BtoB製造業様｜LLMO・GEO・AEO／技術文書最適化支援
- 業種
- 製造業
- 支援期間
- 6か月
- 主要成果
- ChatGPT自社製品カテゴリ引用率：14％→38％／24ポイント改善
- 自社の技術文書や製品カタログがPDF中心で、Web上に存在していてもChatGPTやPerplexityからほとんど引用されない状態だった
- 自社製品名や業界キーワードでAI検索しても、競合や第三者情報が優先され、自社の一次情報が十分に活用されていなかった
- 従来のSEOは大手代理店へ委託していたものの、生成AI検索経由の認知・流入・問い合わせをどう設計するかというフレームがなかった
- 社内でも「LLMOとは何か」という段階から議論が始まっており、経営・マーケティング・技術部門で共通認識を持てていなかった
- 経営陣から「AI検索時代の打ち手を1年以内に確立する」という要請があり、LLMO・GEO・AEOに特化した専門パートナーを探していた
- ChatGPT・Perplexityなどにおける自社製品・製品カテゴリ・技術テーマの引用・言及状況を定量的に診断
- AI上で第一想起されたい製品カテゴリ・技術テーマ・質問文脈を整理
- PDF中心だった製品カタログ・技術文書を棚卸しし、AIが取得・理解・引用しやすいWeb情報へ展開
- 技術仕様、用途、対応業界、選定基準、FAQなどを構造化し、AIが個別の質問へ回答しやすい情報設計へ改善
- 既存PDFとWebページの役割を整理し、PDFだけに閉じていた重要情報をHTMLコンテンツとしても公開
- 製品・技術情報と導入事例、用途別ページ、FAQを接続し、「どの条件ならどの製品が適しているか」を説明できる状態へ改善
- ChatGPT・Perplexity上の引用率・言及率を継続モニタリングし、競合との差分をもとに改善を継続
- ChatGPTでの自社製品カテゴリにおける引用率が14％から38％へ改善
- Perplexityでの自社言及率が21％から47％へ改善
- 指名検索流入が前年同月比156％
- AI経由で技術問い合わせを受ける比率が約3倍に増加
- 技術情報を理解した状態で問い合わせるユーザーが増え、商談化率も向上
- PDF中心だった技術資産を、SEO・LLMO双方で活用できる情報資産へ転換
- AI検索上で自社製品カテゴリの候補として想起される状態を構築
今回ご紹介するのは、BtoB製造業におけるLLMO・GEO・AEO支援事例です。
同社では長年にわたり、製品カタログ、仕様書、技術資料など豊富な専門情報を蓄積していました。
一方で、その多くがPDF形式で管理されており、Google検索では一定の評価を得ていても、ChatGPTやPerplexityなどの生成AIでは十分に引用・活用されていないという課題がありました。
自社製品名や業界キーワードについて生成AIへ質問すると、競合企業や第三者サイトは出てくる。
しかし、本来最も正確なはずのメーカー自身の技術情報が回答の根拠として使われていない。
さらに、既存のSEO支援会社へ相談しても、生成AI検索をどのように計測し、どのような順番で改善すればよいのか明確な方法論がありませんでした。
社内でも、
「そもそもLLMOとは何なのか」
「SEOと何が違うのか」
「PDFを増やせばいいのか、Webページを作るべきなのか」
といった議論から始まる状態でした。
一方で経営陣からは、「AI検索時代に対応する打ち手を1年以内に確立する」という明確な要請がありました。
そこでアムールでは、AI上の引用・言及状況を可視化したうえで、製品カタログ・技術文書・FAQ・用途別情報などを横断して再設計。
9ヶ月の運用で、ChatGPTにおける自社製品カテゴリの引用率は14％から38％、Perplexityでの言及率は21％から47％まで改善しました。
さらに、AI経由の技術問い合わせ比率も約3倍となり、単なるAI上の露出ではなく商談につながる成果へ結びついています。
本記事では、その取り組みをご紹介します。
プロジェクト概要
| 項目 | 内容 |
|---|---|
| 業種 | BtoB製造業 |
| ご支援内容 | LLMO・GEO・AEOコンサルティング／技術文書・PDF最適化／SEO |
| 主な対象チャネル | ChatGPT・Perplexity等の生成AI検索 |
| 主な対象情報 | 製品カタログ・仕様書・技術資料・FAQ・用途別情報 |
| 主な目的 | 製品カテゴリにおけるAI上の第一想起・引用獲得・技術問い合わせ増加 |
| ご支援前の状況 | ・技術情報がPDF中心 ・AIからほぼ引用されない ・既存SEO会社にLLMOの方法論がない ・社内でLLMOの理解が進んでいない |
| プロジェクトのサマリ | PDF・技術文書を中心とした情報資産をAIが理解・引用しやすい構造へ再設計。9ヶ月でChatGPT引用率14％→38％、Perplexity言及率21％→47％、AI経由の技術問い合わせ比率約3倍を実現 |
1. 技術情報は豊富なのに、AIからはほとんど引用されなかった
― LLMO対策に取り組まれた背景を教えてください。
ご担当者様
当社はもともと技術資料や製品カタログをかなり持っていました。
製品仕様や用途についても詳しく書いていたので、情報量自体には自信がありました。
ただ、ChatGPTやPerplexityで自社製品名や業界キーワードについて質問してみると、ほとんど自社の情報が引用されませんでした。
― 情報がないのではなく、「あるのに使われていない」状態だったのですね。
ご担当者様
そうです。
競合企業のページや比較サイトは出てくるのに、自社が出てこない。
メーカー自身が最も詳しい情報を持っているはずなのに、AIの回答上ではそうなっていませんでした。
調べていくと、当社の場合は重要な技術情報の多くがPDFに入っていて、Webサイト側で十分に整理されていないことが一つの課題だと分かりました。
2. 大手SEO代理店でも、生成AI検索の設計フレームがなかった
― もともとSEO施策には取り組まれていたのでしょうか。
ご担当者様
はい。
SEOは大手代理店へお願いしていました。
ただ、生成AI検索について相談すると、SEOとは違う部分も多く、具体的に何を計測して何を改善すればいいのかというところまで整理されませんでした。
― 社内でもLLMOの理解にばらつきがあったのでしょうか。
ご担当者様
かなりありました。
「LLMOとは何か」というところから議論が始まっていました。
経営としてはAI検索が重要になることは認識していて、「1年以内に打ち手を確立する」という話がありました。
一方、現場では具体的な方法が分からなかったので、専門性の高い会社を探す必要がありました。
― アムールを選んだ決め手は何でしたか。
ご担当者様
3社ほど比較しましたが、LLMO・GEO・AEOを一番体系的に説明してもらえたことです。
特に当社の場合は、一般的なWeb記事よりもPDFや技術文書が重要です。
その領域まで含めて具体的な対策方法を持っていた点が大きかったです。
3. まず自社製品カテゴリで「AIにどう見られているか」を可視化
― 支援開始後、最初にどのような分析を行いましたか。
アムール 沖野
最初に、自社の製品カテゴリや技術テーマについてAI上の現在地を可視化しました。
たとえば、
・自社製品カテゴリでどの企業が推薦されるのか
・自社がどの程度引用・言及されているのか
・競合企業がどんな理由で出ているのか
・どの情報源が回答に利用されているのか
・自社サイト・PDFのどの情報が利用されているのか
を確認しました。
― 製造業のLLMOで特に見るべきポイントはありますか。
アムール 沖野
BtoB製造業の場合、単に「おすすめメーカー」と聞かれるだけではありません。
たとえば、
「〇〇用途に対応できる製品は？」
「この条件ならどの製品が適している？」
「A方式とB方式の違いは？」
「〇〇規格に対応しているメーカーは？」
「この環境で使用できる製品は？」
といった非常に具体的な技術質問が発生します。
そのため、カテゴリ名だけでなく、用途・スペック・条件・課題・選定基準まで含めた質問文脈を設計する必要があります。
4. PDF中心の技術資産を、AIが理解・引用できる情報へ再設計
― PDFはAI検索では弱いのでしょうか。
アムール 沖野
PDFだから必ず評価されないというわけではありません。
ただ、重要な情報がPDFだけに閉じていて、Webサイト側から情報の意味や関係性を十分に読み取れない状態は改善余地があります。
今回も、既存のPDFを捨てるのではなく、
PDFは詳細資料として残しつつ、重要な情報をWeb上にも明確に展開する
という方針を取りました。
― 具体的には、どのような情報をWeb化しましたか。
アムール 沖野
たとえば、
・製品概要
・主な特徴
・用途
・対応業界
・スペック
・選定条件
・他製品との違い
・よくある質問
・導入・使用事例
・関連する技術資料
などです。
PDFの中に情報が存在するだけではなく、ユーザーやAIが必要な情報へ直接アクセスできる状態を作っていきました。
ご担当者様
これまで「技術資料はPDFにまとまっているから問題ない」と考えていました。
ただ、AI検索という観点では、Web側の情報設計が必要だというのは新しい発見でした。
もともと持っていた資料を活かせたので、ゼロからコンテンツを作るより進めやすかったです。
5. 製品スペックだけでなく「選定理由・用途・FAQ」まで構造化
― 製品情報を載せるだけでは十分ではないのでしょうか。
アムール 沖野
スペックだけでは、「どのユーザーに、なぜその製品が適しているのか」まで説明できません。
AI検索では、
「条件に合う製品を教えてほしい」
という使われ方が多くなります。
そのため、製造業では製品スペックと同じくらい、選定基準を言語化することが重要です。
― どのような形で整理したのでしょうか。
アムール 沖野
たとえば、
「〇〇の条件なら製品A」
「〇〇を重視する場合は製品B」
「〇〇業界ではこの仕様が選ばれやすい」
といった、専門担当者であれば当然理解している判断軸をWeb上に整理します。
さらにFAQも、
・適合規格
・使用環境
・耐久性
・対応可能な条件
・導入時の注意点
・製品選定方法
・他方式との違い
といった具体的な質問を中心に整備しました。
― 技術部門が持つ情報をコンテンツ化したのですね。
アムール 沖野
その通りです。
製造業の場合、マーケティング部門だけでは作れないコンテンツが多くあります。
営業、技術、開発、品質管理などが持っている一次情報を拾い上げ、AIや顧客が理解できる形へ変換することが重要です。
これは製造業のLLMOで特に重要なポイントだと考えています。
6. 9ヶ月でChatGPT引用率14％→38％、Perplexity言及率21％→47％
― 9ヶ月運用した結果、どのような変化がありましたか。
ご担当者様
明確に数字が改善しました。
ChatGPTでは、自社製品カテゴリにおける引用率が14％から38％まで上がりました。
Perplexityでも言及率が21％から47％まで改善しています。
― 指名検索にも変化があったのでしょうか。
ご担当者様
はい。
指名検索流入は前年同月比で156％まで伸びました。
AI上で自社を知ってから、改めて社名や製品名を検索しているケースもあるのではないかと感じています。
アムール 沖野
今回のケースでは、AI検索上の成果を見るときに「表示されたかどうか」だけではなく、
・引用率
・言及率
・どの文脈で登場したか
・どの情報が参照されたか
・指名検索に変化があるか
・問い合わせにつながっているか
まで確認しています。
LLMOはAI上だけで完結する施策ではなく、認知→指名検索→Web訪問→問い合わせまで含めて評価することが重要です。
7. AI経由の技術問い合わせ比率が約3倍に増加
― 最も大きな成果は何だったのでしょうか。
ご担当者様
AI経由で技術的な問い合わせを受ける割合が、約3倍になったことです。
単に「製品について教えてください」という問い合わせではなく、ある程度仕様や用途を調べたうえで相談してくださるケースが増えました。
その結果、商談にもつながりやすくなったと感じています。
― なぜ問い合わせの質まで変化したのでしょうか。
アムール 沖野
生成AIの特徴の一つは、ユーザーがかなり具体的な条件を伝えたうえで情報収集できることです。
たとえば検索エンジンでは、
「〇〇 製品」
と調べていたユーザーが、生成AIでは、
「〇〇という条件で使えて、△△規格に対応している製品を扱うメーカーを教えて」
という聞き方をできます。
その質問に対して自社製品が紹介されれば、ユーザーはすでにある程度の適合性を理解した状態でWebサイトへ訪れます。
だからこそ、単なるアクセスではなく、技術的な検討度の高い問い合わせにつながりやすいのだと考えています。
ご担当者様
AI検索上で会社名を出すだけであれば、ここまで評価していなかったと思います。
実際に技術問い合わせの内容が変わり、商談につながる成果が出たことが一番大きかったです。
今回実施した施策
| 施策 | 課題 | 実施内容 | 結果 |
|---|---|---|---|
| AI検索診断 | 自社製品がAI上でほとんど引用・言及されていなかった | ChatGPT・Perplexity上でカテゴリ・製品・技術テーマを分析 | 自社・競合のAI上の現在地を定量化 |
| カテゴリ・質問文脈設計 | どの質問で第一想起されるべきか不明確 | 用途・仕様・業界・課題・比較等の質問文脈を整理 | 製品カテゴリ単位でLLMOの優先領域を明確化 |
| PDF・技術文書最適化 | 重要情報がPDF中心で、Web側で十分に構造化されていなかった | PDFを棚卸しし、重要な技術情報をWebコンテンツとして再整理 | AIが取得・引用しやすい技術情報基盤を構築 |
| 製品ページ改善 | スペック中心で、用途・選定理由まで説明しにくかった | 特徴、用途、対応業界、選定条件、FAQ等を追加 | AIが製品の適合性を説明しやすい状態へ |
| FAQ・技術コンテンツ | 顧客の具体的な技術質問への回答が不足 | 技術部門・営業部門の知見をFAQ・コンテンツ化 | 技術質問に対応できる一次情報を拡充 |
| AIモニタリング | 施策の成果が可視化できていなかった | ChatGPT引用率・Perplexity言及率等を継続計測 | ChatGPT14％→38％、Perplexity21％→47％ |
| 問い合わせ分析 | AI上の露出が事業成果につながっているか不明 | AI経由の問い合わせ・指名検索も併せて評価 | 技術問い合わせ比率約3倍、指名検索156％ |
今回の施策のポイント
今回特に重視したのは、製造業がすでに保有している技術資産を、AI検索で利用できる情報資産へ変換することでした。
具体的には、
- AI上での製品・カテゴリの引用状況を診断
- AIで第一想起されたい製品カテゴリ・技術テーマを整理
- PDF・製品カタログ・仕様書を棚卸し
- 重要情報をHTMLページにも展開
- スペックだけでなく用途・選定条件・比較軸を言語化
- 技術・営業部門が持つ質問をFAQとして整備
- 導入事例・技術資料・製品ページを相互に接続
- ChatGPT・Perplexity上の引用・言及を継続計測
- 指名検索・問い合わせ・商談まで含めて効果検証
という流れで進めました。
これによって、
「技術情報はあるがAIには使われない状態」から、
「AIが技術情報を引用し、製品候補として推薦できる状態」へ
移行しました。
成果まとめ
| 項目 | Before | After |
|---|---|---|
| ChatGPT 自社製品カテゴリ引用率 | 14％ | 38％（24ポイント改善） |
| Perplexity 自社言及率 | 21％ | 47％（26ポイント改善） |
| 指名検索流入 | 前年同月比156％ | |
| AI経由の技術問い合わせ比率 | 約3倍 |
さらに、
- 自社製品カテゴリにおけるAI上の存在感が向上
- PDF中心だった技術情報をAIが活用しやすい形へ再構築
- 用途・スペック・選定条件を含む技術情報をWeb上に拡充
- ChatGPT・Perplexity上の成果を定量的に把握
- 指名検索増加につながる新しい認知経路を構築
- AI経由で検討度の高い技術問い合わせが増加
- 問い合わせの質向上によって商談化率も改善
という成果につながりました。
PDFに眠る技術情報を、AIから選ばれる製品情報へ。
アムール株式会社では、BtoB製造業向けに、ChatGPT・Gemini・Perplexityなどを対象としたAEO・GEO・LLMO対策を支援しています。
単なる記事制作ではなく、製品カタログ・PDF・仕様書・技術資料の棚卸しから、製品ページ、FAQ、用途別コンテンツ、技術事例の設計、AI上の引用・言及モニタリングまで一気通貫で対応します。
「技術資料は豊富なのにChatGPTで引用されない」「競合メーカーばかりAIに推薦される」「PDF中心の製品情報をAI検索に対応させたい」「AI経由で技術問い合わせ・商談を増やしたい」といった製造業企業様は、BtoB製造業向けLLMOコンサルティングについてご相談ください。