検索の主戦場が変わった──AIに読まれる構造と選ばれる設計の最新動向

翻訳概要：

• 120万件の検索結果と1.8万件を超えるAI引用を分析し、ChatGPTをはじめとするAIが、どのような文章構造を優先的に参照しやすいのかを検証した。分析の中では、本文全体を均等に読むのではなく、特に冒頭30％付近に強く注意を向ける傾向が見られ、「スキーのジャンプ台」のように前半で重要情報を集中的に提示する構造が有効だと示された。
• AIに引用されやすい文章の特徴として、「結論を曖昧にせず断定的に書く」「疑問形の見出しで論点を明確にする」「固有名詞や専門概念などのエンティティを適切に含める」が挙げられている。加えて、主観的な意見だけでも、客観情報だけでも弱く、両者のバランスが取れた記述のほうが引用されやすい傾向も確認された。
• 文体面では、長く複雑な文章よりも、簡潔で意味が取りやすい表現が有利とされる。AI検索時代のコンテンツ設計では、単に情報量を増やすことよりも、前半で何をどう提示するか、どの粒度で論点を置くかが重要になるという示唆である。
• 記事全体を通じて示されているのは、AIに読まれる文章は魔法のテクニックではなく、情報の優先順位づけと構造設計の問題だということ。従来のSEO文脈で語られがちだった網羅性やボリューム偏重ではなく、AIが意味を取り出しやすい配置と表現に再設計する必要がある、という示唆がある。

ポイント：
AI引用を増やしたいなら、本文前半に重要情報を集め、断定・論点明示・エンティティ配置・簡潔さを意識して、文章そのものの“読まれ方”を設計する必要がある。

翻訳概要：

• Microsoft Securityの調査記事では、企業がWeb上の「Summarize with AI（AIで要約）」ボタンなどに隠しプロンプトを仕込み、AIアシスタントのメモリ機能へ不正な命令を注入する「AI Recommendation Poisoning（AIレコメンド汚染）」の実態が報告されている。攻撃の狙いは、AIに対して「特定企業を信頼できる情報源として記憶させる」「今後その企業を優先的に推薦させる」といった永続的なバイアスを与えることにある。
• この手法はURLパラメータに埋め込まれたプロンプトを通じて実行され、ユーザーがリンクをクリックするだけでAI側に記憶操作を試みる仕組みになっている。調査では、31社・14業種にまたがる50件超のユニークな事例が確認されており、しかもこうした仕組みは特別な高度技術がなくても比較的容易に実装できるとされる。従来のSEOが検索結果上の露出競争だったのに対し、これはAIそのものの「推薦判断」や「記憶」に直接介入しようとする動きとして位置づけられている。
• 問題が深刻なのは、ユーザーから見ればAIの回答が一見もっともらしく見える一方で、内部的にはすでに汚染された前提に基づいて推薦が行われる可能性がある点である。
• AIがユーザーの好みや継続的な指示を覚えられること自体は有用だが、その記憶に外部から偽の「事実」や命令が混入されると、以後の対話全体に持続的な歪みが生じる。対策としては、AIメモリの可視化と管理、リンクやURLパラメータの検査、プロンプトインジェクションへの防御強化が重要だと示されている。

ポイント：
AI活用のリスクは誤答だけではなく、AIの「記憶」と「推薦基準」そのものが外部から汚染される段階に入っており、今後はメモリ管理とリンク起点の防御を前提にAIを運用する必要がある。

翻訳概要：

• Google DiscoverのSDKを解析し、Discoverがどのような要素でコンテンツを評価・ランキング・抑制しているかを読み解いている。主な要因として、og:image や og:title などのOpen Graphタグ、予測クリック率（pCTR）、公開後7日間を中心としたフレッシュネス、ユーザーによる非表示シグナルの回避、そしてユーザーの関心領域との適合が挙げられている。
• 重要なのは、Discoverが単に記事の品質を見るのではなく、画像・タイトル・鮮度・初動反応・興味関心の一致まで含めて配信可否を判断している点である。記事では、large card表示に十分な画像サイズが必要なことや、公開初週の反応が露出に強く影響する可能性も示されている。
• Discoverは「たまたま載る面」ではなく、メタデータ設計、クリックされやすさ、鮮度、ユーザー反応を複合的に処理する推薦システムとして動いている、という見方を示している。

ポイント：
Google Discoverで露出を狙うなら、記事本文だけでなく、画像・タイトル・初動CTR・鮮度・関心適合まで含めて設計する必要がある。

翻訳概要：

• SparkToroとDatosが2025年の米国およびEU/UKにおけるデスクトップ検索行動を41サイト横断で分析し、検索がGoogleだけで完結していない実態を示した内容である。米国ではGoogleが検索全体の73.7%を占める一方で、Amazon、YouTube、Instagramなどの商取引系・動画系・SNS系プラットフォームにも検索行動が広く分散していることが確認された。
• ユーザーは何かを探すとき、必ずしも検索エンジンから行動を始めるわけではない。商品はAmazon、動画はYouTube、話題や評判はSNS、回答はAIツールというように、目的ごとに検索先を使い分けている。検索は特定チャネルの名前ではなく、情報探索そのものを指す行動として捉えるべきだという問題提起になっている。
• Google中心で検索市場を捉える従来の見方だけでは、実際のユーザー行動を捉えきれない。どこで検索されるかまで含めて可視性を設計する必要がある、という示唆を含んでいる。

ポイント：
検索対策はGoogle対策だけでは不十分で、ユーザーが目的別に使い分けるAmazon、YouTube、SNS、AIツールまで含めて設計すべきだと分かる。

翻訳概要：

• GoogleはDiscoverの画像に関する推奨事項を更新し、従来から案内していた「幅1,200ピクセル以上」に加えて、「合計30万ピクセル以上の高解像度」と「16:9のアスペクト比」を明記した。あわせて、Discoverでは画像が自動的に切り抜かれる可能性があるため、重要な要素が切れない構図で画像を設計し、必要に応じて切り抜き後の画像を og:image で指定することも推奨している。
• さらにGoogleは、schema.org マークアップまたは og:image メタタグを使って、ページを代表する大きな画像を明示することがDiscoverのサムネイル選択に影響すると説明している。一方で、サイトロゴのような汎用画像や、文字が多すぎる画像は避けるよう案内しており、画像そのものの品質だけでなく「代表画像として適切か」まで見直す必要がある。
• Discover対策では、単に大きな画像を置くだけでは不十分で、解像度、比率、構図、メタデータ指定まで含めて、Discoverでどう見切れずに表示されるかを前提に画像設計を行う必要がある。加えて、max-image-preview:large または AMP による有効化も条件として案内されている。

ポイント：
Google Discoverの画像最適化は「1200px以上」で終わらず、16:9・30万px・代表画像の明示・文字量と構図の調整まで含めて設計する段階に入った。

翻訳概要：

• Googleは検索のAI ModeにCanvasを追加し、検索結果を読むだけでなく、対話しながら計画書、文章、コード、簡易ツールをその場で作れるようにした。Canvasは米国の英語環境で一般提供が始まっており、検索画面内の専用スペースでプロジェクトを継続的に整理できる。
• AI ModeのツールメニューからCanvasを選び、作りたいものを指示すると、WebとGoogleのKnowledge Graphの最新情報を基にした試作版がサイドパネルに生成される。ユーザーはその場で動作を試し、コードを確認し、対話で修正を重ねながら完成度を高められる。Googleは例として、奨学金情報を整理するダッシュボードや、旅行計画、学習支援、独自のインタラクティブツール作成を挙げている。
• 検索は従来のように「情報を見つける行為」だけでなく、「情報を材料にして作業を進める行為」に変わりつつある。今回のCanvas統合は、Gemini的な生成体験を検索の中に持ち込み、検索を調査の入口から作業環境へ拡張する動きとして読める。

ポイント：
Google検索のAI Modeは、答えを返すだけの機能から、対話しながら文書やツールを作る作業環境へと進化し始めている。