ChatGPT/Claude/Geminiへの戦略相談、鍵は「プロンプト」より「ビジネス文脈」

ChatGPT/Claude/Geminiへの戦略相談、鍵は「プロンプト」より「ビジネス文脈」

要点: 米Search Engine Landは2026年8月7日、ChatGPT・Claude・Geminiの3モデルに同一のSEO戦略アサインメントを与え、与える情報量を段階的に変化させた実験結果を報じました。最小限の情報だけを与えた1回目の実行では、3モデルがそれぞれ異なる前提で問題を解釈し、方向性がバラバラな提案を返しました。 一方、業種・予算・制約・成功指標といった「ビジネス文脈」を追加した2回目の実行では、各モデル固有のアプローチ（ChatGPTはフレームワーク志向、Claudeは調査志向、Geminiは技術志向）を保ちながら、いずれも同じ経営課題に即した実務的な提案へと収束しました。 著者のToby Brissett氏は「提案の質を左右したのは、プロンプトの洗練度ではなく、その背後にあるビジネス文脈の質だった」と結論づけています。AIにLLMO・SEO戦略を相談する機会が増えるaiseo-llmo.comユーザーにとって、プロンプト設計そのものより「何を渡すか」の設計が問われる内容です。

最終更新日: 2026年08月09日

何が起きたのか

実験の概要——同じ課題を3モデル・3段階で検証

2026年8月7日、米国の検索業界メディア Search Engine Land は、コンテンツ制作会社 Words and Ideas（米メイン州）のToby Brissett氏による記事「How business context changes AI recommendations」を公開しました（出典: Search Engine Land）。Brissett氏は生成AIの癖・SEOの実態・「ツールが約束すること」と「実際にできること」のギャップを専門に扱うライターで、今回はChatGPT・Claude・Geminiという主要3モデルに、AI検索時代のSEO戦略立案という共通の課題を与え、その回答がどう変化するかを段階的に検証しました。

実験の骨格は次の3段階です。

1. 第1段階（最小限の情報）: 「AI生成の検索結果によって可視性への懸念を抱える、既存事業者」向けに、マーケティングコピーではなく戦略的なガイダンスを求めるアサインメントを、3モデルにそのまま投げる
2. 第2段階（ビジネス文脈を追加）: 業種・サイトの成熟度・予算制約・優先したい成果指標などの具体的なビジネス背景を加えて、同じ課題を再度投げる
3. 第3段階（人間による戦略的絞り込み）: 2段階目でモデルが出した提案群から、人間の判断で優先順位を絞り込む

この構成自体が示唆的です。単に「良いプロンプトを書けば良い回答が返る」という単純な図式ではなく、「情報量そのものを変数として動かした場合に、回答の質・整合性がどう変わるか」を検証する設計になっている点が、従来の「プロンプト集」的なノウハウ記事と一線を画しています。

第1段階——最小限の情報では3モデルの解釈がバラバラに

最初のアサインメントでは、「戦略的ガイダンスを求める」「幻覚を避けるため不足情報があれば指摘させる」「実行よりも計画立案を優先する」という指示だけを与えました。しかし、業種・予算・目標といった具体的なビジネス文脈は与えられていません。

この条件下では、3モデルはそれぞれ思慮深い回答を返したものの、「どのビジネス課題が最も重要か」を各モデルが独自に推測して解釈したため、方向性がバラバラになりました。ChatGPTは体系的なフレームワークを提示し、Claudeは調査・発見型のアプローチを取り、Geminiは技術的なAI検索最適化要素に重点を置く——という具合に、同じ課題文でありながら、前提とする「何が問題なのか」の解釈が食い違ったのです。

第2段階——ビジネス文脈を加えると、各モデルの個性を保ったまま提案が収束

2回目の実行では、「地域密着型のHVAC（空調設備）企業、サイトは成熟済み、予算は限られている、大規模な新規コンテンツ制作より既存資産の改善を優先したい」という具体的な事業背景と、「来シーズンに向けた有資格の問い合わせ増加、特にメンテナンス契約という長期的な高価値アウトカムを重視する」という目標を追加しました。

その結果、3モデルは引き続きそれぞれの「個性」——ChatGPTのフレームワーク志向、Claudeの調査・発見志向、Geminiの技術志向——を保ちながらも、いずれも同じ経営課題（限られた予算でメンテナンス契約に直結する有資格リードを増やす）に即した、商業的に意味のある提案を返すようになりました。具体的には、Claudeは季節需要にフォーカスした提案を継続しつつも、Geminiは地域密着型のサービスクエリにより技術的に紐づけた提案を、ChatGPTは修理か交換かの意思決定を軸にしたフレームワークを、それぞれ「HVAC企業のメンテナンス契約獲得」という同じゴールに向けて調整してきたのです。

第3段階——人間の戦略的判断で優先順位を絞り込む

3回目では、2段階目でモデルが生成した複数の提案候補から、人間の評価によって実行可能な範囲に絞り込みます。Brissett氏が優先したのは、AI可視性のベースライン計測、リード「質」の計測（単なる引用数ではなく）、新規コンテンツを作る前の既存資産の棚卸し、季節性を踏まえた機会の特定——という4点でした。ここで重要なのは、AIが提示した選択肢の中から「何を捨て、何を残すか」を最終的に決めるのは、依然として人間の戦略的判断だという点です。AIは選択肢を広げる役割を果たしても、優先順位づけそのものを代替してはいません。

結論——「見えているプロンプト」の裏にある「見えない文脈」

Brissett氏はこの実験の結論として、次のように述べています。プロンプトとは、それを書くまでに交わされた「会話・前提・修正・編集判断」というワークフロー全体の、最初に目に見える成果物にすぎない——つまり、目に見えるプロンプトの巧拙よりも、そのプロンプトが生まれる前段階でどれだけ business discovery（事業理解の掘り下げ）が行われたかが、回答の質を規定するというのが本記事の核心的な主張です。「より役に立つ問いは、モデルがどうやってその結論にたどり着いたかだ」という一文が、この実験全体を象徴しています。

背景・経緯——「プロンプトエンジニアリング」から「コンテキストエンジニアリング」への潮流

この実験結果は、単発の面白い検証にとどまらず、2025年後半から2026年にかけて生成AI業界全体で進んでいる、より大きな概念シフトと軌を一にしています。それが「プロンプトエンジニアリング」から「コンテキストエンジニアリング（context engineering）」への注目の移行です。

「コンテキストエンジニアリング」という語は、2025年6月にShopifyのCEOトビ・ルーク氏がX（旧Twitter）上で「単発の指示を磨く『プロンプトエンジニアリング』よりも、LLMが参照するあらゆる情報——システムプロンプト、ユーザー指示、過去の会話履歴、外部から取得した知識、利用可能なツール情報——を適切な形式・タイミングで設計する『コンテキストエンジニアリング』の方が、コアスキルをより正確に言い表している」と発言したことをきっかけに広まりました。AI研究者のアンドレイ・カルパシー氏もこれに同意し、「繊細な技術であり科学でもある」とコメントしています。

つまり、単一の質問文を工夫する「プロンプトの技」だけでは、複雑なビジネス課題に対する良質な提案を引き出すには不十分であり、事業の制約・優先順位・成功指標といった「文脈」そのものを設計・提供する能力が問われる時代に移っている——というのが、業界全体の共通認識になりつつあります。今回のSearch Engine Landの実験は、この抽象的な概念シフトを、SEO・LLMO戦略立案という具体的なユースケースに落とし込んで実証した点に価値があります。

国内外の反応——測定の課題と表裏一体

同じくSearch Engine Landが2026年8月7日に公開した別記事「What six perspectives reveal about demand generation in AI search」（出典: Search Engine Land）でも、AI検索時代の需要創出・計測において「単一指標では捉えきれない」という問題意識が共有されています。SEO・PR・アナリスト関係・パブリッシャーという異なる立場の専門家が、それぞれ異なる角度からAI検索の計測課題に取り組みながらも、「可視性は結果ではなく、認識・信頼・行動・ビジネスインパクトへの接続が重要」という結論に収束しつつある点は、今回の「ビジネス文脈」実験とも通底するテーマです。AIから何らかの回答・提案を引き出す際、表面的な指標（引用数・言及数・プロンプトの巧拙）だけでなく、その背後にある文脈・意図・戦略との接続を問う姿勢が、2026年後半のAI検索業界に共通する潮流として浮かび上がっています。

日本国内でも、生成AIをマーケティングの「補助ツール」ではなく「意思決定支援パートナー」として位置づける動きが進んでいます。一方で、ChatGPT・Geminiを導入したものの期待した成果が出ず、生成されたコンテンツの品質にばらつきがあってチェックに時間を取られるという課題を抱える企業も少なくないと報告されています。今回の実験結果は、こうした「AIを使っているのに成果が出ない」という国内企業の悩みに対して、「プロンプトを磨く」以前に「ビジネス文脈をどれだけ具体的に渡せているか」を見直すべきだという、実務的な処方箋を示すものと言えます。

aiseo-llmo.com ユーザーへの影響

AIにLLMO戦略を相談する機会そのものが増えている

aiseo-llmo.comのユーザーの多くは、SEO・LLMOの実務担当者として、日常的にChatGPT・Claude・Geminiといった生成AIに戦略立案の壁打ち相手を求める機会が増えているはずです。「AI Overview対策として何をすべきか」「競合と比較して自社サイトのどこを改善すべきか」といった相談を生成AIに投げるシーンは、もはや珍しくありません。今回の実験結果が示すのは、こうした相談の「回答品質」が、プロンプトのテクニックだけでなく、相談者側がどれだけ具体的な事業文脈（業種・予算・制約・優先したい成果指標）を提供できるかに強く依存しているという事実です。裏を返せば、AIから得られた戦略提案の質にばらつきがある場合、その原因はモデルの性能不足ではなく、こちら側が渡している文脈の粒度不足である可能性が高いということでもあります。

モデルごとの「個性」を理解した使い分けが有効

実験ではChatGPT・Claude・Geminiがそれぞれ異なる「個性」——フレームワーク志向・調査志向・技術志向——を一貫して保っていたことも、実務上重要な示唆です。単一のモデルだけに戦略立案を頼るのではなく、複数モデルに同じ文脈を与えて回答を比較することで、フレームワークで全体構造を整理し(ChatGPT)、深掘りすべき論点を洗い出し(Claude)、技術的な実装ディテールを詰める(Gemini)といった、モデルの特性を活かした役割分担が可能になります。これは、単一の「正解」をAIに求めるのではなく、複数モデルを並行して使う「マルチモデル・ワークフロー」の有効性を裏づける結果でもあります。

「AIが選んだ優先順位」を鵜呑みにするリスク

一方で見落とせないのは、実験の第3段階が示す「人間の戦略的判断」の重要性です。ビジネス文脈を与えたことで各モデルの提案は実務的になりましたが、それでも複数の提案候補から「何を優先し、何を捨てるか」を決めたのは、あくまで人間（Brissett氏）でした。AIが生成した提案リストをそのまま実行計画として採用するのではなく、自社の戦略・リソース・優先順位に照らして人間が取捨選択するプロセスを省略しないことが、AI活用の質を左右します。「AIが言ったから」という理由だけで施策の優先順位を決めてしまうと、AIの回答が持つ潜在的なバイアス（学習データの偏り、直近の話題への過剰反応など）をそのまま引き継いでしまうリスクがあります。

業種別の実務インパクト

地域密着型サービス業（実験のモデルケース）: 今回の実験で使われたHVAC企業のように、地域密着・予算限定・既存資産の改善優先というプロファイルは、多くの中小企業に当てはまります。AIに戦略を相談する際は、「地域」「予算感」「新規制作より改善を優先したいか」「重視する成果指標(問い合わせ数か、契約単価か)」を最初から明示することで、抽象的な一般論ではなく実行可能な提案を引き出しやすくなります。

EC・小売: 商品カテゴリ・平均客単価・季節性・競合状況といった文脈を与えることで、AIの提案が「一般的なSEO施策」から「自社の商品構成・購買サイクルに即した施策」へと精度を増します。特に季節商戦を控えるタイミングでは、時期・在庫状況・優先商材を明示した文脈設計が有効です。

BtoB SaaS: 意思決定者の役職・検討期間の長さ・比較検討される競合サービスといった文脈情報が、AIの提案の実務性を大きく左右します。リード獲得コストや商談化率といった具体的なKPIを提示することで、「認知獲得」向けの一般的な施策と、「商談化」に直結する施策の区別がついた提案を引き出しやすくなります。

医療・美容・金融などYMYL領域: 規制・監修体制・許認可の制約といった業界固有の文脈は、AIが把握していない、あるいは誤って前提を置いてしまいがちな領域です。こうした制約を明示的に伝えないと、実行不可能な提案(薬機法・景表法に抵触しかねない表現など)が返ってくるリスクがあり、文脈設計の重要性が他業種以上に高いと言えます。

メディア・パブリッシャー: 編集体制・更新頻度・収益モデル(広告依存かサブスクリプションか)といった文脈が、AIが提案する施策の実現可能性を左右します。限られた編集リソースの中で優先すべき施策を絞り込むためにも、リソース制約を具体的に伝えることが重要です。

今すぐできる対応策

1. AIに戦略相談する前に「ビジネスブリーフ」を作成する

プロンプトを書く前に、以下の項目を簡潔にまとめた「ビジネスブリーフ」をテンプレート化しておくことを推奨します。実験のHVAC企業の例に倣い、次のような構成が実務的です。

【業種・事業概要】
例: 地域密着型の空調設備工事・メンテナンス業。対応エリアは○○県内。

【サイトの現状】
例: サイトは開設5年、月間セッション数◯万、既存コンテンツは50記事程度で成熟しつつある。

【リソース・予算の制約】
例: 新規コンテンツ制作より、既存ページの改善を優先したい。月あたりの制作リソースは記事1〜2本相当。

【優先したい成果指標】
例: 来シーズンに向けた有資格の問い合わせ数増加。特にメンテナンス契約という長期的な高価値アウトカムを重視。

【避けたい前提・してほしくないこと】
例: 単なるマーケティングコピーではなく、実行可能な優先順位付きの戦略を求める。不明な点があれば仮定せず質問してほしい。

このブリーフを毎回のプロンプトの冒頭に添えることで、モデルが「何が問題か」を独自に推測して解釈がバラバラになる事態を防ぎ、実験の第2段階に相当する「文脈のある回答」を最初から引き出しやすくなります。

2. 複数モデルに同じ文脈を与えて回答を比較する

同一のビジネスブリーフを、ChatGPT・Claude・Geminiの複数モデルに投げて、回答を横並びで比較する運用をルーティン化してください。

1. 上記のビジネスブリーフ + 相談したい課題(例: 「AI Overviewでの引用を増やすための優先施策を3つ、実行順に提案してほしい」)を用意する
2. 同じ文言を3モデルに投げる
3. 各モデルの提案の共通点・相違点を一覧化する(共通して挙げられた施策は優先度が高い可能性が高く、モデル固有の提案は追加の検証材料として扱う)
4. 最終的な優先順位は、AIの提案をそのまま採用せず、自社のリソース・戦略との整合性を人間が判断して決定する

3. 「なぜその優先順位か」を必ずAIに追加質問する

AIが提案を返した後、「なぜその順番で優先すべきなのか」「他の選択肢と比べてこれを優先する根拠は何か」を追加で質問し、提案の裏にあるロジックを可視化する習慣をつけてください。根拠が曖昧・一般論に終始している場合、その提案は自社の文脈を十分に踏まえていない可能性が高いというシグナルになります。

4. 定期的にビジネスブリーフをアップデートする

事業状況(予算、優先KPI、季節性、競合状況)は時間とともに変化します。ビジネスブリーフを一度作って終わりにせず、四半期ごと、あるいは大きな事業方針の変更があったタイミングで見直し、AIに渡す文脈を常に最新の状態に保つことを推奨します。

5. AI提案の実行可否を人間の戦略レビューでフィルタリングする

AIが生成した提案リストは、実行に移す前に必ず人間によるレビューを経る運用フローを組み込んでください。特にYMYL領域や規制の多い業種では、AIが把握していない業界固有の制約(薬機法・景表法・業界ガイドラインなど)によって、実行不可能な提案が混ざるリスクがあるため、法務・コンプライアンス観点でのチェックを省略しないことが重要です。

よくある質問

Q1. 今回の実験で分かった最も重要なポイントは何ですか？

AIから引き出す提案の質を左右するのは、プロンプトの巧拙よりも、その背後にあるビジネス文脈の質だという点です。

ChatGPT・Claude・Geminiに同一の課題を与えた実験で、業種・予算・制約・成功指標といった具体的な事業背景を追加した場合にのみ、各モデルの提案が実務的で整合性のあるものへと収束しました。文脈が乏しいままだと、各モデルが独自に問題を解釈し、方向性がバラバラな提案が返ってきます。

Q2. 「プロンプトエンジニアリング」と「コンテキストエンジニアリング」はどう違いますか？

プロンプトエンジニアリングは単発の指示文を磨く技術、コンテキストエンジニアリングはLLMが参照するあらゆる情報(システムプロンプト・過去の会話・外部知識・ビジネス背景など)を設計する、より広い概念です。

2025年6月頃から業界で使われ始めた用語で、単一の質問文の工夫だけでは複雑なビジネス課題への良質な提案を引き出すには不十分であり、事業の制約・優先順位といった文脈そのものを設計・提供する能力が問われるという考え方に基づいています。

Q3. どんな情報を「ビジネス文脈」として渡せばよいですか？

業種・事業概要、サイトの現状、リソースや予算の制約、優先したい成果指標、避けたい前提の5点が最低限の要素です。

実験で使われたHVAC企業の例では「地域密着型」「サイトは成熟済み」「予算は限られている」「メンテナンス契約という長期的な高価値アウトカムを重視」といった具体的な情報が、モデルの提案を実務的なものに変える鍵となりました。本文の「今すぐできる対応策」に記載したテンプレートを参考にしてください。

Q4. ChatGPT・Claude・Geminiで回答の傾向に違いはありますか？

はい。実験では、ChatGPTはフレームワーク志向、Claudeは調査・発見志向、Geminiは技術志向という一貫した個性が確認されました。

同じビジネス文脈を与えても、この個性は保たれたまま、それぞれの視点から実務的な提案へと調整される形になりました。単一モデルに頼るのではなく、複数モデルを役割分担的に使い分けることが有効です。

Q5. AIが出した提案の優先順位は、そのまま採用してよいですか？

そのまま採用せず、人間の戦略的判断でフィルタリングすることを推奨します。

実験の第3段階でも、AIが生成した複数の提案候補から最終的に何を優先するかを決めたのは人間でした。AIは選択肢を広げる役割を果たしますが、自社のリソース・戦略との整合性を踏まえた優先順位づけは、依然として人間が担うべき領域です。特にYMYL領域では、AIが把握していない規制・業界慣習による実行不可能な提案が混ざるリスクもあるため注意が必要です。

Q6. この実験結果は、どのくらいの規模・業種の企業に当てはまりますか？

実験のモデルケースは地域密着型の中小企業(HVAC企業)ですが、結論自体は業種・規模を問わず当てはまる一般的な知見です。

大企業のBtoB SaaSでも、地域の美容クリニックでも、「AIに何を渡すか」の設計が提案の質を左右するという構造は変わりません。ただし、渡すべき文脈の中身(意思決定者の役職か、規制の制約かなど)は業種によって異なるため、本文の「業種別の実務インパクト」を参考に自社に合った文脈項目を洗い出してください。

Q7. ビジネスブリーフは毎回作り直す必要がありますか？

基本のブリーフはテンプレート化して使い回し、事業状況の変化に応じて定期的に更新する運用が効率的です。

予算・優先KPI・季節性・競合状況などは時間とともに変化するため、四半期ごと、あるいは大きな事業方針の変更があったタイミングで見直すことを推奨します。テンプレートさえあれば、毎回のAI相談の冒頭に添えるだけで、都度ゼロから文脈を説明する手間を省けます。

Q8. AIに文脈を渡しすぎると、かえって回答が悪くなることはありませんか？

今回の実験からは、文脈情報が「多すぎて悪化した」という報告はなく、むしろ具体性が増すほど提案の実務性が高まる結果が示されています。

ただし、無関係な情報や矛盾した指示を詰め込みすぎると、モデルが優先順位を誤って解釈するリスクは一般論として存在します。本文のテンプレートのように、業種・現状・制約・成功指標という要点を簡潔に整理して渡すことが望ましいアプローチです。

Q9. この知見は、AI検索での自社の「引用されやすさ」にも関係しますか？

直接的には、AI検索エンジンがどう自社を引用するかではなく、AIをLLMO戦略立案の相談相手として使う際の精度に関する知見です。

ただし、間接的なつながりもあります。ビジネス文脈を正しく設計してAIから実務的な戦略提案を引き出せれば、その戦略に基づいて自社コンテンツの専門性・網羅性・一次情報性を高めることができ、結果としてAI検索での引用されやすさの向上にもつながります。

Q10. 今日から何をすればよいですか？

まず自社のビジネスブリーフを1つ作成し、複数のAIモデルに同じ課題を投げて回答を比較することから始めてください。

業種・現状・制約・優先KPIを簡潔にまとめたブリーフをテンプレート化し、ChatGPT・Claude・Geminiのそれぞれに同じ文言で戦略相談を行い、提案の共通点・相違点を洗い出してみましょう。詳しい手順は本文「今すぐできる対応策」を参照してください。

関連記事

• LLMO完全ガイド——AI検索時代の最適化戦略
• AI検索最適化（AI SEO）の完全ガイド
• 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
• 順位トラッキングの死角――AI Overviewsが変える『顧客が見る検索結果』とKPI設計
• AI検索の需要創出、6つの視点が示す計測課題の本質
• ChatGPT Searchとは
• LLMO（LLM最適化）とは
• プロンプトエンジニアリングとは
• GEO（Generative Engine Optimization）とは
• GenZがClaude・OpenAIを消費財ブランド視——信頼度は42ポイント差
• LLMO対策の成功事例8選【2026年最新】施策別の成果データと自社で再現する手順
• AI可視性の向上は「技術的負債の返済」に過ぎない場合が多い
• Similarweb「AI Ads」発表、ChatGPT/Google AI広告の可視化開始
• Fractl調査、SEO強者でもAI検索で消えるブランド格差が判明
• RedditのChatGPT Search引用が4日で86%急落、Promptwatch報告
• GeminiはWebサイト、ChatGPTはReddit依存──ローカルAI引用調査