Industry Textbook

Aletheia GEO 教科書

業界トップクラスの実務・用語・知識体系 (100+ 用語 / 営業話法 / 8 Part)

2026-06-17 約 35 分

対象読者: 柳光 — 客先で業界トップクラスの専門性を発揮するためのレファレンス

🏛 Aletheia GEO 教科書

業界トップクラスの実務・用語・知識体系 (2026 年版)

このドキュメントは柳光が GEO 業界の現場で客先に「この人は分かっている」と言わせる ためのレファレンス。

用語・歴史・技術・実務・営業話法・学術根拠を 1 つに統合。

Part 1: 基礎理解 (Definition / History / Ecosystem)
Part 2: 技術基礎 (How AI 検索 works internally)
Part 3: CITABLE+R+D 9 軸 (深掘り)
Part 4: 実装プレイブック (具体的施策)
Part 5: 専門用語集 (100+ 語 / EN+JP)
Part 6: 客先発話スクリプト (営業・診断・提案・反論対応)
Part 7: 上級トピック (Multi-engine / Agentic commerce / Entity propagation)
Part 8: 出典・参考文献ライブラリ

---

Part 1: 基礎理解

1.1 4 大用語の正確な定義

業界には 「同じ概念を呼ぶ 4 つの名前」 が並列して存在する。クライアントは混乱しているが、Aletheia は全部使い分けられる。

略語	正式名	日本語	ニュアンス
GEO	Generative Engine Optimization	生成エンジン最適化	最も学術的・確立した用語 (Princeton/GT 2023 起源)
AEO	Answer Engine Optimization	回答エンジン最適化	「回答」=「Answer」を強調、AI Overview 向け
AIO	AI Optimization	AI 最適化	包括的・marketingy、教育系 / 中小企業向け
LLMO	LLM Optimization	LLM 最適化	エンジニア寄り、ML 系会社が使う

Aletheia 立場: 4 つとも実質同義として扱う (個別差別化のためのマーケ用語に近い)。客先には 「お客様の業界で通じる用語に合わせる」 と説明する。

1.2 GEO の歴史 (1 ページで)


2022-11    ChatGPT 公開 → AI 検索という概念が一般化
2023-11    Princeton/GT 「GEO: Generative Engine Optimization」 発表 (arxiv:2311.09735)
           → 学術的に GEO を最初に定義した論文
2024-05    Google AI Overview 一般公開 (旧 SGE)
2024-08    Princeton 論文が KDD '24 (世界最大の data mining 学会) に採録
2024-09    Profound (米 GEO スタートアップ) 創業
2024-11    Anthropic が MCP (Model Context Protocol) 発表
2025-Q1    SearchGPT 一般展開 / Perplexity Pro 急成長
2025-Q2    国内 GEO 代理店が複数創業 (CA「GEO ラボ」/ LANY / Speee 等)
2025-09    Otterly.AI / Athena HQ 等の競合ツールが成熟
2025-12    MCP が Linux Foundation に donate → 業界標準化
2026-02    Anthropic Claude 4.6 (computer use)
2026-04    GPT-5.5 (FrontierMath 35.4%)
2026-06    AutoGEO (Princeton CMU) ICLR 2026 採択
2026-06    Aletheia (アレテイア) GEO 専業エージェンシーとして稼働 (国内類似事例未確認)

1.3 GEO エコシステム (主要プレイヤー)

米国 (フロンティア)

Profound (tryprofound.com) — 50+ プロンプト並列計測、メイン競合
Otterly.AI — ChatGPT 引用追跡 SaaS
Athena HQ — Brand visibility AI 検索ベンチ
Peec AI / Spyfu Engineered for AI / Profound AI Tracker — フォロワー

日本 (Aletheia の競合)

CA GEO ラボ (サイバーエージェント) — エンタープライズ向け
Hakuhodo DY ONE — 広告大手
電通デジタル — 広告大手
Queue (旧 umoren.ai) — スタートアップ系
LANY — SEO エージェンシーの GEO 拡張
Speee — 同上
CINC — 同上

Aletheia の差別化

「B2B SaaS シリーズ A〜D 専業」の vertical (上記競合は全領域対象)
arxiv 学術引用根拠付き の 9 軸スコア
Direct Partner プログラム (祇園辻利 1860 年契約等)
D2C / 海外向け の 2 軸対応 (CardCompass / MatchaCompass)

---

Part 2: 技術基礎 — AI 検索の内部構造

2.1 AI 検索エンジンの動作モデル

一般化された 5 ステップ


1. Query 受信         → ユーザーが ChatGPT 等に質問
2. Web Retrieval     → 検索エンジンや内部 RAG で情報源を取得
3. Re-ranking        → 取得した passage を関連度で順位付け
4. Generation        → LLM が回答を生成 (引用源を選択)
5. Citation Display  → 回答末尾に「Sources」を表示

エンジン別の固有挙動

エンジン	Retrieval source	Ranking algorithm	Citation style
ChatGPT Search	Bing + Microsoft index	OpenAI 独自 ranker	Inline link + Sources list
Perplexity	多源 (Bing + Google + 自社)	Perplexity 独自 + recency boost	各文に [n] 番号
Claude	(主に学習データ + Anthropic 提供 web)	Internal	Inline link
Gemini	Google 検索 + Knowledge Graph	Google ranking + AI Overview signals	Cards + links
Bing Copilot	Bing index	Microsoft ranking	Inline link

重要な学術的発見 (arxiv:2509.08919)

5 つのエンジンが 「top recommendation」で一致するのは 50% 未満
各エンジンの引用元集合の 重なりは 30-60%
→ マルチエンジン最適化が必須 (1 エンジンだけ最適化しても他で見えない)

2.2 RAG (Retrieval-Augmented Generation) の仕組み

Vanilla RAG (古典版)


[User Query] → [Embed] → [Vector DB] → [Top-K passages] → [LLM with passages] → [Answer]

2026 年のフロンティア

HyDE (Hypothetical Document Embeddings): クエリ → 仮回答生成 → その embed で検索
Re-ranking (Cohere Rerank / Cross-encoder): 100 passages 取得後に 10 に絞り込み
Self-RAG: LLM 自身が retrieve するか判断
Long-context (1M tokens): もはや RAG なしで全資料を context に入れる時代

Aletheia 実務的含意

構造化された passage は retrieved & cited されやすい (Princeton 論文の核心)
1 ページ = 1 トピック (情報の atomicity)
各 passage を 50-200 ワードで自己完結
数字・統計・引用を埋め込む (citation 確率 30-40% UP)

2.3 5 つの AI 検索エンジンの特性

ChatGPT (OpenAI)

ユーザー数: 月間 8 億 (2025 末 OpenAI 公表)
Bing index ベース、Microsoft とのパートナーシップ
引用 boost: 学術ソース + 構造化データ (Schema.org)

Claude (Anthropic)

ユーザー数: 月間 1 億+ (2026 推定)
内部学習データ + 提供 web API
引用 boost: 学術 + 公式 docs + 長文書類

Perplexity

ユーザー数: 月間 1 千万 (2026 推定)
多源並列 retrieval + recency boost
引用 boost: 30 日以内更新 + 信頼性スコア + Wikipedia 系

Gemini (Google)

ユーザー数: 月間 3 億+ (2026 推定)
Google 検索 index + Knowledge Graph
引用 boost: E-E-A-T + Schema.org + Google にインデックス済み

Bing Copilot (Microsoft)

ユーザー数: 月間 2 億+ (Edge 統合)
Bing index ベース
引用 boost: Schema.org + IndexNow + Bing Webmaster

---

Part 3: CITABLE+R+D 9 軸 — Aletheia 独自フレーム

3.1 9 軸の全体像


C: Clear entity structure       (明確なエンティティ構造)
I: Intent architecture          (検索意図の設計)
T: Third-party validation       (第三者検証)
A: Answer grounding             (回答の根拠付け)
B: Block formatting for RAG     (RAG 向けブロック構造)
L: Latest timestamps            (最新タイムスタンプ)
E: Entity relationships         (エンティティ関係性)
R: Robot accessibility          (クローラ受け入れ・Aletheia 独自)
D: Deep Absorption              (AI 回答への深い組込み・Aletheia 独自)

学術根拠: arxiv:2311.09735 (Princeton/GT) + arxiv:2603.29979 (Structural Feature Engineering) + arxiv:2604.25707 (Citation Absorption)

3.2 各軸の深掘り

C: Clear Entity Structure (明確なエンティティ構造)

定義: Web ページが「自分が何の Entity か」を機械可読に宣言できているか。

主要シグナル:

Schema.org Organization / Product / Service 実装
@id 付き JSON-LD で一意性確保
name / legalName / alternateName の完備
description フィールド (160-300 字推奨)
logo / image URL

測定方法:


// 簡易チェック
const schema = page.querySelector('script[type="application/ld+json"]')
const hasOrg = schema?.includes('"@type":"Organization"')
const hasId = schema?.includes('"@id"')

改善施策:

next/script で Organization JSON-LD を inject
@id で URI を canonical 化 (例: https://aleth.jp/#organization)
sameAs で外部参照を 4 件以上追加

Aletheia 独自スコアリング: 0-100 (5 サブ軸の合計)

I: Intent Architecture (検索意図の設計)

定義: ユーザーの buying intent / informational intent / navigational intent に応じたコンテンツ階層があるか。

主要シグナル:

バイヤー意図の H2/H3 (価格・料金・比較・導入事例・FAQ)
メイン H2 が 5-7 個 (情報の網羅性)
FAQ Schema 実装

学術根拠: Princeton 論文の "Topic relevance" 軸

改善施策:

「[製品名] 価格」「[製品名] 比較」「[製品名] 導入事例」の H2 を追加
FAQPage Schema で 5-10 QA を埋め込み
各 H2 セクション 200-400 ワードで自己完結

T: Third-party Validation (第三者検証)

定義: 自社以外のドメインからの言及・被リンク・引用がどれだけあるか。

主要シグナル:

被リンクドメイン数 (Ahrefs / Semrush で計測)
メディア掲載 (PR TIMES / 日経等)
比較サイト登録 (ITreview / BOXIL / G2)
Wikipedia 言及
学術論文での citation (arxiv / Google Scholar)

最重要発見 (Trakkr 1.3M データ 2026):

ブランド検索量 が AI 引用率の最強予測子 (相関係数 0.334)

→ PR 配信 + ブランド露出 ≥ Schema 最適化

改善施策:

PR TIMES で月 1 件以上のリリース
ITreview / BOXIL / G2 に登録 (B2B)
業界団体への加盟・寄稿
Wikipedia 記事の作成依頼 (規約遵守必須)

A: Answer Grounding (回答の根拠付け)

定義: 自分の主張に「なぜそうか」の根拠が伴っているか。

主要シグナル:

数字・統計の密度 (1000 文字あたり 3+ 個)
「研究によると」「データでは」等の根拠フレーズ
出典 (公式 docs / arxiv / 政府統計) への外部リンク
著者プロフィール

Princeton 論文の発見:

統計を加える → 引用確率 +30-40%
引用 (Quotes) を加える → さらに上昇

改善施策:

各主張に数字を 1 つ添える
外部出典リンクを段落に 1 つ
著者プロフィール (写真 + 経歴 + sameAs)

B: Block Formatting for RAG (RAG 向けブロック構造)

定義: 80-200 ワードの自己完結 passage が pages 内に複数あるか。

主要シグナル:

段落あたり 80-200 ワード
各 H2/H3 下に 1-3 段落
表 (<table>) / リスト (<ul> / <ol>)
コードブロック (該当時)

Princeton 論文 (arxiv:2603.29979):

Structural feature engineering で +20% citation

改善施策:

1 ページを 5-10 passages に分割
各 passage に自己完結性 (前後文脈なしで読める)
表とリストを多用

L: Latest Timestamps (最新タイムスタンプ)

定義: ページが「いつ更新されたか」を機械可読に宣言できているか。

主要シグナル:

<meta property="article:modified_time"> (Open Graph)
JSON-LD の dateModified / datePublished
HTTP Last-Modified header
ページ本文に visible な更新日

重要発見 (Perplexity 公式):

30 日以内更新コンテンツに citation boost

改善施策:

article:modified_time meta tag 追加
WebPage / Organization JSON-LD に dateModified
Next.js headers() で Last-Modified 追加
毎月の review + minor update (dateModified を更新)

E: Entity Relationships (エンティティ関係性)

定義: 自分の Entity が他の Entity (Wikipedia / LinkedIn / 業界団体) と関係付けられているか。

主要シグナル:

sameAs の数 (4 件以上推奨)
knowsAbout の topics
parentOrganization / subOrganization
業界カテゴリ (industry / serviceType)

改善施策:

Wikipedia / Wikidata / LinkedIn / X / Github 等へ sameAs
業界団体 (IT 連盟 / 日本 SaaS 協会等) への参照
パートナー企業との affiliation

R: Robot Accessibility (クローラ受け入れ・Aletheia 独自)

定義: AI クローラ (GPTBot / OAI-SearchBot / ClaudeBot / PerplexityBot / Google-Extended) を robots.txt で許可しているか。

主要シグナル:

robots.txt で Allow: / を AI クローラに対して
llms.txt 実装 (新興 spec)
meta robots index, follow
sitemap.xml 完備

改善施策:


# robots.txt
User-agent: GPTBot
Allow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Google-Extended
Allow: /

Sitemap: https://aleth.jp/sitemap.xml

D: Deep Absorption (AI 回答への深い組込み・Aletheia 独自)

定義: ChatGPT 等が回答する時、自分のコンテンツが 「ちらっと引用」ではなく「深く埋め込まれる」 か。

Princeton 論文 (arxiv:2604.25707): Citation Selection → Citation Absorption

主要シグナル:

文の独自性 (paraphrased 不可能な定義 / 数字)
ファースト・パーティ・データ (調査結果)
業界用語の定義の正確さ

改善施策:

業界用語集 (Glossary) を作る
独自統計を公開 (年次レポート)
「定義文」を意識的に書く (「X とは Y です」形式)

---

Part 4: 実装プレイブック

4.1 60 日 GEO 改善ロードマップ (Starter プラン向け)

Week 1-2: Audit

GeoLens で 9 軸スコア取得
Top 5 改善点を確定
競合 3 社で compare diagnose
Baseline 計測 (5 エンジン × 30 プロンプトで言及率)

Week 3-4: Quick Wins (L / R / C)

dateModified 実装 (15 分 → +15 点)
robots.txt に AI クローラ allow (10 分 → +10 点)
Organization Schema 完備 (1 時間 → +20 点)

Week 5-6: Authority (E / T)

sameAs リンク 8 件追加
Wikipedia/Wikidata 記事登録依頼
PR TIMES でリリース 1 本
ITreview/BOXIL に登録

Week 7-8: Content (I / A / B)

バイヤー意図 H2 5 個追加 (価格・比較・導入事例・FAQ・お問合せ)
FAQPage Schema (10 QA)
各段落に数字 1 つ・出典 1 つ

60 日後の期待

スコア: 40 → 70 (D → B-)
言及率: 5% → 25% (5 エンジン平均)

4.2 主要 Schema 実装の優先順位

Schema	B2B SaaS	D2C / EC	メディア
Organization	必須	必須	必須
WebSite	必須	必須	必須
WebPage	必須	必須	必須
FAQPage	強推奨	強推奨	推奨
Product	(該当時)	必須	—
Article / NewsArticle	推奨	推奨	必須
HowTo	推奨	強推奨	強推奨
BreadcrumbList	推奨	必須	推奨
Review / AggregateRating	(該当時)	強推奨	(該当時)

4.3 PR 戦略 (T 軸 booster)

ブランド検索量 = AI 引用率の最強予測子 → PR は GEO の必須施策。

月次配信プラン (¥150K プラン例)

PR TIMES 月 1 本 (¥30K)
業界メディアへの寄稿依頼月 1 本
LinkedIn / X での CEO ポスト週 2-3 回
比較サイト登録 (ITreview / BOXIL) 1 回/四半期
業界調査の publishing (年 2 本)

---

Part 5: 専門用語集 (100+ 語 / EN+JP)

A-E

用語	日本語	定義
AEO	Answer Engine Optimization / 回答エンジン最適化	AI 回答に登場するための最適化
AIO	AI Optimization / AI 最適化	包括的な AI 検索対策
Answer Engine	回答エンジン	ChatGPT / Perplexity 等の総称
Anchor Text	アンカーテキスト	リンクのテキスト部
arxiv	arxiv (preprint server)	学術論文の preprint アーカイブ
Authority	権威性	E-E-A-T の A
Block formatting	ブロック構造	80-200 ワード passage の自己完結
Brand Search Volume	ブランド検索量	AI 引用率の最強予測子 (0.334 相関)
Citation Absorption	引用吸収度	引用された情報が回答にどれだけ深く組み込まれるか
Citation Selection	引用選定	LLM がどの情報源を引用するかの選定プロセス
CITABLE+R+D	Aletheia 独自 9 軸	C/I/T/A/B/L/E/R/D の評価軸
Citation rate	引用率	特定クエリで自社が引用される頻度
Crawl budget	クロール予算	検索エンジンが 1 サイトに割く crawling 時間
Data freshness	データの新しさ	L 軸の核心
Direct citation	直接引用	URL 付き引用 (vs paraphrased)
E-E-A-T	Experience / Expertise / Authoritativeness / Trustworthiness	Google 公式評価軸
Embedding	エンベディング	テキストの数値ベクトル表現
Engine bias	エンジンバイアス	各 AI 検索エンジンの引用偏向
Entity	エンティティ	Schema.org 上の identifiable な実体
Entity Disambiguation	エンティティ識別	同名 entity の区別
Evidence-based	根拠ベース	A 軸の核心

F-L

用語	日本語	定義
FAQPage Schema	FAQ 構造化データ	質問と回答を機械可読化
First-party data	自社一次データ	独自調査・統計
Foundation Model	基盤モデル	GPT-5 / Claude / Gemini 等
Generative Engine	生成エンジン	AI 検索の中核となる LLM
GEO	Generative Engine Optimization / 生成エンジン最適化	最も学術的な用語
GPTBot	OpenAI のクローラ	ChatGPT 学習・検索用
Grounding	根拠付け	回答に出典を伴わせる
Hallucination	ハルシネーション	LLM が誤情報を生成する現象
HCM	Human Content Marker	人間が書いた印 (vs AI 生成)
HowTo Schema	手順構造化	操作手順の機械可読化
IndexNow	IndexNow プロトコル	Bing/Yandex に即時 ping
Inference-time scaling	推論時スケーリング	o3 等の test-time compute
Intent	意図	informational / navigational / transactional
Intent Architecture	意図設計	I 軸の核心
JSON-LD	JSON-LD	Schema.org の推奨実装形式
Knowledge Graph	ナレッジグラフ	Google の entity DB
Latest Timestamps	最新タイムスタンプ	L 軸
LLM	Large Language Model / 大規模言語モデル	GPT-4 / Claude 等
LLMO	LLM Optimization / LLM 最適化	エンジニア寄り用語
llms.txt	llms.txt	AI クローラ向けサイトサマリ (新興 spec)
Long-context	長文コンテキスト	1M+ token のコンテキスト窓

M-S

用語	日本語	定義
MCP	Model Context Protocol	Anthropic 発の AI tool 接続標準
Multi-engine optimization	マルチエンジン最適化	5 つの AI 検索全部に最適化
NER	Named Entity Recognition	固有表現抽出
OpenGraph	OpenGraph (og:)	SNS / AI 検索が読む meta tags
Passage	パッセージ	80-200 ワードの情報単位
PerplexityBot	Perplexity クローラ	Perplexity 用 crawler
Pivot	ピボット	戦略転換
Prompt	プロンプト	LLM への入力
PSA / BGS / CGC	カードグレード会社	(CardCompass 用語)
RAG	Retrieval-Augmented Generation	検索拡張生成
Re-ranking	リランキング	検索結果を 2 段階で並び替え
Robot Accessibility	クローラ受け入れ	R 軸 (Aletheia 独自)
robots.txt	robots.txt	クローラ許可・拒否ファイル
sameAs	sameAs	Schema.org の外部参照
Schema.org	Schema.org	構造化データ仕様
SearchGPT	SearchGPT	OpenAI の検索特化版
SERP	Search Engine Results Page / 検索結果ページ	古典 SEO 用語
SGE	Search Generative Experience	Google の旧称 (現 AI Overview)
Sitemap	サイトマップ	URL リスト .xml
Source attribution	情報源帰属	引用源の明示
Structured data	構造化データ	Schema.org 等

T-Z

用語	日本語	定義
TAM	Total Addressable Market / 全市場規模	経営用語
Test-time compute	推論時計算量	o3 等の革新
Third-party validation	第三者検証	T 軸
Tokenization	トークン化	テキストを LLM 入力単位に分割
Topic Cluster	トピッククラスター	関連トピックを 1 つの hub から放射状に
Top-K Retrieval	上位 K 件検索	RAG の retrieval 段階
Verified Domain	認証済みドメイン	ChatGPT/Anthropic の green check
Visibility	可視性	AI 検索における露出度
VLA	Vision-Language-Action	Physical AI の foundation model
VR / AR / XR	拡張現実	関連用語
Watermarking	透かし	AI 生成テキストの marker
Web Vitals	Web Vitals	Google ranking signal
WebPage Schema	WebPage 構造化	個別ページ単位の Schema
WCAG	アクセシビリティ標準	関連
Zero-click	ゼロクリック	AI が回答完結する状態

---

Part 6: 客先発話スクリプト

6.1 営業 (First Meeting)

Opener

「弊社 Aletheia は GEO 専業のエージェンシー で、現時点で国内に類似サービスは確認していません。GEO というのは "Generative Engine Optimization" の略で、Princeton 大学が 2023 年に発表した学術論文 で初めて定義された分野です。簡単に言うと、ChatGPT や Claude、Perplexity といった AI 検索で、自社が 引用される会社になる ための施策です。」

Pain identification (open question)

「お客様の業界では今、競合がどの AI で どのくらい引用されている か、ご存知でしょうか?」

(沈黙 → 大抵「知らない」)

「実は 自社で計測したことがある会社は日本で 10% 未満 です。Aletheia の 無料診断 で、お客様のサイトが今 AI でどう扱われているか、9 軸のスコアで即座にお見せできます。」

Value proposition

「弊社の独自フレーム CITABLE+R+D 9 軸 は、Princeton/CMU の学術論文 (arxiv:2604.25707 / 2603.29979) を根拠にしています。これは国内競合代理店の 誰も持っていない学術的バックボーン です。」

「実際、弊社自身のサイト aleth.jp は 15 分の修正で 50 → 61 点 (+11 点) にスコア改善しました。これは『大幅な施策』ではなく『見えていなかった当たり前』を実装しただけです。」

6.2 診断 (Discovery Call)

必須質問 7 つ

自社の主要ターゲットキーワードを 5 つ
現在 ChatGPT で自社名で検索すると何と出ますか
競合 3 社の URL
月間検索流入量 (SEO ベースライン)
直近 12 ヶ月の PR / メディア掲載
SaaS なら主要比較サイト登録 (ITreview / BOXIL)
月次 GEO 予算 (¥50K / ¥150K / ¥300K の 3 段階を提示)

6.3 反論対応 (Objection Handling)

O1: 「SEO で十分では?」

「SEO は Google 検索結果で クリックを得る 最適化、GEO は AI 回答で 引用される 最適化。指標も施策も違います。

重要なのは: 2026 年現在、米国の調査では 18-29 歳の 約 4 割が日常的に ChatGPT を検索代わりに使い (Pew 2025)、その流れは日本にも 1-2 年遅れで来ます。

SEO 単独だと、5 年後にトラフィックが 30-50% 縮小する という分析もあります (Gartner 2024)。GEO は SEO の 代替ではなく、保険 です。」

O2: 「ROI が見えない」

「Aletheia の月額プランは 計測込み です。5 つの AI エンジン × 30 プロンプトで毎月言及率を測定し、施策前後の 言及率変化 を数値で報告します。

SEO の流入数のように直接的ですが、ブランド検索量 (= 認知度の代理指標) との相関係数 0.334 が学術的に証明されており、長期的 ROI は SEO と同等以上です (Trakkr 2026 データ)。」

O3: 「予算がない」

「最小プラン Starter ¥50K/月 から始められます。これは 1 人の正社員を 1 日 1.5 時間使うコストよりも安く、しかも arxiv 学術根拠付き の 9 軸監査が含まれます。

あるいは 無料診断のみ で開始する選択肢もあります。改善余地が明確になってから判断していただいて構いません。」

O4: 「内製でやろう」

「素晴らしいです。実は弊社の MCP Apps 構築代行 (Claude.ai 稼働中 / ChatGPT Apps SDK 正式版リリース後拡張) のように、多くのお客様は『内製を Aletheia と並走する』形でスタートします。

ご検討材料として、Princeton 論文の statistic を加えると +30-40% 引用確率上昇 や、Perplexity の 30 日以内更新 boost など、内製で見落としがちなポイントを 無料診断レポート として 1 度お渡しします。」

6.4 月次レポート読み合わせ

標準フォーマット

総合スコア推移 (前月 vs 今月 vs 前年同月)
5 エンジン別言及率 (ChatGPT / Claude / Perplexity / Gemini / Bing)
競合比較 (compare ツールで月次)
実施施策の一覧 (PR / Schema / コンテンツ / 比較サイト)
次月のアクションプラン (3-5 個)
アカデミックノート: その月発見した 1 つの arxiv 論文 + Aletheia への含意 (差別化要素)

---

Part 7: 上級トピック

7.1 Multi-Engine Optimization

5 つの AI で同時に最適化する戦略。

エンジン別優先度マトリクス (B2B SaaS の場合)

エンジン	ターゲット顧客率	優先度
ChatGPT	60% (圧倒)	★★★★★
Gemini	20%	★★★★
Claude	10%	★★★
Perplexity	7%	★★★
Bing Copilot	3%	★★

Aletheia 推奨アプローチ

ChatGPT を first principle で最適化
残り 4 つは constraints として満たす
「もし ChatGPT で引用されなくなった日のリスク管理」として 5 つに分散

7.2 Agentic Commerce GEO

新興領域: AI agent が購入を実行する時代の GEO。

重要シグナル (推定)

Product Schema の完備性 (price / availability / sku / brand)
AggregateRating の存在
AgenticCommerce 互換 endpoint の有無 (ACP)
Stripe ACP integration

Aletheia のポジション

現状: GEO 一般専門
2027 予定: 「Agentic Commerce GEO」を vertical として確立

7.3 Entity Propagation

複数の Entity 間で graph を作り、Knowledge Graph に登録される戦略。

例: Aletheia の Entity 関係図


アレテイア (Organization)
├── owns → GeoLens (SoftwareApplication)
├── owns → CardCompass (SoftwareApplication)
├── owns → MatchaCompass (SoftwareApplication)
├── partner → 祇園辻利 (Organization, Direct Partner)
├── founder → 柳光 (Person)
└── industry → GEO (DefinedTerm)

実装

全 Entity を @id で一意化
相互 sameAs で graph を構築
Knowledge Graph 登録依頼

---

Part 8: 出典・参考文献ライブラリ

学術論文 (Must Read)

Tier 1 (Aletheia の根幹)

Aggarwal et al., "GEO: Generative Engine Optimization" (arxiv:2311.09735) — KDD '24 採録
"Structural Feature Engineering for GEO" (arxiv:2603.29979) — Block formatting の核心
"Citation Absorption" (arxiv:2604.25707) — D 軸の根拠

Tier 2 (Aletheia の補強)

AutoGEO (ICLR 2026) — 自動最適化フレーム
"When Attention Becomes Exposure" — Generative Search 力学
arxiv:2509.08919 — Engine comparison
arxiv:2512.09483 — LLM vs traditional citation behavior
arxiv:2512.24968 — DiD 効果測定

Tier 3 (Apps SDK / MCP 関連)

Anthropic MCP spec (2024-11)
MCP Apps blog post (2026-01)

公式ドキュメント

業界レポート (年次必読)

Goldman Sachs AI Labor Market Report (年次)
McKinsey AI Adoption Survey (年 1 回)
Stanford HAI AI Index Report (年次)
Pew Research AI Usage Survey (米国)
野村総合研 AI 利活用調査 (日本)

業界ツール (競合・補完)

ツール	主要機能	価格帯	用途
Profound	50 プロンプト並列計測	$200-2000/月	大企業計測
Otterly.AI	ChatGPT 追跡	$99-499/月	中小企業計測
Athena HQ	Brand visibility	enterprise	エンタープライズ
Aletheia GeoLens	9 軸スコア + 学術根拠	(Aletheia 月額に含む)	弊社専用
Aletheia CardCompass	日本限定 TCG	無料 (アフィリ)	公開 GPT
Aletheia MatchaCompass	日本伝統茶	無料 (アフィリ)	公開 GPT

---

付録 A: Aletheia の Differentiator (1 ページサマリ)

問: なぜ Aletheia を選ぶか?

🎓 唯一の学術的根拠: 9 軸すべてが arxiv 論文と公式 docs に紐付く (国内代理店で唯一)
🤝 Direct Partner プログラム: 祇園辻利 1860 年契約 (国内代理店で唯一)
🌐 海外向け対応: CardCompass / MatchaCompass で D2C グローバル経路を確立 (国内代理店で唯一)
🤖 ChatGPT / Claude 両対応: 3 つの公式 GPT + Custom GPT + Claude.ai MCP App (国内代理店で唯一)
🇯🇵 日本市場専門: 日本固有の Schema / 言語 / 業界団体への対応 (海外ツールでは届かない)
📊 自社実証: aleth.jp 50→61 点を 15 分で実装した事例 (再現可能な実証)

付録 B: 月次更新ルール

このドキュメントは 3 ヶ月ごとに大幅改訂 + 戦略基盤書 (日次更新) で補完。

次回大幅改訂: 2026-09-17
戦略基盤書 (毎晩 21:00): trig_011uWqy7AoMopspJ57ZM4Sds

---

🏛 Aletheia (アレテイア) · 覆いを取り去り、真実を露わにする。

Yanagi Hikaru (柳光), CEO · hello@aleth.jp

🏛 Aletheia GEO 教科書

業界トップクラスの実務・用語・知識体系 (2026 年版)

Part 1: 基礎理解

1.1 4 大用語の正確な定義

関連用語 (混同しがち)

1.2 GEO の歴史 (1 ページで)

1.3 GEO エコシステム (主要プレイヤー)

米国 (フロンティア)

日本 (Aletheia の競合)

Aletheia の差別化

Part 2: 技術基礎 — AI 検索の内部構造

2.1 AI 検索エンジンの動作モデル

一般化された 5 ステップ

エンジン別の固有挙動

重要な学術的発見 (arxiv:2509.08919)

2.2 RAG (Retrieval-Augmented Generation) の仕組み

Vanilla RAG (古典版)

2026 年のフロンティア

Aletheia 実務的含意

2.3 5 つの AI 検索エンジンの特性

ChatGPT (OpenAI)

Claude (Anthropic)

Perplexity

Gemini (Google)

Bing Copilot (Microsoft)

Part 3: CITABLE+R+D 9 軸 — Aletheia 独自フレーム

3.1 9 軸の全体像

3.2 各軸の深掘り

C: Clear Entity Structure (明確なエンティティ構造)

I: Intent Architecture (検索意図の設計)

T: Third-party Validation (第三者検証)

A: Answer Grounding (回答の根拠付け)

B: Block Formatting for RAG (RAG 向けブロック構造)

L: Latest Timestamps (最新タイムスタンプ)

E: Entity Relationships (エンティティ関係性)

R: Robot Accessibility (クローラ受け入れ・Aletheia 独自)

D: Deep Absorption (AI 回答への深い組込み・Aletheia 独自)

Part 4: 実装プレイブック

4.1 60 日 GEO 改善ロードマップ (Starter プラン向け)

Week 1-2: Audit

Week 3-4: Quick Wins (L / R / C)

Week 5-6: Authority (E / T)

Week 7-8: Content (I / A / B)

60 日後の期待

4.2 主要 Schema 実装の優先順位

4.3 PR 戦略 (T 軸 booster)

月次配信プラン (¥150K プラン例)

Part 5: 専門用語集 (100+ 語 / EN+JP)

A-E

F-L

M-S

T-Z

Part 6: 客先発話スクリプト

6.1 営業 (First Meeting)

Opener

Pain identification (open question)

Value proposition

6.2 診断 (Discovery Call)

必須質問 7 つ

6.3 反論対応 (Objection Handling)

O1: 「SEO で十分では?」

O2: 「ROI が見えない」

O3: 「予算がない」

O4: 「内製でやろう」

6.4 月次レポート読み合わせ

標準フォーマット

Part 7: 上級トピック

7.1 Multi-Engine Optimization

エンジン別優先度マトリクス (B2B SaaS の場合)

Aletheia 推奨アプローチ

7.2 Agentic Commerce GEO

重要シグナル (推定)

Aletheia のポジション

7.3 Entity Propagation

例: Aletheia の Entity 関係図

実装

Part 8: 出典・参考文献ライブラリ

学術論文 (Must Read)

Tier 1 (Aletheia の根幹)

Tier 2 (Aletheia の補強)