共起引用（co-citation）でAI可視性を高める戦略と実装ガイド

共起引用（co-citation）でAI可視性を高める戦略と実装ガイド

この記事の結論: 共起引用（co-citation）とは、複数の独立した情報源が同じブランドやコンテンツを同時に言及することで生じる「共起シグナル」です。ChatGPT・Perplexity・AI Overviewsはこの共起パターンを参照してどのブランドを引用するかを判断するため、co-citation率を高めることがAI可視性向上の最速経路になります。

最終更新日: 2026年6月25日

はじめに

「構造化データを入れた」「llms.txtも設置した」「記事も上位表示されている」——それでもAI検索で自社が引用されない、という状況に直面していませんか。

その多くは、共起引用（co-citation）の不足が原因です。AI検索エンジンは、単一サイトの技術的最適化よりも「複数の独立した信頼できる情報源が同じエンティティを言及しているか」というシグナルを重視してブランドや情報の信頼性を判断します。

本記事では、LLMOの文脈での共起引用の定義から、海外ローカライズで注意すべきポイント、月次運用フローまでを一気通貫で解説します。AIO・AI Overview対策を深めたい方はAIとSEOの完全ガイドも合わせて参照ください。

共起引用（co-citation）とは何か

共起引用（co-citation）とは、学術論文の引用分析手法に由来する概念で、「AとBが複数の第三者文書において同時に引用・言及される」現象を指します。

SEOの文脈では2010年代から「リンクなし共起」「ブランドco-mention」として議論されてきましたが、LLMが検索を担う2026年現在、co-citationはAI可視性の中核指標に格上げされています。

co-citationと従来のブランドメンションの違い

AIモデルは「複数の独立したソースが同じことを言っている」という合意シグナルを信頼性の証拠として扱います。これはRAG（RAG）での検索拡張でも同様で、複数の高品質文書が同じエンティティに言及していると、そのエンティティが優先的に引用候補に選ばれます。

なぜco-citation率がAI可視性を決めるのか

AI検索エンジンが回答を生成する過程には、大きく「学習フェーズ」「インデックス参照」「出典選定」の3段階があります。

学習フェーズでのco-citationの効果

LLMの事前学習では、Webコーパス中の共起パターンがエンティティの関係性として符号化されます。「ブランドXはカテゴリYのリーダー」というナレッジは、X言語の媒体が繰り返しXをYのコンテキストで言及することで形成されます。

RAGフェーズでのco-citationの効果

Perplexity・ChatGPT SearchなどRAGベースのAI検索では、クエリに対して関連文書を取得し回答を生成します。同じキーワードクラスターで複数の上質な文書がブランドXに言及していると、そのクラスターからXが参照候補として浮上しやすくなります。

出典選定フェーズでのco-citationの効果

AI Overviewsの引用枠は「2〜7件の選抜」であり、引用ページの約7割が2〜3か月で入れ替わります。競合より高いco-citation密度を維持することが、引用枠を継続的に獲得する構造的な強みになります。

海外ローカライズにおけるco-citation戦略の違い

海外向け（主に英語圏）でco-citation戦略を展開するとき、日本語市場とは根本的に異なる前提を理解する必要があります。

言語圏ごとのco-citation密度の格差

英語圏のWebコーパスは日本語の約10〜20倍の規模があり、一般的なカテゴリでは競合ブランドのco-citation密度も桁違いに高くなっています。新参ブランドが英語圏でAI引用を獲得するには、ニッチなサブカテゴリに絞って「特定クラスターのco-citationリーダー」を目指すアプローチが現実的です。

hreflangと言語別co-citationの分離

hreflangで多言語サイトを構築する場合、英語版と日本語版で別々のco-citationクラスターを育てる必要があります。英語媒体から日本語ページへのメンションは言語壁を越えにくく、AI可視性への貢献は限定的です。言語圏ごとに独立した媒体連携戦略を立てることが重要です。

海外co-citation獲得の主要チャネル

日本語・英語混在のエンティティ表記問題

日本のブランドを英語圏でco-citationさせるとき、エンティティの表記ゆれがAI認識を妨げます。具体例として「株式会社○○」「○○ Inc.」「○○ Co., Ltd.」の3表記が別エンティティとして認識されると、co-citation密度が分散します。Wikidata・Google Knowledge Panelへの登録でエンティティ統一を行い、名寄せシグナルをAIに与えることが先決です。

AI引用率診断：co-citation状況を把握する4ステップ

co-citation施策を始める前に、現状の引用率とco-citation密度を計測します。

ステップ1：AI検索ツールでの引用確認（5分）

ChatGPT・Perplexity・Geminiに「[業界カテゴリ] おすすめツール」「[課題] 解決方法」などのクエリを投げ、自社が言及されるかを確認します。5〜10クエリで1回以上言及されれば基礎的なco-citationは形成されています。

ステップ2：競合co-citation密度との比較（15分）

同じクエリセットで競合ブランドが何回引用されるかを並べて記録します。「競合X：8回、自社：2回」という数字が「Share of Intelligence（SoI）」の現状です。AI検索最適化ガイドで紹介しているSoIの計算式を参照してください。

ステップ3：外部言及元の確認（20分）

Ahrefs・Semrushの「メンション機能」またはGoogle Alertsで自社名・サービス名の言及元URLをリストアップします。言及元のドメイン権威（ドメインオーソリティ）と、競合ブランドとの共起有無を確認します。

ステップ4：ベースラインの設定と月次KPI化

最初の計測値をベースラインとして記録し、以下のKPIで月次管理します。

co-citation率を上げる5つの実装施策

競合分析とgapHints分析から、日本語市場で効果が高い施策を5つ厳選しました。

施策1：上位リスティクル記事への掲載営業（最優先）

「[カテゴリ] おすすめ10選」「[課題] 解決ツール比較」などの比較・リスト記事に自社を掲載してもらうことが、co-citation率向上の最速施策です。AI Overviewsは既存の比較・まとめ記事を主要な引用源として使うため、この種の記事での言及は即効性があります。

アプローチ方法は「掲載依頼メール」「無料プラン提供によるレビュー記事化」「自社での比較記事作成後に関連ブロガーに拡散」の3パターンが実績があります。

施策2：FAQ構造と定義文の整備でリスティクル入りを促進

FAQPageスキーマを実装した定義コンテンツは、比較記事ライターが「引用しやすい一文」を見つける場所として機能します。「○○とは、端的に言えば〜〜〜です（出典：自社ブログ）」という形で引用されると、co-citationの連鎖が起きます。定義文は30〜50字以内の断言形で書くのが基本です。

施策3：独自データ・調査の公開

自社調査レポートは「引用元として使える数字」を提供するため、co-citation獲得の最も再現性の高い施策です。「○○の80%が〜〜と回答（[会社名]調べ、n=200）」という記述は、同業メディアが記事に使いやすく、自然な共起言及が連鎖します。

調査設計のポイントは「他社が持っていないデータ」「業界の通念を覆す発見」「シェアしやすい丸数字」の3点です。

施策4：構造化データでエンティティ明確化

JSON-LDでOrganization・Product・BrandのスキーマにsameAs属性を設定し、Wikidata・LinkedIn・GitHub等の公式プロフィールURLを列挙します。AIクローラーがエンティティを名寄せするシグナルになり、co-citationとブランドエンティティが紐付きやすくなります。

{
  "@type": "Organization",
  "name": "自社ブランド名",
  "sameAs": [
    "https://www.wikidata.org/wiki/Q...",
    "https://www.linkedin.com/company/..."
  ]
}

施策5：Reddit・Quora等Q&Aコミュニティでの有機的参加

Perplexityの引用源の46%はRedditが占めるというデータが示すように、Q&Aコミュニティでの有機的な言及がRAGベースAI検索での引用率に直結します。自社プロダクトへの露骨な宣伝ではなく、専門知識を持って質問に回答し、その文脈で自然に自社ブランドを言及するアプローチが持続可能です。

llms.txtを入れても引用されない理由

「llms.txtを設定した」「robots.txtでAIボットを許可した」「それでも引用されない」——このよくある問題の根本原因はco-citationの不足です。

llms.txtは「AIクローラーにコンテンツを読んでもらうための招待状」にすぎません。招待状を渡しても、宴会場（=Webコーパス）での評判（co-citation密度）が低ければ、AIは他の候補を選びます。

技術的最適化（llms.txt・schema・robots.txt）は「引用されるための最低条件」であり、引用率を実際に上げるのは「どれだけ多くの第三者に言及されているか」というco-citation密度です。

技術施策とco-citation施策を分けて考えると、投資優先順位が明確になります。

AI引用の誤解されがちなNG施策

co-citation率を上げようとして逆効果になる施策が存在します。

NG1：自社サイト内だけのリンク増強

内部リンク強化はSEO評価には効きますが、co-citationは「外部の独立した情報源からの言及」が条件です。自社ブログ間でリンクを増やしてもco-citation密度は上がりません。

NG2：同一ネットワークサイトでの相互言及

同一オーナーの複数サイトで互いに言及し合っても、AIモデルは同一エンティティグループとして認識するため、独立性のシグナルにはなりません。

NG3：低品質プレスリリースの大量配信

配信サービスを通じたプレスリリースは転載されますが、転載元のほとんどは同一コンテンツの薄いサイトです。AIはこれを「1件の発信源」として扱う傾向があり、co-citation密度への貢献は低くなります。配信は質の高いテック・業界メディアへの個別ピッチと組み合わせることが重要です。

NG4：構造化データの実装だけに集中する

JSONLDスキーマの整備はAI可視性向上の「必要条件」ではありますが「十分条件」ではありません。スキーマ追加だけでは引用率は増加しないというのが複数の実装事例が示す現実です。

co-citation率の月次モニタリング運用

月次で30分以内に完了する運用フローを紹介します。

月次フロー（毎月第1営業日）

1. AI引用チェック（10分）: 定点クエリ20件をChatGPT・Perplexityに投げ、自社引用回数を記録
2. 競合SoI計算（5分）: 同クエリセットでの競合引用回数と比較し、Share of Intelligenceを更新
3. 新規co-citation元の確認（10分）: Google Alertsまたはブランド監視ツールで前月の新規言及元を確認
4. 指名検索推移確認（5分）: GSCでブランドクエリのインプレッション数を確認
5. 翌月施策の優先度更新（10分）: KPIの変化に応じてリスティクル営業・調査公開・寄稿の優先度を調整

よくある月次モニタリングの失敗

失敗1：単発クエリで計測し「今月は引用された」で終わる AI回答はクエリ・タイミング・ユーザー属性でばらつくため、最低20クエリの計測結果を平均して判断します。

失敗2：ツールの仕様変更に気づかずに誤データを蓄積する PerplexityやChatGPTの回答形式は数ヶ月ごとに変更されます。計測ツールを使う場合は四半期に1回、手動計測との照合を行います。

失敗3：co-citation元の質を見ずに件数だけ追う DR10以下の低権威サイトからの言及100件より、DR60以上の業界媒体からの5件の方がAI可視性への貢献は高くなります。

よくある質問

Q1. 共起引用（co-citation）とバックリンクはどちらが重要ですか?

リンクなし共起引用でもAI可視性は向上します。LLMの学習データはhref属性ではなくテキストコーパスで構成されるため、ブランドが複数の信頼できる文書で言及されるだけでナレッジベースへの定着が起きます。ただし、バックリンクと共起引用が両方ある場合は相乗効果が生まれます。現時点では「co-citation密度 × 被リンクの権威性」の積が最もAI引用率と相関しています。

Q2. llms.txtを設置しても引用が増えないのはなぜですか?

llms.txtはAIクローラーへの「読んでいい」という許可証にすぎず、引用されるかどうかはco-citation密度が決めます。技術的な可読性を確保した後は、外部の独立した情報源からの言及を増やす施策（リスティクル掲載、独自データ公開、プレスリリース等）に注力することが引用率向上の本筋です。

Q3. 海外ローカライズ時にco-citationを日本から獲得できますか?

難しいですが不可能ではありません。英語圏のメディアは「データの質」と「ニュース価値」に反応するため、日本市場の独自データを英語でプレスリリース配信するアプローチは有効です。ただしReddit・Product Hunt・G2などのネイティブコミュニティでの有機的な存在感は現地チームなしでの獲得が困難です。

Q4. AI引用率はどのくらいの期間で向上しますか?

リスティクル掲載など即効性の施策では1〜3ヶ月で計測可能な変化が現れます。独自データや寄稿を起点とした中期施策は3〜6ヶ月が目安です。LLMの学習データへの反映は更に遅く、大型モデルのアップデートサイクル（半年〜1年）に依存するため、長期での継続が前提になります。

Q5. 競合より少ない予算でco-citation率を上げる方法はありますか?

ニッチサブカテゴリへの集中が最も費用対効果の高い戦略です。市場全体ではなく「[業界] × [特定課題]」の交差点に絞り、そのクラスターで圧倒的なco-citation密度を築くことで、大手競合と全面競争するより少ないリソースでAI引用枠を獲得できます。

Q6. 日本語と英語でco-citation戦略を使い分けるべきですか?

言語圏ごとのAIモデルの訓練データは分離されているため、基本的に別々の戦略が必要です。日本語版ではYahoo!ニュース・ITmedia・マイナビ等への寄稿、英語版ではTechCrunch・Product Hunt・Redditへの投稿というように、対象モデルが参照する代表的メディアへのco-citation獲得に集中します。

Q7. 構造化データの実装はco-citationにどう影響しますか?

構造化データのsameAs属性でエンティティを統一することで、異なるサイトでの言及が同一ブランドとして紐付けられやすくなります。「株式会社○○」「○○ Corp.」が同一エンティティと認識されれば、それぞれの言及がco-citationとして合算されます。直接の引用率向上より、co-citationシグナルの「名寄せ精度」への貢献が主な効果です。

Q8. 海外でのco-citation獲得でやってはいけないことは何ですか?

スパム的なメンション依頼、自作自演の言及（同一オーナーサイト群での相互言及）、低品質プレスリリースの大量配信の3点は逆効果です。特に英語圏では低品質な被言及がブランドの「スパム性シグナル」として認識されるリスクがあり、AI可視性が下がるケースも報告されています。「少数の高権威媒体からの質の高いco-citation」を積み上げる方針が長期的に安定します。

関連用語

• LLMO
• ブランドメンション
• RAG
• 構造化データ
• hreflang
• AI Overview

関連記事

• ブランドメンション（言及）の重要性｜被リンクと並ぶ評価指標
• エンティティ最適化とAI検索：日本語サイトが取り組むべき実践ガイド
• AI引用されやすい文章パターン研究
• Perplexityの引用源46%がRedditである理由と対策
• スキーマタイプ比較：AI引用率への影響【2026年版】
• AI検索対応の完全ガイド
• SEO×LLMOハイブリッド戦略の立て方
• 結論ファースト構造でAI引用を増やす方法