70件の Prompts で1,702件の引用、回答1つあたり約8件
AI可視性についての議論の多くは、回答を1つのページ、つまり自社のページへの判定として扱います。自分が入っているかどうかしか確認しないので、内側からはそう見えるのです。
UC Berkeley と Wrodium Research の Arlen Kumar と Leanid Palkhouski が2025年9月に公開した監査が、その形を数値で示しました。16のB2B SaaS の業種にわたる70件の製品購入意図の Prompts を、Brave Summary、Google AI Overviews、Perplexity の sonar-pro で実行し、1,100の固有の URL を指す1,702件の引用を集めました。
70件の Prompts を3つのエンジンで実行すると、回答は210件です。1,702件の引用をそれで割ると、回答1つあたり約8件の引用 URL になります。それが本当の単位です。枠は8つで、うまくいった日でも、そのうち7つは他人のものです。
ソフトウェアの質問では、引用ドメインの72.7%がベンダーのものではなかった
同じ月に出た2つ目の研究は、その隣人が誰なのかに迫っています。University of Toronto の Mahe Chen、Xiaoxuan Wang、Kaiwen Chen、Nick Koudas は、10カテゴリを各100件、計1,000件の消費者向けランキングの Prompts を、米国とカナダで Google とウェブ検索対応の GPT の両方に対して実行しました。クエリごとに上位10件の URL を取り、すべてのドメインを Brand、Social、Earned（独立したメディア、レビュー、比較サイト）に分類しました。
米国のソフトウェア製品では、AI検索は Earned が72.7%、Brand が26.7%で、Social はほぼゼロでした。同じ意図で Google は Brand 43.7%、Earned 45.4%、Social 10.9%でした。カナダでは差がさらに大きく、AI検索は Earned 74.2%で Social はまったくなく、Google は Brand 53.8%に寄っていました。米国の家電はさらに進んで、Earned が92.1%でした。
ブランドとして読むと、少し痛いところがあります。カテゴリの質問では、モデルが拠りどころにしているものの大半は、あなたが雇っていない人が、あなたが編集できないページに書いたものなのです。
共引用は1973年に定義され、その定義こそが要点
これにぴったり当てはまる古い考え方があります。1973年に Henry Small は Journal of the American Society for Information Science で、共引用を、2つの文書が一緒に引用される頻度として定義しました。引用する側の文書のリストを比べ、同一の項目を数えることで測ります。共引用された論文のクラスターが科学の専門分野の構造を描き出すことを、彼は示しました。
持ち込む価値があるのは、Small がこの尺度の土台にした性質です。共引用は、引用する側によって作られます。2つの論文が隣り合うのは、第三者が両方を繰り返し参照したからです。どちらもその関係を宣言することはできず、抜け出すこともできません。
これをアンサーエンジンに置き換えると、その帰結は居心地の悪いものです。誰の隣に現れるかは選べません。エンジンはリクエストのたびに新しく集合を組み立て、購買者は8つの情報源を1つのものとして読みます。ほぼ同じページを持つ2社のベンダーでも、別々の顔ぶれの中に置かれ、そのせいで違うふうに読まれることがあるのです。
引用された1,100ページのうち、複数のエンジンに現れたのは134だけ
顔ぶれは、エンジン間で引き継がれもしません。Kumar と Palkhouski のコーパスでは、134の URL がエンジン横断の引用として数えられました。監査した1,100の URL に対しておよそ8分の1なので、引用されたページの約8分の7は1つのエンジンだけに引用されたことになります。複数のエンジンに現れた134のページは、論文のページ品質指数で単一エンジンのものより71%高いスコアでした。地味な構造上の作業をする十分な理由です。
実務的には、Perplexity の情報源の集合に入っていても、Google AI Overviews についてはほとんど何も分からないということです。ダッシュボードがエンジンをまとめて1つの可視性の数値にしているなら、それはほぼ別々の3つのページの母集団を平均しています。
他者を引用すると、5位のサイトが115%伸びた
ここからが、月曜日にすることを変える部分です。生成エンジン最適化（GEO）という名前を付けた Princeton の Pranjal Aggarwal らの論文は、25の領域にわたる10,000件のクエリのベンチマークで、9通りのコンテンツの書き換えをテストしました。
上位に来たのは3つの方法でした。信頼できる情報源への引用を加えること、引用文を加えること、統計を加えることです。合わせると、論文の位置で調整した単語数の指標で30〜40%、主観的な印象のスコアで15〜30%の相対的な改善がありました。
検索順位別に分けると、Cite Sources の方法は、もともと5位だったサイトの可視性を115.1%引き上げ、1位のサイトの可視性は平均で30.3%下がりました。そこでのテコは権威ではなく、引用しやすさです。信頼できる情報源を引用するページは、モデルにそのまま抜き出せるものを渡し、あなたの文を、引用した情報源と同じ段落に置きます。
これは共引用の話を逆方向から見たものです。誰を引用するかが、誰と一緒に引用されるかを形づくるのです。
自社の行だけでなく、顔ぶれを測る
集合が単位なら、引用の件数より価値のある問いが4つあります。
- 自社カテゴリで、どのドメインが繰り返し一緒に現れるか。同じ4ページが Prompts をまたいで繰り返し出てくるなら、そのグループが自社カテゴリの実際の情報源リストで、それは把握できます。
- 自社が入っていない集合に競合が入っていないか。それは掲載のギャップで、自社のトップページをいくら書き直しても埋まりません。
- エンジンごとに、分けて。上の数値では集合はほとんど重ならないので、1つのエンジンの顔ぶれから別のエンジンの顔ぶれはあまり予測できません。
- 共引用されているページのうち、どれが投稿や訂正を受け付けているか。まとめ記事の多くは受け付けており、外にいる集合に入る最も安上がりな方法は、たいてい頼んでみることです。
私たちがしていること
だから Proofsource は、Prompt の追跡と引用のギャップの検出と並べて、共引用のマッピングを実行しています。レポートは、自社カテゴリでどの情報源が一緒に現れ、どれに自社が入っていないかを示し、同じ理由で、クライアント向けレポートにはランキング記事の情報源の構成と鮮度のビューも含まれています。
私たち自身のサンプリングも同じ方向を指しています。調べた1つのカテゴリの「カテゴリで最適なもの」を尋ねる質問では、ChatGPT が引用した情報源の約44%がランキング記事やまとめ記事、24%がレビューサイト、18%がベンダーのページでした。これは私たちのもので、1つのカテゴリ、1つのエンジンでの数値であり、一般的な法則として擁護するつもりはありません。
それはまた、最も安上がりな改善策が、相手が所有しておらず私たちも触れられないページにある、と伝えることが少なくないということでもあります。何も動かさない書き換えを売るより、そう言う方を選びます。
この分析が誤っている可能性がある点
どちらの監査も2025年9月に実施されました。1年前のことで、対象のエンジンはどれもその後何度もバージョンを重ねています。方向は十分に裏付けられたものとして、正確な割合は古くなったものとして扱ってください。
Kumar と Palkhouski の研究は観察研究で、英語、B2B SaaS、70件の Prompts から1時点で収集したものです。Perplexity には sonar-pro の API で問い合わせており、それが一般向けの製品と同じように振る舞うとは限りません。134という数値はそのコーパスでの件数で、エンジンの組ごとの重なりは公開されていないので、どの2つのエンジンが最も多くを共有しているかは言えません。
Toronto の研究は、すべてのドメインを GPT-4o-search-preview で分類しました。モデルが付けたラベルにはモデルの誤りが含まれ、ベンダーが資金を出している比較サイトでは、Brand と Earned の境界は実際にあいまいになります。
ここでは解決できない食い違いがあります。広く出回っている複数のトラッカーは、Reddit のようなコミュニティのプラットフォームがAIの引用で非常に大きな割合を占めると報告していますが、この研究では Social はゼロに近いという結果でした。私たちはそれらのトラッカーを一次情報までたどっていないので、そこから数値を引用はしません。どちらかの側に付くのではなく、食い違いとして指摘しておきます。
Aggarwal のベンチマークは2023年と2024年のもので、2世代前のエンジンに対して評価されています。そこから仕組みは受け取り、115%はその設定の産物として扱ってください。
Small の1973年の尺度は、固定された印刷物の記録を対象にしていました。回答の情報源の集合はリクエストごとに作り直されるので、誰と一緒に引用されるかは分布です。1つの回答では、自社の顔ぶれについて何も確定しません。
