AIリードの8〜9割が『オーガニック』に誤分類――SEJが示す新計測の3本柱

AIリードの8〜9割が「オーガニック」に誤分類――SEJが示す新計測の3本柱

要点: Search Engine Journalが2026年8月5日、Omniscient Digital共同創業者でHubSpot出身のDavid Khim氏による「AI Visibility Measurement: What To Track & What To Ignore」を公開した。記事の核心は、AIプラットフォーム経由で流入したリードの80〜90%が「オーガニック」または「ダイレクト」に誤ってタグ付けされているという指摘だ。 Khim氏は、この計測の穴を埋める手段として「プロンプト」「クロスモデル可視性」「自己申告アトリビューション」という3本柱を提示する一方、引用数・センチメント・LLMリファラルトラフィックは監視対象ではあっても最適化KPIにすべきではないと釘を刺している。

最終更新日: 2026年08月07日

何が起きたのか

2026年8月5日、Search Engine Journal（SEJ）に、David Khim氏の寄稿記事「AI Visibility Measurement: What To Track & What To Ignore」が掲載された。出典は次のURLで確認できる。

https://www.searchenginejournal.com/ai-visibility-measurement-what-to-track-what-to-ignore/582009/

著者のDavid Khim氏（David Ly Khim）は、B2B SaaS向けのオーガニック成長支援を専門とするエージェンシーOmniscient Digitalの共同創業者であり、Alex Birkett氏とともに同社を立ち上げた。同氏はHubSpotでGrowth Marketer/プロダクトマネージャーを務めた経歴を持ち、コンテンツ・SEO・GEO（Generative Engine Optimization）を事業の収益成果に接続する実務家として、SEJへの寄稿を継続している。

核心統計――AI流入リードの80〜90%が誤分類されている

記事が最初に提示する核心的な主張は、AIプラットフォーム（ChatGPT、Perplexity、Geminiなど）経由で自社に流入したリードのうち、80〜90%が解析ツール上で「オーガニック」または「ダイレクト」として誤ってタグ付けされているというものだ。

この誤分類が起きる理由として、記事は次の2つの技術的背景を挙げている。

1. ゼロクリック的な回答完結: ChatGPT・Perplexity・Geminiといった生成AIは、ユーザーの質問に対してチャット画面内で回答を完結させる設計になっている。ユーザーは提示された情報に納得すると、AIが提示したリンクをクリックせず、ブランド名やURLを直接ブラウザにコピー&ペーストして訪問する行動を取ることが多い。この場合、遷移元がAIプラットフォームであったという情報はブラウザの遷移履歴に残らない。
2. Referrerヘッダーの欠落: AIアプリやOSレベルに統合されたウィジェット経由でユーザーがブラウザに遷移する場合、通常のWebブラウザ間リンク遷移とは異なり、遷移元を示すReferrerヘッダーが正しく渡されないケースがある。GA4をはじめとする解析ツールはReferrerヘッダーの有無を手がかりにトラフィックのチャネルを分類しているため、ヘッダーが欠落した訪問は「Direct（ダイレクト）」として一括りにされてしまう。

この結果、マーケティング担当者は自社サイトへの「オーガニック」または「ダイレクト」流入の中に、実際にはAI経由で発見・誘導された訪問者が大量に紛れ込んでいることに気づけないまま、AI検索での自社の実際の存在感を過小評価し続けることになる。

記事が提示する計測の3本柱

Khim氏は、この誤分類の構造的な問題を踏まえたうえで、AI可視性を実務的に計測するための3つの柱を提示している。

1. プロンプト（Prompts）

ターゲット顧客が実際にAIへどのような質問（プロンプト）を投げかけているかを特定することが第一の柱だ。Khim氏は、AI可視性計測ツールがあらかじめ提示してくる「おすすめキーワード」や「推奨プロンプト」に安易に依存すべきではないと強調する。そうしたツールが自動生成するプロンプト候補は、実際の顧客が使う言い回しや文脈と乖離していることが少なくないためだ。

代わりに推奨されるのは、営業通話の文字起こし（コールレコーディングのトランスクリプト）や、既存顧客・見込み客への直接的なリサーチから、実際に顧客が抱える疑問や検討軸の言葉遣いをそのまま拾い上げることだ。これにより、AIに投げかけられている質問の実態に即したプロンプトセットを構築できる。

2. クロスモデル可視性（Cross-Model Visibility）

第二の柱は、単一のAIプラットフォームだけでなく、ChatGPT・Gemini・Google AI Mode・Claude・Perplexity・Copilotそれぞれについて個別に可視性を監視することだ。Khim氏は、これらのプラットフォームはユーザー層も検索方法も大きく異なると指摘する。あるモデルでは強い可視性を獲得していても、別のモデルではまったく引用されていないという状況は珍しくなく、単一モデルの結果だけを見て「AI検索での存在感」を判断するのは危険だという。

3. 自己申告アトリビューション（Self-Reported Attribution）

第三の柱は、フォーム項目やオンボーディングフロー、営業商談の場で「どこで当社を知りましたか」という問いを顧客に直接投げかけ、回答を集計する手法だ。Khim氏はこれを、現時点で最も正確にLLM経由での発見の実態を示す手段だと位置づけている。ゼロクリック的な回答完結やReferrerヘッダー欠落によって解析ツール側でAI経由の流入を機械的に検出することが構造的に難しい以上、顧客本人に直接尋ねるという原始的な手法が、むしろ最も信頼できるデータソースになるという逆説だ。

監視すべきだが最適化KPIにすべきでない指標

一方でKhim氏は、次の3つの指標について「監視は続けるべきだが、最適化の目標（KPI）に据えるべきではない」と明確に線引きしている。

• 引用（Citations）: AIの回答内で自社が言及・引用された回数
• センチメント分析: AIの回答内での自社への言及がポジティブかネガティブか
• LLMリファラルトラフィック: AIプラットフォームからのリファラー付き流入数

これらの指標が不適切なKPIとされる理由は、変動が激しく、かつマーケティング側が直接コントロールできる余地が乏しいためだ。AIモデルの回答生成ロジックはモデル提供企業側のアップデートによって日々変化し、同じクエリでも実行タイミングによって異なる回答が返ってくることが珍しくない。こうした外部要因に左右される指標を最適化目標に据えると、施策の成否を正しく評価できなくなるというのがKhim氏の立場だ。

記事の核心的な主張

Khim氏が記事全体を通じて訴えるのは、「成功指標は最終的にリード・パイプライン・収益といったビジネス成果に接続すべきであり、実際の顧客獲得と切り離された虚栄指標（vanity metrics）を追うべきではない」という原則だ。引用数やセンチメントスコアがどれだけ改善しても、それが最終的な商談化・受注につながっているかを検証できなければ、その指標を追いかける意味は薄い。AI可視性の計測は、あくまで事業成果への貢献を証明するための手段であり、目的そのものではないという整理である。

背景として押さえておきたい業界データ

SEJの記事本体とは別に、業界分析としてLoamly（loamly.ai）が2026年に公表したベンチマークレポートでも、AI経由トラフィックの計測が困難な実態を裏付けるデータが示されている。446,000件超のウェブサイト訪問を分析したこのレポートによれば、AI駆動トラフィックの70.6%がリファラーヘッダーなしで到達し、「Direct（ダイレクト）」に分類されているという。また同レポートは、AI経由の「ダーク流入（リファラー情報を伴わない流入）」のトランザクションレートが10.21%であるのに対し、非AI流入は2.46%にとどまり、約4.1倍のコンバージョンプレミアムが存在すると分析している。

これらの数値はKhim氏のSEJ記事本体で言及されたものではなく、あくまで別の業界分析としての補足情報である。したがって本記事でも、SEJ記事の主張とLoamlyの分析は出典を分けて扱う。ただし両者は同じ方向性――「AI経由の流入は解析ツール上でDirect/Organicに紛れ込みやすく、しかもその質（コンバージョン率）は他のチャネルより高い可能性がある」という問題意識――を共有しており、Khim氏の主張を補強する業界文脈として参照する価値がある。

aiseo-llmo.com ユーザーへの影響

日本のマーケターも同じ「GA4での見落とし」に直面している

GA4のデフォルトのチャネルグルーピングロジックは、Referrerヘッダーの有無やUTMパラメータの有無を基準にトラフィックを分類する仕組みになっている。この仕組み自体は日本語サイトも英語サイトも共通であり、ChatGPT・Perplexity・Geminiが日本語での回答生成においても同様にゼロクリック的な挙動を取る以上、日本のマーケター・SEO担当者が直面する誤分類のリスクは、SEJ記事が指摘する米国発の問題と本質的に変わらない。

特に日本国内では、AI検索経由の流入を専用チャネルとして切り出して計測している事業者はまだ少数派とみられる。多くの現場では「オーガニック検索」「ダイレクト」「参照元（リファラル）」という従来からの3分類のままGA4を運用しており、AI経由の流入がどこに紛れ込んでいるかを意識的に検証したことがない担当者も少なくないだろう。この状態では、たとえAI検索での自社の露出や引用が実際には増えていたとしても、それがトラフィックレポート上では「オーガニックが微増した」「ダイレクトが増えた」としか見えず、施策の効果を正しく評価できない。

「AI経由の流入が最もコンバージョンしている」可能性を見逃すリスク

Loamlyの分析が示す約4.1倍のコンバージョンプレミアムという数値がそのまま日本市場に当てはまるとは限らないが、AI経由の流入が「すでに一定の検討・比較を経てブランドを訪れているユーザー」である可能性が高いという構造自体は、日本語ユーザーの行動にも当てはまりやすい。AIチャットに質問を投げかけて回答を得たうえで、納得してブランドのサイトに直接アクセスするユーザーは、検索結果一覧から複数のリンクを比較検討している最中のユーザーよりも、購買・問い合わせの意思決定に近い段階にいる可能性がある。

もしこの「意思決定に近いユーザー」がすべて「ダイレクト」に分類されたまま可視化されずにいると、マーケティング予算配分の意思決定を誤るリスクがある。例えば、実際にはAI検索での引用獲得施策（LLMO/GEO施策）が高いコンバージョン率のトラフィックを生み出しているにもかかわらず、レポート上は「オーガニック検索」や「ダイレクト」の数字の一部としてしか見えないため、その施策への投資が過小評価され、予算が他のチャネルに振り向けられてしまうといった事態が起こりうる。

業種別の実務インパクト

BtoB SaaS

BtoB SaaSでは、営業商談・デモ申し込み・資料請求といったリード獲得が中心的な成果指標になる。営業担当者が商談の場で「弊社をどこでお知りになりましたか」と尋ねる機会は元々存在することが多いが、その回答をCRM上で構造化データとして記録し、マーケティング側の可視性計測データと突き合わせて分析している企業は限られる。AI経由の発見が営業側の肌感覚として増えている一方、マーケティングのレポートには反映されない、という部門間のギャップが生じやすい業種だ。

EC

ECでは、商品名・型番・比較検討クエリでAIに質問し、回答を得たうえで直接サイトに訪れて購入するユーザー行動が生じやすい。この場合、購入完了までの経路が「AI回答→直接URL入力→購入」という形になり、GA4上は「ダイレクト経由のコンバージョン」としてのみ記録される。どの商品ページ・どのプロンプトがAI経由の購買行動を生み出しているかを把握できなければ、コンテンツ改善や商品ページの最適化の優先順位付けを誤る可能性がある。

リード獲得型ビジネス（士業・不動産・保険など）

高額商材や専門性の高いサービスを扱うリード獲得型ビジネスでは、ユーザーがAIに複数回質問を重ねながら比較検討し、最終的に問い合わせフォームに直接アクセスするという行動パターンが起こりやすい。問い合わせフォームの「流入経路」欄が「Web検索」「知人の紹介」といった大まかな選択肢しか用意していない場合、AI経由での発見という実態が正確に記録されず、事業側がAI検索対策への投資判断を行うための材料そのものが欠落することになる。

今すぐできる対応策

Khim氏が提示した3本柱を、日本のマーケティング現場で実装するための具体的な手順を示す。

対応策1: プロンプトを「ツール任せ」にせず、一次情報から収集する

1. 過去3〜6カ月分の営業通話録音・文字起こしデータを棚卸しし、顧客が検討段階で口にした疑問・比較軸・悩みのキーワードを抽出する。CTIツールやWeb会議ツールの自動文字起こし機能がある場合はそれを活用し、なければ主要な商談だけでも手動でメモを取る運用に切り替える。
2. カスタマーサクセス担当・サポート窓口に寄せられた質問ログも同様に棚卸しし、顧客が実際に使う言葉遣い（専門用語ではなく口語的な表現）を洗い出す。
3. 抽出したキーワード・言い回しをもとに、「もし自分が顧客ならAIにこう尋ねるだろう」という想定プロンプトのリストを作成する。このとき、AI可視性計測ツールが自動提示する「おすすめキーワード」はあくまで参考情報にとどめ、一次情報から作ったリストを主軸に据える。
4. 作成したプロンプトリストは四半期ごとに見直し、新しく発生した質問パターンを追加する運用ルールを設ける。

対応策2: クロスモデルでの可視性を定点観測する体制を作る

1. ChatGPT・Gemini・Google AI Mode・Claude・Perplexity・Copilotの少なくとも上位4〜5サービスについて、対応策1で作成したプロンプトリストを月次で手動投入し、自社ブランド・競合ブランドが回答内でどう言及されているかを記録するスプレッドシートを用意する。
2. 記録項目には「言及の有無」「言及の文脈（推奨・比較対象・非推奨など）」「引用元として自社URLが示されたか」の3点を最低限含める。
3. モデルごとに結果を横並びで一覧化し、特定のモデルでのみ可視性が低いケースを特定する。可視性が低いモデルについては、そのモデルが学習・グラウンディングに利用しているとされる情報源（検索エンジンのインデックス、特定のデータパートナーなど）の傾向を踏まえたコンテンツ調整を検討する。

対応策3: GA4でAI経由トラフィックを推定するカスタムチャネル・グループを設定する

GA4の標準チャネルグルーピングではAIプラットフォーム経由の流入を正確に切り出せないため、参照元ドメインベースのカスタムチャネルグループを作成し、少なくとも「参照元にAIプラットフォームのドメインが含まれる訪問」だけでも可視化する運用が有効だ。

GA4の管理画面で「データ設定」→「チャネルグループ」→「カスタムチャネルグループを作成」から、次のようなルールを追加する例を示す。

• チャネル名: AI検索経由（判別可能分）
• 条件: セッションの参照元（Session source）に、chatgpt.com、chat.openai.com、perplexity.ai、gemini.google.com、copilot.microsoft.com などのドメインを含む場合に一致させるルールを設定する
• 併せて、Google広告のURLビルダーと同様の要領で、自社が管理できる範囲(自社発信のプレスリリースやAI向けコンテンツへの外部リンクなど)にはutm_source=chatgptのようなUTMパラメータを付与できる箇所には付与し、参照元判定の精度を補強する

ただし、この設定はあくまで「Referrerヘッダーが残っているケースの一部」しか捕捉できない点に留意が必要だ。ゼロクリックでの直接URL入力やReferrerヘッダーが欠落するケースは、この設定だけでは検出できない。あくまで「見えている範囲でのAI経由流入の下限値」を可視化する取り組みと位置づけ、対応策4の自己申告アトリビューションと組み合わせて運用することが前提になる。

対応策4: 自己申告アトリビューションのフォーム・商談トークを設計する

フォームやオンボーディングフローに、次のような選択肢を含む設問を追加することを推奨する。

フォーム項目の文言例

Q. 弊社サービスをどのようにお知りになりましたか？（複数選択可）
□ Google/Yahoo!などの検索エンジン
□ ChatGPT・Perplexity・Geminiなどの生成AIチャットツール
□ SNS（X、Facebook、Instagramなど）
□ 知人・同僚からの紹介
□ 展示会・セミナー
□ 広告（検索広告・SNS広告など）
□ その他（自由記述: ______）

ポイントは、「生成AIチャットツール」を検索エンジンやSNSと並ぶ独立した選択肢として明示的に用意することだ。選択肢に含めなければ回答者はそもそも申告する手段を持たず、実態を過小評価したデータしか集まらない。

営業商談での確認トーク例

「差し支えなければお伺いしたいのですが、弊社のことは
どちらでお知りになりましたか？ 検索エンジンからの
ご訪問か、ChatGPTやPerplexityなどのAIチャットツールで
調べていただいた中で見つけていただいたか、それとも
別の経緯かを教えていただけますでしょうか」

この回答はCRM上の商談レコードに専用フィールド（例: 発見経路_AI起点フラグ）として記録し、四半期ごとにマーケティングチームと営業チームで集計結果を突き合わせる運用にする。GA4上のカスタムチャネルグループのデータと自己申告データを並べて比較することで、「解析ツールで捕捉できているAI経由流入」と「実際にはもっと多いはずのAI経由発見」のギャップの大きさを定量的に把握できるようになる。

対応策5: KPIダッシュボードを「監視指標」と「最適化KPI」に分けて設計する

Khim氏の指摘を踏まえ、社内のレポーティングフォーマットを次のように整理することを推奨する。

• 監視指標（トレンド把握用、KPIとしては扱わない）: クロスモデルでの引用回数、センチメントの傾向、GA4カスタムチャネルで捕捉できたAI経由セッション数
• 最適化KPI（施策の成否判断に使う）: 自己申告アトリビューションで「AI経由」と回答した商談数・受注数、AI経由と推定されるコンバージョンの売上貢献額

この区分を明文化しておくことで、「引用数が増えた」という監視指標の変化だけを見て施策を過大評価したり、逆に引用数が伸び悩んだからといって施策そのものを見限ったりする判断ミスを防ぎやすくなる。

よくある質問

Q1. Search Engine Journalの記事が指摘する核心的な問題は何ですか？

AIプラットフォーム経由で流入したリードの80〜90%が「オーガニック」または「ダイレクト」に誤ってタグ付けされているという計測上の問題です。

生成AIがチャット内で回答を完結させるゼロクリック的な挙動や、AIアプリ経由の遷移でReferrerヘッダーが渡されないことが原因とされ、解析ツール側の仕組みだけではAI経由の流入を正確に検出できない構造的な課題として提示されています。

Q2. 記事の著者David Khim氏はどのような人物ですか？

B2B SaaS向けオーガニック成長支援エージェンシーOmniscient Digitalの共同創業者で、HubSpotでGrowth Marketer/プロダクトマネージャーを務めた経歴を持つ人物です。

Search Engine Journalへの寄稿者としても継続的に執筆しており、コンテンツ・SEO・GEOを事業の収益成果に接続する実務的な視点からの発信を行っています。

Q3. 記事が提示する「計測の3本柱」とは何ですか？

（1）顧客が実際にAIへ投げかけているプロンプトの特定、（2）ChatGPT・Gemini・Google AI Mode・Claude・Perplexity・Copilotなど複数モデルにまたがるクロスモデル可視性の監視、（3）フォームや商談での自己申告アトリビューションの3つです。

いずれも、解析ツールだけでは捕捉しきれないAI経由の発見・流入の実態を、複数の角度から補完的に把握するための手法として位置づけられています。

Q4. 引用数やセンチメント分析はまったく見なくてよいのですか？

いいえ、監視は継続すべきですが、最適化の目標（KPI）には据えるべきではないというのが記事の立場です。

これらの指標はAIモデル側のアップデートなど外部要因の影響を強く受けて変動しやすく、マーケティング側が直接コントロールしにくいため、施策の成否判断の基準にすると評価を誤りやすいとされています。

Q5. なぜプロンプトはツールのおすすめ機能に頼るべきではないのですか？

AI可視性計測ツールが自動生成する「おすすめキーワード」は、実際の顧客が使う言い回しや検討文脈と乖離していることが少なくないためです。

記事は、営業通話の文字起こしや顧客リサーチといった一次情報から、顧客が実際に使う言葉遣いをそのまま拾い上げる方法を推奨しています。

Q6. GA4の設定だけでAI経由の流入をすべて捕捉できますか？

できません。GA4のカスタムチャネルグループはReferrerヘッダーが残っているケースの一部しか捕捉できず、ゼロクリックでの直接URL入力やヘッダー欠落のケースは検出できません。

そのため、GA4の設定はあくまで「見えている範囲での下限値」を可視化する取り組みと位置づけ、フォームや商談での自己申告アトリビューションと組み合わせて運用することが前提になります。

Q7. Loamlyのデータとこの記事の関係はどう理解すればよいですか？

LoamlyのState of AI Traffic 2026レポートは、SEJのDavid Khim氏の記事本体とは別の業界分析であり、446,000件超の訪問分析からAI駆動トラフィックの70.6%がリファラーなしで「Direct」に分類されていること、AI経由のダーク流入のトランザクションレートが10.21%(非AI流入は2.46%)であることを示しています。

本記事ではこれをKhim氏の主張を補強する業界文脈として、出典を明確に分けて紹介しています。両者の数値を混同せず、それぞれ独立した情報源として扱ってください。

Q8. 日本のサイトでもこの誤分類は同様に起きていますか？

GA4のチャネルグルーピングの仕組みや生成AIのゼロクリック的な回答挙動は日本語環境でも共通しているため、日本のマーケター・SEO担当者も同様の誤分類リスクに直面していると考えられます。

ただし、日本国内でAI経由流入を専用チャネルとして切り出して計測している事業者はまだ少数派とみられ、多くの現場でこの問題自体への意識が低い段階にあると推測されます。

Q9. 自己申告アトリビューションのデータはどの部署が管理すべきですか？

マーケティング部門と営業部門の双方が関わる形で管理するのが望ましいとされます。フォーム経由の回答はマーケティング側、商談での確認結果は営業側が主に収集することになるため、両者のデータをCRM上で統合し、四半期ごとに突き合わせる運用が実務的です。

部門間でデータが分断されたままだと、AI経由の発見実態を正確に把握できず、投資判断の材料が不足したままになります。

Q10. この記事の内容は、これまでのAI可視性計測の考え方と何が違うのですか？

これまでのAI可視性計測は、引用数やセンチメントスコアといった「AIの回答内でどう扱われているか」を中心に語られることが多くありました。

今回の記事は、そうした指標を否定はしないものの、それらを最終的なビジネス成果(リード・パイプライン・収益)と切り離された虚栄指標として扱うべきではないと明確に位置づけ、プロンプト・クロスモデル可視性・自己申告アトリビューションという、より実務的で顧客の実態に即した計測手法への転換を提案している点が特徴です。

関連記事

• LLMOとは何か――完全ガイド
• AI検索最適化ガイド――GEO・LLMOの実践
• AI可視性のアトリビューションと収益計測――日本市場での実践
• AIリファラルトラフィックのGA4計測設定ガイド
• GA4のAIアシスタントチャネルでAIトラフィックを計測する2026年版設定
• AIトラフィックのコンバージョン率とGA4計測のギャップ
• GSCの生成AIレポートは"罠"――インプレッション偏重の落とし穴をSEJが指摘
• 用語集：LLMO（Large Language Model Optimization）
• 用語集：AIO（AI Overviews）
• 用語集：GEO（Generative Engine Optimization）
• 用語集：Perplexity
• 『群盲象を評す』――AI検索の需要創出、6つの視点をSEJが整理
• AI経由の直接リファラルはわずか1.1%、だが言及されると来訪+20pt――Scrunch調査
• Cloudflare AEO可視化ダッシュボードとは？引用スコアの仕組みを解説
• AI Overview流入の22.4%が『Direct』に誤集計――9ヶ月・5万件超の実測研究