【独自調査】検索上位でも、AIOに選ばれるとは限らない

「AIOに採択されやすい記事は公開前・リライト前に絞り込めるのか」記事構造と検索文脈を組み合わせた予測モデルを19,826件のURLで検証。

株式会社ＥＸＩＤＥＡ

2026年6月25日 10時00分

株式会社EXIDEA（本社：東京都中央区、代表取締役：小川卓真）は、「AIOに採択されやすい記事を、公開前・リライト前にある程度絞り込めるのか」という問いを立て、19,826件のURLデータを用いた予測モデルの検証を行った結果を公表します。

AI Overview（以下AIO）への対応を進めるSEO・コンテンツ責任者の現場では、施策の優先度をどう決めるかが課題になっています。

「改善対象の記事が多すぎて、どこからリライトすべきか分からない」
「上位表示はできているのに、AIOに採択される記事とされない記事の違いが見えない」
「限られた工数を、どの記事に投下すればよいか判断材料が足りない」

本リリースでは、AIO時代のSEO設計と運用の優先度を考えるうえで参考になる5つのファクトを共有します。

本調査結果の要点

AIOに採択されやすい記事は、記事の中身だけでなく、検索順位やクエリの文脈まで見ることで、ある程度事前に絞り込める。
予測モデルが「採択されやすい」と判定した上位10%のURL群では、82.8%が実際にAIOへ採択された。
AIO時代のSEOでは、採択された記事を後から分析するだけでなく、どの記事から改善すべきかを事前に見極めることが重要になります。

調査の概要

項目	内容
調査対象	Google検索データと紐づく記事URL （AIOが表示された検索結果に出現したURL群）
分析対象URL数	19,826件
目的変数	当該URLがAIO回答内で採択されたか（aio_cited、二値判定）
母集団の採択率	43.5%
比較モデル	ロジスティック回帰、LightGBM
特徴量の系統	Base（記事特徴量のみ）／Enriched（記事特徴量+検索文脈特徴量）
ベストモデル	LightGBM + 記事特徴量 + 検索文脈特徴量
検証方法	学習用80% / テスト用20%のホールドアウト検証
主な評価指標	AUC、Top10 precision、Top20 recall
寄与度の解釈	SHAPによる特徴量寄与の可視化
データ取得時期	2026年2月〜4月
調査主体	株式会社EXIDEA

使用した指標ならびに用語の概要

記事特徴量：文字数、見出し数、平均段落長、表やFAQの有無、出典明記、冒頭での直接回答、比較構造、E-E-A-T関連要素など、記事本文の構造に関する30超の項目。
検索文脈特徴量：検索順位（最高順位・平均順位・Top3率・Top10率など）、対象URLが登場するクエリ数、クエリ形式、検索意図、指名/非指名比率、YMYL比率など、URLが置かれている検索環境に関する項目。
AUC：モデルが「採択されやすい記事」を上位に並べられるかを示す指標。
SHAP：各項目がどれだけ予測に効いたか（寄与度）を図る統計手法

① AIOに選ばれるかは、記事の中身だけでは決まらない

まず、記事本文の構造だけを使うベースモデルと、検索文脈の指標まで加えた拡張モデルを比較しました。記事の中身だけを見たベースモデルではAUCが0.63台にとどまった一方、検索文脈を加えた拡張モデルでは0.71〜0.72台まで改善しました。

モデル	特徴量	AUC	上位10%の当たり率	上位20%の当たり率
Logistic / Base	記事特徴量のみ	0.6338	58.3%	56.0%
LightGBM / Base	記事特徴量のみ	0.6302	58.1%	56.4%
Logistic / Enriched	記事 + 検索文脈	0.7114	82.3%	69.5%
LightGBM / Enriched ★ ベストモデル	記事 + 検索文脈	0.7209	82.8%	71.9%

AIO採択の予測は記事本文の構造だけでは不十分で、そのURLがどの検索文脈に置かれているかをあわせて見ることで、予測精度が大きく改善することが分かります。AIO採択は完全に偶然で決まるのではなく、記事構造と検索文脈の組み合わせで一定程度予測可能であることを示しています。

② “採択されやすい記事”は、上位10%にかなり濃く集まっていた

ベストモデルでは、母集団全体の採択率が43.5%であるのに対し、テストデータ上でモデルが高スコア順に並べた上位10%のURL群では、採択率が82.8%まで上昇しました。

指標	値
母集団の採択率	43.5%
上位10%の採択率（Top10 precision）	82.8%
Lift	1.90倍
上位10%で拾えた採択URLの割合（Top10 recall）	19.0%

全件を完璧に当てるモデルではなくても、優先的に見るべき候補群を高い濃度で抽出できるという結果です。編集工数や改善工数が限られる現場では、全件を一律に確認するのではなく、まず上位候補群に注力するという運用が現実的になります。

③ 採択率82.8%は全体精度ではない。見るべきは“候補群の濃さ”

採択率82.8%という数値は、分類モデル全体の正解率ではありません。意味するのは、モデルが高スコアを付けた上位10%のURL群の当たり率です。下図のとおり、モデルが上位10%として選んだ約396件のうち、約328件が実際に採択されたURLでした。

LightGBM / Enriched の件数イメージ。上位10%として抽出した396件のうち328件が実際に採択され、Top10 precisionは82.8%。

AUCはモデル全体の並び順のうまさを示し、Top10 precisionは「先頭10%だけを見たときの当たり率」を示します。両者は性質の異なる指標で、AUC 0.7209とTop10 precision 82.8%は矛盾せず同時に成立します。広く全件を当てにいくより、先頭集団を狙い撃ちで濃く抽出することに、本モデルの実務的な価値があります。

④ 良い記事を書くだけでは足りない。検索結果での立ち位置も見られている

ベストモデルの寄与度を見ると、AIO採択の予測には記事単体の構造だけでなく、そのURLがどのような検索文脈に置かれているかが強く関連していました。

ベストモデル（LightGBM / Enriched）のSHAP寄与度。最高順位や検索結果登場回数といった検索文脈の指標が上位を占める。

特に寄与度が大きかった項目の例は次のとおりです。

最高順位 / 平均順位 / Top3率 / Top10率（検索文脈）
対象URLが登場するクエリ数（検索文脈）
AIOが出やすいクエリ比率（検索文脈）
文字数、平均段落長（記事構造）
簡潔な定義、冒頭で直接回答（記事構造）
比較・ランキング構造の有無（記事構造）

AIO採択は「良い記事を書けば自動的に採択される」という単純な現象ではなく、検索順位やクエリタイプを含む文脈条件の中で起きている可能性があります。AIO採択を考える際は、記事品質そのものだけでなく、検索結果上でどのような文脈に置かれているかもあわせて見る必要があります。

⑤ AIO対策は、記事設計と検索順位をセットで見る段階に入った

検索結果での露出順位が高いURLほど、モデル上では採択方向に寄与しやすい傾向が見られました。一方で、長すぎる段落の塊文はマイナス方向に寄与しやすく、冒頭で端的に答える構造はプラス方向に寄与しやすい傾向が確認されました。

重要特徴量ごとの「値 → SHAP value」関係（LightGBM / Enriched）。最高順位・平均順位は値が小さい（上位）ほど寄与が高く、平均段落長は長すぎる側で寄与が下がる傾向。

AIO時代のコンテンツ設計では、記事品質そのものと検索環境内での立ち位置を、あわせて見ることが重要です。検索順位を取るための従来SEOと、AIに引用されやすい構造を整える記事設計は、対立する施策ではなく組み合わせて運用するレイヤーである、と捉えるのが現実的です。

担当者が今日からできる4つのアクション

AIO対策では、すべての記事を一律に直すのではなく、採択される可能性が高い記事から優先的に確認することが重要です。

1. 改善候補の記事を、優先度順に並べる

改善対象が多い場合、すべての記事に同じ工数をかけるのは非効率です。検索順位・クエリ文脈・記事構造を見ながら、先に手を入れる記事を絞り込みます。

2. 上位表示しているのに、AIOに採択されていない記事を洗い出す

検索順位は取れているのにAIOに採択されていない記事は、改善余地の大きい候補です。順位データとAIO採択の有無を突き合わせて確認してください。

3. 記事冒頭に、結論を先に置く

前置きが長い記事は、ユーザーが求める答えにたどり着きにくくなります。冒頭で結論や定義を端的に示せているかを確認してください。

4. 長い段落を、短く分解する

ひとつの段落に複数の論点を詰め込むと、要点が伝わりにくくなります。長い塊文は、見出し・箇条書き・表で整理できないか見直してください。

EmmaToolsは、AI検索時代のSEO運用を支援します

今回の調査から、AIO時代のSEOでは「どの記事を、どの順番で改善するか」の優先度判断が、運用の生産性を大きく左右することがわかりました。

EmmaToolsは、本調査のような検索結果データを活用しながら、SEO記事の作成・リライト・改善を支援するSEOライティングツールです。AIに引用される可能性を意識した記事構造の整理、競合との比較ポジションの把握、記事ごとの改善優先度の整理など、AI時代のSEO運用に必要な打ち手を支援します。

「自社の記事のうち、どれをリライト対象にすべきか優先順位を決められない」
「上位表示は取れているが、AIに採択される/されないの差が分からない」
「AI時代のSEOで、何から手をつければいいか整理できていない」

このような課題をお持ちの方は、EmmaToolsまでご相談ください。

お問い合わせ

EmmaToolsに関するお問い合わせ・資料請求はこちらから受け付けております。

本予測モデルの活用方法や、自社サイトへの応用方針については、個別相談・お打ち合わせの中でご紹介しています。

・EmmaToolsサービスサイト：https://emma.tools

・株式会社EXIDEA お問い合わせ： https://exidea.co.jp/contact

調査手法の特徴

本調査は、SEO担当者の主観や事例の積み上げではなく、Google検索データと紐づく19,826件のURLを対象に、記事構造と検索文脈の双方から予測モデルを構築・検証しています。「AIO採択を事前に見積もれるか」という問いに、定量的な予測精度の指標で答えている点に特徴があります。

差別化ポイント	内容
二系統の特徴量	記事本文の構造だけを使うBase系統と、検索順位・クエリ形式・検索意図などの検索文脈を加えたEnriched系統の2系統を別建てで構築
2モデルでの比較	ロジスティック回帰とLightGBMの2モデルで同じ特徴量セットを比較し、線形モデルでも到達できる水準と、勾配ブースティングで上積みできる範囲を切り分け
3指標での性能評価	AUC（並び順の良さ）、Top10 precision（先頭集団の当たり率）、Top20 recall（取りこぼしの少なさ）の3指標で性能を多面的に評価
ホールドアウト検証	学習用80% / テスト用20%でデータを分割し、テストデータ約3,966件に対する予測精度を確認
寄与度の可視化	SHAPで各特徴量の寄与方向と大きさを可視化し、どの項目が予測に強く関連したかを再現可能な形で提示
事前スコアリング志向	事後の解釈ではなく、公開前・リライト前の優先順位付けに使える指標としてモデルを設計

＜注記＞

本調査は予測モデルの検証結果であり、「AIO採択を82.8%の精度で全件判定できる」ことを意味するものではありません。82.8%はTop10 precision、つまりモデルが高スコアと判定した上位10%のURL群の当たり率です。
検証方法はランダム分割によるホールドアウトであり、将来時点のデータに対する時系列検証は今後の課題です。
本モデルは検索順位などの文脈特徴量を含んでいるため、記事本文だけで予測した性能ではありません。検索結果での立ち位置と組み合わせて成立する数値です。
本調査は、AIO採択に関係する傾向を予測可能性の観点から整理したものです。GoogleのAIO採択ロジックを完全に再現したわけではなく、本調査だけで採択要因を断定することはできません。
GoogleのAIO仕様や検索結果は継続的に変動するため、同様の性能が将来も確認されるとは限りません。
本調査は日本語検索を対象としており、他言語市場では傾向が異なる可能性があります。
本モデルの最も現実的な使い方は、自動判定の代替ではなく、人間の判断を補助する優先順位付けの指標としての活用です。スコア上位の記事から確認し、公開前の設計や改善の優先度に反映する使い方を推奨します。