑制）

　検索入口の摩擦を減らすには、同義語や別名、略称をsameAsで束ねて表記ゆれを吸収し、単位や範囲をSIやISO、地理IDに正規化して、オントロジー間での一致率を高めます。

　さらに、成功事例だけでなく反例や境界条件、失敗事例もEUとして明示し、要約過程での過剰一般化を抑えます。こうした「反事実耐性」を仕込むことで、RAGが誤った一般化を起こしにくくなり、結果として引用の品質が安定します。

エージェント実行（Tool‑Use）適合

手順のアルゴリズム化（擬似コード/式/前提条件）

検証可能なI/O（入力例・期待出力）

レイテンシSLOとスロットリング（AEBを増やす運用的工夫）

　ツール実行に適合させるには、手順を擬似コードや数式、前提条件として明文化し、入力例と期待出力を伴うI/Oを用意して検証を容易にします。

　レイテンシSLOとスロットリングの設計によって、当社情報に対するエージェントの実行予算（AEB）を実質的に増やし、計画の中で当社ドメインが優先されやすい状況を作ります。これらは単なる技術的最適化ではなく、採用確率を直接押し上げる戦略的な実装と言えます。

AI SEO 事前学習・ファインチューニング最適化
（モデル側アプローチ）

ドメイン適応の三層

（１）Pre‑training Exposure（公開領域での露出最適化）
　　正規化・権威参照・引用ネットワーク強化

（２）RAG/Tuned‑Index（私有領域の検索最適化）
　　専用インデックス・意味ベクトル・再ランク学習

（３）軽量適応（LoRA/Adapter）
　　社内QA・HowTo・計算手順を合成データで強化（反例学習を含む）

ドメイン適応の三層構造

　モデル側の最適化は三層で考えます。公開領域におけるPre‑training Exposureでは、正規化された記述と権威ある参照関係、健全な引用ネットワークの形成によって、事前学習段階の露出を最適化します。

　私有領域ではRAGやチューニングした専用インデックスを整え、意味ベクトルと再ランク学習を組み合わせることで、検索品質をブランド専用に仕立てます。

　さらに軽量適応（LoRAやAdapter）を用いて、社内QAやHowTo、計算手順を合成データで強化し、反例学習を織り込むことで、現場の癖に即した堅牢性を獲得します。

生成・評価の二人三脚

Self‑Play合成
　エージェントが自問自答→反証→修正

メタ評価
　真偽判定/出典妥当性/手順再現性を自動採点

安全/合規
　PII/著作権/薬機法等の内容検疫をルール化

　運用では、エージェント自身に自問自答と反証、修正を繰り返させるSelf‑Play合成を活用し、モデルの弱点を自動的に露出させます。

　その上で、真偽判定や出典の妥当性、手順の再現性をメタ評価として自動採点し、品質を閉ループで管理します。

　プライバシーや著作権、薬機法などの領域では、内容検疫のルールを体系化し、速度と安全性のバランスを崩さないようにします。

AI SEO 実験デザインと因果推論

オンライン最適化

コンテンツ多腕バンディット
　テンプレ/見出し/証拠密度を腕として動的配分

ベイズ最適化
　AEP最大化に向けた連続パラメータ探索（要約長/引用密度など）

オンライン最適化の枠組み

　現場最適化はオンライン実験で進めます。テンプレートや見出し、証拠密度といった要素を腕とみなす多腕バンディットでトラフィックを動的に配分し、AEPに効く施策に優先的に予算を寄せます。

　連続パラメータはベイズ最適化で探索し、要約長や引用密度、構造化の粒度といったハイパーパラメータを統計的に調律します。これにより、探索と活用のバランスを崩さずに改善の速度を引き上げます。

Uplift計測
（ゼロルック時代のアトリビューション）

差分の差分（DiD）でAFO導入前後を推定

シャプレー値で複数EUの貢献配分

構造的因果モデル（SCM）で「採用→行動」パスを識別

Upliftとアトリビューション

　ゼロルック時代の貢献評価は、因果推論を欠かせません。導入前後の差を素直に比較するのではなく、差分の差分で政策効果を推定し、複数EUが絡む場面ではシャプレー値で貢献を配分します。

　さらに構造的因果モデル（SCM）を用いて「採用から行動へ」のパスを特定し、KPIの改善がどの因子によってもたらされたのかを透明化します。

AI SEO ガバナンスと 品質保証

監査可能性の確立

Provenance Chain
　EU→データ源→取得方法→検証ログ

モデルカード/データカード
　生成/評価の素性管理

監査API
　第三者が再検証できる最小単位の公開

　品質の議論はローカルな指標で完結させず、監査可能性で裏打ちします。EUからデータ源、取得方法、検証ログへと連なるProvenance Chainを体系化し、どの根拠がどのように生成・確認されたかを追跡可能にします。

　生成や評価の素性はモデルカードとデータカードで管理し、第三者が最小単位で再検証できるよう監査APIを公開します。これにより、スピードと信頼性を両立させた運用が可能になります。

AI SEO 実践ロードマップ

8〜16週間

診断（Week 1–2）
　ARV/CPS/RESのベースライン測定、Coverageギャップ計測、法務チェック

ARCA設計（Week 2–5）
　EU定義、構造化スキーマ、Evidence API、Embedding‑Sitemap

AFO実装（Week 4–10）
　再ランク学習、反例EU整備、レイテンシ最適化

実験（Week 8–14）
　多腕バンディット/ベイズ最適化、AEP最大化

評価・移管（Week 12–16）
　AACR/KGIレビュー、運用Runbook、社内教育

AI SEO における段階的な前進

　導入初期は、ARV・CPS・RESのベースラインを測定し、Coverageのギャップと法務リスクを洗い出す診断から始めます。次に、EUの定義や構造化スキーマ、Evidence API、Embedding‑SitemapといったARCAの設計を集中的に行い、実装の基盤を整えます。

　その後、再ランク学習や反例EUの整備、レイテンシの最適化を含むAFO実装に移り、オンライン実験の枠組みを同時に立ち上げます。

　多腕バンディットやベイズ最適化によってAEPの最大化を図り、最後はAACRやKGIのレビュー、運用Runbookの整備、社内教育までを一気通貫で移管します。およそ二〜四ヶ月のスパンで、設計から運用までの筋道を無理なく通していきます。

従来型 AI × SEO
（今すぐ効く「前夜のラストスパート」）

従来のキーワード設計→構成→執筆→内部リンク→UX→最終チェックの流れは、AFO視点で再分解して精度を底上げします。

キーワード
　Intent分布を埋め込みでクラスタ化（Coverageを最大化）

構成
　EU密度と検証リンクの配置をKPI化

執筆
　原子事実→段落→要約の階層生成（反例/境界EUを必ず同梱）

UX
　要約耐性（スクリーンリーダ/音声/抽出）を前提に情報の粒度管理

最終チェック
　CAV/CFQ/ARVの自動採点 → 公開前にAEPの事前確率を推定

従来KPIの改善（順位/CTR）と、Agent‑First KPI（AEP/ARV/CPS/RES/AACR）の同時トラッキングがポイント。

既存フローのAFO再分解

　今すぐ効く打ち手として、従来の「キーワード設計から構成、執筆、内部リンク、UX、最終チェック」に至る一連の流れをAFOの視点で再分解します。
　

　キーワードは意図分布を埋め込みでクラスタ化して被覆を最大化し、構成ではEU密度と検証リンクの配置を明確なKPIに置き換えます。

　執筆段階では原子事実から段落、要約へと段階的に生成し、必ず反例や境界条件を同梱して要約耐性を高めます。UXはスクリーンリーダーや音声、抽出を想定した情報粒度の管理を徹底し、公開直前にはCAVやCFQ、ARVの自動採点で品質と可観測性を担保します。

　最終的にはAEPの事前確率まで推定し、順位やCTRといった従来KPIとAgent‑First KPIを同時にトラッキングして、短期・中期の成果を両建てにします。

数式で読み解く「AFOの最適化」

観測性最大化

　証拠 \(EU_i\)​ の可観測性

$$\mathrm{Obs}(EU_i)=\alpha\cdot \text{構造化度}+\beta\cdot \text{埋め込み整合}+\delta\cdot \text{低レイテンシ}+ \eta\cdot \text{ライセンス明確性}$$

　\(\alpha,\beta,\delta,\eta>0\)。設計努力は係数に直結。

　個々の証拠 \(iEU_i\)​ に対する可観測性は、構造化の度合い、埋め込み整合、レイテンシ、ライセンス明確性の線形結合で近似できます。

　具体的には

$$\mathrm{Obs}(EU_i)=\alpha\cdot \text{構造化度}+\beta\cdot \text{埋め込み整合}+\delta\cdot \text{低レイテンシ}+\eta\cdot \text{ライセンス明確性}$$

　と表し、係数はいずれも正です。設計努力はこれらの項を直接押し上げるため、実装投資のROIを論理的に説明できます。

AEPの勾配上昇
（概念）

$$\nabla_{\theta}\mathrm{AEP}\approx \frac{\partial \mathrm{ARV}}{\partial \theta}+ \frac{\partial \mathrm{CPS}}{\partial \theta}+ \frac{\partial \mathrm{RES}}{\partial \theta}$$

\(\theta\)：EU設計/構造化/要約長/API遅延など。AB/バンディットで経験的に勾配を学習。

採用確率の勾配上昇

　AEPの改善は、ARV・CPS・RESに対する設計パラメータ \(\theta\) の影響を合成した勾配上昇として捉えられます。概念的には

$$\nabla_{\theta}\mathrm{AEP}\approx \frac{\partial \mathrm{ARV}}{\partial \theta}+ \frac{\partial \mathrm{CPS}}{\partial \theta}+ \frac{\partial \mathrm{RES}}{\partial \theta}$$

　であり、\(\theta\) はEU設計や構造化、要約長、APIの遅延などを含みます。

　ABテストやバンディットを通じて、この勾配を経験的に学習していくのが実務の王道です。

Leonard SEO®︎

AIフィルタリングに備える

　POMDP視点のSEO、AFO指標（AEP/ARV/CPS/RES/AACR）

　EU設計 & Evidence API 実装演習

　反例・境界EUで要約耐性を高める手法

AIフィルタリングへの備え

　教育プログラムの初章では、POMDPの視点からSEOを再説明し、AEPやARV、CPS、RES、AACRで構成されるAgent‑First KPIを運用レベルに落とします。

　続いて、EU設計とEvidence APIの実装演習へと進み、反例や境界EUを用いた要約耐性の高め方を体験的に身につけます。

AI時代のAI SEO戦略立案

　Coverage最適化と情報幾何

　多腕バンディット/ベイズ最適化による運用

　因果推論でゼロルック時代の貢献を測る

本研修は「順位を上げるノウハウ」ではなく、エージェントに採用される設計と計測に特化します。

AI時代の AI SEO 戦略立案

　情報幾何に基づくCoverage最適化の方法論を学び、オンライン運用では多腕バンディットとベイズ最適化を併用して改善速度を上げます。

　さらに因果推論を導入し、ゼロルック時代における貢献を定量的に特定する技術を扱います。この研修は順位を上げるための小手先ではなく、エージェントに採用されるための設計と計測に徹底的に焦点を合わせます。

サービス提供
（AFOパッケージ）

Step 1：AFOアセスメント　100万円/月〜
　（ARV/CPS/RES/AEPベースライン、Coverageギャップ、法務）

Step 2：PoC（ARCA + Evidence API）　200万円〜
　（EU設計、JSON‑LD/Embedding‑Sitemap、再ランク学習）

Step 3：本導入（運用 + 実験）　250万円〜
　（多腕バンディット、AEP最大化、ガバナンス/監査API）

費用は要件により個別見積。上記は税別の目安です。

AFOパッケージの構成と費用

提供は三段構えで設計しています。まずAFOアセスメントを月額一〇〇万円（税別）から提供し、ARV・CPS・RES・AEPのベースライン計測、Coverageギャップの診断、法務の確認までを短期間で完了させます。

次にPoCとして、ARCAとEvidence APIの最小実装を二〇〇万円（税別）から着手し、EU設計とJSON‑LD、Embedding‑Sitemap、再ランク学習の初期構築を行います。最後に本導入では、運用と実験を組み合わせた体制を二五〇万円（税別）から展開し、多腕バンディットによるAEP最大化と、ガバナンスや監査APIを含む本格運用へと移行します。

なお、費用はいずれも要件により変動し、外部ツールやインフラ費は別途見積となります。

AI SEO まとめ
SEO ⊂ AI の時代に勝つ設計原理

1. コンテンツを読むものから採用される証拠へ
2. Agent‑First KPIで露出ではなく採用と行動を測る
3. ARCAで機械可読・可引用・可検証を徹底
4. 情報幾何 × 因果推論 × オンライン最適化で継続改善
5. AFOは経営KGIに直結（AACR/収益・コスト効率）

SEO ⊂ AI の時代に勝つ設計思想の要点

　本質は、コンテンツを「読むもの」から「採用される証拠」へと転換することにあります。そして、露出ではなく採用と行動を測るAgent‑First KPIへと視点を移し、ARCAで機械可読・可引用・可検証を徹底します。

　さらに、情報幾何と因果推論、オンライン最適化を組み合わせて継続的な改善を仕組み化し、最終的にAACRを通じて経営KGIに直結させます。こうした連鎖が、ゼロルック時代の競争優位を安定的に再生産します。

用語

AFO
　Agent‑Facing Optimization。エージェントに最適化する設計思想。

EU
　Evidence Unit。1主張=1根拠=1出典=1IDの最小証拠単位。

AEP/ARV/CPS/RES/AACR
　Agent‑First KPI群。

Coverageϵ_\epsilonϵ​
　トピック多様体に対するEUの被覆率。

AEB
　Agent Execution Budget。エージェントが割く計算/時間予算。

AI SEO 基本概念の位置づけ

　AFOはAgent‑Facing Optimizationの略で、エージェントに最適化する設計思想を指します。

　EU（Evidence Unit）は一つの主張に一つの根拠と出典、IDを対応させた最小証拠単位で、AEP、ARV、CPS、RES、AACRはその採用から行動までを測るAgent‑First KPI群です。Coverageϵ_\epsilonϵ​は埋め込み空間上でのトピック被覆率を表し、AEBは当社に割かれるエージェントの計算・時間予算を示します。

　いずれも運用ダッシュボードで相互に参照され、改善ループの指針になります。

AI SEO 推奨の進め方

AI SEO 初期実装への滑らかな移行

　まずは現行サイトからEU候補を抽出し、CAVやCFQで採点して優先度をつけ、上位の証拠をEvidence APIとして公開します。

　並行してFAQPageやHowTo、ProductなどのJSON‑LDを追加し、Embedding‑Sitemapを導入して機械向けの可観測性を確保します。準備が整い次第、AFOダッシュボードでARV・CPS・RES・AEP・AACRを可視化し、四週間を目安に初回のAB実験を走らせて、改善の勾配を経験的に学習していきます。

　こうした一連の動きが、戦略から実装、そして運用へと負荷なく接続される理想的なスタートとなります。

従来のSEOについて

　従来のSEO（Search Engine Optimization、検索エンジン最適化）とは、自社のウェブサイトがGoogleなど検索エンジンの検索結果ページ（SERP）で、事業に貢献するよう表示されるように工夫する取り組みです。

　従来のSEOにおいて効果的な戦略を立てるには、検索エンジンの仕組み自体を深く理解することが重要です。その基盤にあるのが情報検索（Information Retrieval, IR）という学問分野です。

　検索エンジンのインデックス構造やランキングアルゴリズム、Googleの最新研究動向などから、具体的な従来のSEOについて解説します。

SEOの基礎となる情報検索の概念と仕組み

　情報検索（Information Retrieval）とは、大量のデータ集合から利用者のニーズに合った情報を効率的に検索・取得するプロセスを指します​。

　ウェブ検索エンジンは情報検索システムの代表例であり、非構造化データであるWeb上の無数の文書からユーザーのクエリに関連する情報を探し出す役割を果たしています。まずは、検索エンジンがどのように動作するのか、その基本概念と仕組みを押さえましょう。

SEOの基礎となる「情報検索」とは

　情報検索は、人間の知的探求を助ける技術であり、ユーザーの入力（クエリ）に対して適切な文書やデータを返すことを目的としています。

　具体例としては、私たちが日々使っているGoogle検索も、裏では高度な情報検索モデルとアルゴリズムが働いています。情報検索システムは典型的に以下のような処理段階を持ちます。

クローリング（収集）
　 専用のソフトウェア（クローラ）がWeb上のページを巡回してコンテンツを収集します。

インデックス作成
　収集した文書から索引（インデックス）を作成し、効率的に検索できるデータ構造に格納します。

検索（マッチング）
　ユーザーからクエリ（検索語）が入力されると、インデックスをもとに関連する文書を探します。

ランキング（順位付け）
　マッチした文書群を関連性の高い順にスコア付けし、上位の結果からユーザーに提示します。

これら一連の流れによって、私たちは広大なウェブから必要な情報を瞬時に見つけ出すことが可能になっています。

検索システムの数理モデル

　検索は概念的には 最適化問題です。

　クエリ \(q\) に対し、インデックス内の文書 \(d\) を、ユーザ文脈 \(u\)（国・端末・履歴等）と時間 \(t\) を条件にスコアリングして上位から返します。

$$ \text{Score}(d \mid q,u,t) = F(\,\text{語句適合},\,\text{リンク・グラフ},\,\text{意味理解},\,\text{履歴・鮮度},\,\text{利用シグナル},\,\text{品質/スパム抑制},\,\text{体験/表示性},\,u,t\,) $$

補足（各要素の意味）

語句適合 … 基礎IR
リンク・グラフ … PageRank 等
意味理解 … BERT / MUM など
履歴・鮮度 … 時系列特許
利用シグナル … 暗黙的フィードバック
品質/スパム抑制 … SpamBrain 等
体験/表示性 … CWV 等

　この \(F\) は多数のサブシステム（ランキングシステム群）と重み付けの合成（学習到達度に応じた学習到順位付け）とみなせます。Google 自身が「ランキングシステム群」の存在を公表し、代表的な仕組みを列挙しています。

クローリングとインデクシング
Caffeine 以降の常時増分更新

　2010年の Caffeine により、Google はバッチ再構築から細粒度の増分更新へ舵を切りました。これにより「50%新鮮」な結果（freshness）の提供を公式に宣言しています。以後のSEOでは「更新→発見→再索引」の遅延が短い前提で戦略設計できます。

　モバイル優先の現実系としては、Mobile‑First Indexing が2023年に完了。以後はスマホ版コンテンツが索引とランキングの基準になります（ただし「モバイル版がないと不可」ではない）。JavaScriptサイトは「クロール→レンダリング→インデクシング」の二段処理（レンダリング待ち）が基本で、SSR/SSG等で可視性を担保するのが実務上堅実です。

　Crawl Budget はホスト負荷と需要（人気・更新頻度）で動的に決まります。Search Console の Crawl Stats を見つつ、5xxの抑制・サイト速度改善でクロール効率を高めるのが王道です。

リンク・グラフ/PageRank

　リンク解析は Google の原点です。PageRank はランダムサーファーの定常分布 \(\pi\) を固有ベクトルとして求め、リンクの量と質（重要ページからの票）を確率的に捉えます。

$$\pi = \alpha P^\top \pi + (1-\alpha)\,v$$

　ここで \(P\) はリンク正規化行列、\(\alpha\) は減衰（ダンピング）係数、\(v\) はテレポーテーション分布です。原論文は検索システムの骨格をハイパーテキスト構造の活用として位置付けています。

　リンクは全て同じ重みではありません。アンカーテキストやリンクの生起・変化の時系列（鮮度）、独立ピア増加など、歴史データに基づく多次元の重み調整が特許で明示されています（「Information retrieval based on historical data」）。リンクの増減プロファイルやドメインの信頼性もスコアに寄与しうると記述されています。

鮮度と時系列（QDF的思考）

　「歴史データに基づく情報検索」の特許群は、文書の変化・リンクの変化・トラフィックの時系列などを組み合わせてスコアを調整する設計を述べます。

　アンカーテキストの鮮度や独立ピアの増え方、ユーザー行動の変化等の時系列特徴量が例示されています。これは、ニュースや急上昇トピックで必要になる時間軸の適合（一般に「QDF」と呼ばれる概念）を技術的に裏づける位置づけです。

暗黙的ユーザーフィードバック
クリック・滞在のバイアス補正

　Google の複数の特許は、クリックや滞在時間などの「暗黙的フィードバック」をランキング修正に利用する方法を具体に記述します。特に、提示バイアス（上にあるからクリックされやすい等）を明示的にモデル化し、クリック率をそのまま使わず補正した信号で再ランキングする枠組みが読み取れます。

意味理解
BERT→MUM とベクトル検索の大規模実装

　2019年、Google は BERT をランキングと強調スニペットに導入し、語の前後関係（前置詞など）を理解して誤マッチを減らす、と公式に説明しています。これは構文・意味の理解が語句一致を超えてスコアに組み込まれた転換点です。

　その後の MUM（Multitask Unified Model）は多言語・マルチモーダルに学習された巨大モデルで、複雑タスクの支援を目指す里程標として位置づけられています（ただし、どこまでランキングに使うかは段階的・限定的に公表）。

　さらに、セマンティック検索の基盤として 近似最近傍探索（ANN） を高精度・高スループットで回すための ScaNN などがGoogle Researchから公開されており、大規模ベクトル検索の実装知見（インデックス圧縮・再ランキング等）が整理されています。「意味距離×BM25」的な複合法は実装上自然な設計選択肢です。

エンティティとナレッジ
Knowledge Graph と構造化データ

　2012年の Knowledge Graph 公開以降、Google は人物・場所・組織などエンティティ中心の理解と探索体験を拡張してきました。検索は単なる文字列一致から「もの（エンティティ）」の関係探索へと重心を移しています。

　サイト側の入力としての 構造化データは、検索機能（リッチリザルト等）の適格性や見え方に強く効きます。ただし「構造化データ＝直接の順位向上」ではなく、理解支援と機能表示が主目的です（一般ガイドライン・検索ギャラリー参照）。

品質評価とスパム対策
E‑E‑A‑T、SpamBrain

　Google は品質評価者ガイドライン（SQEG）で E‑E‑A‑T を用いますが、これは評価（テスト）用の指針であり直接のランキング要因ではないことが公式に繰り返し説明されています。実務的には、E‑E‑A‑Tを満たす信号（著者情報、外部からの評価、実体験の痕跡など）を総合的に示すことが、システムが好む特徴量群と整合します。

　スパム抑止の主力は SpamBrain（機械学習ベース）。2022年のリンクスパム更新等でも中核として言及されています。2024年3月には Expired Domain Abuse / Scaled Content Abuse / Site Reputation Abuse の3ポリシーが新設され、生成AIの乱用を含む量産・寄生・ドメイン転用への対処が強化されました。

体験シグナル
Page Experience と Core Web Vitals（CWV）

　Core Web Vitals（LCP/FID→INP/CLS） は、ランキングシステムの一部として使われる実ユーザー中心の体験指標です。
　Page Experience は「CWV以外は直接のブーストではないが、良い体験は総合的に報われる」趣旨で整理されています。速度改善はクロール効率にも波及します。

JavaScriptとレンダリング
二段インデクシング時代の実務設計

　Google は JS を Crawl → Render → Index の段階で処理します。

　動的レンダリングは「長期解ではないワークアラウンド」と明言され、SSR/SSG・ハイドレーション等のモダン実装が推奨されます。レンダリング待ち（レンダキュー）を踏まえ、クリティカルコンテンツは初期HTMLで可視化が堅実です。

AIモード / AI による概要の位置づけとSEO

　Google は 2025年に AI Mode（AIモード）（AI による概要(AI Overviews) ） を大規模展開。

　検索インデックスを起点に生成AI（Gemini 系）でクエリをファンアウトし、候補ページへの帰属（attribution）を明示した要約を提示する設計が公式資料で説明されています。

　専用のマークアップは不要で、従来の検索最適化（人に有用で信頼できる一次情報、構造化データ、明瞭なソース帰属）をそのまま適用する方針です。

実装にあたって

• 一次情報・独自性が強いページは要約の根拠として引用されやすい。
• 明示的な出典・著者・日付・更新履歴は信頼性の機械検出に寄与（E‑E‑A‑Tの考えと整合）。
• 構造化データや明瞭な情報設計は、AIによる抽出・言及に有利。

研究視点でのSEOの分解と可観測な改善レバー

(A) コア適合（語句×意味）

　語句適合（BM25系）×意味類似（埋め込み）のハイブリッドで候補集合（recall）を稼ぎ、上位では クロスエンコーダ/判別モデルで精密（precision）に再ランキング、という分割統治は、Google の公開研究（ScaNN 等のANN最適化）とも整合的な設計仮説です。実務レバーは「検索意図に対する段落粒度の完全回答」「質問と表現の多様化（同義・周辺語）」。

(B) リンク・信頼の時系列

　新規被リンクの独立ピア増加、アンカーの鮮度・意味整合、過度な同時成長の抑制は歴史データ特許と整合。被リンクは出所の独立性・関連性を重視して時間をかけて積む。

(C) 利用シグナルの健全化

　クリック・滞在などは提示バイアス補正付きの信号として用いられ得る。タイトル/スニペットの説明責任（釣り回避）と満足度の実体（本文での即答・証拠・UI）が鍵。

(D) 体験・可視性

　CWVとモバイル最適化は、順位への直接寄与に加え、クロール速度↑→再索引の速さ↑の副次効果を生む。JSは初期HTMLでの情報露出を最優先。

(E) 品質とスパム回避

　2024年の新ポリシー（量産・寄生・期限切れドメイン悪用）の線引きに留意。サイト内外の検証可能性（引用・データ・責任者）で低労力量産との差を拡大。

従来のSEOのよくある誤解の訂正
（公式情報ベース）

　E‑E‑A‑Tは直接のランキング要因ではない。品質評価やシステム開発の指針であり、シグナル群の総体と整合させるのが現実解。

　構造化データは順位の魔法ではない。主に理解支援と表示機能（リッチリザルト）のため。

　AI生成コンテンツそのものは違反ではないが、検索順位操作を主目的とする自動生成はスパム。人の検証・独自性・一次性を確保すること。

従来のSEO実務チェックリスト
（研究知見→手順）

（１）意図設計
　クエリ集合を「ナビ/取引/情報」「鮮度要否」「専門度（YMYL）」で階層化し、段落単位の回答を設計（FAQとHow‑Toの混合）。BERT以降の前置詞・照応を意識して見出しを質問文で書く。

（２）証拠性
　数値・図表・出典・著者・更新履歴を機械可読に（構造化データ／明示的メタ情報）。AI Mode の帰属先として拾われやすくする。

（３）リンク獲得
　独立ピアからの自然言及を増やす編集（一次データ公開、業界比較、コード・テンプレ配布）。急激なアンカーテキスト同質化はNG。

（４）体験最適化
　CWV改善（LCP/INP/CLS）、モバイルを主軸に初期HTMLで主要テキスト可視化。JSは遅延しても意味が通る設計。

（５）スパム回避
　量産・寄生・期限切れドメイン悪用に該当する運用を排除。レビュー・引用で検証可能性を高める。

（６）計測
　Search Console（クエリ×URL行列）でクリックシェアと掲載順位の乖離をトラッキング。スニペット改善→本文満足の順に最適化（暗黙信号の提示バイアス補正を前提に）。

従来のSEO対策　実務の核心

　人の課題に対して一次情報で答える（E‑E‑A‑Tの精神）

　意味×語句×リンク×時間の四面体で優位性を作る

　体験（CWV/モバイル/可視HTML）とレンダリングで見える化

　スパムに近い運用は短期でも長期でも負け（2024年以降は特に顕著）

　AI Mode は特別なSEOを要求しない。従来の「人にとって有用で検証可能な情報設計」を強化することが、要約の根拠として引用される近道です。

AI SEO対策 料金表

アドバイザリー／コンサルティング／運用代行

AI SEO 料金サマリー（目安レンジ）

区分	目的	期間	料金（税別）
アドバイザリー（顧問）	経営・事業レベルの意思決定支援／KPI設計・レビュー	月次	¥1,200,000〜¥6,000,000 /月
コンサルティング（プロジェクト）	診断→PoC→変革実装（AFO設計・ARCA実装）	4〜24週	¥5,000,000〜¥120,000,000 /案件
運用代行（マネージド）	AFO運用・改善（EU増産／Evidence API／実験最適化）	月次（6ヶ月〜）	¥3,000,000〜¥20,000,000 /月 ＋初期費用

メニュー詳細

AI SEO アドバイザリー（顧問型）

プラン	想定対象	提供内容（抜粋）	体制・頻度	料金（税別）
Executive	スタートアップ／SMBの経営層	Agent‑First KPI設計（AEP/ARV/CPS/RES/AACR）／市場・技術動向のアップデート／ロードマップ助言	随時Q&A（月5回程度。48h以内回答）	¥1.2M〜¥1.8M /月
Strategic	ミドル〜ラージ	上記＋AFOスコアカード運用／意思決定同席／重要施策のレビュー＆リスク管理	月1回1h 　 随時Q&A（月5回程度。24h以内回答）	¥2.0M〜¥3.0M /月
Board+	上場準備〜エンタープライズ	上記＋OKR/KGI巻き取り／IR・投資家向け技術説明支援／セキュリティ・法務レビュー同席	月1回2h 随時Q&A（月10回程度。24h以内回答）	¥4.0M〜¥6.0M /月

成果物
　月次Executive Brief（10–20p）、AFOスコアカードダッシュボード、四半期戦略レビュー

含むKPI例
　AEP前月比、ARV/CPS推移、Coverageϵ_\epsilonϵ​ギャップ、AACR、実験勝率

AI SEO コンサルティング（プロジェクト型）

パッケージ	期間	スコープ（抜粋）	主要成果物	料金（税別）
Phase 0：AFO診断 & ロードマップ	4–6週	現状診断（技術/体制/データ）／Coverageギャップ解析／KGI/KPI定義／投資計画	診断レポート、12ヶ月ロードマップ、KPI仕様書	¥5M〜¥8M
Phase 1：PoC（ARCA最小実装）	8–12週	ARCA設計（Evidence Unit定義／JSON‑LD／Embedding‑Sitemap）／Evidence API試作／ミニRAG／AB実験設計	ARCA設計書、API試作、実験結果、運用Runbook	¥15M〜¥30M
Phase 2：変革実装（スケール）	12–24週	本番Evidence API／専用再ランク・特徴量／AFOダッシュボード／品質・監査・SLA設計	本番環境、監査API、SLO/SLA、教育資料	¥40M〜¥120M

体制例
　パートナー／AFOアーキテクト／データ＆MLOps／テクニカルSEO／Evidenceエンジニア／PM

代表KPI
　AEP +15〜30%（PoC期間内の指標改善を確率で追跡）※成果保証ではありません

AI SEO 運用代行（マネージド）

読むためのコンテンツではなく採用される証拠（EU）を継続供給し、実験でAEPを最大化します。

プラン	初期費用（税別）	月額（税別）	スコープ（抜粋）	体制・SLA
Operate Light	¥8M〜¥12M	¥3M〜¥5M	EU（Evidence Unit）50–100件/月、JSON‑LD整備、Embedding‑Sitemap更新、A/B & バンディット、月次レポート	専任2〜3名、平日応答48h
Operate Pro	¥12M〜¥20M	¥6M〜¥9M	EU200–400件/月、本番Evidence API運用、私有RAGインデックス、反例EU整備、Agent‑First KPIダッシュボード	専任3〜4名、平日24h以内、軽微改修SLO
Operate Enterprise	¥20M〜¥35M	¥12M〜¥20M	EU500–1,000件/月、マルチブランド対応、専用再ランク学習、監査API・セキュリティ対応、月次経営合宿	専任5名程度、優先キュー、緊急枠あり

含まれる定常アウトプット

AFOダッシュボード（AEP/ARV/CPS/RES/AACR）

実験ログと意思決定メモ（反例・境界条件を含む）

運用Runbook・障害/逸脱レポート・月次Executive Brief

非含（別費用）
　クラウド利用料、外部ツール、広告費、CDP/ETL開発

AI SEO オプション（加算メニュー）

専用再ランク学習パイプライン
　¥6M〜¥15M

私有RAG基盤（高セキュリティ）
　初期 ¥10M〜¥25M／運用 ¥1.5M〜¥3.0M/月

軽量適応（LoRA/Adapter）
　¥15M〜¥35M／回

合成データ＆メタ評価基盤
　¥5M〜¥12M

社内トレーニング（AFOブートキャンプ）
¥0.8M〜¥3M／回

多言語展開（英・中ほか）
　言語追加ごとに個別見積

セキュリティ・監査パック（Provenance/モデルカード）
　¥4M〜¥10M

AI SEO 提供体制・SLA（例）

標準応答
　平日10:00–19:00（JST）内の問い合わせに24–48hで一次回答

リリースSLO
　軽微 3–5営業日／中規模 2–4週／大規模 要見積

品質基準
　CAV/CFQ最小スコア、構造化率、レイテンシSLO、再現性検証ログを毎月監査

AI SEO 成果測定（Agent‑First KPI）

AEP（採用確率）、ARV（可観測性）、CPS（引用確率）、RES（概念整合）、AACR（エージェント起点CV）

Coverageϵ_\epsilonϵ​（トピック被覆率）、ERF（証拠再利用係数）

因果評価
差分の差分、シャプレー値、SCMで貢献配分を可視化

AI SEO 契約条件（抜粋）

最短契約期間
　アドバイザリー1ヶ月〜／運用代行6ヶ月〜（推奨12ヶ月）

支払条件
　月次前払い／プロジェクトは着手金40–60%

秘密保持・権利
　NDA締結／生成物の権利は契約に準拠（証拠ログは監査目的で保全）

前提
　成果は統計的改善を目標とし結果保証ではありません。外部費用・ツール費は別途。

AI SEO よくある設計パターン（おすすめ組み合わせ）

（１）Phase 0（診断）→ Phase 1（PoC）＋ Executive顧問

　2ヶ月で意思決定の土台を整備、3ヶ月目から実装へ

（２）Operate Pro 運用 × Board+顧問

　経営と現場を一気通貫、四半期でAEPの構造的改善を狙う

（３）Enterprise運用 × セキュリティ監査パック × 多言語展開

　規模・速度・ガバナンスを同時に満たす大企業向け

SEOプログラム 料金メニュー

SEOアドバイザリー（継続顧問）

プラン	位置づけ / 目的	提供内容（抜粋）	SLA	料金（月額）
Core	月1回の経営・部門レビュー。戦略解像度の維持	月1 回90分レビュー / Slack質問対応（24h以内返信）	重大案件48h以内に対応開始	¥1,200,000
Executive	役員レベルの伴走。意思決定の速度を上げる	月1回90分レビュー /オフィスアワー / Slack質問対応（24h以内返信） /主要案件の事前査読 / ベンダ精査 / リスクレビュー/ 月次エグゼクティブレポート/ 次四半期ロードマップ	重大案件24h以内に対応開始	¥2,800,000
Enterprise	事業横断のガバナンス＆PMO補完	週1戦略会議＋案件レビュー / 全社KPIダッシュボード監督 / 施策優先度のRICE判定 / 半期ロードマップ策定ワークショップ / 重大アラート即日助言/ 四半期オンサイト1日	重大案件9h以内に初動	¥5,500,000

主なアウトカム

「クエリ×URL×体験×リンク×時系列」粒度の運用レビューと優先順位の確定

役員・現場の意思決定速度向上（やらないことの明確化）

リスク（手動対策・JSレンダ・CWV・AI Mode対応）の早期検知

前提
　最低契約3ヶ月。オンライン中心（Enterpriseは四半期1日のオンサイト含む）。

SEOコンサルティング（プロジェクト型｜成果物納品）

パッケージ	期間	主要スコープ / 成果物	料金（目安）
総合診断＆戦略設計	8–10週	テクニカル/コンテンツ/情報設計/リンク/AI Mode準備を横断診断 / インデックス可視性・二段インデクシング・CWV診断 / 12ヶ月ロードマップと優先度（RICE） / KPI・実験計画（A/B・DiD＋CUPED）	¥12,000,000–¥38,000,000
データ＆実験基盤セットアップ	10–12週	BigQueryスキーマ（クエリ×URL×体験×リンク×時系列） / GSC Search appearance取込 / uCTR（提示補正CTR）算出 / CUPEDノート・ダッシュボード / 監視（Crawl Stats/CWV）	¥15,000,000–¥42,000,000
JSレンダリング＆CWV改善ブループリント	8–9週	SSR/SSG/ハイドレーション方針 / LCP・INP・CLSの改善設計 / JS依存の初期HTML露出計画 / テンプレ別SLOと改善バックログ	¥14,000,000–¥40,000,000
構造化データ＆エンティティ設計	6–8週	JSON‑LD自動生成パイプライン設計 / Organization・Article・Product・LocalBusiness / サイト内KGと@id運用 / Search appearance最適化	¥10,000,000–¥34,000,000
ベクトル検索PoC（ハイブリッドRRF）	6–8週	ScaNN/Vertex AI Vector Search / BM25×DenseのRRF / 既存検索への統合 / オフラインnDCG評価→オンライン小規模実験	¥12,000,000–¥36,000,000

共通成果物
　仕様書・実装手引き・運用Runbook・経営向けブリーフィング資料。

前提
　固定費用。要件確定後にSOW発行。追加範囲は別見積。

SEOハンズオン（実装・伴走スクワッド）

スクワッド	チーム構成（例）	代表タスク	最低期間	料金（1ヶ月）
Engineering Squad	Tech SEOアーキ×1 / フロントエンド×1 / アナリティクスエンジニア×1 / PM×0.5	SSR/SSG導入、レンダリング改善、CWV対策、構造化データ自動化、GTM/計測実装	3ヶ月	¥12,000,000
Content & Entity Squad	コンテンツストラテジスト×1 / エディター×1 / データアナリスト×0.5 / PM×0.5	見出し・段落粒度の完全回答テンプレ、FAQ/比較表、E‑E‑A‑T表記、エンティティ設計、Search appearance最適化	3ヶ月	¥8,000,000
Growth (Hybrid) Squad	Tech SEO×1 / Data&ML×1 / コンテンツ×1 / PM×1	RRF＋再ランクの改善→uCTR最大化、A/B・CUPED運用、リンク獲得ガバナンス、AI Mode用の「引用されやすい構造」実装	3–6ヶ月	¥16,000,000

進め方
　2週間スプリント。バーニング課題を燃やすWar‑room日を月1設定。

含むもの
　バックログ管理、コード/原稿レビュー、PRD作成、検証設計、ロールアウト計画。

含まない
　大規模開発工数・広告費・クラウド利用料・継続的な記事量産（必要なら別枠で手配可）。

SEOオプション

エグゼクティブ研修（2.5h）
　AI Mode時代のSEOブリーフィング / 役員Q&A — ¥800,000

編集・計測ブートキャンプ（半日）
　Who/How/Why、一次情報の証跡化、web‑vitals RUM導入 — ¥1,500,000

緊急対応リテーナー
　P1障害（インデックス喪失等）4h初動／月8h枠 — ¥1,500,000/月（スポットは¥600,000/日）

SEO 成果の測定（契約に含む指標設計）

可視性
　Search appearance（機能別）／インデックス率／更新→再索引遅延

関連性/満足
　uCTR（位置・見栄え補正後CTR）／長滞在率／短時間SERP戻り率／二次行動率

体験
　CrUX p75（LCP/INP/CLS）／テンプレ別SLO

実験
　A/B、DiD＋CUPEDの設計・解析（最小検出効果と期間の見積）

SEO 契約条件（標準）

最低期間
　アドバイザリー3ヶ月／ハンズオン3ヶ月／コンサルはプロジェクト期間

支払い
　着手時支払い（月次は前払い）。振込手数料・消費税別

価格に含まれない
　取材・撮影・翻訳、広告費、ツール/クラウドの使用料、出張費

知的財産
　成果物は納品と同時にクライアントへ譲渡（第三者ライセンス除く）

秘密保持
　相互NDA／個人情報の取扱いは別途DPA

SEO 3つの代表シナリオ（おすすめ組合せ）

（１）短期で現状を可視化→正しい優先順位

　総合診断＆戦略設計（8–10週） ＋ Coreアドバイザリー（3ヶ月）

　目安：¥15–¥20M＋¥1.2M×3

（２）測って直す体制を作る

　データ＆実験基盤（10–12週） ＋ Growth Squad（3–4ヶ月）

　目安：¥18–¥24M＋¥16M×3–4

（３）JSサイト×体験の本丸攻略

　JSレンダ＆CWVブループリント（8–9週） ＋ Engineering Squad（3–6ヶ月）

　目安：¥15–¥20M＋¥12M×3–6

SEO 見積りの考え方（目安単価）

Principal/Lead（戦略・アーキ）
　¥250,000–¥350,000/日

Senior（実装・データ・編集）
　¥180,000–¥250,000/日

Engineer/Analyst/Editor
　¥120,000–¥180,000/日

最終金額はスコープ・難易度・体制により確定します。

「高難度テーマを測って、直して、伸ばす」ためのハイレベル戦略×ハンズオン実装を前提に設計しています。必要に応じて、既にご用意済みのダッシュボード／uCTR・CUPEDノート／JSON‑LD生成／ハイブリッドRRF PoCも初期ブースターとして組み込み、初月から動く成果物を出します。