IDAEO：AI時代のマーケティング学

学び終えると、店舗の S1–S10 における進捗、マーケティング・オーディエンス、最適化領域を判断し、成果指標で確認できるようになります。

まずIDAEOの七大法則、IDAEOマーケティングの五つの構成軸、IDAEOフレームワークの九要素を押さえ、次にオーディエンス、ジャーニー、計測、検証、サービス階層、成果を学び、最後にIDAEOの自社サイトと初期の実測店舗の成果および理論的根拠を見ます。

第 0 章　IDAEO：AI時代のマーケティング学林毅祥はどのようにサイトの実測からIDAEOを築いたのか、このAI時代のマーケティング学はどう構成されているのか？
第 1 章　オーディエンス戦略（誰に対して行うか）：五つのマーケティング・オーディエンスと六つの最適化領域各マーケティング・オーディエンスは何をしに来て、どの最適化領域に対応するのか？
第 2 章　ジャーニー設計（どのステップを通るか）：AIカスタマージャーニー：四つのフェーズと十のステップ顧客がAIを通じて店を探すとき、四つのフェーズと十のステップはどうつながるのか？
第 3 章　計測ソースとAIブラックボックス：成果測定のデータ基盤各ステップの数値は誰が提供し、AIブラックボックスはどう計測するのか？
第 4 章　信頼と検証（なぜ信じられるのか）：信頼できる事実と外部裏付け店舗の主張は、どのようにしてAIが引用できる信頼できる事実になるのですか？
第 5 章　サービス階層（どの階層まで行うか）：AEO露出、AEO+ 口コミ、IDAブランドPR各サービス階層はどのジャーニーステップをカバーし、成果指標はどのように選びますか？
第 6 章　成果測定（成果をどう数えるか）：AIインプレッション数とジャーニー全体の価値AIインプレッション、AIによるコンテンツ利用、来訪はそれぞれどのような成果を表しますか？
第 7 章　IDAEO実測：自社サイトと早期実測店舗IDAEOの自社サイトはどのようにゼロから一億回のリクエストに達したのか。第一期の共同実測店舗はどんな成果を得たのか？
第 8 章　AI可視性と理論的基礎AI可視性はジャーニーのどの区間に位置し、IDAEOの理論的根拠は何ですか？

第 0 章

IDAEO：AI時代のマーケティング学

この章が答える問い林毅祥はどのようにサイトの実測からIDAEOを築いたのか、このAI時代のマーケティング学はどう構成されているのか？

この章がここにある理由まず成り立ち、実測の基礎、構造の定義を読むことで、各章がどのようにAIインプレッションをその後のマーケティング成果につなげているかを理解できます。

IDAEOの成り立ち：林毅祥はいかにして実測を一つのマーケティング学にしたか

デジタルマーケティングの最前線からAI時代へ

林毅祥（TK Lin）は連続起業家で、2008年からソーシャル広告代理店 ADPartner アジア太平洋デジタル広告グループを創業し、十八年にわたりデジタルマーケティングの最前線に立ってきました。2016年にパリでAI ChatBot企業のBotpartnerを創業し、2020年に日本の千葉で和心村を創業、2026年にIDAEOを創設しました。顧客はまずAIに聞くようになり、マーケティングもAIにつながる必要があります。

初日の53回から、AIと検索エンジンの累計読み取り1.055 億回へ

2026/3/3、林毅祥は自身のサイトへのAI訪問の計測を始めました。初日は53回、3月の累計は63.5 万回のリクエストでした。10/8までに、AI訪問の計測は220日分蓄積されました。3/3から10/8までに、AIと検索エンジンが1.055 億回読みに来ました。サイトはすでにAIに大量に利用されているため、マーケティングはAIに理解され信頼されることを基礎の仕事に位置づける必要があります。彼はこれらの実測をマーケティング学の基礎にしました。

マーケティングはまずAIに理解され、信頼され、次にAIに語ってもらう

顧客は、検索して自分で十のリンクを比較する行動から、AIに聞いて一つの答えを得る行動へ移っています。そのため林毅祥はマーケティング・オーディエンスをAIにまで広げ、まずAIに理解され、信頼され、次にAIにブランドを説明してもらうようにしました。AIエージェントは将来のAIトラフィックの主力です：AIは「回答」から「顧客の用事を代行する」へ進み、サイトを訪れるものもコンテンツを読むクローラーからタスクを実行するAIエージェントへ広がります。実測した業界データは検索とAIによるコンテンツ利用の変化を示しています：前年同期の記録があるデータでは、2026年6月から9月のGoogle検索クリックは、毎月前年同月の半分程度にとどまっています（9月の合計52,926回 → 25,928回）。顧客はAIを通じて答えを探すため、マーケティングもこの接点につながる必要があります。同じ実測業界データはこう示しています：4月から9月にCopilotに引用された回数は37,793回、同期間のBing検索クリックは10,177回で、二つの数字は同じプラットフォーム（Microsoft）から来ており、AI引用の回数は検索クリックの3.7倍です。引用はコンテンツをAIの回答の根拠にし、マーケティングの成果でもあります。

七段階でつなぐ、実測に基づく方法論

林毅祥は実測、検証、理論、プロセス、診断、ソリューション、成果をつないで一つのIDAEOにしました：ファーストパーティデータから出発し、三地域のビッグデータによる検証モデルで信頼できる事実を支え、17の学理と78件の関連文献を組み合わせ、四つのフェーズと十のステップ、十のジャーニー診断ゲート、サービス階層へ接続します。最後に九つの成果指標で確認し、八つの実測値とファーストパーティデータが蓄積された成果を示し、それに基づいてジャーニーの進捗を判断します。

核心、フレームワーク、構成要素にはそれぞれの位置がある

IDAEOの構造定義は次の通りです：七大法則が核心、五つの構成軸がフレームワーク、九要素が構成要素。林毅祥は実測と検証データを理論に接続し、さらにプロセス、診断、方法、ソリューションを同じ一つのマーケティング学の中に収めました。法則は判断の原則を与え、構成軸は仕事を配置し、要素は仕事を成果につなげ、実測に明確な解釈のフレームワークを与えます。

現在：店舗・サイト運営者との共同実測

IDAEO は和心村、第一期の店舗、第二期の業種での実測検証を経て、まもなく公開実測を拡大します。次に、IDAEO はより多くの店舗・サイト運営者を募って共同で実測し、それぞれのマーケティングの場面で IDAEO がどうすればより高い効果を発揮するかを研究します。店舗とサイト運営者のファーストパーティデータが実務上の根拠を継続的に提供するため、共同実測は理論・実務・方法論・ソリューションの先進的な研究を前進させます。

この理論は生きている

IDAEO には毎月新しいデータと実測検証が加わり、理論と実証の基盤は強まり続けています。顧客とAIのやり取りは変わり続けており、理論もまた新しい成果で既存の判断を検証し、オーディエンス・ジャーニー・成果の解釈を変化に追いつかせます。

IDAEO はどう作られたか：実測から成果までの七つのステップ

ステップ	行ったこと	確認できる場所
① 実測	ファーストパーティデータを計測し、累計 1.055 億回のリクエスト、AIインプレッション数 9,746 万回、来訪者の種類を蓄積して、マーケティング判断の基盤とします。	図 6-1〈ジャーニー全体の成果ダッシュボード〉と第 1 章を参照
② 検証	日本・台湾・香港の三地域のビッグデータで IDAEO 検証モデルを構築し、信頼できる事実を支えます。	図 4-1〈IDAEO 検証モデル〉を参照
③ 理論	17 の学理と 78 件の関連文献を組み合わせ、マーケティング設計に理論的な出典を持たせます。	図 8-2〈IDAEO 理論基盤対応図〉と巻末の文献を参照
④ プロセス	AIカスタマージャーニーの四つのフェーズと十のステップを構築し、情報の準備を顧客の再訪につなぎます。	図 2-1〈AIカスタマージャーニーマップ〉を参照
⑤ 診断	十のジャーニー診断ゲートを配置し、各ステップに確認の要点を設けます。	図 2-2〈ジャーニー診断ゲート図〉を参照
⑥ ソリューション	IDAEOソリューションとサービス階層を四つのフェーズと十のステップにつなぎ、ジャーニーに沿って支援範囲を配置します。	図 5-2〈成果指標対照マトリクス〉と図 5-1〈サービス階層ステップ図〉を参照
⑦ 成果	九つの成果指標でジャーニーを確認し、八つの実測数値とファーストパーティデータを組み合わせて、マーケティング成果を測定します。	図 6-1〈ジャーニー全体の成果ダッシュボード〉を参照

図 0-1　マーケティング三世代進化図

左から右へ、顧客が店を探す方法の変化を見て、次にマーケティング・オーディエンス、戦略、成果測定を見ます。第三列が IDAEO です。接触の方法は時代とともに変わりますが、マーケティングの核心は常に、ふさわしい顧客に見つけてもらい、信頼され、選ばれることです。

読み方左から右へ三つの時代を見て、上から下へ五つの特徴を比較します。右端の列がIDAEOです。

図 0-2　IDAEOの七大法則の全体図

七大法則が核心で、五つの構成軸がフレームワークです。上から下へ、法則名、一言、なぜ、対応する構成軸を見ます：オーディエンス適応の法則は「表現はオーディエンスによって異なる」で、人とAIでは情報の理解の仕方が異なるからです。アイデンティティ連続性の法則は「主体のアイデンティティは常に一貫している」で、AIの主体に対する認識は長期の蓄積によるからです。独立検証の法則は「検証にはコストがかかり、結論は事実に従う」で、公信力は判断が委託者に左右されないことから生まれるからです。事実優先の法則は「信頼できるコンテンツは検証済みの事実から始まる」で、確認を経てはじめてAIが安心して利用するからです。主張の追跡可能性の法則は「すべての主張に追跡可能な根拠がある」で、追跡できてはじめてAIが引用に確信を持てるからです。外部裏付けの法則は「信頼できる主張には外部の裏付けが必要」で、独立した視点が一方的な記述を補うからです。ジャーニー全体の成果の法則は「AIの各段階での利用はすべて成果」で、顧客はAIの回答の中で決定を終えるからです。最下段は順に、オーディエンス戦略（誰に対して行うか）、サービス階層（どの階層まで行うか）、信頼と検証（何を根拠に信じるか）、成果測定（成果をどう数えるか）に対応します。

読み方上から下へ、法則名、一言、なぜ、対応する構成軸を見ます。最下段は図 0-3〈IDAEO理論フレームワーク全景図〉につながり、核心原則をフレームワークに結びつけます。七大法則はいずれも十のステップに落とし込まれます——ジャーニー設計は七つの法則が共通して実装される場所であり、そのため図 0-2 の最下段には単独で載せていません。サービスは一段ずつ積み上がり、積み上がるのは同じ主体であるため、アイデンティティ連続性の法則はサービス階層に対応します。

図 0-3　IDAEO理論フレームワーク全景図：五つの構成軸と九要素

七大法則が核心、五つの構成軸がフレームワーク、九要素が構成要素です。上から下へ定義、構成軸、要素を見ます。各マスは上のマスに従属し、最下段は図番号と図名で関連する内容につなぎ、原則と成果を結びます。

読み方上から下へ、一文の定義、五つの構成軸、九要素を見ます。各マスは上の構成軸に対応し、最下段は各要素が展開される位置を図番号と図名で示します。

この章の要点

主張	なぜ
IDAEOはAI時代のマーケティング学であり、サイトの実測、信頼できる事実、理論で完全なジャーニーをつなぎます。	顧客は、検索後にリンクを比較する行動から、AIに聞いて答えを得る行動へ移っています。マーケティングはまずAIに理解され、信頼され、次にAIにブランドを説明してもらう必要があります。林毅祥は自身のサイトへのAI訪問の実測からこの理論を築きました。
AIインプレッション数があってこそ、その後のジャーニーがあります。	S2–S4 でAIに読まれて初めて、S5 以降の言及、引用、顧客の来訪の基礎ができます。これが複利的リードをもたらします：コンテンツが早く読まれるほど、早く利用と新しいデータが蓄積され、次のラウンドはより正確になり、リードはより大きくなります。図 7-1 の累計量がこの成長を示しています：3月末 63.5 万 → 6月末 2,140 万 → 9月末 9,915 万 → 10/8 累計 1.055 億回。
七大法則が核心、五つの構成軸がフレームワーク、九要素が構成要素です。	法則は判断の原則を与え、構成軸はマーケティングの仕事を組織し、要素は原則を成果につなげます。
IDAEOマーケティングの五つの構成軸が全行程をつなぎます：オーディエンス戦略（誰に対して行うか）、ジャーニー設計（どのステップを進むか）、信頼と検証（何を根拠に信じるか）、サービス階層（どの階層まで行うか）、成果測定（成果をどう数えるか）。	各構成軸にはそれぞれ任務があり、合わせると情報の準備から顧客の再訪までのマーケティングを網羅します。
IDAEOフレームワークの九要素は互いに対応します：マーケティング・オーディエンス、最適化領域、カスタマージャーニー、ジャーニー診断、IDAEOソリューション、検証原則、サービス階層、成果指標、ファーストパーティデータ。	実測、検証データ、理論が、ジャーニー、診断、ソリューションを経て成果の確認につながり、完全な方法論になります。
IDAEOは生きている理論です。	毎月の新しいデータと実測検証は、いずれも既存の主張を検証でき、理論と実証の基礎を強化します。

用語

マーケティング: オンラインとオフラインを網羅し、ふさわしい顧客があなたを見つけ、信頼し、選ぶようにすることです。
インターネットマーケティング: マーケティングはオンラインとオフラインを含み、インターネットマーケティングはネット上のチャネルを通じて顧客に接触し、関係を築き、選択を促す部分です。IDAEOは既存のマーケティングの仕事をAIの区間へつなげます。
IDAEO: 林毅祥が創設したAI時代のマーケティング学で、実測、検証データ、理論を基礎に、プロセス、ジャーニー診断、方法、ソリューション、成果の確認をつなぎます。
IDAEOの七大法則: IDAEO の核心であり、オーディエンス、アイデンティティ、検証、事実、追跡可能性、裏付け、ジャーニー全体の成果に関する判断原則をまとめたものです。
IDAEOマーケティングの五つの構成軸: IDAEO の枠組みで、オーディエンス戦略（誰に対して行うか）、ジャーニー設計（どのステップを進むか）、信頼と検証（何を根拠に信じるか）、サービス階層（どの階層まで行うか）、成果測定（成果をどう数えるか）でマーケティングの仕事を組織します。
IDAEOフレームワークの九要素: IDAEO の構成要素は、マーケティング・オーディエンス、最適化領域、カスタマージャーニー、ジャーニー診断、IDAEOソリューション、検証原則、サービス階層、成果指標、ファーストパーティデータです。
ファーストパーティデータ: IDAEO が直接計測し蓄積したデータで、方法論の構築と成果の確認に使います。
生きている理論: IDAEO には毎月新しいデータと新しい実測による検証があり、理論と実証の基盤は強化され続けます。

よくある質問

Q　IDAEOはなぜマーケティング学と言えるのですか？

A　林毅祥はサイトの実測、検証データ、理論をつなぎ、オーディエンス、ジャーニー、診断、ソリューション、成果を網羅するフレームワークにしました。顧客はまずAIに聞いてから選択するため、マーケティングは人とAIを理解し、ジャーニーの各区間の成果を確認する必要があります。

Q　七大法則、五つの構成軸、九要素はどう区別するのですか？

A　七大法則が核心、五つの構成軸がフレームワーク、九要素が構成要素です。読む際は、まず法則で判断の原則を理解し、次に構成軸に沿って仕事の範囲を押さえ、最後に要素と照らして各仕事がどのように成果につながるかを見ます。七大法則はいずれも十のステップに落とし込まれます——ジャーニー設計は七つの法則が共通して実装される場所であり、そのため図 0-2 の最下段には単独で載せていません。

Q　インターネットマーケティングはこれまで通り続けるべきですか？

A　はい。マーケティングはオンラインとオフラインを含み、インターネットマーケティングはその一部です。IDAEOはAI時代のマーケティング学であり、既存のマーケティングの仕事をAIの区間へつなげます。顧客は今、まずAIに聞いてから選択するからです。

Q　林毅祥はサイトの実測からどのようなマーケティングの変化を見たのですか？

A　3/3から10/8までに、AIと検索エンジンが1.055 億回読みに来ました。サイトはすでにAIに大量に利用されているため、マーケティングはAIに理解され信頼されることを基礎の仕事に位置づける必要があります。

Q　なぜ店舗のアイデンティティ情報は常に一貫していなければならないのですか？

A　一貫したアイデンティティ情報があれば、AIは毎回読み取った内容を同じ店舗に結びつけ、ブランドへの認識と信頼を蓄積し続けられます。これがアイデンティティ連続性の法則の言う「主体のアイデンティティは常に一貫している」ということです。

セルフチェック成り立ちの物語に沿って、林毅祥の実測の起点と七段階の構築順序を述べ、七大法則、五つの構成軸、九要素を区別し、AIインプレッションがその後のジャーニーをどう支えるか、そして毎月の実測が理論をどう成長させ続けるかを説明する。

第 1 章

オーディエンス戦略（誰に対して行うか）：五つのマーケティング・オーディエンスと六つの最適化領域

この章が答える問い各マーケティング・オーディエンスは何をしに来て、どの最適化領域に対応するのか？

この章がここにある理由オーディエンスと機能を先に見分けてこそ、ジャーニーの数値を読み解けます。

図 1-1　五つのマーケティング・オーディエンス全景図：機能、最適化領域、実測成果

上から下へ、オーディエンス戦略、マーケティング・オーディエンス、機能、最適化領域、来訪回数、来訪者の種類と上位四社を見ます。各名称の下に英語があります。最適化領域は略称、中国語の正式名称、英語の正式名称の順に記し、その下に同じ領域の用語を並べます。同じ機能に異なる通称があるためです。「AIによる概要を作る」のマスは AIO が主で AEO がつながります：AIO は検索エンジンのAIによる概要に専念し、AEO はAIの回答にあなたを利用させます。人（生活者）の機能には「自然流入 Organic Traffic」「ローカル検索 Local Search」を並べます。自動サービスボットは「自動化情報サービス」を提供します。AEO はAIのリアルタイム取得、AIエージェント、自動化情報サービスも支援します。

同じ領域の用語は使用される文脈に応じて主名称の下に直接並べます。AIO は AEO とつながっています。業界では AIO を「AIによる概要の最適化」または「AI最適化」の総称として使いますが、いずれもAIの回答にあなたのコンテンツを利用させることに対応します。IDAEO では AIO を検索エンジンのAIによる概要の最適化を指すものとします。ASO、CRO、SMO は従来型のデジタルマーケティングに属し、六つの最適化領域と互いに連携します。

読み方上から下へ、オーディエンス戦略、マーケティング・オーディエンス、機能、最適化領域、来訪回数、来訪者の種類、上位四社の順に見ます。

図 1-2　AIトラフィック判別ツリー：あるAIのリクエストが、どの種類のAIトラフィックに属するかをどう判断するか？

読み方頂点のリクエストから下へ分類の根拠と機能を見ていき、終点が所属するマーケティング・オーディエンスです。

図 1-3　AIプラットフォームとクローラーの系譜：機能ごとにどの企業の、どのクローラーがあるか

拡張図：図 1-2〈AIトラフィック判別ツリー〉はAIリクエストがどの種類のAIトラフィックに属するかを判定します。図 1-3〈AIプラットフォームとクローラーの系譜〉は各機能の下にあるAIプラットフォームとクローラーを列挙します。

読み方根から枝へ機能、AIプラットフォーム、クローラーを見ます。同じ事業者が別の枝にあれば、異なる機能に関与していることを示します。

図 1-4　どの企業にどのクローラーがあるか：主要AIプラットフォームのクローラーとジャーニー上の位置

読み方左から右へ読みます：上部の S1–S10 ジャーニー目盛りの S3、S4、S5 が下の三つの位置に対応します。各社にブランドカラーのルートが一本あり、通過する丸がその企業のクローラーで、下に名称、リクエスト数、用途を記します。横棒はすべて同じ尺度です（リクエスト数の平方根）。矢印はジャーニー上の位置だけを示し、出動の順番ではありません。最下段は用途が一つだけのプラットフォームです。全 60 件は図 1-3〈AIプラットフォームとクローラーの系譜〉を参照。

この章の要点

主張	なぜ
五つのマーケティング・オーディエンスは、人（生活者）、検索エンジンクローラー、AIクローラー、AIエージェント、自動サービスボットです。	種類ごとに来訪の目的が異なるため、分けて計測してこそマーケティング価値がはっきり見えます。
AIトラフィックはまず機能で分類し、次にAIプラットフォームを見ます。	同じAIプラットフォームが学習、インデックス作成、リアルタイム取得を同時に行うことがあります。機能のほうが読み取りの用途をよく説明します。
AIエージェントは将来のAIトラフィックの主力です。	AIは「回答する」から「顧客に代わって用事を済ませる」へ進み、サイトへの来訪者もコンテンツを読むクローラーからタスクを実行するAIエージェントへ広がっています。実測ではAIエージェント訪問数はすでに 1,809 万回に達し、そのうち自動ブラウジング 1,795 万回（8/26 以降の集計）は行動に基づいて分類され、名前付きのAIエージェントは 14.4 万回で、自動化された来訪の規模を示しています。
六つの最適化領域は SEO、AIO、AEO、GEO、LLMO、MEO です。AIO は AEO とつながっています。SEO は検索インデックスを作り、AEO はAIの回答にあなたを利用させ、AIO は検索エンジンのAIによる概要に特化し、GEO はAIインデックスを作り、LLMO は学習用の取り込みに対応し、MEO はローカル検索に対応します。	AIによる概要もAIの回答がコンテンツを利用する形の一つであるため、AIO と AEO には従属関係があります。その他の領域はオーディエンスと情報機能に応じて対応します。
AIと検索エンジンの合計は 1.055 億回（3/3 以降）、人（生活者）の自然流入は 31.0 万回（8/26 以降）です。	二つの数値は期間が異なり、それぞれの規模を示します。コンテンツはまず取得されてこそ、その後の利用を支えられるので、AIによる読み取りはマーケティングの基盤です。
AIクローラーの学習用の取り込みは 5,220 万回、AIインデックス作成は 2,872 万回、リアルタイム取得は 65 万回です。	一括の読み取りと質問に伴って起こる読み取りは用途が異なり、数量は機能と合わせて読み解く必要があります。
図 1-1〈五つのマーケティング・オーディエンス全景図〉の最適化領域には略称、中国語の正式名称、英語の正式名称を記し、その下に同じ領域の用語を並べます。	同じ枠に異なる通称を集めることで、IDAEO学習者は業界用語を同じ機能に対応づけ直せます。

用語

五つのマーケティング・オーディエンス: 人（生活者）、検索エンジンクローラー、AIクローラー、AIエージェント、自動サービスボットです。
機能: 各マーケティング・オーディエンスが行う作業。学習用の取り込み、インデックス作成、リアルタイム取得など。
AI Agent: 顧客に代わって用事を行うAIです。
自動化情報サービス: 自動サービスボットが提供する情報の整理、分析、ウェブページのプレビューなどのサービスです。
自然流入: 顧客が検索またはAIを経由してサイトを訪れた回数です。
ローカル検索: 顧客が場所と近隣のニーズに基づいて店舗やサービスを探すことです。
AIO: AIO は検索エンジンのAIによる概要に向けた最適化で、AEO とつながっています：どちらもAIの回答にあなたのコンテンツを利用させるもので、AIO は Google などの検索エンジンのAIによる概要を専門に扱います。
計測中: IDAEO が計測結果を継続的に蓄積しており、後日公開します。

よくある質問

Q　AIクローラーにはどんな種類がありますか？

A　用途によって三種類に分かれます：学習用の取り込み、AIインデックス作成、リアルタイム取得。学習用の取り込みはモデルに情報を蓄積させ、AIインデックス作成はコンテンツをその後に利用される情報源に入れ、リアルタイム取得は顧客のその場の質問に応えます。まず用途を見て、次にどの企業かを見ます。同じAIプラットフォームが複数の作業を行うことがあるからです。判別方法は図 1-2〈AIトラフィック判別ツリー〉、各社の各クローラーは図 1-3〈AIプラットフォームとクローラーの系譜〉、主要五社のクローラーがジャーニーのどのステップにあるかは図 1-4〈どの企業にどのクローラーがあるか〉を参照。顧客に代わって用事を済ませるのはAIエージェント（AI Agent）で、AIクローラーとは分けて見ます。

Q　AIクローラーとAIエージェントはどこが違うのか？

A　AIクローラーは主に情報を取得し、AIエージェントは主に顧客に代わって用事を済ませます。成果はそれぞれ、コンテンツが取得された回数と、顧客に代わる行動の成果で見ます。

Q　なぜAIエージェントが将来のAIトラフィックの主力だと言えるのか？

A　AIは答えを提供する段階から、顧客に代わって行動する段階へ進んでいます。顧客が調べもの、予約、その他のタスクをAIに任せると、サイトに来たAIは情報を読み取って仕事を完了しなければなりません。そのため店舗のマーケティングは、コンテンツの利用と顧客に代わる行動を支援する必要があります。

Q　業界で言う AIO と IDAEO の AIO は同じなのか？

A　対応します。業界では AIO を「AIによる概要の最適化」として使い、「AI最適化」の総称としても使います。どちらの用法も AEO の下にあります。いずれもAIの回答にあなたのコンテンツを利用させるものだからです。IDAEO はこの系統で、AIO を検索エンジンのAIによる概要の最適化を指すものとします。

Q　一つのAIのリクエストが、どの種類のAIトラフィックに属するかをどう判断するのか？

A　図 1-2〈AIトラフィック判別ツリー〉に従い、今回の来訪が何をしているかを見ます：学習用の取り込み、インデックス作成、リアルタイム取得、または顧客に代わって用事を済ませること。同じAIプラットフォームが複数の作業を行うことがあるため、機能が種類を決めます。

Q　自動ブラウジング 1,795 万回は、なぜAIエージェントに数えるのか？

A　本教材では自動ブラウジング 1,795 万回をAIエージェントに含め、独立して自動ブラウジングと表示します。こうしたプログラムがブラウザを操作する行動はタスクを自動実行する特徴を持ち、分類は実測した機能に基づきます。名前付きのAIエージェントは 14.4 万回です。

Q　ローカル検索の数値はどこにあるのか？

A　ローカル検索は計測中で、後日公表します。図 1-1〈五つのマーケティング・オーディエンス全景図〉には現在、自然流入を記載しています。ローカル検索と自然流入は集計の基準が異なるため、成果は別々に示します。

Q　AEO の最適化と SEO はどこが違うのか？

A　SEO は検索エンジンへの登録と検索結果での表示に重点を置き、AEO はAIの回答にあなたのコンテンツを利用させ、AIO の概要最適化を含み、AIのリアルタイム取得、AIエージェント、自動化情報サービスを支援します。検索結果での表示とAIの回答では接触の仕方が異なるため、成果は機能と合わせて読み解く必要があります。

Q　GEO と LLMO はそれぞれ何を担当するのか？

A　LLMO は「学習用の取り込み」に、GEO は「AIインデックス作成」に対応します。モデルの学習と回答での利用は機能が異なるため、図 1-1〈五つのマーケティング・オーディエンス全景図〉では両者を分けて記載しています。

Q　コンバージョン率最適化とソーシャルメディア最適化はどこに置くのか？

A　ASO、CRO、SMO は従来型のデジタルマーケティングに属し、対象は人です。これらの作業は人の接触と選択を改善するもので、六つの最適化領域と組み合わせられます。

セルフチェック「誰かがAIに質問した直後に、AIが店舗ページを読みに来た」という一件の記録をもとに、マーケティング・オーディエンス、機能、最適化領域を答え、さらにAIが顧客に代わって用事を済ませるとき、店舗が何を支援すべきかを説明してください。

第 2 章

ジャーニー設計（どのステップを通るか）：AIカスタマージャーニー：四つのフェーズと十のステップ

この章が答える問い顧客がAIを通じて店を探すとき、四つのフェーズと十のステップはどうつながるのか？

この章がここにある理由オーディエンスにはそれぞれ役割があり、カスタマージャーニーはその役割を診断できる経路につなぎます。

図 2-1　AIカスタマージャーニーマップ：四つのフェーズと十のステップ

上から下へ、ジャーニーのフェーズ、ジャーニーのステップ、マーケティング・オーディエンスの参加、ジャーニー診断を見ます。同じ縦列が同じステップで、各役割と成果をつなぎます。

読み方上から下へ、ジャーニーのフェーズ、ジャーニーのステップ、誰が動くか、ジャーニー診断の順に読みます。各ステップの五つの小さな枠は順に五つのマーケティング・オーディエンスを表します：濃い緑は主役、中間の緑は参加あり、薄い緑はやや関係あり、灰色はその他の役割です。

図 2-2　ジャーニー診断ゲート図：十のステップ、十のゲート

十のステップの下にはそれぞれ一つのゲートと一つの診断の問いが対応し、後のフェーズは前のフェーズの成果を引き継ぎます。S10 を終えると、次の周回は S5 から再び始まります。S3 の学習許諾は店舗が選び、S5 のリアルタイム取得はその場の質問ニーズに対応するため、各ステップはそれぞれの機能に基づいて診断します。

読み方左から右へジャーニーのステップを見ます。下にはゲート名と診断の問いが対応しています。

図 2-3　五つのマーケティング・オーディエンスのジャーニー・スイムレーン図

五つのマーケティング・オーディエンスがそれぞれ通るステップと、各ステップの実測記録の範囲。

読み方各行が一つのマーケティング・オーディエンス、横方向が S1–S10 です。まず通過するステップを見て、次に各ステップの記録と実測追跡の範囲を見ます。

図 2-4　AIプラットフォームのジャーニー・カバレッジ図：各社が到達した最も遠いステップ

読み方左から右へ十のステップを見て、各社の弧線に沿って終点まで読みます。終点のある列が、そのAIプラットフォームがこの図で示す最も遠いステップです。

この章の要点

主張	なぜ
AIカスタマージャーニー：四つのフェーズと十のステップは、順に S1 店舗レディネス、S2–S4 AIによる情報取得、S5–S8 AIによる意思決定・行動支援、S9–S10 顧客のコンバージョンと再エンゲージメントです。	前段の準備が後段の利用を支え、四つのフェーズによってマーケティングの責任と成果が互いに対応します。まずAIインプレッション数があって、初めてその後のジャーニーがあります。S2–S4 でコンテンツがAIに読まれ、S5 以降の言及、引用、顧客の来訪の基盤を築きます。
各ステップに診断の問いがあり、情報の準備から顧客の再訪まで段階的に確認します。	各ステップが一つの問いに対応するため、改善作業の位置が明確になります。
S1 は店舗が情報を整え、S2–S4 はクローラーが主体、S5–S7 は人とAIの対話、S8 はAIエージェントの行動、S9–S10 は顧客のコンバージョンと再エンゲージメントです。	各ステップの主役は異なり、必要な支援も異なります。S8 でAIは回答から顧客の用事の代行へ進みます。これこそ、AIエージェントが今後のAIトラフィックの主力となる理由です。
S10 は S5 に戻り、継続的な循環を形成します。	顧客が再びニーズを出せば、次のAIによる意思決定支援が始まります。
S2–S5 のクロール、S8 のサイト訪問、S9 の顧客来訪は IDAEO がファーストパーティで計測します。インデックス登録と検索表示は検索プラットフォームが提供します。S6–S7 の言及と回答は IDAEO が実測で追跡します。	各ソースは異なる接点を表し、ジャーニーに戻して初めて数値が読めます。図の S6 に示すのは検索結果表示（検索側があなたを掲載した回数）です。AI回答の言及率は後日公開します。

用語

S1–S10: 十のステップは順に、S1 準備、S2 クロール、S3 学習、S4 インデックス、S5 質問、S6 言及、S7 回答、S8 代行、S9 来訪、S10 再訪です。
ジャーニーのフェーズ: 店舗レディネス、AIによる情報取得、AIによる意思決定・行動支援、顧客のコンバージョンと再エンゲージメント。
十の診断ゲート: 十のステップがそれぞれ一つのゲートに対応します：準備可、到達可、学習可、登録可、読取可、選択可、信頼可、代行可、来訪可、再訪可。
ジャーニー診断: ジャーニーのステップと成果指標に沿って、進捗と改善の重点を確認します。

よくある質問

Q　四つのフェーズはどう分けるのか？

A　タスクに応じて、店舗レディネス、AIによる情報取得、AIによる意思決定・行動支援、顧客のコンバージョンと再エンゲージメントに分けます。各フェーズの主役と成果は異なり、分けることで支援を手配し、進捗を確認できます。

Q　S3 学習を許可するかどうかは誰が決めるのか？

A　店舗が学習の許諾を決め、必要に応じて情報取得の経路を設定します。学習、インデックス、リアルタイム取得にはそれぞれの機能があり、店舗はマーケティング目標に応じて配置できます。

Q　S5 は人とAIのどちらが主導するのか？

A　S5 では人がニーズを出し、続いてAIが回答のための情報を取得します。質問と利用はどちらもこの接点で起こり、ジャーニー診断ではニーズとリアルタイム取得の成果を見ます。

Q　S6 はなぜ「AIが何社に言及するか」なのか？

A　S6 はブランドが顧客の検討リストに入るステップです。AIは限られた回答の分量の中で関連する店舗を選びます。言及は選択のシグナルです。

Q　十のステップは店舗の作業リストなのか？

A　十のステップは、顧客がAIを通じて店を探す完全なジャーニーを描いたものです。店舗の重点は S1 を整え、その後の利用を支えることです。S2–S8 はAIと顧客が共に関わり、それぞれにタスクがあります。

Q　ジャーニーはなぜ循環なのか？

A　顧客は選択を終えた後も新たなニーズを持ちます。S10 再訪は S5 に戻り、次のAIによる意思決定支援が始まります。図 8-2〈IDAEO 理論基盤対応図〉のカスタマージャーニー理論は継続的な接触を含み、再訪も次のニーズの起点です。

セルフチェックある店舗は S6 で既に言及されており、次に営業時間が正しいかを確認する必要があります。対応するジャーニーのフェーズ、ジャーニーのステップ、診断の問いを述べてください。

第 3 章

計測ソースとAIブラックボックス：成果測定のデータ基盤

この章が答える問い各ステップの数値は誰が提供し、AIブラックボックスはどう計測するのか？

この章がここにある理由ソース、範囲、単位を先に区別して、初めて成果が読めます。

図 3-1　IDAEO計測サービス・ブループリント

読み方上から下へ、ウェブサイトから人まで見て、各層の成果と計測中の範囲を対照します。

図 3-2　コンテンツ・ジャーニーマップとAIブラックボックス

読み方横方向にジャーニーのフェーズを見て、数値の枠とブラックボックス内の実測課題を対照します。

図 3-3　AIプラットフォームのジャーニー成果マトリクス

読み方一行に一社、横方向は S1 から S10 です。ノードは掲載済みの成果を示し、残りは計測中として読みます。図の S6 に示すのは検索結果表示（検索側があなたを掲載した回数）です。AI回答の言及率は後日公開します。

図 3-4　Google：検索表示 7,410,298 回｜全行程の数字が最も揃っているプラットフォーム

読み方左から右へ各ステップを見て、まずソース、期間、単位を読み、次に同じ基準の数値を比較します。

図 3-5　OpenAI：学習用読み取り 10,602,782 回｜九割近くが学習用で、リアルタイム取得も最多のプラットフォーム

読み方図 3-4〈Google〉と対照し、まずリアルタイム取得と顧客の来訪を見て、次に中段の計測中の範囲を見ます。

図 3-6　Microsoft：検索クローラーの読み取り 12,050,061 回｜現在AI回答の引用数を提供しているプラットフォーム

読み方図 3-4〈Google〉と対照し、Microsoft のAI回答の引用数とその集計期間に注意します。

図 3-7　Anthropic：学習リクエスト 24,479,305 回｜学習量は各社の首位

読み方図 3-5〈OpenAI〉と対照し、サイト訪問リクエストとプラットフォーム内部の実測課題をそれぞれ読みます。

図 3-8　Apple：インデックスリクエスト 24,615,429 回｜インデックス量は各社の首位

読み方まずクロール数を見て、次にジャーニーに沿ってその後の利用の計測範囲を見ます。

図 3-9　Meta：学習リクエスト 11,583,411 回｜読み取りはすべて学習用

読み方AIクロールと顧客の来訪をそれぞれ見て、各自の単位で成果を読みます。

図 3-10　AIに引用されたとどう分かるか？ブラックボックスの両端を計測する

読み方左側はサイトとエッジのファーストパーティ記録です：VPS アクセスログで到達リクエストとパスを、Cloudflare でAIクローラーのリクエストとAIからの送客を見ます（AIリアルタイム取得 65.1 万）。右側はプラットフォームデータと直接の質問です：Google Search Console の生成AIでの表示（本サイトの数値は取得待ち）、Bing Webmaster Tools の Copilot 回答での引用 31,711 回、複数のAIへの質問での 84%。下段では同一URL・同一期間で読み取り、表示、引用を一本の検証可能な経路につなぎます。リクエスト、表示、引用、質問の比率は単位が異なり、合算できません。これは方法を示す図で、同一ページの一件ごとの突合はまだ完了していません。

この章の要点

主張	なぜ
AIブラックボックスとは、AIプラットフォーム内部で起こる学習、順位付け、言及、回答、代行です。	S6–S8 の言及、回答、代行、および S3–S4 のクロール後の学習と順位付けは、いずれもプラットフォーム内部で完結します。ウェブサイトはクロールとサイト訪問を直接記録し、S5 のリアルタイム取得にもファーストパーティの計測数値があります。図の S6 の数値は検索側の表示で、AI回答の言及率は後日公開します。
IDAEO はブラックボックスの両端を計測し、さらにプラットフォームデータと定期的な実測で利用の成果を測ります。	入る前のクロールと出た後のサイト訪問は、どちらもファーストパーティ計測です。検索表示（図の S6 に示すのは検索側の表示で、AI回答の言及率は後日公開します）と Copilot の引用 3.17 万回はプラットフォームデータによるものです。複数のAIに定期的に直接質問すれば、言及の有無と回答の正誤を確認できます。各ソースを合わせて見れば、プラットフォーム内部の利用を検証可能な成果につなげられます。
林毅祥（TK Lin）の個人 IDA の定期的な実測は、ブラックボックス内の回答での利用を示します。	林毅祥（TK Lin）の個人 IDA の実測：9月20日の公開当日はAI引用が 0。10月3日の実測では 100 問・五つのAIモデルで、回答の 84% がこの IDA を情報源とし、かつ全情報源の中で第一位でした。定期的な実測により、ブラックボックス内の利用が見えます。これは個別事例の引用成果であり、AI言及率とAI回答正確率の全プラットフォーム数値は後日公開します。
各ソースの成果は単位ごとに分けて読みます。	リクエスト、ページ数、クリックは異なるイベントを表し、同じ基準で比較して初めてマーケティング上の意味があります。
本教材で公開済みの全プラットフォームAI引用数は、Copilot の 7月22日以降の 3.17 万回です。	これは Copilot が提供する引用の成果で、他のプラットフォームは計測を継続しており、後日公開します。ソースと期間を明記して、初めて同じ基準で比較できます。

用語

ブラックボックス: S6–S8 の言及、回答、代行、および S3–S4 のクロール後の学習と順位付けは、いずれもAIプラットフォーム内部で起こります。IDAEO は両端の計測と定期的な実測で成果を測ります。図の S6 の数値は検索側の表示で、AI回答の言及率は後日公開します。
プラットフォームデータ: Google、Bing などのプラットフォームが提供するインデックス登録、検索表示（図の S6 の検索側の数値。AI回答の言及率は後日公開します）、クリック、および Copilot などのプラットフォームが提供するAI引用データ。
インデックス登録: 検索プラットフォームがページをインデックスに取り込んだ成果で、ページ単位で数えます。
検索結果表示: ページが検索結果に表示された回数。図の S6 の枠に示すのはこの検索側の表示です。AI回答の言及率は後日公開します。

よくある質問

Q　AIに引用されたとどう分かるか？

A　三つの方向を合わせて見ます。第一に、プラットフォームが公表する引用数：本教材で公表しているのは Copilot の 7/22 以降の 3.17 万回です。第二に、複数のAIに定期的に質問し、言及と回答の正確性を確認します。第三に、個別事例の前後比較：林毅祥（TK Lin）の個人 IDA は 9/20 の公開当日AI引用が 0、10/3 に 100 問・五つのAIモデルで実測し、回答の 84% がこの IDA を情報源としました。もう一つのシグナルとして、AIリアルタイム取得 65.1 万回がファーストパーティ記録で見え、AIが回答時にこのページを読んでいることを示しますが、読み取りは引用と同じではありません。引用はAIプラットフォーム内部で起こるため、この三つの方向から利用の成果を測り、一枚の図にまとめたのが図 3-10〈AIに引用されたとどう分かるか？〉です。図 3-2〈コンテンツ・ジャーニーマップとAIブラックボックス〉と図 3-6〈Microsoft〉も参照。

Q　Google と OpenAI の数値はそれぞれどこから来るのか？

A　Google のインデックス登録、検索表示（図の S6 の検索側の数値。AI回答の言及率は後日公開します）、クリックは検索プラットフォームから、OpenAI のリアルタイム取得と顧客の来訪はファーストパーティ計測から来ます。データ範囲が異なるため、並べるときはまずソースとステップを見ます。

Q　IDAEO はAIブラックボックスを開けるのか？

A　開けます。まずブラックボックスの位置を定めます：言及、回答、代行、およびクロール後の学習と順位付けは、AIプラットフォーム内部で起こります。次に両端からクロールとサイト訪問を計測し、検索表示（図の S6 に示すのは検索側の表示）、Copilot の引用、複数のAIへの定期的な質問を組み合わせて、言及と回答の正確性を確認します。最後に個別事例で成果を対照します：林毅祥（TK Lin）の個人 IDA の実測では、9月20日の公開当日はAI引用が 0。10月3日の実測では 100 問・五つのAIモデルで、回答の 84% がこの IDA を情報源とし、かつ全情報源の中で第一位でした。これらの証拠がAIの利用成果を測ります。AI言及率とAI回答正確率の全プラットフォーム数値は後日公開します。

Q　本章の数値の集計対象は誰か？

A　プラットフォームの成果は IDAEO の全プラットフォーム合計で示し、林毅祥（TK Lin）の個人 IDA は単一コンテンツの回答実測です。対象と計測方法が異なります：個別事例の引用比率はその回の実測を説明し、全プラットフォーム指標は公開データに基づいて読みます。

Q　Bing のインデックス数 37.5 万、Google のインデックス数 28.2 万は、どう比較しますか？

A　両社は分けて見ます。それぞれがそのプラットフォームのインデックス成果を表します。同じページは両社にインデックスされるため、合計すると重複します。

セルフチェックS6–S8 および S3–S4 のクロール以降のブラックボックスの範囲を指摘し、ファーストパーティの両端計測、プラットフォームのデータ、定期的な実測がそれぞれどのような証拠を提供するかを説明し、さらに林毅祥（TK Lin）の個人 IDA を使って、個別の引用成果と全プラットフォーム指標の違いを説明してください。図上の S6 を読み解くときは、数字は検索側の表示であり、AI回答での言及率は後日公表されることを明確に述べてください。

第 4 章

信頼と検証（なぜ信じられるのか）：信頼できる事実と外部裏付け

この章が答える問い店舗の主張は、どのようにしてAIが引用できる信頼できる事実になるのですか？

この章がここにある理由S7 の回答の正確性は信頼できる事実によって判断され、検証はサービス階層も支えます。

図 4-1　IDAEO 検証モデル：三者による検証と信頼できる事実

IDAEO の検証モデルは日本、台湾、香港のビッグデータを基盤とします。長期にわたってデータを蓄積し、継続的に照合して、信頼できる事実を見分ける根拠とします。

読み方まず上部の IDAEO 検証モデルを見て、次に公的情報源、当事者情報源、第三者情報源それぞれの証拠の役割を見て、最後に各事実の検証結果を見ます。

巻末付録〈主張の根拠一覧〉を参照：本書の 57 の主張について、根拠の種類と出典を一件ずつ示しています。

この章の要点

主張	なぜ
IDAEO は信頼できる事実と外部裏付けによって、店舗の主張をAIが引用できる根拠にします。	IDAEO 検証モデルは日本、台湾、香港のビッグデータを基盤とし、長期にわたってデータを蓄積し、継続的に照合して、個々の事実の信頼性を確認します。
事実優先の法則：信頼できるコンテンツは検証済みの事実から始まります。	各主張は検証済みの事実を根拠とします。裏付けを経てはじめて、AIは安心して利用できます。
主張の追跡可能性の法則：すべての主張に追跡可能な根拠があります。	追跡できてはじめて、AIは確信をもって引用できます。
外部裏付けの法則：信頼できる主張には外部裏付けが必要です。	独立した視点が一方的な説明を補います。
事実を項目ごとに検証し、鮮度を継続的に確認します。	AIは具体的な内容を引用するため、情報が更新されたときにも、それに応じた信頼できる根拠が必要です。

用語

三角検証（トライアンギュレーション）: 公的情報源、当事者情報源、第三者情報源の証拠を組み合わせて、信頼できる判断を形成する原則です。
公的情報源: 政府の公開登記など、公的機関が提供する情報です。
当事者情報源: 店舗または本人が自身の情報について行う説明です。
第三者情報源: 外部の独立した情報源が提供する公開情報です。
検証原則: 検証済みの事実、追跡可能な根拠、外部の裏付けによって信頼できる主張を築きます。
再検証: 情報の鮮度に応じて事実の有効性を再確認する専門的な作業。

よくある質問

Q　公的情報源、当事者情報源、第三者情報源はそれぞれ何を提供しますか？

A　公的情報源は公開登記を提供し、当事者情報源は自身の情報を説明し、第三者情報源は外部裏付けを提供します。情報源ごとに視点が異なるため、合わせて見ることで事実はより完全になります。

Q　検証にはなぜハードルがあるのですか？

A　検証は膨大で多くのリソースを必要とする作業であり、一定の規模と技術のハードルがあります。IDAEO 検証モデルは長期にわたって蓄積した日本、台湾、香港のビッグデータを基盤とし、さらに継続的な照合と期限到来時の再検証を行ってはじめて、各結論に確かな根拠を持たせることができるからです。

Q　なぜ検証は個々の事実まで細かく行うのですか？

A　事実ごとに検証結果があります。AIは電話番号、住所、営業時間などの個別の情報を引用します。根拠と鮮度は項目ごとに異なるため、項目ごとに検証しなければなりません。

Q　検証結果の有効性はどのように維持しますか？

A　継続的な照合と期限到来時の再検証によって有効性を維持します。ブランドやサービスの情報は更新されるため、信頼できる判断は事実に追いつく必要があるからです。

Q　検証は S7 とどのような関係がありますか？

A　検証は S7 の回答の正確性に判断基準を提供します。AI回答の細部が検証済みの事実に合致してはじめて、信頼できるブランド認知を築くことができます。

セルフチェック店舗の主張を一つ選び、当事者情報源の情報、外部裏付け、情報の鮮度がどのように共に信頼できる判断を支えるかを説明してください。

第 5 章

サービス階層（どの階層まで行うか）：AEO露出、AEO+ 口コミ、IDAブランドPR

この章が答える問い各サービス階層はどのジャーニーステップをカバーし、成果指標はどのように選びますか？

この章がここにある理由まずジャーニーと検証を理解し、次にマーケティング目標に応じてサービス範囲を選びます。

図 5-1　サービス階層ステップ図：AEO露出、AEO+ 口コミ、IDAブランドPR

AEO露出は S1–S4 を、AEO+ 口コミは S5–S6 を、IDAブランドPR は S7–S10 をカバーします。上位のサービス階層は一つ下の階層の内容を含みます。後段の成果は前段の基礎の上に成り立つからです。各階層はカバーするステップごとにジャーニー診断と IDAEOソリューションの項目数を示し（十のゲートは各ステップに一つ、診断項目はゲートの下にある確認項目）、IDAブランドPR はジャーニー全体を完全にカバーします（S1–S10）。最下段は順に当事者情報源＋公的情報源、IDA 検証、IDAEO 検証です。AEO+ 口コミ（AEO+ Word of Mouth）はAIが回答の中であなたに言及し、推薦するようにし、IDAブランドPR には定期的に公表するAI可視性の成果が含まれます。図 1-1〈五つのマーケティング・オーディエンス全景図〉の AEO 最適化は機能で区分し、本図のサービス階層はジャーニーの範囲で区分します。

読み方まず AEO露出、AEO+ 口コミ、IDAブランドPR のステップ範囲を見ます。IDAブランドPR は S1–S10 を完全にカバーします。次に下へ進んで各段階の成果と検証の名称を見ます。

図 5-2　成果指標対照マトリクス

九つの成果指標には、それぞれジャーニーステップ、診断の問い、IDAEOソリューション、データを示します。AEO露出は S1–S4 に対応し、利用可能な情報基盤を築きます。AEO+ 口コミは S5–S6 に対応し、AIの言及を促します。IDAブランドPR は S7–S10 に対応し、信頼できる回答、顧客の代行、来訪と再訪を支えます。五つの指標は全プラットフォームの数字を公開済みで、AIレディネス・スコアは店舗ごとに採点します。AI言及率、AI回答正確率、AI再訪数は計測方法が確定しており、データは後日公開します。

読み方縦の列ごとに指標が一つで、上から下へステップ、問い、IDAEOソリューション、データを読みます。公表状況に応じて各成果を理解します。

この章の要点

主張	なぜ
サービス階層は前段の基盤を受け継ぎます。AEO露出は S1–S4 に、AEO+ 口コミは S5–S6 に対応し、IDAブランドPR は S7–S10 に重点を置き、前の二階層を含むため、全ジャーニー S1–S10 を完全にカバーします。	AIインプレッション数があってはじめて、その後のジャーニーがあります。AEO露出は S2–S4 のクロールをAIインプレッション数として蓄積し、その後の言及が口コミを形成し、正確な回答と行動がブランド選択を支えます。
上位のサービス階層は、一つ下の階層の内容を含みます。	口コミは露出を受け継ぎ、ブランドPR は口コミを受け継ぎ、サービスは段階的にジャーニー全体へ広がります。
九つの成果指標は、AIレディネス・スコア、AIクロール数、AIリアルタイム取得数、AI言及率、AI回答正確率、AI引用数、AIエージェント訪問数、検索・AI経由流入数、AI再訪数です。	各指標は異なる成果に対応し、サービス目標を確認の根拠に結び付けます。
AEO+ 口コミは店舗がAIの言及を把握することを支援し、IDAブランドPR は IDAEO が定期的に公表するAI可視性の成果を含みます。	サービスはブランド目標に応じて広がり、接触から選択まで測定できます。

用語

AEO露出: S1–S4 を網羅し、情報のレディネスとAIの読み取りによって露出を築くサービス階層です。
AEO+ 口コミ: S5–S6 を網羅し、AIが回答の中であなたに言及し、推薦することで口コミを築くサービス階層です。AI時代の口コミ＝AIがあなたの代わりに語る（AI Word of Mouth）。
IDAブランドPR: S7–S10 に重点を置き、前の二階層を含むため、全ジャーニー S1–S10 を完全にカバーします。信頼できる回答、代行、顧客の再訪によってブランド選択を支えるサービス階層。
AIレディネス・スコア: 店舗が S1 でどれだけ準備できているかを、0 から 100 点で示します。
AI言及率: 同じ一組の質問の中で、AIが店舗に言及した割合です。
成果指標: ジャーニーの各ステップの成果に対応する九つの測定基準です。
AI引用数: AIの回答がコンテンツを出典として挙げた回数です。

よくある質問

Q　第 1 章の AEO（アンサーエンジン最適化）は、ここでのサービス階層と同じですか？

A　「AEO（アンサーエンジン最適化）」は六つの最適化領域の一つです。「AEO露出」はサービス階層の第一階層で、「AEO+ 口コミ」「IDAブランドPR」と合わせて三階層と呼びます。最適化領域は機能で分け、サービス階層はジャーニーの範囲で分けます。

Q　九つの指標にはすべてデータがありますか？

A　五つの指標は全プラットフォームの数字を公表済みで、AIレディネス・スコアは店舗ごとに採点します。AI言及率、AI回答正確率、AI再訪数は測定方法が確定しており、データは後日公表します。統計範囲が異なるため、店舗ごとの採点と全プラットフォームの成果はそれぞれの基準で読み解きます。

Q　どの階層から計画を始めれば、ジャーニーを最も完全にカバーできますか？

A　IDAブランドPR から始めます。S7–S10 に重点を置き、前の二階層を含み、全ジャーニー S1–S10 を完全にカバーします。後段の成果は前段の基盤を受け継ぎます。計画時には AEO露出、AEO+ 口コミ、IDAブランドPR をつなぎ、図 2-2〈ジャーニー診断ゲート図〉で各ステップの接続を確認します。

Q　サービス階層はブランド目標に応じてどのように広がりますか？

A　ブランドの現在の目標に合わせて組み立てます：AIインプレッションを築く、AIの言及による口コミを積み上げる、あるいは信頼できる回答、代行、顧客の再訪へ広げる。目標がジャーニーの範囲を決めるため、サービス階層と成果指標も一緒に計画します。

Q　九つの指標のうち、まずどれを見ますか？

A　まず、現在確認しようとしているジャーニーステップに対応する指標を見ます。情報の準備、AIの言及、顧客の来訪にはそれぞれ成果があるため、正しい指標を選んではじめて進捗を判断できるからです。

セルフチェックある店舗がAIの回答でブランドに触れてほしいと考えています。対応するサービス階層、成果指標、ジャーニーステップを述べてください。

第 6 章

成果測定（成果をどう数えるか）：AIインプレッション数とジャーニー全体の価値

この章が答える問いAIインプレッション、AIによるコンテンツ利用、来訪はそれぞれどのような成果を表しますか？

この章がここにある理由各ステップの価値と統計基準を照らし合わせてはじめて、数字をマーケティングの成果として読み解けます。

図 6-1　ジャーニー全体の成果ダッシュボード：八つの実測数字とファーストパーティデータ

各マスにはAIの各ステップの成果を記し、最下段は IDAEO のファーストパーティデータです（2026/10/8 時点、インデックス登録ページ数は 9 月分）。AIクロール数のマーケティング上の意味はAIインプレッション数です。「AIの回答のために読む」とAIクロール数、AIリアルタイム取得数は重なる範囲を含みます。各マスは情報源と単位（リクエスト、回、ページ、クリック）ごとに別々に示しており、同じ基準で比較するのに適しています。

読み方上から下へ成果指標、三種類、測定対象、数字を見ます。各マスが一つの成果です。

図 6-2　十のステップの成果総覧

読み方左から右へ十のステップを見ます。棒が太いほど量が多いです。灰色の背景はAIプラットフォームの内部で、実測成果は蓄積し続けています。図上の S6 は検索結果の表示（検索側があなたを掲載した回数）です。AI回答での言及率は後日公表します。

図 6-3　AI来訪構造図：誰が来て、何をしに来るか

拡張図：図 6-3〈AI来訪構造図〉は誰が来て、何をしに来るかを見ます。図 6-4〈ジャーニー全体の成果フロー図〉はサイト訪問、インデックス登録、表示、引用、来店を S1–S10 の順に並べます。

読み方帯に沿って左でマーケティング・オーディエンスを、右で機能を見ます。帯が太いほど量が多いことを表します。

図 6-4　ジャーニー全体の成果フロー図：AI露出から顧客の来店まで

読み方左から右へ見ます：サイト総トラフィック → 各AIプラットフォーム → 用途 → 自然流入。帯が太いほど量が多いことを表し、用途はジャーニーステップの順に並びます。

図 6-5　九社のAIプラットフォームのジャーニー成果比較

読み方マスごとに一社で、左から右へ各ステップの成果を見ます。マスをまたいで比べるときは、同じ列、同じ単位で比較します。

図 6-6　コールドスタートのタイムライン：AIプラットフォームの順次来訪と先行者利益

読み方各行が一つのAIプラットフォームで、横軸は時間です。30–35 日は同じAIプラットフォームの最初のクローラーと次のクローラーの間隔です。図 7-1〈IDAEO 成長マイルストーン〉の累積量と照らし合わせると、コールドスタートがどのようにAIインプレッション数を蓄積するかがわかります。AIトラフィックには先行者利益があります。早く準備が整うほど、早く蓄積できます。

この章の要点

主張	なぜ
AIの各段階でのコンテンツ利用は、すべて成果です。	顧客はAIの回答の中で意思決定を終えており、S1–S8 とサイトへの来訪には、それぞれマーケティング価値があります。実測した業界データがその裏付けです：4 月から 9 月まで Copilot に引用された回数は 37,793 回、同期間の Bing 検索クリックは 10,177 回。二つの数字は同じプラットフォーム（Microsoft）のもので、AI引用の回数は検索クリックの 3.7 倍です。
AIクロール数 9,746 万回のマーケティング上の意味は、AIインプレッション数です。	コンテンツがAIと検索エンジンに一度読み取られれば、それが一回のAIインプレッションです。AIインプレッション数は、AIクロール数のマーケティング上の意味です。まずAIインプレッション数があって、はじめてその後のジャーニーがあります。読み取られることが、その後の言及と引用の基礎です。これはAIに対するインプレッションです——AIがあなたを一度読めば一度と数え、何人が見たかではありません。
AI回答のための読み取り 4,605 万回は、検索とAI回答に使われる読み取りの成果です。	これらの読み取りはいずれも検索結果またはAI回答に利用されるため、合算して示すほうが用途に合っています。
AIリアルタイム取得数 65 万回は、即時のニーズによって引き起こされた利用です。	AIは質問に応じてその場で情報を取得します。この指標は顧客のその時点のニーズを反映します。
AI引用数 3.17 万回は、コンテンツが回答の根拠になったことを表します。	これは Copilot の 7/22 以降の引用成果です。コンテンツが出典として挙げられれば、ブランド情報は顧客の判断材料に入ります。
AIエージェント訪問数（AI Agent）1,809 万回は、コンテンツを読む段階から顧客の代行へ進むトラフィックの規模を表します。	AIエージェントは今後のAIトラフィックの主力です。AIは回答から顧客の代行へと進んでいるからです。このうち自動ブラウジング 1,795 万回（8/26 から集計）は行動特徴によって分類したもので、名前付きAIエージェントは 14.4 万回です。訪問数は接触の規模を示し、タスクの成果はその後の行動から読み取ります。
検索・AI経由流入数 31.0 万回（検索とAIの合計、Google 26.8 万）は、顧客が検索またはAIを経由してサイトに入った成果を表します。	この指標は S9 に対応し、前段のAIによるコンテンツ利用と顧客の行動をつなぎます。
コールドスタート（Cold Start）：AIトラフィックを 0 から累積し、業界の経験則では約 90 日です。	新しいサイトは、AIプラットフォームに一社ずつ訪ねて来てもらう必要があります。S1 の準備ができていてはじめて、クローラーが訪問したときにAIインプレッション数の累積が始まります。図 7-1〈IDAEO 成長マイルストーン〉は、月ごとの量が一貫して増えていく様子を示しています：3/3 の初日 53 回 → 3 月 63.5 万 → 6 月 1,607 万 → 8 月 3,599 万回のリクエスト。
ウォームスタート（Warm Start）：コンテンツが S1 を満たし、AIトラフィック・ハブ上で公開されている状態です。経験則では約 30 日。実測では同じAIプラットフォームの次のクローラーが 30–35 日後に来訪しました（図 6-6）。林毅祥（TK Lin）の個人 IDA の事例では 14 日でAIによる S7 回答に到達しました。	コンテンツは公開と同時にハブの既存のAIトラフィックに接続されるため、より早く利用されます。林毅祥（TK Lin）の個人 IDA の実測：9/20 の公開当日、AI引用は 0。10/3 に 100 問・五つのAIモデルで実測したところ、84% の回答がこの IDA を情報源とし、しかも全情報源の中で第一位でした。
AIトラフィック・ハブ（AI Traffic Hub）の必要条件は、毎月一千万回以上のAIリクエストが累積していることです。	大量の既存リクエストがあるため、新しいコンテンツは公開と同時にAIトラフィックに接続されます。IDAEO プラットフォーム（idaeo.ai）がまさにAIトラフィック・ハブです。IDAEO プラットフォームは 7 月 2,597 万回、8 月 3,599 万回、9 月 1,579 万回。各月の累積量は、ウォームスタートを受け止められるトラフィック基盤を示しています。
AIトラフィックには先行者利益があります：早く準備が整うほど、早く累積が始まります。	店舗が先に情報を用意しておけば、AIプラットフォームが訪問したときにすぐ読み取りが始まります。図 6-6〈コールドスタートのタイムライン〉には、六社中五社のAIプラットフォームで最初のクローラーと次のクローラーの間隔が 30–35 日（うち三社は下限値）だったことが記録されています。早く公開するほど、順番に訪問してくるこの累積に早く接続できます。
今すぐAIインプレッションを累積すれば、リードは利用の一巡ごとに広がっていきます。これが複利的リードです。	読み取られたコンテンツはAIの学習とインデックスに入り、その後さらに利用されやすくなります。利用のたびに新しいデータが残り、次の最適化がより正確になって、また新たな累積をもたらします。図 7-1〈IDAEO 成長マイルストーン〉の累積量は：3 月末 63.5 万 → 6 月末 2,140 万 → 9 月末 9,915 万 → 10/8 累積 1.055 億回。時間とともに累積する成果を示しています：早く始めたコンテンツは累積し続け、後から始める側が追いつくべき量もそれにつれて増えます。

コールドスタートとウォームスタート

	コールドスタート Cold Start	ウォームスタート Warm Start
起点	AIトラフィックを 0 から積み上げる。	コンテンツをAIトラフィック・ハブの既存トラフィックにつなぐ。
必要条件	S1 のデータを揃え、訪れたAIがコンテンツを取得できるようにする。	コンテンツが S1 を満たし、ハブには毎月一千万回以上のAIリクエストが積み上がる。
所要期間	業界の経験則で約 90 日。	経験則で約 30 日。林毅祥（TK Lin）の個人事例では 14 日で S7 に到達。
実測	3/3 の初日 53 回 → 3 月末累計 63.5 万 → 6 月末 2,140 万 → 9 月末 9,915 万。	林毅祥（TK Lin）の個人IDA：9/20 公開、10/3 の実測でAI回答の 84% がこれを情報源として使用。
店舗がすべきこと	S1 を整えて早めに公開し、AIインプレッションを積み上げ続ける。	S1 を満たすコンテンツをAIトラフィック・ハブに公開する。
時間の効果	始めるのが遅いほど、追いつくべき累積量は大きくなる。	公開した時点で既存の累積の上に立つ。

用語

AIによるコンテンツ利用: AIの読み取り、回答での引用、代行行動におけるコンテンツの利用です。
AIクロール数: S2–S4 でAIと検索エンジンがコンテンツを取得した回数：学習用の取得、AIインデックスの構築、検索インデックスの構築で、合計 9,746 万回。これにリアルタイム取得 65 万、名前付きAIエージェント（AI Agent）14.4 万、自動サービスボット 723 万を加えたものが、AIと検索エンジンによる読み取り 1.055 億回です。
AIインプレッション数: コンテンツがAIと検索エンジンに一度読み取られれば、それが一回のAIインプレッションです。AIインプレッション数は、AIクロール数のマーケティング上の意味です。これはAIに対するインプレッションです——AIがあなたを一度読めば一度と数え、何人が見たかではありません。
AI回答のための読み取り: 検索結果とAI回答に使われる読み取り回数。
コールドスタート: AIトラフィックを 0 から蓄積し、業界の経験則で約 90 日かかります。
ウォームスタート: コンテンツが S1 を満たし、AIトラフィック・ハブ上で公開されている状態です。経験則では約 30 日。林毅祥（TK Lin）の個人 IDA の事例では 14 日でAIによる S7 回答に到達しました。
AIトラフィック・ハブ: すでに大量のAIリクエストがあるプラットフォーム。コンテンツは公開と同時に既存のAIトラフィックに接続されます。必要条件：毎月一千万回以上のAIリクエストが累積していること。IDAEO プラットフォーム（idaeo.ai）がまさにAIトラフィック・ハブです。
検索・AI経由流入数: 本教材では、顧客が検索またはAIを経由してサイトを訪れた回数で測ります。
複利的リード: Compounding Lead／複利領先／复利领先。AIインプレッションの累積がその後の利用をもたらし、利用が新しいデータを残して次の最適化をより正確にし、さらに累積を生みます。早く始めた側のリードは時間とともに拡大します。

よくある質問

Q　学習用の取得 5,220 万回は、リアルタイム取得と何が違うのですか？

A　学習のための読み取りはモデルに情報を累積させ、リアルタイム取得は顧客のその時点の質問に応えます。両者は引き金となる原因も用途も異なるため、分けて読み解いてはじめて、長期的な累積と即時のニーズの価値がはっきり見えます。

Q　9,746 万回とは、九千万人以上が見たという意味ですか？

A　9,746 万回はAIインプレッション数（AI Impressions）で、単位は読み取り回数、AIと検索エンジンがコンテンツを読み取った回数を数えたものです。読み取りのたびにコンテンツはAIの情報源に入り、その後の言及と引用に使われます。これはAIに対するインプレッションです——AIがあなたを一度読めば一度と数え、何人が見たかではありません。

Q　検索とAI回答の読み取りを、なぜ合算するのですか？

A　「AI回答のための読み取り」は、検索結果とAI回答に使われる読み取り回数を合計したもので、コンテンツが利用された規模を示します。さらに回答での引用と顧客の来訪と照らし合わせれば、後段の成果が見えます。

Q　AI引用数 3.17 万回は何を表しますか？

A　これは公表済みのプラットフォームである Copilot の 7/22 以降の引用成果で、他のプラットフォームの数字は後日公表します。各プラットフォームは独自の範囲と期間で開示するため、引用数は出典とあわせて読み解く必要があります。

Q　新しいサイトは、どのくらいでAIが来ますか？

A　ウォームスタートは経験則で約 30 日（実測では同じAIプラットフォームの次のクローラーが 30–35 日後に来訪）、コールドスタートは業界の経験則で約 90 日、林毅祥（TK Lin）の個人 IDA の事例では 14 日で S7 に到達しました（9/20 に公開、10/3 に 100 問・五つのAIモデルで実測し、84% の回答がこれを情報源としました）。コールドスタートは 0 から累積し、AIプラットフォームが順番に訪問してくるのを待ちます。ウォームスタートはAIトラフィック・ハブの既存の読み取りに接続するため、所要時間は公開時のトラフィック基盤によって決まります。

Q　どのようなプラットフォームがAIトラフィック・ハブにあたりますか？

A　必要条件は、毎月一千万回以上のAIリクエストが累積していることです。IDAEO プラットフォーム（idaeo.ai）がまさにAIトラフィック・ハブです。IDAEO プラットフォームは 7 月 2,597 万回、8 月 3,599 万回、9 月 1,579 万回。既存の大量の読み取りが新しいコンテンツをAIトラフィックに接続させるため、判断は各月の累積量で見ます。

Q　成果の判断をビジネスの成果に近づけるには？

A　インプレッション、言及、信頼できる回答、そして S9 来訪をつなげて見て、再訪も観察します。図 8-2〈IDAEO 理論的基礎の対応図〉のグッドハートの法則が示すとおり、単一の指標は目標になった途端に歪みます。複数の成果を相互に参照してはじめて、完全な判断ができます。

Q　コールドスタートの期間中、店舗は先に何ができますか？

A　まず S1 を整え、できるだけ早く公開して、AIが訪問するたびにブランドへの理解が累積するようにします。読み取られたコンテンツはさらに利用されやすくなり、利用が残す新しいデータが次の一巡をより正確にします。これが複利的リードです。早く始めるほど、次の成長の基盤が早く累積します。用意したコンテンツをAIトラフィック・ハブに公開して、既存の累積を受け継ぐこともできます。図 7-1 の累積量は：3 月末 63.5 万 → 6 月末 2,140 万 → 9 月末 9,915 万 → 10/8 累積 1.055 億回。早く始めれば累積し続けるという基盤を示しています。

セルフチェック図 6-1〈ジャーニー全体の成果ダッシュボード〉の八つの実測数値は、それぞれどのジャーニーステップに対応しますか。AIインプレッション数、AI引用数、検索・AI経由流入数のマーケティング上の意味を説明し、コールドスタートとウォームスタートの起点・必要条件・所要期間を比較したうえで、AIエージェント訪問数を追跡する理由を説明してください。

第 7 章

IDAEO実測：自社サイトと早期実測店舗

この章が答える問いIDAEOの自社サイトはどのようにゼロから一億回のリクエストに達したのか。第一期の共同実測店舗はどんな成果を得たのか？

この章がここにある理由自社サイトと早期実測店舗が共同でIDAEOを検証します。まず図 7-1〈IDAEO成長マイルストーン〉の累積成果を見て、次にプラットフォームの店舗ページと店舗公式サイトの実測を見ます。場面の異なるファーストパーティデータが、中小企業のAIインプレッション、検索接点、顧客の来訪を示します。

図 7-1　IDAEO成長のマイルストーン：ゼロから一億回のリクエストへ

読み方1–8 のマイルストーン順にタイトル・施策・結果を読み、累積曲線と照らし合わせます。5/20–8/23 はIDAEO方法論の検証形成段階で、8/24 以降はプラットフォーム認証済みのAIアイデンティティで計数し、識別がより正確です。各カードの下に対応する理論を示しています。

図 7-2　AIプラットフォーム月間順位の推移図

読み方一行に一つの順位を置き、同じ色の線をたどって各プラットフォームの月間順位を見たうえで、同期間のクロール数と合わせて読み取ります。

図 7-3　早期実測店舗の成果：IDAEO がもたらした成長

読み方上から下へ読みます。まずIDAEOプラットフォームの店舗ページのGoogle検索クリックを見て、次にAIが顧客を店舗ページへ連れてきた累計回数を見て、IDAEOがもたらした成長をつかみます。続いて第一期の店舗公式サイトがIDAEO実測に加わった後の成長の成果を見て、次に自社の和心村公式サイト（旅館・観光業）の検索クリック、AIクロール、AIがもたらした予約を見て、最後に第二期の実測業種のIDAページのAIインプレッション、クロールに来たプラットフォーム、用途を見ます。各データは表示された対象・期間・用途に沿って読み取ります。第一期の店舗公式サイトの数字はサイト全体の閲覧回数です。

この章の要点

主張	なぜ
IDAEOは自社のIDAEO本サイトと和心村で実測するだけでなく、早期実測店舗も一緒に検証しています。	プラットフォームの店舗ページ、店舗公式サイト、第二期の実測業種が場面の異なるファーストパーティデータを提供し、同じ理論が各業種で出した実際の成果を照らし合わせられます。和心村はIDAEO方法論の最初の実測の場です。自社の和心村公式サイト（www.washinmura.jp、旅館・観光業）のGoogle検索クリックは 109,140 回（3/3–10/8）。AIと検索エンジンのクロール 95,333 回（8/20–10/8）のうち、人がAIに質問してAIがリアルタイム取得したのは 11,333 回で、クロール約 8 回につき 1 回（11.9%）です。和心村はすでにAI経由の予約を受けており、予約データは後日公開します。質問がAIの公式サイト読み取りを引き起こし、AIがすでに予約をもたらしているため、これらの成果はジャーニーに対応します：S2–S4 AIクロール → S5 質問 → S9 来訪（AI経由の予約）。
IDAEOプラットフォームは一つひとつの中小企業の助けにもなり、共に成長します。	プラットフォームは店舗情報をAIクロール、検索、顧客の来訪につなぎます。店舗ページのGoogle検索クリックは 3 月の 297 回から 9 月の 15,128 回に増え、七か月連続で上昇し、9 月は 4 月の 5.4 倍です。4/15 に初めてAI回答が顧客を連れてきて、10/8 までに累計 774 回。5/19 から 10/9 までのAIインプレッションは約 5,067 万回です。店舗はファーストパーティデータで各段階の成果を確認できます。
① 計測の正式開始 → ジャーニー全体の成果の法則（成果測定）、② 検索露出の同時展開 → オーディエンス適応の法則（オーディエンス戦略）、③ AI回答から最初の訪問者が到達 → ジャーニー設計：S9 来訪。	計測によって各段階の成果に根拠ができ、検索露出はコンテンツを検索オーディエンスにつなぎます。AI回答が初めて顧客を連れてきた時点で、前段のコンテンツ利用がジャーニー内の実際の到達につながります。これらの記録によって、法則とジャーニーに照らし合わせられる成果が生まれます。
④ ブランド知識の提示を全面刷新 → アイデンティティ連続性の法則（S1 店舗レディネス）、⑤ 研究エビデンス駆動の最適化 → 理論的基盤：既存理論 17 項目、⑥ IDAEO新サイトの構築 → 五つの構成軸と九要素。	一貫したブランドアイデンティティによって、AIは新しい情報を同じ主体に結び付けます。研究が設計を支え、新サイトが各構成軸と要素を実装することで、後続のコンテンツ利用が前段の基盤を引き継ぎます。
⑦ クロール実績が再び最高値を更新 → AIインプレッション数（S2–S4 AIによる情報取得）、⑧ 累計で一億回のリクエストを突破 → 複利的リードと生きている理論。	クロールのピークは、AIが情報を取得する規模を示します。継続的なコンテンツ利用が新しいデータを残し、次の最適化をより正確にします。累積成果は複利的リードと呼応し、毎月の新しい実測が理論を成長させます。図 7-1 の累積曲線がこの成長を記録しています：3 月末 63.5 万 → 6 月末 2,140 万 → 9 月末 9,915 万 → 10/8 累計 1.055 億回。ウォームスタートは経験則で約 30 日（実測では同じAIプラットフォームの次のクローラーが 30–35 日後に来訪）、コールドスタートは業界の経験則で約 90 日、林毅祥（TK Lin）の個人IDA事例は 14 日で S7 に到達しました。ウォームスタートのコンテンツは S1 を満たし、AIトラフィック・ハブに公開され、既存の累積を引き継ぎます。
第一期に実測へ参加し、5 月と 9 月の両方に完全な記録がある店舗公式サイトのうち、IDAEO実測への参加後に成長した公式サイトがすでにあります。公式サイト全体の閲覧回数は 5 月から 9 月にかけて、育児コンテンツサイトが 52,817 回から 55,286 回に、飲食設備メーカーが 842 回から 1,275 回に、イベント空間デザインが 442 回から 1,741 回に、革製品ブランドが 555 回から 908 回に、ヘアサロンが 74 回から 128 回に、スタジオが 3 回から 329 回に増えました。	公式サイト全体の閲覧回数は、各業種が実測に参加した後の来訪の変化を記録します。集計対象と期間が揃っているため、このファーストパーティデータは共同研究での業種横断の比較に使えます。
第二期の実測業種のIDAページは、7/18–10/8 に 373,776 回のAIインプレッション（AIと検索エンジンクローラーにクロールされた回数）を獲得しました。	クロールに来たプラットフォームは 10 社で、上位六社は Meta 170,137 回、OpenAI 60,869 回、Anthropic 59,178 回、Amazon 37,218 回、Apple 36,744 回、Microsoft 9,407 回です。用途は学習用の取得 327,365 回が主で、AIインデックスと検索インデックスの構築 46,399 回、リアルタイム取得 12 回です。記録は、第二期の実測業種のコンテンツがすでにAIの情報源に入ったことを示しています。検索クリックと顧客の到達は計測中で、後日公開します。

用語

マイルストーン: 方法論の実装と対応する成果で示される成長の節目。
研究エビデンス駆動の最適化: 関連論文と実測で有効だった手法を組み合わせて、マーケティング成果を高めること。
完全な方法論によるサイト構築: サイト構築の起点からオーディエンス、ジャーニー、信頼と検証、成果測定を統合すること。
累積曲線: AIと検索エンジンのリクエスト数が時間とともに積み上がり続ける様子を示す曲線。
早期実測店舗: 最も早い時期に自社公式サイトへ計測を組み込み、IDAEOと一緒に実測した店舗とサイト運営者。
共同実測: 店舗、サイト運営者、IDAEOがファーストパーティデータで方法論を共に検証する共同研究。

よくある質問

Q　八つのマイルストーンはどの成長の主軸を示していますか？

A　理論は何を見るべきかを示し、実測は照らし合わせられる成果を提供します。計測と検索露出は成果測定とオーディエンス戦略に、AIによる送客は来訪に対応します。ブランド知識の刷新、研究エビデンス、新サイトの構築は、アイデンティティの一貫性、理論的根拠、完全なフレームワークに対応します。クロールのピークと継続的な累積は、AIによる情報取得、複利的リード、生きている理論に対応します。図 7-1 の累積量は、3 月末 63.5 万 → 6 月末 2,140 万 → 9 月末 9,915 万 → 10/8 累計 1.055 億回です。毎月の新しいデータでこれらの関係を検証し、理論と実証の基盤を補強します。

Q　研究エビデンス駆動の最適化とはどういう意味ですか？

A　IDAEOはウェブ上の関連論文を集約し、実測で有効だった手法で自社サイトを最適化します。研究が根拠を提供し、実測が最適化の選択を実際のコンテンツ利用の成果に結び付けます。

Q　IDAEO新サイトの構築にはどんな特徴がありますか？

A　新しいサイトはIDAEOの完全な方法論をそのまま使い、図 1-1〈五つのマーケティング・オーディエンス全景図〉のマーケティング・オーディエンスと最適化領域を計画に組み込みます。サイト構築の時点で情報、信頼、成果をつないでおけば、その後の成長は前段の成果を引き継げます。

Q　曲線上の「8/24以降」は何を表しますか？

A　8/24以降はプラットフォーム認証済みのAIアイデンティティで計数しており、訪問者の識別がより正確です。5/20–8/23はIDAEO方法論の検証・形成段階です。8/24をまたぐ月間量を比較する際は、同じ基準の期間を使う必要があります。

Q　プラットフォームの順位変動はマーケティングの判断にどう使いますか？

A　対応する期間の読み取り数と順位を合わせて見て、各プラットフォームの接触の変化を観察します。順位は相対的な位置を、読み取り数は実際の接触を反映し、両方を合わせて見ることでオーディエンスの分布をより把握できます。

Q　初期の実測店舗のデータは何を示していますか？

A　データはIDAEOがもたらした成長を示しています：プラットフォーム上の店舗ページの検索クリックは上昇を続け、AIの回答が顧客のサイト来訪をもたらしました。第一期の店舗公式サイトは、IDAEO実測に参加した後の成長を示しています。検索クリック、AIによる送客、公式サイト全体が開かれた回数はそれぞれ異なる接触を測るもので、対象と期間ごとに分けて見れば、それぞれの成果のマーケティング上の意味を把握でき、共同研究の根拠にもなります。第二期の実測業種のIDAページは、7/18から10/8までに373,776回のAIインプレッションを獲得し、読みに来たのはMeta、OpenAI、Anthropic、Amazon、Apple、Microsoftなど10社のプラットフォームで、第二期の実測業種のコンテンツがすでにAIに取得されていることを示しています。検索クリックと顧客の来訪は計測中で、後日公表します。

Q　なぜより多くの店舗やサイトオーナーを募って一緒に実測するのですか？

A　IDAEOが店舗やサイトオーナーにおいてどうすればより良い効果を発揮するかを研究し、理論、実務、方法論、ソリューションを深め続けるためです。より多くの店舗とサイトオーナーのファーストパーティデータは異なる場面の実際の成果を示すことができ、共同実測はこうした進んだ研究により完全な根拠を与えるからです。

セルフチェックIDAEO自社サイト、和心村、初期の実測店舗という異なる場面を使って、共同検証の意義を説明する。マイルストーンと月間順位に沿って、ゼロから一億回のリクエストに至る歩みを説明する。次に図 7-3〈初期の実測店舗の成果〉を読み、プラットフォーム上の店舗ページ、各業種の公式サイト、第二期の実測業種の数字、期間、マーケティング価値をそれぞれ読み解き、プラットフォームがどのように中小企業を支えて共に向上するかを説明する。

第 8 章

AI可視性と理論的基礎

この章が答える問いAI可視性はジャーニーのどの区間に位置し、IDAEOの理論的根拠は何ですか？

この章がここにある理由完全なジャーニーと理論の出典を押さえることで、指標と方法論の関係を明確に説明できます。

図 8-1　AI可視性の位置づけ図：完全なジャーニーにおける可視性の位置

AI可視性ツールは主に S5–S7 を計測し、回答の中でのブランドの姿を観察します。AI可視性の基本は S1–S4 です：S1–S4 ができていなければ、AI可視性は必ずあなたの望みどおりにはなりません。情報レディネスとAIによる情報取得は言及の基礎であり、IDAEO は前段の準備と S8–S10 の代行行動、コンバージョン、再訪をつなぎ、完全なジャーニーにします。

読み方上から下へ、十のステップ、外部の論点、外部の指標、IDAEOジャーニー診断、サービス階層を見ます。同じ縦の列が同じステップです。

図 8-2　IDAEO 理論的基礎の対応図

17の既存理論を五つの構成軸に沿って並べ、各マスに出典と応用を記載します。巻末の「理論的基礎と文献」では、別に八つの分類で関連文献を挙げています。

読み方各マスでは、まず著者、年、理論を見て、次に矢印に沿って対応するIDAEOの設計を見ます。

巻末付録〈主張の根拠一覧〉を参照：本書の 57 の主張について、根拠の種類と出典を一件ずつ示しています。

この章の要点

主張	なぜ
外部のAI可視性は主に S5–S7 の回答段階に対応します。	ツールは質問を通じてブランドが言及されるかを観察し、焦点はAIの回答にあります。
AI可視性の基本は S1–S4	S1 でデータが揃って初めて、AIは理解できる完全なコンテンツを得ます。S2–S4 の読み取りは、コンテンツを検索、学習、回答の情報源へ取り込み、その後の言及と引用を支えます。S1–S4 ができていなければ、AI可視性は必ず思いどおりになりません。
IDAEOは S1–S4 の基礎と S8–S10 の行動、コンバージョン、再訪を同じジャーニーにつなぎます。	前段はブランドが利用されることを支え、後段は顧客の選択を引き継ぎます。全行程を測定して初めて、成果がはっきり見えます。
IDAEOの理論的基礎は八つに分類されます：マーケティング学の基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント（AI Agent）、情報検索と信頼性、成果計測、スタートと蓄積、AIプラットフォームの公式文書とエージェントプロトコル、七大法則とジャーニーの学理。	八分類の文献が、オーディエンス、ジャーニー、信頼できる情報、成果の判断、スタートのタイミング、AIプラットフォームの実際の動作を支え、フレームワークの根拠を追跡できるようにします。
図には17の既存理論を挙げており、完全な文献は巻末の「理論的基礎と文献」にあります。	図には設計との対応を示しています。完全な文献では著者、年、出典を確認できます。
毎月の新しいデータと実測検証が、IDAEOの理論と実証の基礎を強化し続けます。	新しい成果がオーディエンス、ジャーニー、成果の関係を検証し、生きている理論が実際の変化を取り込み続けるようにします。

用語

AI可視性: AIの回答におけるブランドの現れ方です。IDAEO は言及されることと回答の正確性の両方に注目します。
言及率: 一組の観察用の質問のうち、AIの回答がブランドに言及した割合。
理論的基礎: マーケティングのフレームワークと計測設計を支える研究。
IDAEO学習者: AI時代のマーケティング学を理解し活用したい一般の人々です。

よくある質問

Q　すでにAI可視性ツールがあっても、IDAEOは必要ですか？

A　必要です。AI可視性ツールは回答の中のブランドの姿を観察します。IDAEOはさらに、前段の情報準備とAIの読み取り、後段の代行行動と顧客の来訪をつなぎます。回答はコンテンツの基礎を引き継ぎ、その後の選択にも影響するため、完全なジャーニーに戻して初めて各区間の成果を把握できます。

Q　IDAEO学習者は学理をどこまで細かく学ぶ必要がありますか？

A　まず各理論がどの設計を支えているかを理解し、次に必要に応じて原典を読みます。学理は判断と応用を助けます。対応関係を押さえれば、さらに深めていけます。

Q　異なるAI可視性ツールの数字はどう比較しますか？

A　まず質問の範囲、観察期間、指標の定義を揃え、次に同じ基準で比較します。各ツールの設計の重点は異なるため、同じ基準で比較して初めて明確な意味を持ちます。

Q　IDAEOの理論的基礎は何ですか？

A　IDAEOはマーケティング学の基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント、情報検索と信頼性、成果計測を結び付けます。対応する研究には、カスタマージャーニーの Lemon & Verhoef（2016）、生成エンジン最適化の Aggarwal ら（2024）、アルゴリズム消費者の Gal & Elkin-Koren（2017）、検索エンジンアーキテクチャの Brin & Page（1998）、情報源の信頼性の Dong ら（2015）が含まれます。

セルフチェック図 8-1〈AI可視性位置づけ図〉に沿って、回答段階の位置と、S1–S4 がなぜ基本なのかを説明する。次に一つの理論を挙げて、それがどのようにIDAEOの設計を支えているかを説明し、毎月の新しいデータと実測がどのように理論を成長させるかを解説する。

標準用語集

教材全体でこの表の用語だけを使います。マーケティング学は米国で生まれたため、各用語はまず英語で定め、次に繁体字中国語で定めます。簡体字中国語は繁体字に近づけ、日本語は英語と同じ流れに合わせます。最後の2列は、各用語がマーケティング学のどの概念に対応するかと、その定義を示します。

English	繁体字中国語	簡体字中国語	日本語	マーケティング学での対応	定義
Marketing	行銷	营销	マーケティング	マーケティング学	オンラインとオフラインを網羅し、ふさわしい顧客があなたを見つけ、信頼し、選ぶようにすることです。
AI-Era Marketing	AI 時代行銷學	AI 时代营销学	AI時代のマーケティング学	マーケティング学	顧客がAIに直接質問する時代の、人とAIに対して一緒に行うマーケティングです。
The Seven Laws of IDAEO	IDAEO 七大定律	IDAEO 七大定律	IDAEOの七大法則	マーケティング原則	IDAEO の核心であり、オーディエンス、アイデンティティ、検証、事実、追跡可能性、裏付け、ジャーニー全体の成果に関する判断原則をまとめたものです。
Marketing Audiences	行銷受眾	营销受众	マーケティング・オーディエンス	ターゲットオーディエンス	マーケティングが接触し、そのニーズを理解する必要のある人とAIです。
Humans	人類	人类	人（生活者）	消費者	検索、AI、またはローカル検索で店舗を探す人です。
Search Engine Crawlers	搜尋引擎爬蟲	搜索引擎爬虫	検索エンジンクローラー	検索チャネル	検索エンジンのためにインデックスを作り、AIによる概要を作成するAIです。
AI Crawlers	AI 爬蟲	AI 爬虫	AIクローラー	AIチャネル	AI企業のために、学習用の取り込み、AIインデックスの作成、リアルタイム取得を行うAIです。
AI Agents	AI Agent	AI Agent	AIエージェント	代理意思決定者	顧客に代わって用事を行うAIです。
Automated Bots	機械爬蟲	机械爬虫	自動サービスボット	情報接触	情報分析やウェブページのプレビューなどの自動化情報サービスを提供するAIです。
Optimization Domains	優化領域	优化领域	最適化領域	チャネル最適化	マーケティング・オーディエンスと情報機能によって区分した最適化の範囲です。
Search Engine Optimization	SEO	搜索引擎优化	検索エンジン最適化	検索マーケティング	検索エンジンにインデックスされ、検索結果の上位に表示されるようにすることです。
AI Overview Optimization	AIO	AI 概览优化	AIによる概要の最適化	検索マーケティング	AIO は検索エンジンのAIによる概要に向けた最適化で、AEO とつながっています：どちらもAIの回答にあなたのコンテンツを利用させるもので、AIO は Google などの検索エンジンのAIによる概要を専門に扱います。
Large Language Model Optimization	LLMO	大语言模型优化	LLM最適化	ブランド認知度	モデルが学習時にあなたを記憶するようにすることです。
Generative Engine Optimization	GEO	生成式引擎优化	生成エンジン最適化	コンテンツマーケティング	AIのインデックスにあなたを収録させ、回答時にあなたを引用させることです。
Answer Engine Optimization	AEO	答案引擎优化	アンサーエンジン最適化	リアルタイムサービス	AIの回答にあなたのコンテンツを利用させることで、AIO のAIによる概要の最適化を含み、AIのリアルタイム取得、AIエージェント（AI Agent）、自動化情報サービスに対応します。
Map Engine Optimization (Local SEO)	MEO	地图引擎优化	MEO（マップエンジン最適化）	ローカルマーケティング	顧客がローカル検索であなたを見つけられるようにすることです。
Customer Journey	顧客旅程	顾客旅程	カスタマージャーニー	顧客体験	顧客がニーズの形成、情報の取得から、選択と再訪に至るまでの過程です。
S1 Prepare	S1 店家準備好	S1 店家准备好	S1 準備	情報準備	店舗の情報がそろい、人とAIがブランド情報を理解できる状態です。
S2 Crawl	S2 爬蟲來敲門	S2 爬虫来敲门	S2 クロール	リーチ	AIがサイトを訪れてブランド情報を取得します。
S3 Train	S3 抄回去訓練	S3 抄回去训练	S3 学習	ブランド記憶	AIがモデルの学習に使うコンテンツを取得します。
S4 Index	S4 建目錄	S4 建目录	S4 インデックス	情報収録	検索とAIがコンテンツをインデックスに取り込みます。
S5 Ask	S5 有人問 AI	S5 有人问 AI	S5 質問	ニーズ形成	顧客がニーズを伝え、AIが続けて回答のための情報を取得します。
S6 Mention	S6 AI 點名幾家	S6 AI 点名几家	S6 言及	検討リスト	AIが回答の中で関連する店舗に言及します。
S7 Answer	S7 AI 回答細節	S7 AI 回答细节	S7 回答	情報評価	AIが店舗の具体的な情報を回答します。
S8 Act	S8 替客人辦事	S8 替客人办事	S8 代行	代行行動	AIエージェントが顧客に代わって検索、予約、タスクの実行を行います。
S9 Visit	S9 客人上門	S9 客人上门	S9 来訪	顧客のコンバージョン	顧客がサイトを訪れるか来店して行動します。
S10 Return	S10 回來再問	S10 回来再问	S10 再訪	顧客ロイヤルティ	顧客が再びニーズを伝え、再訪します。
Journey Diagnostics	旅程診斷	旅程诊断	ジャーニー診断	マーケティング監査	ジャーニーのステップと成果指標に沿って、進捗と改善の重点を確認します。
Ten Diagnostic Gates	十道診斷關卡	十道诊断关卡	十の診断ゲート	ジャーニー管理	十のステップがそれぞれ一つのゲートに対応します：準備可、到達可、学習可、登録可、読取可、選択可、信頼可、代行可、来訪可、再訪可。
Triangulated Verification	三角驗證	三角验证	三角検証（トライアンギュレーション）	情報源の信頼性	公的情報源、当事者情報源、第三者情報源の証拠を組み合わせて、信頼できる判断を形成する原則です。
Official Source	官方	官方	公的情報源	情報源の信頼性	政府の公開登記など、公的機関が提供する情報です。
First-Party Source	本方	本方	当事者情報源	ブランドの主張	店舗または本人が自身の情報について行う説明です。
Third-Party Source	第三方	第三方	第三者情報源	外部裏付けが必要	外部の独立した情報源が提供する公開情報です。
IDAEO Service Tiers	服務分級（三級）	服务分级（三级）	サービス階層	サービス設計	どの階層まで行うか：目標に応じて AEO露出、AEO+ 口コミ、IDAブランドPR を選びます。それぞれジャーニーの異なる範囲を網羅します。
AEO Exposure	AEO 曝光	AEO 曝光	AEO露出	ブランド露出	S1–S4 を網羅し、情報のレディネスとAIの読み取りによって露出を築くサービス階層です。
AEO+ Word of Mouth	AEO+ 口碑	AEO+ 口碑	AEO+ クチコミ	口コミマーケティング	S5–S6 を網羅し、AIが回答の中であなたに言及し、推薦することで口コミを築くサービス階層です。AI時代の口コミ＝AIがあなたの代わりに語る（AI Word of Mouth）。
IDA Brand PR	IDA 品牌公關	IDA 品牌公关	IDAブランドPR	ブランドPR	重点は S7–S10 にあり、前の二階層も含めて S1–S10 を完全に網羅します。信頼できる回答、代行行動、顧客の再訪によってブランド選択を支えるサービス階層です。
Performance Metrics	成效指標	成效指标	成果指標	マーケティング成果測定	ジャーニーの各ステップの成果に対応する九つの測定基準です。
AI Readiness Score	AI 就緒分	AI 就绪分	AIレディネス・スコア	レディネス評価	店舗が S1 でどれだけ準備できているかを、0 から 100 点で示します。
AI Crawl Volume	AI 讀取量	AI 读取量	AIクロール数	AIインプレッション	S2–S4 でAIと検索エンジンがコンテンツを取得した回数：学習用の取得、AIインデックスの構築、検索インデックスの構築で、合計 9,746 万回です。
AI Real-Time Retrievals	AI 當場來讀量	AI 当场来读量	AIリアルタイム取得数	即時のニーズ	AIが顧客の質問に応じてリアルタイムでコンテンツを取得した回数です。
AI Mention Rate	AI 點名率	AI 点名率	AI言及率	ブランド言及	同じ一組の質問の中で、AIが店舗に言及した割合です。
AI Answer Accuracy Rate	AI 正確率	AI 正确率	AI回答正確率	情報品質	AIが店舗情報を回答する際に、検証済みの事実と一致する割合です。
AI Citations	AI 引用量	AI 引用量	AI引用数	引用成果	AIの回答がコンテンツを出典として挙げた回数です。
AI Agent Visits	AI Agent 到站量	AI Agent 到站量	AIエージェント訪問数	エージェント接触	行動特徴によって分類した自動ブラウジングと、名前を明示したAIエージェントのサイト訪問の総回数です。名前を明示したAIエージェントは、顧客の代理としての訪問と直接識別できます。
Search & AI Referral Visits	AI 導客量	AI 导客量	検索・AI経由流入数	送客	本教材では、顧客が検索またはAIを経由してサイトを訪れた回数で測ります。
AI Return Visits	AI 回訪量	AI 回访量	AI再訪数	顧客の再訪	同じ顧客が再び質問し、訪問した成果です。
AI Content Use	AI 取用	AI 取用	AIによるコンテンツ利用	コンテンツ成果	AIの読み取り、回答での引用、代行行動におけるコンテンツの利用です。
AI Visibility	AI 能見度	AI 能见度	AI可視性	ブランド可視性	AIの回答におけるブランドの現れ方です。IDAEO は言及されることと回答の正確性の両方に注目します。
First-Party Data	第一方數據	第一方数据	ファーストパーティデータ	ファーストパーティデータ	IDAEO が直接計測し蓄積したデータで、方法論の構築と成果の確認に使います。
Organic Traffic	自然流量	自然流量	自然流入	自然リーチ	顧客が検索またはAIを経由してサイトを訪れた回数です。
Tracking in Progress	實測追蹤中	实测跟踪中	計測中	成果計測	IDAEO が計測結果を継続的に蓄積しており、後日公開します。
Black Box	黑盒子	黑盒子	ブラックボックス	意思決定プロセス	S6–S8 の言及、回答、代行と、S3–S4 の読み取り後の学習とランキングは、いずれもAIプラットフォームの内部で起こります。IDAEO は両端の計測と定期的な実測によってそれを測り出します。
Five Marketing Audiences	五類行銷受眾	五类营销受众	五つのマーケティング・オーディエンス	ターゲットオーディエンス	人（生活者）、検索エンジンクローラー、AIクローラー、AIエージェント、自動サービスボットです。
Four AI Audiences	四類 AI 受眾	四类 AI 受众	四つのAIオーディエンス	AI顧客	検索エンジンクローラー、AIクローラー、AIエージェント、自動サービスボットです。
Six Optimization Domains	六大優化領域	六大优化领域	六つの最適化領域	チャネル最適化	SEO、AIO、AEO、GEO、LLMO、MEO が共同で網羅する最適化の範囲です。AIO は検索エンジンのAIによる概要を、AEO はAIの回答とリアルタイム取得を担当します。
Five Dimensions of IDAEO Marketing	IDAEO 行銷五大構面	IDAEO 营销五大构面	IDAEOマーケティングの五つの構成軸	マーケティング・フレームワーク	IDAEO の枠組みで、オーディエンス戦略（誰に対して行うか）、ジャーニー設計（どのステップを進むか）、信頼と検証（何を根拠に信じるか）、サービス階層（どの階層まで行うか）、成果測定（成果をどう数えるか）でマーケティングの仕事を組織します。
Audience Strategy	受眾策略	受众策略	オーディエンス戦略	ターゲット市場	誰に対して行うか：マーケティング・オーディエンスのニーズに応じて情報と接触を組み立てます。
Journey Design	旅程設計	旅程设计	ジャーニー設計	顧客体験	どのステップを進むか：ブランドとの接触、AIによるコンテンツ利用、顧客の行動をジャーニーとしてつなぎます。
Trust and Verification	信任驗證	信任验证	信頼と検証	ブランド信頼	何を根拠に信じるか：信頼できる事実と外部の裏付けでブランドの主張を支えます。
Performance Measurement	成效衡量	成效衡量	成果測定	マーケティング・パフォーマンス	成果をどう数えるか：各ステップに対応する指標で、利用とコンバージョンの価値を読み解きます。
Nine Elements of the IDAEO Framework	IDAEO 架構九大要素	IDAEO 架构九大要素	IDAEOフレームワークの九要素	マーケティング・フレームワーク	IDAEO の構成要素は、マーケティング・オーディエンス、最適化領域、カスタマージャーニー、ジャーニー診断、IDAEOソリューション、検証原則、サービス階層、成果指標、ファーストパーティデータです。
IDAEO Solutions	IDAEO 解決方案	IDAEO 解决方案	IDAEOソリューション	マーケティング支援	カスタマージャーニーとマーケティング目標に対応する専門サービスです。
Verification Principles	驗證原則	验证原则	検証原則	信頼性	検証済みの事実、追跡可能な根拠、外部の裏付けによって信頼できる主張を築きます。
AI Customer Journey: Four Phases, Ten Steps	AI 顧客旅程：四階段十步驟	AI 顾客旅程：四阶段十步骤	AIカスタマージャーニー：四つのフェーズと十のステップ	カスタマージャーニー	店舗レディネス、AIによる情報取得、AIによる意思決定・行動支援、顧客のコンバージョンと再エンゲージメントで S1–S10 をつなぎます。
Merchant Readiness	店家就緒	店家就绪	店舗レディネス	情報準備	S1 の段階で、ブランド情報が人とAIの理解に向けて準備できている状態です。
AI Information Acquisition	AI 資訊取得	AI 信息获取	AIによる情報取得	情報接触	S2–S4 の段階で、AIが検索、学習、回答に使う情報を取得します。
AI-Assisted Decision and Action	AI 輔助決策與行動	AI 辅助决策与行动	AIによる意思決定・行動支援	意思決定支援	S5–S8 の段階で、AIがニーズに応え、ブランドに言及し、詳細を回答し、顧客に代わって行動します。
Customer Conversion and Re-engagement	顧客轉換與回流	顾客转化与回流	顧客のコンバージョンと再エンゲージメント	コンバージョンと関係構築	S9–S10 の段階で、顧客が行動を起こし、再びブランドに接触します。
AI Impressions	AI 曝光數	AI 曝光数	AIインプレッション数	インプレッション測定	コンテンツがAIと検索エンジンに一度読まれれば、それが一回のAIインプレッションです。これはAIに対する露出です——AIがあなたを一度読めば一回と数え、何人の人が見たかではありません。それはAIクロール数のマーケティング上の意味です。
Automated Information Services	自動化資訊服務	自动化信息服务	自動化情報サービス	情報サービス	自動サービスボットが提供する情報の整理、分析、ウェブページのプレビューなどのサービスです。
Local Search	在地搜尋	本地搜索	ローカル検索	ローカルマーケティング	顧客が場所と近隣のニーズに基づいて店舗やサービスを探すことです。
IDAEO Learners	IDAEO 學習者	IDAEO 学习者	IDAEO学習者	マーケティング教育	AI時代のマーケティング学を理解し活用したい一般の人々です。
Law of Audience Adaptation	受眾適配定律	受众适配定律	オーディエンス適応の法則	オーディエンス戦略	表現はオーディエンスによって異なります。人とAIでは情報の理解の仕方が異なるからです。
Law of Identity Continuity	身分連續定律	身份连续定律	アイデンティティ連続性の法則	ブランド認知	主体のアイデンティティは常に一貫しています。AIの主体に対する認識は長期的な蓄積によって成り立ちます。
Law of Independent Verification	驗證獨立定律	验证独立定律	独立検証の法則	ブランド信頼	検証にはコストがかかり、結論は事実に基づきます。公信力は、判断が依頼に左右されないことから生まれるからです。
Law of Fact Primacy	事實先行定律	事实先行定律	事実優先の法則	信頼性	信頼できるコンテンツは検証済みの事実から始まります。確認を経て初めて、AIは安心して利用します。
Law of Claim Traceability	主張溯源定律	主张溯源定律	主張の追跡可能性の法則	情報源の信頼性	すべての主張に追跡可能な根拠があります。追跡できて初めて、AIは確信を持って引用します。
Law of External Corroboration	外部印證定律	外部印证定律	外部裏付けの法則	外部裏付けが必要	信頼できる主張には外部の裏付けが必要です。独立した視点が一方的な説明を補うからです。
Law of Full-Journey Outcomes	全程成效定律	全程成效定律	ジャーニー全体の成果の法則	マーケティング成果	AIの各段階での利用はすべて成果です。顧客はAIの回答の中で決定を完了するからです。
IDAEO Verification Model	IDAEO 驗證模型	IDAEO 验证模型	IDAEO 検証モデル	ブランド信頼	日本、台湾、香港のビッグデータを基盤とし、公的情報源、当事者情報源、第三者情報源の証拠を組み合わせ、長期にわたってデータを蓄積し、継続的に確認し、期限が来れば再検証して、個々の事実の信頼できる判断を支えます。
Cold Start	冷啟動	冷启动	コールドスタート	トラフィックの累積	AIトラフィックを 0 から蓄積し、業界の経験則で約 90 日かかります。
Warm Start	熱啟動	热启动	ウォームスタート	トラフィックの累積	コンテンツが S1 を満たし、AIトラフィック・ハブ上で公開されている状態です。経験則では約 30 日。林毅祥（TK Lin）の個人 IDA の事例では 14 日でAIによる S7 回答に到達しました。
AI Traffic Hub	AI 流量樞紐	AI 流量枢纽	AIトラフィック・ハブ	チャネルとプラットフォーム	毎月一千万回以上のAIリクエストが蓄積されるプラットフォームで、コンテンツは公開した時点で既存のAIトラフィックに接続されます。IDAEO プラットフォーム（idaeo.ai）がAIトラフィック・ハブです。
Compounding Lead	複利領先	复利领先	複利的リード	トラフィックの累積	AIインプレッションは蓄積し、より多くの利用とデータをもたらします。早く始めるほど、リードは時間とともに拡大します。
AI Platforms	AI 平台	AI 平台	AIプラットフォーム	チャネルとプラットフォーム	検索エンジン、AIサービス、クローラーを運営する企業で、例えば Google、OpenAI、Microsoft、Anthropic、Apple、Meta です。
Living Theory	活的學說	活的学说	生きている理論	マーケティング学	IDAEO には毎月新しいデータと新しい実測による検証があり、理論と実証の基盤は強化され続けます。

理論的基礎と文献

IDAEO の設計の一つひとつに学理上の出典があります。上半分は図 8-2 に挙げた 17 の学理の完全な書誌（19 件の出典）です。下半分は 78 件の関連文献で、マーケティング学の基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント（AI Agent）、情報検索と信頼性、成果計測、スタートと蓄積、AIプラットフォームの公式文書とエージェントプロトコル、七大法則とジャーニーの学理の八つに分類しています。

理論	出典	IDAEOでの使い方
教材の図 8-2 に挙げた 17 の学理（19 件の出典）
検索拡張生成	Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., ほか（2020）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks。Advances in Neural Information Processing Systems 33（NeurIPS 2020）。arXiv:2005.11401。	AIは回答の前にまず検索 → リアルタイム取得
エージェンシー理論	Jensen, M. C., & Meckling, W. H.（1976）。Theory of the firm: Managerial behavior, agency costs and ownership structure。Journal of Financial Economics, 3(4), 305–360。	AIエージェントは顧客の代理人
AI可読標準（robots プロトコル）	Koster, M., Illyes, G., Zeller, H., & Sassman, L.（2022）。Robots Exclusion Protocol。RFC 9309、IETF（Proposed Standard）、2022 年 9 月。	AIがサイトを読むにはルールがある → AI許可
AI可読標準（構造化データ語彙）	Schema.org。About Schema.org。Schema.org コミュニティ（創設企業：Google、Microsoft、Yahoo、Yandex）。	AIがサイトを読むにはルールがある → AI許可
カスタマージャーニー（消費者意思決定ジャーニー）	Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）。The consumer decision journey。McKinsey Quarterly、2009 年 6 月。	消費の意思決定は再訪を含む循環 → 十のステップ
カスタマージャーニー（ゼロ・モーメント・オブ・トゥルース ZMOT）	Lecinski, J.（2011）。Winning the Zero Moment of Truth。Google（無料電子書籍）。	顧客は購入前にまずネットで調べ、経路は前進も後戻りもできる → 十のステップ
注意力の希少性	Simon, H. A.（1971）。Designing Organizations for an Information-Rich World。M. Greenberger（編）、Computers, Communications, and the Public Interest（pp. 37–72）に収録。Baltimore: The Johns Hopkins Press。	情報が増えるほど注意力は希少になる → S6 AIは一度に数社しか言及しない
情報の非対称性	Akerlof, G. A.（1970）。The Market for "Lemons": Quality Uncertainty and the Market Mechanism。The Quarterly Journal of Economics, 84(3), 488–500。	品質に関する情報の非対称性が取引の判断に影響する → 検証で信頼できる根拠を補う
情報源の信頼性	Hovland, C. I., & Weiss, W.（1951）。The Influence of Source Credibility on Communication Effectiveness。Public Opinion Quarterly, 15(4), 635–650。	誰が言ったかで、人が信じるかどうかが変わる → 主張の追跡可能性の法則：すべての主張に出典を付ける
信頼の三要素	Mayer, R. C., Davis, J. H., & Schoorman, F. D.（1995）。An Integrative Model of Organizational Trust。The Academy of Management Review, 20(3), 709–734。	信頼は能力、善意、誠実性で判断され、行動に応じて更新される → 信頼は有効期限に応じて更新
エンティティ解決	Fellegi, I. P., & Sunter, A. B.（1969）。A Theory for Record Linkage。Journal of the American Statistical Association, 64(328), 1183–1210。	同一の店舗と判定するには複数の項目の一致が必要 → アイデンティティ連続性の法則
データ来歴	Moreau, L., & Missier, P.（編）（2013）。PROV-DM: The PROV Data Model。W3C Recommendation、2013 年 4 月 30 日。	各データがどこから来たか、いつか → 主張の追跡可能性の法則
第三者認証の仲介者	Lizzeri, A.（1999）。Information Revelation and Certification Intermediaries。The RAND Journal of Economics, 30(2), 214–231。	認証の仲介者がどれだけの情報を開示するかを決める → 独立検証の法則
シグナリング理論	Spence, M.（1973）。Job Market Signaling。The Quarterly Journal of Economics, 87(3), 355–374。	シグナルのコストはタイプによって異なり、高品質な側のほうが負担しやすい → サービス階層の信頼できるシグナル
能力成熟度モデル	Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）。Capability maturity model, version 1.1。IEEE Software, 10(4), 18–27。	能力を段階に分け、一段ずつ上がる → サービス階層
バージョン別価格設定	Shapiro, C., & Varian, H. R.（1998）。Versioning: The Smart Way to Sell Information。Harvard Business Review, 76(6), 106–114。	同じ製品をバージョン別に提供 → サービス階層ごとに内容が異なる
効果階層	Lavidge, R. J., & Steiner, G. A.（1961）。A Model for Predictive Measurements of Advertising Effectiveness。Journal of Marketing, 25(6), 59–62。	認知、好意、行動には順序がある → 露出、口コミ、ブランドPR
シェア・オブ・ボイス	Jones, J. P.（1990）。Ad Spending: Maintaining Market Share。Harvard Business Review, 68(1), 38–42。	広告のシェア・オブ・ボイスは市場シェアと合わせて見る → この概念を借りてAI言及率を測る
グッドハートの法則	Goodhart, C. A. E.（1976）。Problems of Monetary Management: The U.K. Experience。Papers in Monetary Economics, Vol. I に収録。Sydney: Reserve Bank of Australia。（1975 年 7 月にシドニーでの会議で発表、通例 Goodhart 1975 として引用される）	指標が目標になると測定の効力が弱まる → クリックとAIの各ステップでのコンテンツ利用を同時に見る
関連文献：マーケティング学の基礎
マーケティングの公式定義	American Marketing Association。Definition of Marketing。AMA 公式サイト（2026/10/11 閲覧）。	マーケティングは顧客と社会のために価値を創造し、交換する活動 → 対象をAIにまで広げる
AIDA（注意、関心、欲求、行動）	Strong, E. K., Jr.（1925）。Theories of selling。Journal of Applied Psychology, 9(1), 75–86。	Strong が注意、関心、欲求、行動という販売段階の考え方を整理 → カスタマージャーニーを段階に分ける初期の参照先
カスタマージャーニーと顧客体験	Lemon, K. N., & Verhoef, P. C.（2016）。Understanding Customer Experience Throughout the Customer Journey。Journal of Marketing, 80(6), 69–96。	ジャーニーは消費の意思決定の前、中、後と複数のタッチポイントに分かれる → 十のステップにAIのタッチポイントを加える
顧客ベースのブランド・エクイティ	Keller, K. L.（1993）。Conceptualizing, Measuring, and Managing Customer-Based Brand Equity。Journal of Marketing, 57(1), 1–22。	ブランド資産は顧客の頭の中にあるブランド知識から生まれる → AIの頭の中の知識にまで広げる
サービス・ドミナント・ロジック	Vargo, S. L., & Lusch, R. F.（2004）。Evolving to a New Dominant Logic for Marketing。Journal of Marketing, 68(1), 1–17。	価値は使用の中で顧客と共創される → AIによる代行も共創の一部
口コミが新製品の普及に与える影響	Arndt, J.（1967）。Role of Product-Related Conversations in the Diffusion of a New Product。Journal of Marketing Research, 4(3), 291–295。	好意的な口コミは消費者の新製品採用を促す → 口コミは「AEO+ 口コミ」の中核
二段階の流れとオピニオンリーダー	Katz, E., & Lazarsfeld, P. F.（1955）。Personal Influence: The Part Played by People in the Flow of Mass Communications。Glencoe, IL: Free Press。	オピニオンリーダーが大衆に代わってメッセージを読み解き、伝え直す → AIが同じ仲介の役割を担う
従来型とソーシャルのアーンドメディアの販売効果	Stephen, A. T., & Galak, J.（2012）。The Effects of Traditional and Social Earned Media on Sales: A Study of a Microlending Marketplace。Journal of Marketing Research, 49(5), 624–639。	アーンドメディアは販売を押し上げる → 第三者情報源による証拠は自己申告より説得力がある
サービス・ブループリント	Shostack, G. L.（1984）。Designing Services That Deliver。Harvard Business Review, 62(1), 133–139。	サービス・ブループリントはプロセスの潜在的な失敗点を示す → 十のステップで改善の要点を一つずつ確認
コミットメントと信頼（リレーションシップ・マーケティング）	Morgan, R. M., & Hunt, S. D.（1994）。The Commitment-Trust Theory of Relationship Marketing。Journal of Marketing, 58(3), 20–38。	信頼とコミットメントはリレーションシップ・マーケティング成功の鍵 → 信頼と検証を S10 再訪につなぐ
顧客価値	Gupta, S., Lehmann, D. R., & Stuart, J. A.（2004）。Valuing Customers。Journal of Marketing Research, 41(1), 7–18。	顧客の長期的な価値から企業価値を推計できる → 成果を再訪まで一貫して見る
関連文献：生成エンジンとAI検索の研究
生成エンジン最適化（GEO）	Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization。Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD '24）、pp. 5–16。	GEO を初めて定義し、可視性を計測 → GEO という分野の学術的根拠
生成型検索エンジンの検証可能性	Liu, N. F., Zhang, T., & Liang, P.（2023）。Evaluating Verifiability in Generative Search Engines。Findings of the Association for Computational Linguistics: EMNLP 2023、pp. 7001–7025。	生成型検索では引用による裏付けの程度に差がある → 正確率は別途計測が必要
対話型検索エンジンのランキング操作	Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S.（2024）。Ranking Manipulation for Conversational Search Engines。Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing（EMNLP 2024）、pp. 9523–9552。arXiv:2406.03589。	ウェブページの文言でAIの推薦順位を操作できる → だから三者による検証が必要
言語モデルの操作による製品可視性の向上	Kumar, A., & Lakkaraju, H.（2024）。Manipulating Large Language Models to Increase Product Visibility。arXiv プレプリント arXiv:2404.07981。	商品ページに一文を加えるだけで推薦の首位に入り込める → 言及率は操作されうる
言語モデルに対する敵対的 SEO	Nestaas, F., Debenedetti, E., & Tramèr, F.（2025）。Adversarial Search Engine Optimization for Large Language Models。ICLR 2025。arXiv:2406.18382。	AIを競って操作すれば、全員の成果が一緒に悪化する → IDAEO は検証可能な事実で長期的に運営することを主張
AI検索のアーンドメディア選好	Chen, M., Wang, X., Chen, K., & Koudas, N.（2025）。Generative Engine Optimization: How to Dominate AI Search。arXiv プレプリント arXiv:2509.08919。	AI検索はブランド自身の情報源より第三者情報源を多く引用する → 第三者情報源の証拠が最も重要
対話型 SEO が有効かどうかのベンチマーク	Puerto, H., Gubri, M., Green, T., Oh, S. J., & Yun, S.（2025）。C-SEO Bench: Does Conversational SEO Work?。Advances in Neural Information Processing Systems 38（NeurIPS 2025 Datasets & Benchmarks）、pp. 31145–31169。arXiv:2506.11097。	多くの書き換え手法は効果が限定的 → 最適化の成果は実測の成果で判断
AI検索における「引用があれば信頼できる」のギャップ	Narayanan Venkit, P., Laban, P., Zhou, Y., Mao, Y., & Wu, C.-S.（2025）。Search Engines in the AI Era: A Qualitative Understanding to the False Promise of Factual and Verifiable Source-Cited Responses in LLM-based Search。Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency（FAccT '25）、pp. 1325–1340。arXiv:2410.22349。	出典付きのAI回答でもなお誤りが多い → 事実を一つずつ検証する必要がある
AIによる概要がクリックを減らす	Chapekis, A., & Lieb, A.（2025）。Google users are less likely to click on links when an AI summary appears in the results。Pew Research Center、2025年7月22日。	AIによる概要が表示されるとユーザーはリンクをクリックしにくくなる → クリックとAIによるコンテンツ利用を同時に測る
関連文献：AI顧客とAIエージェント
アルゴリズム消費者	Gal, M. S., & Elkin-Koren, N.（2017）。Algorithmic Consumers。Harvard Journal of Law & Technology, 30(2), 309–353。	アルゴリズムが人に代わって選び、注文する → マーケティングの対象はAI顧客にまで広がる
自動購買システムの採用障壁	de Bellis, E., & Johar, G. V.（2020）。Autonomous Shopping Systems: Identifying and Overcoming Barriers to Consumer Adoption。Journal of Retailing, 96(1), 74–87。	消費者がシステムに消費の意思決定を委ねる際には心理的な障壁に直面する → S8 には信頼の基盤が必要
AIショッピングエージェントはどう商品を選ぶか	Allouah, A., Besbes, O., Figueroa, J. D., Kanoria, Y., & Kumar, A.（2025）。What Is Your AI Agent Buying? Evaluation, Biases, Model Dependence, & Emerging Implications for Agentic E-Commerce。arXiv:2508.02630、Proceedings of the ACM Web Conference 2026 にも収録、pp. 8697–8700。	AIエージェントの商品選択には位置とモデルの偏りがある → 事業者はエージェント向けに最適化する必要がある
エージェント対エージェントの市場実験環境	Bansal, G., Hua, W., Huang, Z., Fourney, A., Swearngin, A., Epperson, W., Payne, T., Hofman, J. M., ほか（2025）。Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets。arXiv プレプリント arXiv:2510.25779。	模擬市場で売買双方のエージェントの相互作用を研究 → S8 の実験的根拠
関連文献：情報検索と信頼性
PageRank と大規模検索エンジンのアーキテクチャ	Brin, S., & Page, L.（1998）。The anatomy of a large-scale hypertextual Web search engine。Computer Networks and ISDN Systems, 30(1–7), 107–117。	クロール、インデックス、リンクによる権威の算出 → S2 と S4 の技術的原型
権威ソースとハブ（HITS）	Kleinberg, J. M.（1999）。Authoritative sources in a hyperlinked environment。Journal of the ACM, 46(5), 604–632。	権威は他者から指し示されることで認められる → 第三者情報源による引用が権威の源
事実の正確性による情報源の信頼性評価（KBT）	Dong, X. L., Gabrilovich, E., Murphy, K., Dang, V., Horn, W., Lugaresi, C., Sun, S., & Zhang, W.（2015）。Knowledge-based trust: Estimating the trustworthiness of web sources。Proceedings of the VLDB Endowment, 8(9), 938–949。	ウェブページの事実が正しいかどうかで信頼性を評価 → 事実を一つずつ検証する根拠
ナレッジグラフ（文字列ではなくエンティティ）	Singhal, A.（2012）。Introducing the Knowledge Graph: things, not strings。Google 公式ブログ、2012年5月16日。	検索は文字列の照合からエンティティの認識へ変わった → 店舗は識別可能なエンティティになる必要がある
ナレッジグラフの総説	Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., de Melo, G., Gutierrez, C., Kirrane, S., Labra Gayo, J. E., ほか（2021）。Knowledge Graphs。ACM Computing Surveys, 54(4), 1–37。	ナレッジグラフをどう構築、検証、更新するか → S4 の学術的な全体像
E-E-A-T（経験、専門性、権威性、信頼性）	Google Search Central（2022）。Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience。Google Search Central Blog、2022年12月15日。併せて参照：Google Search Central。Creating helpful, reliable, people-first content（2026/10/11 閲覧）。	Google の品質評価ガイドラインは四つの側面を見て、信頼が最も重要 → 検証の対照
ファクトチェック用データセット FEVER	Thorne, J., Vlachos, A., Christodoulopoulos, C., & Mittal, A.（2018）。FEVER: a Large-scale Dataset for Fact Extraction and VERification。NAACL-HLT 2018（Long Papers）、pp. 809–819。	各主張を証拠に照らして支持、反証、不足のいずれかと判定 → 検証の三状態の原型
原子的事実の正確率 FActScore	Min, S., Krishna, K., Lyu, X., Lewis, M., Yih, W., Koh, P. W., Iyyer, M., Zettlemoyer, L., ほか（2023）。FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation。EMNLP 2023、pp. 12076–12100。	回答を単一の事実に分解し、一件ずつ正解の割合を算出する → 正確率の算出法
言語生成におけるハルシネーションのサーベイ	Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., ほか（2023）。Survey of Hallucination in Natural Language Generation。ACM Computing Surveys, 55(12), 1–38。	言語モデルは根拠のない内容を生成する → 正確率を測る理由
関連文献：成果計測
ネット・プロモーター・スコア（NPS）	Reichheld, F. F.（2003）。The One Number You Need to Grow。Harvard Business Review, 81(12), 46–54。	推奨意向は企業の成長と相関する → 口コミ計測の参考。併せて再訪数も追跡
マルチチャネルのコンバージョン・アトリビューション	Li, H., & Kannan, P. K.（2014）。Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment。Journal of Marketing Research, 51(1), 40–56。	コンバージョンは接触した各チャネルに配分する → AIチャネルもアトリビューションに含める
データドリブンのマルチタッチ・アトリビューション	Shao, X., & Li, L.（2011）。Data-driven multi-touch attribution models。Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD '11）、pp. 258–264。	データで各接触点の貢献を推定する → クロール数から流入数までをつなぐ
キャンベルの法則（指標は意思決定に使われると歪む）	Campbell, D. T.（1979）。Assessing the impact of planned social change。Evaluation and Program Planning, 2(1), 67–90。	定量指標は意思決定に使われるほど歪む → 九つの成果指標は互いに牽制し合う必要がある
広告効果における実験と観察の比較	Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D.（2019）。A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook。Marketing Science, 38(2), 193–225。	観察データから算出した効果は、実験結果としばしば食い違う → 効果の比較は必ず同一基準で行う
関連文献：スタートと蓄積
先行者優位	Lieberman, M. B., & Montgomery, D. B.（1988）。First-mover advantages。Strategic Management Journal, 9(S1), 41–58。	先に参入すれば優位があるが、代償も伴う → 先行者利益は継続的な投入で守る
収穫逓増と経路依存性	Arthur, W. B.（1989）。Competing Technologies, Increasing Returns, and Lock-In by Historical Events。The Economic Journal, 99(394), 116–131。	収穫逓増のもとでは、早期のリードが市場をロックインしうる → 複利的リードの学理的参照
コールドスタート問題	Schein, A. I., Popescul, A., Ungar, L. H., & Pennock, D. M.（2002）。Methods and metrics for cold-start recommendations。Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '02）、pp. 253–260。	新しいアイテムにまだデータが蓄積されていないうちは、推薦システムは推薦しにくい → コールドスタートの学理的参照
関連文献：AIプラットフォームの公式文書とエージェントプロトコル
OpenAIクローラーの説明	OpenAI。Overview of OpenAI Crawlers。OpenAI 開発者ドキュメント（2026/10/11 閲覧）。	GPTBot、OAI-SearchBot、ChatGPT-User はそれぞれ用途が異なる → 学習、インデックス、リアルタイム取得の三種の読み取り
Anthropicクローラーの説明	Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?。Claude Help Center（2026/10/11 閲覧）。	ClaudeBot、Claude-SearchBot、Claude-User はそれぞれ用途が異なる → 同じプラットフォームでも読み取りは三種に分かれる
Perplexityクローラーの説明	Perplexity。Perplexity Crawlers。Perplexity 公式ドキュメント（2026/10/11 閲覧）。	PerplexityBot は検索結果を構築し、Perplexity-User はユーザーの質問に応じて読みに来る → インデックスとリアルタイム取得
Amazonクローラーの説明	Amazon。About Amazonbot。Amazon Developer（2026/10/11 閲覧）。	Amazonbot は製品とサービスの改善に用いられ、学習に使われる可能性もある。Amzn-User はユーザーの要求に応じて読みに来る → 学習とリアルタイム取得
Googleクローラーの概要	Google。Google's common crawlers。Google Crawling Infrastructure ドキュメント（2026/10/11 閲覧）。	Googlebot は検索インデックスを構築し、Google-Extended はAI用途を管理する → 検索エンジンクローラーとAI用途は分けて見る
AIクロールと流入の外部計測	Tomé, J.（2025）。The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals。Cloudflare Blog、2025年8月29日。	外部計測はAIクロールと流入を分けて集計する → AIインプレッション数とAIによる集客は分けて測る
モデル・コンテキスト・プロトコル（MCP）	Model Context Protocol。Specification（2025-06-18 版）。modelcontextprotocol.io。	AIエージェント（AI Agent）は標準インターフェースを通じてデータとツールを利用する → S8 代行
エージェント間プロトコル（A2A）	Google（2025）。Announcing the Agent2Agent Protocol (A2A)。Google Developers Blog、2025年4月9日。	異なるAIエージェントが共通規格でタスクを受け渡す → AIエージェントは新しいマーケティング・オーディエンス
エージェント決済プロトコル（AP2）	Google Cloud（2025）。Announcing Agent Payments Protocol (AP2)。Google Cloud Blog、2025年9月。	エージェントによる取引にはユーザーの承認と追跡可能な証憑が必要 → S8 から S9 への信頼と検証
llms.txt 提案	Howard, J.（2024）。The /llms.txt file（現行は v2）。llmstxt.org、2024年9月3日初公開。	モデル向けにコンテンツの案内を用意する → S1 準備で店舗が整えるAI可読レイヤー
関連文献：七大法則とジャーニーの学理
オーディエンス適応の法則｜セマンティック・ウェブ	Berners-Lee, T., Hendler, J., & Lassila, O.（2001）。The Semantic Web。Scientific American, 284(5), 34–43。	ウェブページに機械が読める構造を加えてはじめて、ソフトウェアエージェントは人の用事を代行できる → 人にもAIにも、相手が読める表現を使う
オーディエンス適応の法則｜メディア・リッチネス	Daft, R. L., & Lengel, R. H.（1986）。Organizational Information Requirements, Media Richness and Structural Design。Management Science, 32(5), 554–571。	情報ニーズが異なれば適した表現方法も異なる → オーディエンスに応じてコンテンツの形式を決める
アイデンティティ連続性の法則｜シグナルとしてのブランド	Erdem, T., & Swait, J.（1998）。Brand Equity as a Signaling Phenomenon。Journal of Consumer Psychology, 7(2), 131–157。	一貫した信頼できるブランドシグナルは顧客の不確実性を下げる → アイデンティティが長期にわたり一貫してはじめて、信頼は積み上がる
アイデンティティ連続性の法則｜エンティティ・リンキング	Shen, W., Wang, J., & Han, J.（2015）。Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions。IEEE Transactions on Knowledge and Data Engineering, 27(2), 443–460。	システムは名称と文脈によってテキストを同一のエンティティに結び付ける → 名称が一致してはじめて、AIは同じ店舗に結び付けられる
独立検証の法則｜監査の独立性	DeAngelo, L. E.（1981）。Auditor size and audit quality。Journal of Accounting and Economics, 3(3), 183–199。	検証の品質は、問題を発見できるか、ありのままに報告できるかで決まる → 検証の結論は委託関係によって変わらない
独立検証の法則｜品質開示と認証	Dranove, D., & Jin, G. Z.（2010）。Quality Disclosure and Certification: Theory and Practice。Journal of Economic Literature, 48(4), 935–963。	第三者情報源による認証の効果は、認証者のインセンティブと方法に左右される → IDA 検証全体の学理的参照
事実優先の法則｜データ品質	Wang, R. Y., & Strong, D. M.（1996）。Beyond Accuracy: What Data Quality Means to Data Consumers。Journal of Management Information Systems, 12(4), 5–33。	データ品質には正確さだけでなく、完全性、適時性、理解しやすさも含まれる → 店舗の事実を一つずつ検証し、有効期限を明示する
主張の追跡可能性の法則｜生成コンテンツの帰属	Rashkin, H., Nikolaev, V., Lamm, M., Aroyo, L., Collins, M., Das, D., Petrov, S., Tomar, G. S., ほか（2023）。Measuring Attribution in Natural Language Generation Models。Computational Linguistics, 49(4), 777–840。	AI生成コンテンツの中で事実を述べる文は、特定された情報源にたどれなければならない → 各主張に追跡可能な根拠を添える
主張の追跡可能性の法則｜データ来歴	Buneman, P., Khanna, S., & Tan, W.-C.（2001）。Why and Where: A Characterization of Data Provenance。Database Theory — ICDT 2001、Lecture Notes in Computer Science 1973、pp. 316–330。	データは「なぜ生まれたか、どこから来たか」に答えられなければならない → 各主張を具体的な証拠に結びつける
外部裏付けの法則｜伝達者バイアス	Eagly, A. H., Wood, W., & Chaiken, S.（1978）。Causal inferences about communicators and their effect on opinion change。Journal of Personality and Social Psychology, 36(4), 424–435。	聞き手は話し手がなぜそう言うのかを推論する → 当事者情報源の主張は独立した裏付けと組み合わせるとより強い
外部裏付けの法則｜三角検証（トライアンギュレーション）	Jick, T. D.（1979）。Mixing Qualitative and Quantitative Methods: Triangulation in Action。Administrative Science Quarterly, 24(4), 602–611。	異なる情報源の証拠は互いに照合できる → 公的情報源、当事者情報源、第三者情報源を合わせて見る
ジャーニー全体の成果の法則｜クリックしなくても満たされるニーズ	Li, J., Huffman, S., & Tokuda, A.（2009）。Good abandonment in mobile and PC internet search。Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR '09）、pp. 43–50。	ユーザーがクリックせずに離脱するケースの一部は、ニーズが結果ページで既に満たされたためである → 回答段階での利用そのものが成果である
ジャーニー全体の成果の法則｜顧客エクイティとマーケティングの収益	Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）。Return on Marketing: Using Customer Equity to Focus Marketing Strategy。Journal of Marketing, 68(1), 109–127。	マーケティング投資は顧客の長期的価値につなげなければならない → 九つの指標で前段階から再訪まで一貫して見る
S6 言及｜考慮集合	Hauser, J. R., & Wernerfelt, B.（1990）。An Evaluation Cost Model of Consideration Sets。Journal of Consumer Research, 16(4), 393–408。	評価にはコストがかかるため、顧客は一部のブランドしか考慮集合に入れない → AI言及率は候補リストに入る機会そのものである
S6 言及｜想起されれば選ばれる	Nedungadi, P.（1990）。Recall and Consumer Consideration Sets: Influencing Choice without Altering Brand Evaluations。Journal of Consumer Research, 17(3), 263–276。	ブランドが想起され、考慮集合に入れば、選択を変えられる → AIに言及されること自体が成果である
S8 代行｜自動化のレベル	Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）。A model for types and levels of human interaction with automation。IEEE Transactions on Systems, Man, and Cybernetics – Part A, 30(3), 286–297。	自動化は情報取得、分析、意思決定、実行の四種類に分かれる → AIエージェント（AI Agent）が情報を調べるだけなのか、顧客に代わって用件を完了させるのかを区別する
S10 再訪｜期待確認	Bhattacherjee, A.（2001）。Understanding Information Systems Continuance: An Expectation-Confirmation Model。MIS Quarterly, 25(3), 351–370。	使った後に期待どおりであれば、使い続ける意向が高まる → 再訪数は、顧客がもう一度尋ね、再び来る意思があるかを見る
AIインプレッション数｜読まれた回数とモデルの記憶量	Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）。Large Language Models Struggle to Learn Long-Tail Knowledge。Proceedings of the 40th International Conference on Machine Learning（ICML 2023）、PMLR 202、pp. 15696–15707。arXiv:2211.08411。	モデルがある事柄に正しく答えられる確率は、学習データ中の関連文書の数に関係する → 学習に取り込まれた回数は測る価値がある
AIインプレッション数｜重複出現とモデルの記憶	Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C.（2023）。Quantifying Memorization Across Neural Language Models。ICLR 2023。arXiv:2202.07646。	コンテンツが学習データ中で繰り返される回数が多いほど、モデルはそのまま記憶しやすい → S3 学習の価値
AI可視性｜ブランド・セイリエンス	Romaniuk, J., & Sharp, B.（2004）。Conceptualizing and measuring brand salience。Marketing Theory, 4(4), 327–342。	ブランド・セイリエンスとは、購買状況で注意を引き、想起されやすい度合いである → AI言及率が測るのは、AIの回答の中でブランドが想起される機会である
成果指標｜構成概念妥当性	Cronbach, L. J., & Meehl, P. E.（1955）。Construct validity in psychological tests。Psychological Bulletin, 52(4), 281–302。	指標は、その名が示す概念を本当に測っていることを証明しなければならない → 各成果指標に何を測っているかを明記する
IDA 第三者検証｜信頼財	Darby, M. R., & Karni, E.（1973）。Free Competition and the Optimal Amount of Fraud。The Journal of Law and Economics, 16(1), 67–88。	品質の中には、顧客が使った後でも判断しにくいものがある → 免許や専門性といった事実は第三者検証に委ねる
ウォームスタート｜クローラーの再訪スケジューリング	Cho, J., & Garcia-Molina, H.（2003）。Effective page refresh policies for Web crawlers。ACM Transactions on Database Systems, 28(4), 390–426。	クローラーの資源は限られており、再訪頻度はページの変化を勘案して配分しなければならない → ウォームスタートの仕組みの参照
複利的リード｜優先的選択	Barabási, A.-L., & Albert, R.（1999）。Emergence of Scaling in Random Networks。Science, 286(5439), 509–512。	ネットワークが成長するとき、新しいリンクは既に多くのリンクを持つノードに偏る → 複利的リードのネットワーク科学における参照
複利的リード｜累積的優位	Merton, R. K.（1968）。The Matthew Effect in Science。Science, 159(3810), 56–63。	既に名声のある人はより多くの承認と注目を得る → 早く利用されたコンテンツほど再び利用される機会が大きい
生きている理論｜研究プログラム	Lakatos, I.（1970）。Falsification and the Methodology of Scientific Research Programmes。I. Lakatos & A. Musgrave（編）、Criticism and the Growth of Knowledge（pp. 91–196）に収録。Cambridge: Cambridge University Press。	研究プログラムには核となる主張があり、新しい事実を予測し続けることで進歩する → 七大法則が核であり、毎月の新しいデータで検証し続ける
生きている理論｜デザインサイエンス	Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）。Design Science in Information Systems Research。MIS Quarterly, 28(1), 75–106。	設計した手法は、実際の状況で構築、評価、修正を繰り返さなければならない → 毎月の実測を診断と指標の改訂に用いる

すべての書誌は 2026/10/11 に、出版データと公式ページに一件ずつ照らして著者、年、題名、出典を照合済みです。「プレプリント」と表示したものは、まだ査読を経ていません。グッドハートの法則の論文は 1975 年に発表され、1976 年に論文集に収録されて出版されました。公式文書は継続的に更新されるため、閲覧日の内容を基準とします。表の「→」の前は文献の本来の主張、「→」の後は IDAEO での用法です。IDAEO が実測から得た結論の根拠は各章の実測データであり、文献はその学理的な参照先です。

付録　主張の根拠一覧

本書の各章「この章の要点」の主張は全 57 件で、それぞれが何に基づいて成り立つかを一件ずつ示します：ファーストパーティデータ（IDAEO 自身の計測記録）、プラットフォーム・標準文書（AIプラットフォームと標準化団体の公式文書）、学理文献（理論的基礎と文献表の番号）、経験則（業界または著者の経験則で、当サイトの計測ではないもの）、理論の定義（IDAEO 理論自身の定義と予測）。一つの主張が複数の根拠を同時に持つこともあります。分類は三名の査読者がそれぞれ独立に判定し、データ総台帳に基づいて裁定したうえで、著者が確認しました。これは主張の根拠の種類であり、第 4 章「三角検証（トライアンギュレーション）」の公的情報源、当事者情報源、第三者情報源とは別の事柄です。

主張	根拠の種類	文献	備考
第 0 章　IDAEO：AI時代のマーケティング学
IDAEOはAI時代のマーケティング学であり、サイトの実測、信頼できる事実、理論で完全なジャーニーをつなぎます。	理論の定義
AIインプレッション数があってこそ、その後のジャーニーがあります。	ファーストパーティデータ、学理文献、理論の定義	[59] Arthur, W. B.（1989）；[95] Merton, R. K.（1968）
七大法則が核心、五つの構成軸がフレームワーク、九要素が構成要素です。	理論の定義
IDAEOマーケティングの五つの構成軸が全行程をつなぎます：オーディエンス戦略（誰に対して行うか）、ジャーニー設計（どのステップを進むか）、信頼と検証（何を根拠に信じるか）、サービス階層（どの階層まで行うか）、成果測定（成果をどう数えるか）。	理論の定義
IDAEOフレームワークの九要素は互いに対応します：マーケティング・オーディエンス、最適化領域、カスタマージャーニー、ジャーニー診断、IDAEOソリューション、検証原則、サービス階層、成果指標、ファーストパーティデータ。	理論の定義
IDAEOは生きている理論です。	学理文献、理論の定義	[96] Lakatos, I.（1970）
第 1 章　オーディエンス戦略（誰に対して行うか）：五つのマーケティング・オーディエンスと六つの最適化領域
五つのマーケティング・オーディエンスは、人（生活者）、検索エンジンクローラー、AIクローラー、AIエージェント、自動サービスボットです。	プラットフォーム・標準文書、学理文献、理論の定義	[40] Gal, M. S., & Elkin-Koren, N.（2017）；[68] Google（2025）
AIトラフィックはまず機能で分類し、次にAIプラットフォームを見ます。	プラットフォーム・標準文書、理論の定義	[61] OpenAI。Overview of OpenAI Crawlers。OpenAI 開発者ドキュメント（2026/10/11 閲覧）；[62] Anthropic。Does Anthropic crawl data from the web, and how can site owners block the crawler?
AIエージェントは将来のAIトラフィックの主力です。	ファーストパーティデータ、学理文献、理論の定義	[40] Gal, M. S., & Elkin-Koren, N.（2017）	「主力」は著者の予測です。1,809 万＝自動ブラウジング 1,795 万＋名前付き 14.4 万はファーストパーティデータです。
六つの最適化領域は SEO、AIO、AEO、GEO、LLMO、MEO です。AIO は AEO とつながっています。SEO は検索インデックスを作り、AEO はAIの回答にあなたを利用させ、AIO は検索エンジンのAIによる概要に特化し、GEO はAIインデックスを作り、LLMO は学習用の取り込みに対応し、MEO はローカル検索に対応します。	学理文献、理論の定義	[31] Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization
AIと検索エンジンの合計は 1.055 億回（3/3 以降）、人（生活者）の自然流入は 31.0 万回（8/26 以降）です。	ファーストパーティデータ
AIクローラーの学習用の取り込みは 5,220 万回、AIインデックス作成は 2,872 万回、リアルタイム取得は 65 万回です。	ファーストパーティデータ、プラットフォーム・標準文書	[61] OpenAI。Overview of OpenAI Crawlers。OpenAI 開発者ドキュメント（2026/10/11 閲覧）
図 1-1〈五つのマーケティング・オーディエンス全景図〉の最適化領域には略称、中国語の正式名称、英語の正式名称を記し、その下に同じ領域の用語を並べます。	理論の定義
第 2 章　ジャーニー設計（どのステップを通るか）：AIカスタマージャーニー：四つのフェーズと十のステップ
AIカスタマージャーニー：四つのフェーズと十のステップは、順に S1 店舗レディネス、S2–S4 AIによる情報取得、S5–S8 AIによる意思決定・行動支援、S9–S10 顧客のコンバージョンと再エンゲージメントです。	学理文献、理論の定義	[5] Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）；[22] Lemon, K. N., & Verhoef, P. C.（2016）
各ステップに診断の問いがあり、情報の準備から顧客の再訪まで段階的に確認します。	学理文献、理論の定義	[28] Shostack, G. L.（1984）
S1 は店舗が情報を整え、S2–S4 はクローラーが主体、S5–S7 は人とAIの対話、S8 はAIエージェントの行動、S9–S10 は顧客のコンバージョンと再エンゲージメントです。	プラットフォーム・標準文書、学理文献、理論の定義	[86] Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）
S10 は S5 に戻り、継続的な循環を形成します。	学理文献、理論の定義	[5] Court, D., Elzinga, D., Mulder, S., & Vetvik, O. J.（2009）
S2–S5 のクロール、S8 のサイト訪問、S9 の顧客来訪は IDAEO がファーストパーティで計測します。インデックス登録と検索表示は検索プラットフォームが提供します。S6–S7 の言及と回答は IDAEO が実測で追跡します。	ファーストパーティデータ、プラットフォーム・標準文書
第 3 章　計測ソースとAIブラックボックス：成果測定のデータ基盤
AIブラックボックスとは、AIプラットフォーム内部で起こる学習、順位付け、言及、回答、代行です。	理論の定義
IDAEO はブラックボックスの両端を計測し、さらにプラットフォームデータと定期的な実測で利用の成果を測ります。	ファーストパーティデータ、プラットフォーム・標準文書、学理文献、理論の定義	[81] Jick, T. D.（1979）
林毅祥（TK Lin）の個人 IDA の定期的な実測は、ブラックボックス内の回答での利用を示します。	ファーストパーティデータ		五つのAIモデルのうち、四つは Perplexity の検索インターフェースを経由しています。
各ソースの成果は単位ごとに分けて読みます。	学理文献、理論の定義	[57] Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D.（2019）
本教材で公開済みの全プラットフォームAI引用数は、Copilot の 7月22日以降の 3.17 万回です。	プラットフォーム・標準文書
第 4 章　信頼と検証（なぜ信じられるのか）：信頼できる事実と外部裏付け
IDAEO は信頼できる事実と外部裏付けによって、店舗の主張をAIが引用できる根拠にします。	学理文献、理論の定義	[76] Dranove, D., & Jin, G. Z.（2010）
事実優先の法則：信頼できるコンテンツは検証済みの事実から始まります。	学理文献、理論の定義	[77] Wang, R. Y., & Strong, D. M.（1996）
主張の追跡可能性の法則：すべての主張に追跡可能な根拠があります。	学理文献、理論の定義	[9] Hovland, C. I., & Weiss, W.（1951）；[78] Rashkin, H., Nikolaev, V., Lamm, M., Aroyo, L., Collins, M., Das, D., Petrov, S., Tomar, G. S., ほか（2023）。Measuring Attribution in Natural Language Generation Models
外部裏付けの法則：信頼できる主張には外部裏付けが必要です。	学理文献、理論の定義	[80] Eagly, A. H., Wood, W., & Chaiken, S.（1978）；[81] Jick, T. D.（1979）
事実を項目ごとに検証し、鮮度を継続的に確認します。	学理文献、理論の定義	[77] Wang, R. Y., & Strong, D. M.（1996）
第 5 章　サービス階層（どの階層まで行うか）：AEO露出、AEO+ 口コミ、IDAブランドPR
サービス階層は前段の基盤を受け継ぎます。AEO露出は S1–S4 に、AEO+ 口コミは S5–S6 に対応し、IDAブランドPR は S7–S10 に重点を置き、前の二階層を含むため、全ジャーニー S1–S10 を完全にカバーします。	学理文献、理論の定義	[15] Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）；[17] Lavidge, R. J., & Steiner, G. A.（1961）
上位のサービス階層は、一つ下の階層の内容を含みます。	学理文献、理論の定義	[15] Paulk, M. C., Curtis, B., Chrissis, M. B., & Weber, C. V.（1993）
九つの成果指標は、AIレディネス・スコア、AIクロール数、AIリアルタイム取得数、AI言及率、AI回答正確率、AI引用数、AIエージェント訪問数、検索・AI経由流入数、AI再訪数です。	学理文献、理論の定義	[56] Campbell, D. T.（1979）；[83] Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）
AEO+ 口コミは店舗がAIの言及を把握することを支援し、IDAブランドPR は IDAEO が定期的に公表するAI可視性の成果を含みます。	理論の定義
第 6 章　成果測定（成果をどう数えるか）：AIインプレッション数とジャーニー全体の価値
AIの各段階でのコンテンツ利用は、すべて成果です。	プラットフォーム・標準文書、学理文献、理論の定義	[82] Li, J., Huffman, S., & Tokuda, A.（2009）
AIクロール数 9,746 万回のマーケティング上の意味は、AIインプレッション数です。	ファーストパーティデータ、学理文献、理論の定義	[88] Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）
AI回答のための読み取り 4,605 万回は、検索とAI回答に使われる読み取りの成果です。	ファーストパーティデータ、理論の定義
AIリアルタイム取得数 65 万回は、即時のニーズによって引き起こされた利用です。	ファーストパーティデータ、プラットフォーム・標準文書、学理文献	[1] Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., ほか（2020）。Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks；[61] OpenAI。Overview of OpenAI Crawlers。OpenAI 開発者ドキュメント（2026/10/11 閲覧）；[63] Perplexity。Perplexity Crawlers。Perplexity 公式ドキュメント（2026/10/11 閲覧）
AI引用数 3.17 万回は、コンテンツが回答の根拠になったことを表します。	プラットフォーム・標準文書、理論の定義
AIエージェント訪問数（AI Agent）1,809 万回は、コンテンツを読む段階から顧客の代行へ進むトラフィックの規模を表します。	ファーストパーティデータ、学理文献、理論の定義	[86] Parasuraman, R., Sheridan, T. B., & Wickens, C. D.（2000）
検索・AI経由流入数 31.0 万回（検索とAIの合計、Google 26.8 万）は、顧客が検索またはAIを経由してサイトに入った成果を表します。	ファーストパーティデータ
コールドスタート（Cold Start）：AIトラフィックを 0 から累積し、業界の経験則では約 90 日です。	ファーストパーティデータ、経験則		約 90 日は業界の経験則で、当サイトの計測ではありません（著者が 2026-10-13 に確認）。月間読み取り量 53 回→3,599 万はファーストパーティデータです。
ウォームスタート（Warm Start）：コンテンツが S1 を満たし、AIトラフィック・ハブ上で公開されている状態です。経験則では約 30 日。実測では同じAIプラットフォームの次のクローラーが 30–35 日後に来訪しました（図 6-6）。林毅祥（TK Lin）の個人 IDA の事例では 14 日でAIによる S7 回答に到達しました。	ファーストパーティデータ、学理文献、経験則	[93] Cho, J., & Garcia-Molina, H.（2003）	約 30 日は経験則です。同じAIプラットフォームの次のクローラーまで 30–35 日空くことは図 6-6 の実測、14 日と 84% は林毅祥（TK Lin）の個人 IDA の実測です（著者が 2026-10-13 に確認）。
AIトラフィック・ハブ（AI Traffic Hub）の必要条件は、毎月一千万回以上のAIリクエストが累積していることです。	ファーストパーティデータ、理論の定義
AIトラフィックには先行者利益があります：早く準備が整うほど、早く累積が始まります。	ファーストパーティデータ、学理文献、理論の定義	[58] Lieberman, M. B., & Montgomery, D. B.（1988）
今すぐAIインプレッションを累積すれば、リードは利用の一巡ごとに広がっていきます。これが複利的リードです。	ファーストパーティデータ、学理文献、理論の定義	[59] Arthur, W. B.（1989）；[94] Barabási, A.-L., & Albert, R.（1999）
第 7 章　IDAEO実測：自社サイトと早期実測店舗
IDAEOは自社のIDAEO本サイトと和心村で実測するだけでなく、早期実測店舗も一緒に検証しています。	ファーストパーティデータ、プラットフォーム・標準文書
IDAEOプラットフォームは一つひとつの中小企業の助けにもなり、共に成長します。	ファーストパーティデータ、プラットフォーム・標準文書、理論の定義
① 計測の正式開始 → ジャーニー全体の成果の法則（成果測定）、② 検索露出の同時展開 → オーディエンス適応の法則（オーディエンス戦略）、③ AI回答から最初の訪問者が到達 → ジャーニー設計：S9 来訪。	ファーストパーティデータ、理論の定義
④ ブランド知識の提示を全面刷新 → アイデンティティ連続性の法則（S1 店舗レディネス）、⑤ 研究エビデンス駆動の最適化 → 理論的基盤：既存理論 17 項目、⑥ IDAEO新サイトの構築 → 五つの構成軸と九要素。	理論の定義
⑦ クロール実績が再び最高値を更新 → AIインプレッション数（S2–S4 AIによる情報取得）、⑧ 累計で一億回のリクエストを突破 → 複利的リードと生きている理論。	ファーストパーティデータ、理論の定義
第一期に実測へ参加し、5 月と 9 月の両方に完全な記録がある店舗公式サイトのうち、IDAEO実測への参加後に成長した公式サイトがすでにあります。公式サイト全体の閲覧回数は 5 月から 9 月にかけて、育児コンテンツサイトが 52,817 回から 55,286 回に、飲食設備メーカーが 842 回から 1,275 回に、イベント空間デザインが 442 回から 1,741 回に、革製品ブランドが 555 回から 908 回に、ヘアサロンが 74 回から 128 回に、スタジオが 3 回から 329 回に増えました。	ファーストパーティデータ
第二期の実測業種のIDAページは、7/18–10/8 に 373,776 回のAIインプレッション（AIと検索エンジンクローラーにクロールされた回数）を獲得しました。	ファーストパーティデータ
第 8 章　AI可視性と理論的基礎
外部のAI可視性は主に S5–S7 の回答段階に対応します。	学理文献、理論の定義	[31] Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A.（2024）。GEO: Generative Engine Optimization
AI可視性の基本は S1–S4	学理文献、理論の定義	[88] Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C.（2023）
IDAEOは S1–S4 の基礎と S8–S10 の行動、コンバージョン、再訪を同じジャーニーにつなぎます。	学理文献、理論の定義	[83] Rust, R. T., Lemon, K. N., & Zeithaml, V. A.（2004）
IDAEOの理論的基礎は八つに分類されます：マーケティング学の基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント（AI Agent）、情報検索と信頼性、成果計測、スタートと蓄積、AIプラットフォームの公式文書とエージェントプロトコル、七大法則とジャーニーの学理。	理論の定義
図には17の既存理論を挙げており、完全な文献は巻末の「理論的基礎と文献」にあります。	理論の定義
毎月の新しいデータと実測検証が、IDAEOの理論と実証の基礎を強化し続けます。	学理文献、理論の定義	[96] Lakatos, I.（1970）；[97] Hevner, A. R., March, S. T., Park, J., & Ram, S.（2004）

データについて

ファーストパーティデータ：IDAEO のファーストパーティ計測記録から取得し、期間は 2026/3/3–10/8、旧サイトと新サイトの合計で、AIと検索エンジンを合わせて 1.055 億回（105,487,618 回）、IDAEO 確定基準と一致します。AIクロール数は 9,746 万回で、内訳の値は学習用の取り込み 5,220 万、AIインデックス作成 2,872 万（自社の Cloudflare AI Search 282 万を含み、来月の更新時に差し引きます）、検索インデックス作成 1,653 万、各値は元の集計基準を踏襲します。
AIエージェント：1,795 万回は 2026/8/26–10/8 の自動ブラウジングで、プログラムがブラウザを操作する機能として別掲します。名前付きAIエージェント 14.4 万回、合計 1,809 万回。Hermes、OpenClaw、Devin、Grok、Muse は計測中として記載し、名前付きの来訪成果は後日公表します。Manus は 14 回。
人（生活者）：自然流入 31.0 万回は検索またはAIからサイトにクリックして入った回数（2026/8/26 以降が中心）で、そのうち Google は 26.8 万、ローカル検索は計測中で、後日公表します。
自動サービスボットは自動化情報サービスを提供します：「AIのツール」とは、名称がAIと表示され、ソースがその他の自動化サービスに分類されるリクエストを指します。SEO ツールのクローラー（Semrush、Majestic、Moz、Ahrefs など）とウェブページのプレビュー（Facebook、LinkedIn、X など）はプラットフォーム認証の身元に基づいて記載し（2026/8/24–10/8）、独立して集計しており、上記の総回数の範囲外です。「計測中」15 万回の身元と機能は IDAEO が継続して確認中で、分類の成果は後日公表します。
検索結果表示：各図の内訳は検索プラットフォームの原値（Google 741 万回、Bing 91 万回、合計 832 万回）、全体概要の約 822 万回は IDAEO 確定基準で、両者の差は約 10 万回です。インデックス登録ページ数は 2026年9月の値で、Bing は各サブフォルダの合計を採用します。
林毅祥（TK Lin）の個人 IDA の実測（2026/10/3）：100 問を五つのグループに分け、各 20 問（身元、会社、専門、和心村、IDA）、五つのAIモデルは Perplexity Sonar、OpenAI GPT-5.4、Anthropic Claude Sonnet 5、Google Gemini 3.5 Flash、xAI Grok 4.5 で、いずれも Perplexity の検索インターフェースを通じて質問し、合計 500 件の回答。84% はAIが検索したソース一覧にこの IDA が含まれていたことを指します（419 件）、この IDA はソース一覧に 439 回登場し、全ソース中の第一位です。そのうち本人を名指しした 40 問（身元、会社の二グループ）は 91.5%（183 件）で、この IDA は 190 回登場。10/11 の追跡：Perplexity の四言語 16 問のうち、13 問のソースにこの IDA がありました。
立ち上げ時間：ウォームスタートの約 30 日は経験則です。図 6-6〈コールドスタートのタイムライン〉には実測もあります：同じAIプラットフォームのクローラーが順にサイトを訪問し、間隔は 30–35 日。コールドスタートの約 90 日は業界の経験則です。14 日は林毅祥（TK Lin）の個人 IDA の実測事例です。
実測店舗：第一期の実測店舗と第二期の実測業種はいずれも実際に営業している店舗で、IDAEO が一つずつ身元を照合済みです。取り決めにより、教材には業種のみを記載し、店名は IDAEO の内部記録にとどめます。
発行主体：IDAEO は株式会社和心（法人番号 8011401020677、日本東京都港区）が運営します。著者は林毅祥（TK Lin）。
学理的基礎：既存の 17 件の出典は一つずつ検証済みで、著者と年は文献リストに従って記載します。そのうち六篇の検証範囲は出版社の書誌と要旨です。Goodhart は 1975 年発表、1976 年出版。理論的根拠は、マーケティングの基礎、生成エンジンとAI検索の研究、AI顧客とAIエージェント（AI Agent）、情報検索と信頼性、成果計測、立ち上げと累積、AIプラットフォームの公式文書とエージェントプロトコル、七大法則とジャーニーの学理に分かれ、完全な文献は巻末の「理論的基礎と文献」を参照。
外部のAI可視性指標：2026-10-11 に検証したツールベンダーの説明と各社の公開定義に基づいて整理、比較の際は同じ計測範囲と指標の基準を採用します。
各社のロゴはその所有者の商標であり、教材では各AIプラットフォームを識別するために用います。
九つの成果指標と IDAEOソリューションは本教材の命名を採用します。検証データは全プラットフォームで集計し、単一店舗の成果はその店舗のデータで測ります。AI言及率、AI回答正確率、AI再訪数の計測方法は確定済みで、IDAEO が累積を続け、後日公表します。
最適化領域の同領域の用語は本教材の機能分類に従って整理し、各語の使用文脈を採用します。AIO（AIによる概要の最適化）と AEO（アンサーエンジン最適化）はつながっており、いずれもAIの回答がコンテンツを利用することに対応します。AAO、AXO、AAIO と GAIO、AISO は 2026-10-11 に検証したAIプラットフォームの用語ページに基づいて記載します。SXO、VSO、ASO、CRO、SMO、SGE、LLM SEO は業界で通用している見方を採用し、今回一つずつ検証した範囲は前述のAIプラットフォームの用語です。
拡張図は〈AI時代のウェブサイトトラフィック〉入門コースの視覚構成を踏襲し、数字は同じファーストパーティ計測記録に基づいて 2026/10/8 まで集計、ジャーニーのステップは一律に S1–S10 と書きます。本版の集計範囲は各図に記載した項目を基準とします。
各拡張図は期間に沿って読み解きます：AIリクエスト 3/3–10/8、全サイト 2/12–10/8、自動ブラウジング 8/26–10/8、サイト別の内訳 8/20–10/8、Copilot 引用 7/22–10/8。8/24 以前は複数のファーストパーティ計測記録を統合しており、重複リクエストを含む可能性があります。引用時はこの範囲を併せて明記します。
Copilot 引用 3.17 万回は IDAEO 確定基準に従い正式コンテンツの範囲を採用、元の集計は 5.26 万回。
「AI回答のための読み取り」4,605 万回は IDAEO 確定基準に従い、検索インデックス作成とAIによる概要作成、AIインデックス作成、リアルタイム取得、名前付きAIエージェントを含みます。そのうち検索インデックス作成 1,653 万回は検索とAI回答で共用し、残りは機能ごとに合算して、利用範囲を統合して示します。
図 6-6〈コールドスタートのタイムライン〉はAIプラットフォームの順次訪問と先行者利益を示します：六社中五社のAIプラットフォームで最初のクローラーと次のクローラーの間隔は 30–35 日で、これは同じAIプラットフォームが順に投入を増やす間隔です。初日が 2026/3/3 のクローラーは計測開始時にすでに来ており、記載した間隔は観察の起点から計算したもので、実際の間隔の下限を表します。コールドスタートは新しいウェブサイトのAIトラフィックが 0 から累積するもので、業界の経験則では約 90 日、ウォームスタートはコンテンツが S1 を満たし、かつAIトラフィック・ハブ（毎月一千万回以上のAIリクエストを累積するプラットフォーム、IDAEO プラットフォームは 7 月 2,597 万回、8 月 3,599 万回、9 月 1,579 万回）に公開されたもので、経験則では約 30 日、林毅祥（TK Lin）の個人 IDA の事例は 14 日で S7 に到達：9/20 に公開、10/3 に 100 問・五つのAIモデルで実測し、84% の回答がこの IDA をソースとしました。AIトラフィックには先行者利益があります：早く準備が整うほど、早く累積できます。
AIエージェント訪問数 1,809 万回＝自動ブラウジング 1,795 万＋名前付きAIエージェント14.4 万。ほかに 5,102 回のAIエージェントが一般のブラウザで来訪し、ユーザーリクエストに分類され、本項の訪問数とは独立しています。
早期実測店舗、第二期の実測業種、自社の和心村公式サイト：店舗ページの検索クリック、AIによる送客、店舗ページのAI読み取り、店舗公式サイトの閲覧回数は IDAEO ファーストパーティ計測記録から取得（2026-10-10 照会）、第二期の実測業種の IDA ページのAIインプレッションは IDAEO ファーストパーティ計測記録から取得（2026-10-11 照会、期間 7/18–10/8、10 社のプラットフォーム、三種類の用途をそれぞれ合計するといずれも 373,776 回）、業種公式サイトの検索クリックと Copilot 引用は許可を得た検索プラットフォームのデータから取得（2026-10-11 照会）、合計のみ記載。和心村公式サイトの Google 検索クリック 109,140 回（3/3–10/8）は検索プラットフォームのデータから取得、AIと検索エンジンの読み取り 95,333 回、AIのリアルタイム取得 11,333 回（8/20–10/8）は IDAEO ファーストパーティ計測記録から取得。Google の前年同月比較は前年の記録がある公式サイトのみを含みます。Bing の合計のうち一部の公式サイトのデータは 8/13 以降です。

IDAEO：AI時代のマーケティング学

IDAEO：AI時代のマーケティング学

IDAEOの成り立ち：林毅祥はいかにして実測を一つのマーケティング学にしたか

デジタルマーケティングの最前線からAI時代へ

初日の53回から、AIと検索エンジンの累計読み取り1.055 億回へ

マーケティングはまずAIに理解され、信頼され、次にAIに語ってもらう

七段階でつなぐ、実測に基づく方法論

核心、フレームワーク、構成要素にはそれぞれの位置がある

現在：店舗・サイト運営者との共同実測

この理論は生きている

IDAEO はどう作られたか：実測から成果までの七つのステップ

図 0-1 マーケティング三世代進化図

図 0-2 IDAEOの七大法則の全体図

図 0-3 IDAEO理論フレームワーク全景図：五つの構成軸と九要素

この章の要点

用語

よくある質問

オーディエンス戦略（誰に対して行うか）：五つのマーケティング・オーディエンスと六つの最適化領域

図 1-1 五つのマーケティング・オーディエンス全景図：機能、最適化領域、実測成果

図 1-2 AIトラフィック判別ツリー：あるAIのリクエストが、どの種類のAIトラフィックに属するかをどう判断するか？

図 1-3 AIプラットフォームとクローラーの系譜：機能ごとにどの企業の、どのクローラーがあるか

図 1-4 どの企業にどのクローラーがあるか：主要AIプラットフォームのクローラーとジャーニー上の位置

この章の要点

用語

よくある質問

ジャーニー設計（どのステップを通るか）：AIカスタマージャーニー：四つのフェーズと十のステップ

図 2-1 AIカスタマージャーニーマップ：四つのフェーズと十のステップ

図 2-2 ジャーニー診断ゲート図：十のステップ、十のゲート

図 2-3 五つのマーケティング・オーディエンスのジャーニー・スイムレーン図

図 2-4 AIプラットフォームのジャーニー・カバレッジ図：各社が到達した最も遠いステップ

この章の要点

用語

よくある質問

計測ソースとAIブラックボックス：成果測定のデータ基盤

図 3-1 IDAEO計測サービス・ブループリント

図 3-2 コンテンツ・ジャーニーマップとAIブラックボックス

図 3-3 AIプラットフォームのジャーニー成果マトリクス

図 3-4 Google：検索表示 7,410,298 回｜全行程の数字が最も揃っているプラットフォーム

図 3-5 OpenAI：学習用読み取り 10,602,782 回｜九割近くが学習用で、リアルタイム取得も最多のプラットフォーム

図 3-6 Microsoft：検索クローラーの読み取り 12,050,061 回｜現在AI回答の引用数を提供しているプラットフォーム

図 3-7 Anthropic：学習リクエスト 24,479,305 回｜学習量は各社の首位

図 3-8 Apple：インデックスリクエスト 24,615,429 回｜インデックス量は各社の首位

図 3-9 Meta：学習リクエスト 11,583,411 回｜読み取りはすべて学習用

図 3-10 AIに引用されたとどう分かるか？ブラックボックスの両端を計測する

この章の要点

用語

よくある質問

信頼と検証（なぜ信じられるのか）：信頼できる事実と外部裏付け

図 4-1 IDAEO 検証モデル：三者による検証と信頼できる事実

この章の要点

用語

よくある質問

サービス階層（どの階層まで行うか）：AEO露出、AEO+ 口コミ、IDAブランドPR

図 5-1 サービス階層ステップ図：AEO露出、AEO+ 口コミ、IDAブランドPR

図 5-2 成果指標対照マトリクス

この章の要点

用語

よくある質問

成果測定（成果をどう数えるか）：AIインプレッション数とジャーニー全体の価値

図 6-1 ジャーニー全体の成果ダッシュボード：八つの実測数字とファーストパーティデータ

図 6-2 十のステップの成果総覧

図 6-3 AI来訪構造図：誰が来て、何をしに来るか

図 6-4 ジャーニー全体の成果フロー図：AI露出から顧客の来店まで

図 6-5 九社のAIプラットフォームのジャーニー成果比較

図 6-6 コールドスタートのタイムライン：AIプラットフォームの順次来訪と先行者利益

この章の要点

コールドスタートとウォームスタート

用語

よくある質問

IDAEO実測：自社サイトと早期実測店舗

図 7-1 IDAEO成長のマイルストーン：ゼロから一億回のリクエストへ

図 7-2 AIプラットフォーム月間順位の推移図

図 7-3 早期実測店舗の成果：IDAEO がもたらした成長

この章の要点

用語

よくある質問

AI可視性と理論的基礎

図 8-1 AI可視性の位置づけ図：完全なジャーニーにおける可視性の位置

図 8-2 IDAEO 理論的基礎の対応図

この章の要点

図 0-1　マーケティング三世代進化図

図 0-2　IDAEOの七大法則の全体図

図 0-3　IDAEO理論フレームワーク全景図：五つの構成軸と九要素

図 1-1　五つのマーケティング・オーディエンス全景図：機能、最適化領域、実測成果

図 1-2　AIトラフィック判別ツリー：あるAIのリクエストが、どの種類のAIトラフィックに属するかをどう判断するか？

図 1-3　AIプラットフォームとクローラーの系譜：機能ごとにどの企業の、どのクローラーがあるか

図 1-4　どの企業にどのクローラーがあるか：主要AIプラットフォームのクローラーとジャーニー上の位置

図 2-1　AIカスタマージャーニーマップ：四つのフェーズと十のステップ

図 2-2　ジャーニー診断ゲート図：十のステップ、十のゲート

図 2-3　五つのマーケティング・オーディエンスのジャーニー・スイムレーン図

図 2-4　AIプラットフォームのジャーニー・カバレッジ図：各社が到達した最も遠いステップ

図 3-1　IDAEO計測サービス・ブループリント

図 3-2　コンテンツ・ジャーニーマップとAIブラックボックス

図 3-3　AIプラットフォームのジャーニー成果マトリクス

図 3-4　Google：検索表示 7,410,298 回｜全行程の数字が最も揃っているプラットフォーム

図 3-5　OpenAI：学習用読み取り 10,602,782 回｜九割近くが学習用で、リアルタイム取得も最多のプラットフォーム

図 3-6　Microsoft：検索クローラーの読み取り 12,050,061 回｜現在AI回答の引用数を提供しているプラットフォーム

図 3-7　Anthropic：学習リクエスト 24,479,305 回｜学習量は各社の首位

図 3-8　Apple：インデックスリクエスト 24,615,429 回｜インデックス量は各社の首位

図 3-9　Meta：学習リクエスト 11,583,411 回｜読み取りはすべて学習用

図 3-10　AIに引用されたとどう分かるか？ブラックボックスの両端を計測する

図 4-1　IDAEO 検証モデル：三者による検証と信頼できる事実

図 5-1　サービス階層ステップ図：AEO露出、AEO+ 口コミ、IDAブランドPR

図 5-2　成果指標対照マトリクス

図 6-1　ジャーニー全体の成果ダッシュボード：八つの実測数字とファーストパーティデータ

図 6-2　十のステップの成果総覧

図 6-3　AI来訪構造図：誰が来て、何をしに来るか

図 6-4　ジャーニー全体の成果フロー図：AI露出から顧客の来店まで

図 6-5　九社のAIプラットフォームのジャーニー成果比較

図 6-6　コールドスタートのタイムライン：AIプラットフォームの順次来訪と先行者利益

図 7-1　IDAEO成長のマイルストーン：ゼロから一億回のリクエストへ

図 7-2　AIプラットフォーム月間順位の推移図

図 7-3　早期実測店舗の成果：IDAEO がもたらした成長

図 8-1　AI可視性の位置づけ図：完全なジャーニーにおける可視性の位置

図 8-2　IDAEO 理論的基礎の対応図

付録　主張の根拠一覧