税理士サイト1000件調査、AI検索対応はわずか5.8%の衝撃

税理士サイト1000件調査、AI検索対応はわずか5.8%の衝撃

要点: プリズムゲート株式会社（神奈川県横浜市、代表取締役・芝田弘美氏）が全国47都道府県の税理士サイト1000件を調査した結果、7項目の評価基準でAI検索に「対応できている」と判定されたのはわずか58件（5.8%）にとどまった。 住所掲載率94.9%に対し構造化データとしての実装率はわずか3.5%、代表者プロフィール掲載率49.0%に対し構造化率8.6%と、「情報の存在」と「AIが読める形式かどうか」の間に大きな乖離があることが明らかになった。 AIクローラーを明示的にブロックしていたサイトはわずか0.1%であり、問題は「拒否」ではなく「情報の示し方」にあるという構造は、税理士業界に限らず士業・地域密着型サービス業全般に共通する教訓を示している。

最終更新日: 2026年8月9日

何が起きたのか

2026年8月7日15時38分、プリズムゲート株式会社（神奈川県横浜市、代表取締役・芝田弘美氏）が、PR TIMESを通じて調査レポート「税理士サイト1000件調査、AI検索に対応できているのは5.8%」を発表した。同社はLLMO対策事業を展開する横浜のWeb制作・マーケティング会社である。一次ソースは以下のURLで確認できる。

https://prtimes.jp/main/html/rd/p/000000006.000185771.html

関連情報はプリズムゲート公式サイトのニュースページ（https://prismgate.jp/news/31406/）でも公開されている。

調査の対象と手法

今回の調査は、全国47都道府県の税理士事務所・税理士法人が運営する公式サイト1000件を対象に、2026年7月29日に実施された。サンプルの構成は次の通りだ。

• TKC全国会名簿から844件
• 検索エンジン経由で155件
• その他1件

サンプル抽出にあたっては、人口比を基準に各都道府県で最低10件以上を確保する設計がとられている。これにより、都市部の大規模事務所だけに偏らず、地方の中小規模事務所も相応の割合で含まれた母集団になっている点が、この調査の特徴の一つだ。地域密着型の専門サービス業を対象にした調査として、比較的広いカバレッジを持つ。

評価方法――7項目・7点満点の採点

調査では、各サイトを次の7項目で評価し、各項目1点・合計7点満点で採点したうえで、3段階の判定（「対応できている」「不十分」「全くされていない」）に分類している。

1. AIクローラーのブロック状況（AI検索エンジンのクローラーを拒否していないか）
2. メタ情報設置（title・description等の基本的なメタタグ）
3. 見出し構造（H1・H2等の階層が適切に設計されているか）
4. FAQ自然文表現（想定質問と回答が自然文・構造化された形で用意されているか）
5. 構造化データ（schema.org等のマークアップの有無）
6. llms.txt設置（AIクローラー向けのガイドファイルの有無）
7. 一次情報の有無（実績・経歴等の独自情報が掲載されているか）

この7項目は、AIクローラーが「アクセスできるか」「読み解けるか」「引用に足る中身があるか」という3段階の関門を横断的にカバーする設計になっている。単に構造化データの有無だけを見るのではなく、クロール可否からコンテンツの質までを一貫して評価している点が、今回の調査の実務的な価値を高めている。

主要データ――3段階判定の内訳

7項目の採点結果を3段階判定に集計した結果は次の通りだった。

全国1000件のうち、AI検索への対応が十分と判定されたのはわずか58件。裏を返せば、94.2%のサイトが何らかの形で改善余地を抱えている状態にある。これは特定の一部業者だけの問題ではなく、業界全体に共通する構造的な課題であることを示す数字だ。

「情報の掲載率」と「AI可読性」のギャップ――最重要ファインディング

今回の調査で最も注目すべき発見は、単なる実装率の低さそのものではなく、「情報がサイトに存在する割合」と「その情報が構造化データとしてAIに読める形になっている割合」の間に大きな乖離があるという点だ。

住所は94.9%のサイトに文章やレイアウトとして掲載されているにもかかわらず、機械可読な構造化データとして実装されているのはわずか3.5%にとどまる。代表者プロフィールも同様に、約半数のサイトに掲載されている情報が、構造化データ化されているのは1割に満たない。さらに、相続税申告件数のような実績の具体的数字を掲載しているサイトはそもそも3.1%しかなく、それを構造化データ化しているサイトは調査対象1000件中1件も存在しなかった（0%）。

この結果は、「情報を書いていないから引用されない」のではなく、「情報は書いてあるのに、AIが構造として認識できる形になっていないから引用されにくい」という、LLMO・GEO実務における根本的な課題を、税理士という具体的な業種の実測データとして裏付けたものと言える。

7項目それぞれの実装率

各項目単体での実装率は次の通りだった。

この内訳から見えてくるのは、「基礎的な作業（メタ情報の設置）はほぼ全サイトで終わっているが、より踏み込んだ構造化（FAQの自然文化、構造化データ、llms.txt）になるほど実装率が急落する」という段階的なギャップだ。特にFAQの自然文表現・構造化はわずか1.0%、llms.txtの設置も4.3%にとどまっており、AIが「質問に対する直接的な答え」を拾いやすい形式への対応は、業界全体でほとんど手つかずの状態にあることがわかる。

一方で注目すべきは、AIクローラーを明示的にブロックしていたサイトがわずか0.1%だったという事実だ。つまり、「AIに見せない」という拒絶の姿勢を取っているサイトはごくわずかであり、大多数のサイトはAIクローラーに対して門戸を閉ざしてはいない。問題は「アクセスを拒んでいること」ではなく、「アクセスはできても、中身を機械的に理解できる形になっていないこと」にある。

推奨アクション

プリズムゲートは、実装率の低い項目を優先順位付けした上で、次の5つの推奨アクションを提示している。

1. 実績の数字化（現状実施率3.1%）: 「豊富な経験」といった曖昧な表現ではなく、「相続税申告 年間◯◯件」のように具体的な数字で明記する
2. 事務所情報の構造化データ化（現状実施率3.5%）: 既存の住所・電話番号等をschema.orgのLocalBusiness等の形式で機械可読化する
3. FAQを質問文形式に構造化する（現状実施率3.3%）: 見出しを疑問形にする等、質問と回答のペアを明示する
4. 代表者プロフィールの構造化（現状実施率8.6%）: 資格・登録番号の明示等を構造化データに落とし込む
5. 見出し階層の整理（現状実施率34.8%）: 1ページ1つのH1を原則にする

これらは実装率の低い順に並んでいるわけではなく、投資対効果（実装の手間に対してAI可読性への影響が大きいもの）を踏まえた優先順位として示されている点が実務的だ。

監修者コメント

調査を監修したプリズムゲート代表取締役・芝田弘美氏は、「扉は開いているのに引用されない。理由は中身の示し方」という趣旨のコメントを寄せている。AIクローラー自体はほとんどのサイトでブロックされておらず、情報自体も大半のサイトに存在するにもかかわらず、その情報が機械可読な形式（構造化データ等）になっていないために、AIの回答に引用されにくいという構造を指摘したものだ。あわせて、AI対応を強化することは、AI検索エンジンへの対応にとどまらず、人間の依頼者（顧客）にとっての情報の分かりやすさの改善にもつながるという副次的な効果があるとも述べている。

aiseo-llmo.com ユーザーへの影響

なぜ税理士という業種が象徴的なのか

税理士をはじめとする士業（弁護士、社会保険労務士、行政書士等）は、今後AI検索・AIエージェントの利用がさらに広がる中で、「近くの税理士」「相続税に強い税理士」「法人設立に強い税理士」といった、地域性と専門性を組み合わせた具体的なニーズでAIに問われる機会が増えていくと考えられる業種だ。

こうした業種には、次の3つの特徴がある。

• 地域性が重要: 「〇〇市 税理士」のように、特定エリアでの信頼できる専門家を探すニーズが強い
• 専門性・信頼性（E-E-A-T）が重視される: 資格の有無、実績、専門分野の明確さが選定の決め手になりやすい
• 一度きりの高額な意思決定になりやすい: 相続や事業承継など、頻繁に発生しない重大な意思決定を支援する場面が多い

これらの特徴を持つ業種だからこそ、AIが回答を生成する際に「どの事務所を、どのような根拠で推薦するか」を判断する材料――住所・専門分野・実績・資格情報等――が機械可読な形で提供されているかどうかが、他業種以上に重要な意味を持つ。今回の調査が示した「情報は掲載されているが構造化されていない」というギャップは、地域性・専門性・信頼性という3要素すべてに関わる情報が、AIにとって実質的に「見えていない」状態に近いことを意味している。

税理士業界に限らない普遍的な教訓

今回の調査結果が示す構造――「情報の有無」と「AIが読める形式かどうか」は別問題である――は、税理士業界に固有の課題ではない。同様の地域密着型・専門サービス業であれば、業種を問わず起こりうる課題だと考えられる。

• クリニック・医療機関: 診療科目、対応可能な症例数、医師の専門資格等の情報が、テキストとしては掲載されていても構造化データ化されていないケースは少なくない
• 法律事務所: 取扱分野、解決実績、弁護士の経歴等、税理士事務所と類似の情報構造を持ち、同種のギャップが生じやすい
• 不動産業・地域工務店: 施工実績、対応エリア、保有資格（宅建士等）といった情報が、サイト上には存在してもAI向けの形式に落とし込まれていない可能性がある
• EC・店舗ビジネス: 商品情報や在庫状況、店舗情報等についても、構造化データ（Product、LocalBusiness等）の実装率は業種を問わず低い傾向が指摘されており、今回の調査結果と地続きの課題と言える

aiseo-llmo.comの読者であるマーケター・SEO担当者にとって、今回の調査の価値は「税理士業界の話」として読み流すことではなく、自社サイト・クライアントサイトを同じ7項目の観点で点検する材料として活用することにある。次のセクションでは、この7項目を実務チェックリストとして再構成する。

今すぐできる対応策

7項目評価基準を使った自己診断チェックリスト

今回の調査で使われた7項目を、業種を問わず使える自己診断チェックリストとして再構成する。自社サイトまたはクライアントサイトについて、それぞれ該当するかを確認してほしい。

7項目すべてに「はい」と答えられるサイトは、今回の調査結果を踏まえると全体のごく一部にとどまると推測される。まずは自社サイトが7項目中いくつを満たしているかを可視化し、不足している項目から優先的に着手することが実務上の第一歩になる。

優先順位付けの考え方

今回の調査でプリズムゲートが示した推奨アクションの並び順（実績の数字化 → 事務所情報の構造化データ化 → FAQの構造化 → 代表者プロフィールの構造化 → 見出し階層の整理）は、実装の難易度とAI可読性への影響度のバランスを踏まえたものだと考えられる。自社で優先順位を決める際は、次の観点を参考にしてほしい。

1. すでにテキストとして存在する情報を構造化データ化する（住所・代表者情報等）: 新規のコンテンツ制作が不要で、既存情報をマークアップに落とし込むだけで着手できるため、投資対効果が高い
2. 一次情報・実績の数字を明記する: コンテンツ制作の手間はかかるが、AIの回答生成において「具体性」は引用されやすさに直結する要素であり、優先度が高い
3. FAQを質問文形式に再構成する: 既存のFAQコンテンツがあれば、見出しを疑問形に書き換えるだけで着手できる比較的軽い施策
4. 見出し階層を整理する: サイト全体の構造に関わるため、CMSの仕様によっては改修コストがかかる場合がある
5. llms.txtを設置する: 実装自体は比較的容易だが、効果測定の指標が確立されていない段階でもあるため、他の施策と並行して着手するのが現実的

JSON-LD実装例――税理士事務所を例に

ここでは、税理士事務所のサイトを例に、実際にコピペで使えるschema.orgのJSON-LD実装例を示す。自社の業種・情報に合わせて値を書き換えて利用してほしい。

例1: 事務所情報（LocalBusiness / AccountingService）

住所・電話番号・営業時間といった基本情報を構造化する例。今回の調査で「住所掲載率94.9%に対し構造化実装率3.5%」というギャップが最も大きかった項目に対応する。

{
  "@context": "https://schema.org",
  "@type": "AccountingService",
  "name": "〇〇税理士事務所",
  "url": "https://example-tax-office.jp/",
  "telephone": "+81-3-xxxx-xxxx",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "〇〇1-2-3",
    "addressLocality": "〇〇市",
    "addressRegion": "〇〇県",
    "postalCode": "000-0000",
    "addressCountry": "JP"
  },
  "openingHoursSpecification": [
    {
      "@type": "OpeningHoursSpecification",
      "dayOfWeek": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"],
      "opens": "09:00",
      "closes": "18:00"
    }
  ],
  "areaServed": {
    "@type": "AdministrativeArea",
    "name": "〇〇県〇〇市"
  },
  "priceRange": "要問い合わせ"
}

例2: 代表者プロフィール（Person）

代表者の資格・登録番号・専門分野を構造化する例。今回の調査では代表者プロフィール掲載率49.0%に対し構造化率8.6%というギャップが確認されている。

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "〇〇 〇〇",
  "jobTitle": "税理士",
  "worksFor": {
    "@type": "AccountingService",
    "name": "〇〇税理士事務所"
  },
  "hasCredential": {
    "@type": "EducationalOccupationalCredential",
    "credentialCategory": "税理士登録",
    "identifier": "第〇〇〇〇号"
  },
  "knowsAbout": ["相続税申告", "事業承継", "法人税務"]
}

例3: FAQページ（FAQPage）

よくある質問を自然文かつ構造化された形式にする例。今回の調査ではFAQ自然文表現・構造化の実装率がわずか1.0%だった。

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "相続税の申告は年間何件対応していますか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "当事務所では年間〇〇件の相続税申告に対応しております。相続税専門の担当者が初回相談から申告完了まで一貫してサポートします。"
      }
    },
    {
      "@type": "Question",
      "name": "対応可能なエリアはどこですか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "〇〇県〇〇市を中心に、近隣の〇〇市・〇〇市にも対応しております。オンライン相談も可能です。"
      }
    }
  ]
}

例4: 実績の数字化（Review / AggregateRating等との組み合わせ）

「実績の具体的な数字」を掲載する際は、単に本文に数字を書くだけでなく、上記のAccountingServiceやPersonのプロパティと組み合わせて、実績データを明示的な形で記述することが望ましい。例えばdescriptionプロパティに具体的な実績を数値付きで記述する、あるいは事務所紹介ページ本文で「相続税申告 年間〇〇件」「法人顧問先〇〇社」のように具体的な数字を明記した上で、その情報を含むページ全体をAccountingServiceのdescriptionとして関連付けることが、今回の調査が示す「実施率3.1%・構造化率0%」というギャップを埋める第一歩になる。

llms.txtの位置づけ

今回の調査ではllms.txtの設置率が4.3%にとどまっていた。llms.txtは、AIクローラー・LLMに対してサイトの構成や重要ページを案内するためのファイルであり、robots.txtがクロールの可否を制御するのに対し、llms.txtはクロール後の理解を助ける役割を持つ。詳細な書き方・設置方法はllms.txtの実装ガイドを参照してほしい。

国内外の他調査との接続

今回のプリズムゲート調査が示した「情報は存在するが、AIが読める形式になっていない」という課題は、国内外の他のLLMO関連調査でも繰り返し指摘されてきた構造的な問題と重なる。

国内では、AI引用状況を可視化する診断ツールの新規参入が相次いでおり、AIRA ScoreやDolphinX AIO、User Insightの複数AIモニタリングダッシュボードといったサービスが、それぞれ異なる切り口でサイトのAI検索対応状況を数値化しようとしている。今回のプリズムゲート調査は、こうした診断ツール市場の拡大と軌を一にする形で、士業という具体的な業種に絞った実態調査データを提供したものと位置づけられる。

海外に目を向けると、SEOコンサルタントのAleyda Solis氏による第三者引用に関する調査や、SemrushのデータをもとにしたAI検索カテゴリ支配の調査など、ブランド単位・カテゴリ単位でAI検索における可視性の構造を分析する調査が相次いで発表されている。これらの調査は分析の切り口や対象市場が異なるため、数値を単純に比較することはできないが、「AIに引用されるかどうかは、情報の量だけでなく、その情報がどのような形式・文脈で提供されているかに強く依存する」という点では、共通した示唆を持っていると言える。

今回のプリズムゲート調査の意義は、こうした国内外の調査群の中で、「業種を絞り、7項目の具体的な評価基準を設定し、1000件という規模で実態を定量化した」という点にある。抽象的な傾向論ではなく、「住所掲載率94.9%対構造化実装率3.5%」という具体的な対比データを示したことで、士業・地域密着型サービス業に携わる事業者・支援者にとって、自社の立ち位置を測る具体的な物差しを提供したと言えるだろう。

士業特有の留意点

税理士をはじめとする士業のサイトを構造化データ化する際には、一般的なLLMO施策とは異なる留意点がある。税理士法をはじめとする士業関連の各種法令には、資格者としての広告表示・業務範囲の表示に関する規制が存在する。構造化データによって資格情報・実績・専門分野を機械可読な形で発信すること自体は、規制の対象外である情報の「表示形式」を変えるものであり、通常は問題にならないと考えられるが、実績数値の表現方法（誇大表示にあたらないか）、資格の表示方法（登録番号や所属団体の正確な記載）については、通常のサイト運用と同様に、各士業の所属団体が定める広告規制やガイドラインに沿った内容であることを確認する必要がある。構造化データはあくまで「既存の適正な表示内容を機械可読な形式に変換する」ものであり、表示内容そのものの適正性は別途担保されるべき点には注意したい。

よくある質問

Q1. 今回の調査を実施したのはどのような企業ですか？

プリズムゲート株式会社（神奈川県横浜市、代表取締役・芝田弘美氏）です。LLMO対策事業を展開するWeb制作・マーケティング会社で、2026年8月7日にPR TIMESを通じて今回の調査レポートを発表しました。

Q2. 調査対象・手法の詳細を教えてください。

全国47都道府県の税理士事務所・税理士法人の公式サイト1000件を対象に、2026年7月29日に調査を実施しました。サンプルはTKC全国会名簿から844件、検索エンジン経由で155件、その他1件を抽出しており、人口比を基準に各都道府県で最低10件以上を確保する設計になっています。評価は「AIクローラーのブロック状況」「メタ情報設置」「見出し構造」「FAQ自然文表現」「構造化データ」「llms.txt設置」「一次情報の有無」の7項目、各1点・7点満点で採点されています。

Q3. 「対応できているのは5.8%」という数字は具体的に何を意味しますか？

7項目の採点結果を「対応できている」「不十分」「全くされていない」の3段階に分類した結果、「対応できている」と判定されたのは1000件中58件（5.8%)だったという意味です。残りは「不十分」が926件(92.6%)、「全くされていない」が16件(1.6%)であり、全体の94.2%が何らかの改善余地を抱えている状態にあります。

Q4. 住所掲載率94.9%と構造化データ実装率3.5%のギャップは何を意味しますか？

事務所の住所情報自体は94.9%のサイトにテキストとして掲載されているものの、AIが機械的に読み取れる構造化データ(schema.org等)としては3.5%のサイトにしか実装されていないことを意味します。これは「情報がないから引用されない」のではなく、「情報はあるのにAIが認識できる形になっていないため引用されにくい」という、LLMO実務における根本的な課題を具体的な数字で示したものです。

Q5. AIクローラーのブロックはほぼ問題になっていないとのことですが、なぜですか？

調査対象1000件のうち、AIクローラーを明示的にブロックしていたサイトはわずか0.1%でした。つまり大多数のサイトはAIクローラーに対して門戸を閉ざしておらず、「アクセスできるかどうか」自体は問題になっていません。課題は「アクセスはできても、掲載されている情報がAIにとって理解しやすい構造になっていないこと」にあります。

Q6. この調査結果は税理士以外の業種にも当てはまりますか？

はい。今回の調査は税理士業界を対象にしたものですが、「情報の有無」と「AIが読める形式かどうか」が別問題であるという構造自体は、クリニック、法律事務所、不動産業、地域工務店といった、地域性・専門性・信頼性が重視される他の専門サービス業にも共通して当てはまると考えられます。同様に、EC・店舗ビジネスにおいても、商品情報や店舗情報の構造化データ実装率は業種を問わず低い傾向にあることが指摘されています。

Q7. 今すぐできる最優先の対応は何ですか？

プリズムゲートが示した推奨アクションでは、実績の数字化(実施率3.1%)、事務所情報の構造化データ化(実施率3.5%)、FAQの質問文形式への構造化(実施率3.3%)、代表者プロフィールの構造化(実施率8.6%)、見出し階層の整理(実施率34.8%)の順で優先度が示されています。特に、既存のテキスト情報を構造化データに落とし込む施策(事務所情報・代表者情報)は、新規コンテンツ制作が不要なため着手しやすく、投資対効果が高い施策と言えます。

Q8. JSON-LDの実装は自社で対応できますか、それとも外注が必要ですか？

本記事で示したLocalBusiness/AccountingService、Person、FAQPageのJSON-LD実装例のように、比較的シンプルな構造化データであれば、既存のサイト情報をテンプレートに当てはめる形で自社対応も可能です。ただし、CMSの仕様によっては動的な埋め込みに開発作業が必要な場合や、サイト全体の見出し構造の見直しが必要な場合は、Web制作会社やLLMO専門の支援会社への相談が現実的な選択肢になります。まずは本記事のチェックリストで自社の現状を可視化し、対応範囲を見極めることを推奨します。

Q9. 士業のサイトで構造化データ化する際に注意すべき点はありますか？

税理士をはじめとする士業には、資格者としての広告表示に関する各種の規制・ガイドラインが存在します。構造化データ自体は既存の適正な表示内容を機械可読な形式に変換するものであり、通常は問題になりにくいと考えられますが、実績数値の表現(誇大表示にあたらないか)や資格の表示方法(登録番号・所属団体の正確な記載)については、各士業の所属団体が定める広告規制やガイドラインに沿っているかを別途確認することが望ましいです。

Q10. 今回の調査結果は今後のAI検索対応の方向性にどう影響しますか？

今回の調査は、士業・地域密着型サービス業における構造化データ実装の遅れを、具体的な数字で可視化した点に意義があります。AI検索・AIエージェントを通じた専門家探しのニーズが今後拡大すると見込まれる中、今回のような業種特化型の実態調査が他業種でも行われることで、「情報の有無」と「AI可読性」のギャップという共通課題への認識が業界横断的に広がっていくことが期待されます。aiseo-llmo.comとしても、同種の調査・データが公表され次第、継続してフォローしていく。

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
• ローカルビジネスのAI可視性調査――日本語レビューの実態
• JSON-LD構造化データはAIにどう理解されるか
• 構造化データのLLMO効果を検証する
• 構造化データ実装のよくある間違い――AI引用を逃す典型パターン
• llms.txtの書き方・設置ガイド
• 国産LLMO診断ツール「AIRA Score」正式リリース
• DolphinX AIOのデータエクスポート機能追加
• User Insight「LLMOダッシュボード」複数AIモニタリング機能
• Aleyda Solis氏調査：AI検索は「第三者引用問題」、15ブランド分析
• ChatGPT引用の89%は「無主地」――Semrushデータが示すカテゴリ支配の窓
• 用語集：LLMO（Large Language Model Optimization）
• 用語集：GEO（Generative Engine Optimization）
• 用語集：JSON-LD
• 用語集：llms.txt
• 用語集：E-E-A-T