AI検索4エンジンの引用重複率を
約1万件で独自測定

01調査概要

背景と目的

「ChatGPTで推薦される施策は、Geminiでも有効なのか」──GEO（Generative Engine Optimization）に取り組む企業がまず直面する問いである。しかし、各エンジンが引用するソースがどの程度重複しているかを大規模データで測定した日本語の研究は、我々の知る限り存在しない。

本調査では、4大AI検索エンジンが同一クエリに対して引用するドメインの重複率を測定し、「どの層で」「どの程度」共通しているかを構造的に分析した。

データ規模

02ドメイン引用の重複率 ── 約10%

同一クエリを4エンジンに投入し、各エンジンが引用したドメインのJaccard係数（共通要素÷和集合）を算出した。結果は以下の通りである。

エンジンペア間の重複率

ChatGPTの構造的孤立

ヒートマップから明瞭に見て取れるのは、ChatGPTが他の3エンジンと著しく異なるソースを参照しているという事実である。ChatGPTと他エンジンの重複率は全て6〜7%台であり、ChatGPT×Geminiの中央値は0.0%──つまり半数以上のクエリで、1つも共通ドメインがない。

一方、Perplexity×AIOは18.9%と最も高い。両者はGoogle検索という共通基盤を持つためである。ただし18.9%でも「約8割は異なるドメインを引用している」ことを意味する。

03ブランド推薦の重複率 ── 約14%

ドメイン（引用元のURL）だけでなく、各エンジンが推薦するブランド名の重複率も測定した。998件の回答テキストからブランド名を抽出し、同様にJaccard係数を算出した。

この結果は重要な示唆を含んでいる。異なるドメイン（情報源）を見ていても、結果的に同じブランドを推薦しているケースがある。つまり、AIの推薦は特定のURLに依存しているのではなく、Web上に分散した情報の総体──後述する「パーセプション」──から形成されている可能性が高い。

04推薦文脈の一致率 ── 約37%

分析をさらに一段深め、各エンジンが「なぜそのブランドを推薦したのか」という文脈（推薦理由のタグ）の一致率を測定した。135件の回答テキストから推薦文脈タグ（例: 「コスパ」「初心者向け」「実績豊富」「口コミ高評価」等）を抽出し、エンジンペア間のJaccard係数を算出した。

文脈レベルでもChatGPTの孤立傾向は見られるが（31〜38%）、ドメインレベル（6〜7%）と比較すると、その差は大幅に縮まっている。つまり、ChatGPTは他エンジンと全く異なる情報源を見ているにもかかわらず、推薦の理由づけにはある程度の共通性がある。

業界による文脈一致度の差

文脈がどの程度揃うかは、業界特性に大きく依存する。

05パーセプション3層構造

以上の分析から、AIエンジン間の「共通性」には3つの層があることが明らかになった。我々はこれを「パーセプション3層構造」と呼ぶ。

3層構造が意味すること

この構造には実務上重要な含意がある。

• 文脈層（37%共通）は、Web全体の認知構造から形成される。特定のURLではなく、比較サイト、口コミ、ニュース記事、公式サイトなど、多様な情報源に分散して存在する「このブランドは○○に強い」という情報の集積がAIの推薦理由を規定している。
• ブランド層（14%共通）は、文脈の厚みで決まる。Web上の多くの場所で言及されているブランドほど、複数のエンジンで推薦される可能性が高い。
• ドメイン層（10%共通）は、各エンジンの内部ロジックに依存する。特定のドメインに載るだけでは、そのドメインを引用するエンジンにしか効果が及ばない。

つまり、全エンジンに横断的に効く施策は、文脈層とブランド層に働きかけるもの──すなわち、多様な場所でブランドについて語られている状態を作ること（パーセプション強化）──である。個別ドメインへの掲載は「そのドメインを引用するエンジン」にしか効かない。

06海外研究との比較

本調査の結果を、海外で公開されている類似研究と比較する。

ConvertMateの英語圏データ（ドメイン重複率11%）と本調査の日本語データ（約10%）はほぼ一致した。「エンジン間のドメイン引用重複率は約10%」という傾向は、言語圏を問わず普遍的である可能性が高い。

一方、SparkToroの「ブランドリスト完全一致1%未満」も本調査と整合する。同調査はさらに「上位の常連ブランドは安定して出現する」と指摘しており、これは本調査の「ドメインは違ってもブランドの重複率は高い」という発見と同じ構造を異なる角度から捉えたものと言える。

07企業への示唆

全エンジン共通施策 ── パーセプション強化

3層構造の発見から導かれる最も重要な実務的示唆は、「パーセプション強化」が全エンジンに横断的に効く施策であるという点である。

具体的には、以下のような活動が文脈層とブランド層に働きかける。

• 比較サイト・レビューサイトへの掲載 ── 全4エンジンが共通して引用する上位ドメインは比較メディアが中心（詳細は全エンジン共通引用先TOP10で報告）
• PR TIMESやYouTubeでの情報発信 ── これらも全エンジンが共通して引用するプラットフォーム（LLMO対策7選も参照）
• 多様な文脈での言及 ── 1つの媒体に集中するのではなく、複数の媒体で異なる切り口から言及される状態を作る。ChatGPTにおすすめされる方法も参考になる

エンジン別施策 ── ドメイン層の個別対応

パーセプション強化はベースラインとして必須だが、それだけでは不十分なケースもある。特にChatGPTは他3エンジンとドメインの重複率が6〜7%と極めて低く、ChatGPT固有の引用傾向（権威性の高いソース、英語圏のデータ等）への対応が別途必要になる。

エンジン別の引用傾向の詳細は、ChatGPTとGeminiで推薦が違う理由を参照されたい。

業界特性による優先度の判断

• 定番がある業界（金融、人材、SaaS等）: 文脈の一致率が高い（40〜50%）ため、パーセプション強化の効果が全エンジンに波及しやすい
• 定番がない業界（ニッチサービス、地域密着型等）: 文脈の一致率が低い（0〜15%）ため、エンジン別の個別施策の比重を高めるべきである

08調査方法の詳細

データ収集

各AI検索エンジンに日本語クエリを投入し、回答テキストと引用URLを収集した。各クエリについて複数回測定を行い、信頼度の高いデータセットを構築した。

重複率の測定

• ドメイン重複率: 各エンジンが引用したドメインの集合を構築し、エンジンペア間のJaccard係数（|A∩B| / |A∪B|）を算出
• ブランド重複率: 回答テキストからブランド名を抽出し、同様にJaccard係数を算出
• 文脈一致率: 回答テキストから推薦文脈タグ（「コスパ」「初心者向け」等）を抽出し、Jaccard係数を算出