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

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

要点: Search Engine Landが2026年8月18日、著者Alex Galinos氏による「What 9 months of AI Overview data and 51,000+ tracked events reveal」を公開した。運輸業界ブランドのAI Overviewトラフィックを、GoogleのAI Overview内クリック時に付与される#:~:text=というURLフラグメント（Text Fragment）を使って2025年9月〜2026年6月の9ヶ月間トラッキングし、51,200件のイベント・1,661個の被引用スニペットを分析した一次データ研究だ。 最大の発見は、このAI Overview経由トラフィックの22.4%（11,468件）がGA4上で「Direct」チャネルに誤属性化されていたこと。月別では4月の16.8%から5月の29.3%まで大きく変動しており、有機検索の実績が系統的に過小報告されている実態が具体的な数値で裏付けられた。

最終更新日: 2026年8月19日

何が起きたのか

Search Engine Landが公開した独自一次データ研究

2026年8月18日、Search Engine Landに、Alex Galinos氏による分析記事「What 9 months of AI Overview data and 51,000+ tracked events reveal」が掲載された。編集はAngel Niñofranco氏、レビューはDanny Goodwin氏が担当している。

この記事の特徴は、Search Engine Landにしばしば掲載される「業界調査会社によるサードパーティ調査の紹介」ではなく、著者自身が運営する運輸業界（travel/transportation）ブランドの実際のGoogleアナリティクス4（GA4）データを、独自のトラッキング手法で9ヶ月間にわたり継続的に収集・分析した、一次データによる実証研究である点だ。aiseo-llmo.comではこれまで、AI経由流入のコンバージョン率がGA4で計測できない一般的な構造上の問題をAI経由流入 コンバージョン率が計測できない理由とGA4での対処法で、SEJが提示する「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」という計測の3本柱を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本柱で、Google Search Consoleの生成AIパフォーマンスレポートのグローバル展開をGSC生成AIレポートが「事実上グローバル全展開」に――ポップアップ通知も初確認でそれぞれ取り上げてきた。今回の記事は、これらとは異なる角度――「#:~:text=というURLフラグメントを使った独自一次データトラッキング」と「22.4%という具体的な誤属性化率の実測値」「9ヶ月・51,200イベントという規模の縦断データ」――から、同じ「AI経由流入がGA4で正しく見えない」という問題を裏付ける点に新規性がある。

トラッキング手法――Text Fragment（#:~:text=）とは何か

Galinos氏が採用した手法の核心は、GoogleのAI Overview内でユーザーが引用スニペットの「もっと見る」やソースリンクをクリックした際に、遷移先URLの末尾に自動的に付加される#:~:text=という特殊なURLフラグメントを検知することにある。

このフラグメントは、W3C（World Wide Web Consortium）が策定した「Scroll To Text Fragment」という仕様に基づくものだ。通常のURLフラグメント（#見出しIDのような、ページ内の特定のHTML要素IDへのジャンプに使われるもの）とは異なり、Text Fragmentはページ内の特定のテキスト文字列そのものを指定する。ブラウザはこのフラグメントを解釈すると、該当するテキストが含まれる位置まで自動的にスクロールし、多くの場合そのテキストをハイライト表示する。

Googleは、AI Overview内で表示される引用（サイテーション）から遷移する際、ユーザーがどのテキストを根拠にAIが回答を生成したのかを分かりやすく示すために、このText Fragment機能を活用している。つまり、AI OverviewのリンクをクリックしたユーザーがWebサイトに到達すると、URLの末尾に#:~:text=引用された文字列という形式の情報が付与された状態でランディングする。

Galinos氏は、このフラグメントの有無をGA4のカスタムディメンションとして捕捉することで、GA4の標準レポートでは検知できない「AI Overview経由の可能性が高いトラフィック」を可視化した。これは、AI OverviewがGoogleのオーガニック検索結果内の機能である以上、標準のGA4チャネル分類ではオーガニック検索や参照不明（Direct）に埋没してしまい、通常は識別できないトラフィックだ。著者はこの手法を「ファーストパーティで最も信頼できるAI Overview経由トラフィックのシグナル」と位置づけている。

9ヶ月間・51,200イベントの規模感

トラッキング期間は2025年9月から2026年6月までの9ヶ月間。この間に捕捉された#:~:text=フラグメント付きの流入イベントは合計51,200件にのぼり、そのうち被引用スニペット（#:~:text=で指定されたユニークなテキスト文字列）の総数は1,661個だった。

期間全体を通じたAI Overview経由の有機セッション比率（このシグナルで捕捉された流入が有機セッション全体に占める割合）は平均7.53%だった。ただし、このボラティリティ（変動幅）は非常に大きい。2026年2月〜3月にはピークとなる16〜17%まで上昇した一方、直近（記事執筆時点に近い期間）では2〜4%まで低下している。この振れ幅の大きさは、AI Overviewの表示アルゴリズムやクエリごとの表示率が短期間で大きく変動しうることを示している。

スニペットのべき乗分布――少数の「勝者」に集中

被引用スニペット1,661個のうち、トップスニペット1本だけで2,276イベントを獲得していた。一方、1スニペットあたりの平均獲得イベント数は31件にとどまる。この数字の乖離は、いわゆる「べき乗分布（power-law distribution）」――少数の「勝者スニペット」が大半のトラフィックを独占し、大多数のスニペットはごくわずかな流入しか生まないという偏りを示している。

この傾向は、SEOにおける「ロングテールキーワードの多くはごくわずかなトラフィックしか生まない」という経験則と構造的に似ている。AI Overview経由の流入を最大化するには、すべてのコンテンツを均等に最適化するのではなく、「勝者になりうるスニペット」を見極めてそこに投資を集中させる発想が必要になる。

引用されやすいコンテンツの特徴

Galinos氏が9ヶ月間のデータから見出した、AI Overviewに引用されやすいコンテンツの特徴は以下の通りだ。

• 構造化された具体的データ: 時間・価格・経路といった、数値や固有情報が明確に構造化されたコンテンツが引用されやすい傾向にある
• HTML表形式: 特にテーブル（<table>要素）で提示された情報は引用頻度が高い
• 目的地ガイド: 運輸業界ブランドという著者の事業特性上、目的地に関するガイドコンテンツは相対的に過小活用されており、伸びしろがあると分析されている

さらに著者は、被引用スニペットには「ライフサイクル」があると指摘する。あるスニペットが継続的に引用され続けるわけではなく、季節性のあるクエリ意図の変化や、掲載情報自体の陳腐化（価格改定、スケジュール変更など）によって、時間経過とともに引用されなくなっていくという。これは、一度AI Overviewに引用されたコンテンツであっても、放置すれば徐々に引用機会を失っていくことを意味しており、継続的な更新の重要性を裏付けるデータと言える。

最重要発見――22.4%が「Direct」に誤属性化

この記事の核心的な発見は、51,200件のText Fragmentイベントのうち、22.4%にあたる11,468件が、GA4上で「Direct（参照元不明の直接流入）」チャネルに誤って分類されていたことだ。

この比率は一定ではなく、月によって大きく変動する。データによれば、最も低かった月で4月の16.8%、最も高かった月で5月の29.3%と、約13ポイントもの月次変動幅がある。つまり、ある月にはAI Overview経由トラフィックの約6件に1件が、別の月には約3件に1件近くが、GA4上では「誰かがブラウザに直接URLを入力した、あるいはブックマークから訪れた」という扱いになっていたことになる。

この誤属性化により、実際にはAI Overviewが生み出しているオーガニック検索経由の成果が、GA4のレポート上では過小に報告される構造的なギャップが生じる。これは著者が運輸業界ブランド1社のデータから得た実測値であり、業種・サイト構造・GA4の設定状況によって数値は変動しうるが、「AI経由流入の一部がDirectに紛れ込む」という現象自体は、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本柱で紹介したLoamlyの「AIプラットフォーム経由リードの80〜90%が誤分類」という報告や、AI経由流入 コンバージョン率が計測できない理由とGA4での対処法で解説したアプリ内ブラウザのリファラー欠落問題とも整合する、複数の独立した調査に共通する構造的パターンだ。

調査の限界――著者自身が明示する制約

Galinos氏はこの記事の中で、自らの手法の限界についても明示している。

第一に、#:~:text=フラグメントはAI Overview専用の技術ではない。Featured Snippets（強調スニペット）やPeople Also Ask（他の人はこちらも質問）でも同様のフラグメントが使われる場合があり、捕捉したイベントのすべてがAI Overview由来であると完全に断定することはできない。

第二に、GA4での計測はイベントレベルであり、セッションレベルではない。1つのセッション内で複数のText Fragmentイベントが発生する場合もあり、ユニークユーザー数やセッション数への正確な換算には別途の調整が必要になる。

これらの限界を踏まえても、この手法が「GA4の標準レポートでは完全に不可視だったAI Overview経由の兆候」を、ファーストパーティデータとして初めて定量的に可視化した点に価値があると著者は結論づけている。

著者の提言

記事の結論部分で、Galinos氏は次のようなアクションを提言している。

1. GA4で#:~:text=フラグメントをカスタムディメンションとして計測し始めること
2. 構造化・具体性の高いコンテンツ（表形式、数値データ、価格・時間情報など）を優先的に整備すること
3. 有機トラフィック報告に系統的な過小報告のギャップが存在することを、データに基づいて経営層に説明すること
4. AI Overview露出のボラティリティ（月次で数ポイント〜十数ポイント変動する）を前提に、レポーティングの期待値をモデリングすること

背景――GSCにも依然として「AI Overview専用のクリーンな信号」はない

この調査が意味を持つ背景には、2026年8月時点でもGoogle Search Console（GSC）がAI Overview専用の完全なトラフィックシグナルを提供していないという状況がある。

GSC生成AIレポートが「事実上グローバル全展開」に――ポップアップ通知も初確認で報じた通り、2026年8月11日ごろにGSCの「生成AIパフォーマンスレポート」がほぼ全ユーザーに展開されたと報告されている。しかしこのレポートが提供するのはあくまでSearch Console内でのインプレッション中心のデータであり、クリック数・CTR・クエリの詳細は依然として提供されていない。またこれはSearch Console内のレポートであって、GA4のようなサイト解析ツールへ直接反映される仕組みではない。つまり、GSCで「AI Overviewにどれだけ表示されたか」の輪郭はある程度つかめるようになりつつある一方、「そこから実際に何人が自社サイトに来て、何をしたか」という、GA4側で本来知りたい情報は、GSCの機能拡張だけでは埋まらない。

こうした背景の中で、Galinos氏のようにサイト運営者自身がファーストパーティデータの取得方法を工夫し、GA4側でのギャップを能動的に埋めようとするアプローチが重要性を増している。AI Overviewの表示率・クリック率を巡っては、AI Overview表示によるCTR低下（検索1位に表示されていても大幅にクリック率が落ちる現象）や、AIプラットフォーム経由リードがGA4で「オーガニック」または「ダイレクト」に誤分類される問題（80〜90%との報告）など、計測・アトリビューションの課題が複数の独立した調査で繰り返し指摘されてきた。今回のGalinos氏の研究は、そうした一連の指摘に対して、9ヶ月間・51,200イベントという規模のファーストパーティデータで具体的な数値的裏付けを与えるものだ。

Direct誤属性化が起きるメカニズム――なぜリファラーが失われるのか

なぜAI Overview経由の流入が「Direct」チャネルに紛れ込んでしまうのか、その技術的な仕組みを整理しておく。

GA4を含む多くのアクセス解析ツールは、訪問者がどこから来たかを判定するために、主にHTTPリクエストヘッダーに含まれるリファラー（Referer）情報を利用する。ブラウザがあるページから別のページへ遷移する際、通常は遷移元のURLをリファラーとして送信し、遷移先のサーバーやトラッキングスクリプトはこの情報を使って「Google検索から来た」「特定のサイトのリンクから来た」といった参照元を判定する。

このリファラー情報が何らかの理由で欠落したり空になったりすると、GA4は参照元を特定できず、そのセッションを「Direct（参照元不明の直接流入）」として分類する。Direct流入には本来、ブラウザのアドレスバーに直接URLを入力した場合や、ブックマークからのアクセス、メールクライアントやオフラインドキュメントからのクリックなどが含まれるが、実際にはこれら「本物のDirect流入」以外にも、以下のような技術的理由でリファラーが失われたケースが大量に混入することが知られている。

• HTTPS→HTTPのリファラー抑制: HTTPSページからHTTPページへ遷移する場合、ブラウザのデフォルト仕様でリファラーが送信されないことがある
• モバイルアプリ内ブラウザ（WebView）: AI経由流入 コンバージョン率が計測できない理由とGA4での対処法で解説した通り、ChatGPTやGeminiなどのアプリ内蔵ブラウザは、プライバシー保護やアプリ側の実装方針によりリファラーヘッダーを送信しないケースが多い
• Referrer-Policyヘッダーの設定: 遷移元サイト側がReferrer-Policy: no-referrerなどの厳格なポリシーを設定していると、リファラーは一切送信されない
• リダイレクトチェーン: 複数のリダイレクトを経由する過程でリファラー情報が失われることがある
• キャッシュされたAI回答画面からの遷移: AI Overviewの表示自体がGoogleの検索結果ページ内で動的にレンダリングされる要素であり、そこからのクリックがどこまで「検索由来」として正しくマークされるかは、Googleの実装と各ブラウザの挙動に左右される

Galinos氏の研究における22.4%というDirect誤属性化率は、こうした複合的な技術的要因の結果として観測された数値であり、単一の原因に還元できるものではない。重要なのは、#:~:text=というText Fragmentは、リファラー情報とは独立してURL自体に付与される情報であるため、リファラーが欠落・抑制された状況下でも「このセッションはAI Overviewのサイテーションクリック経由である可能性が高い」ことを示す、補完的なシグナルとして機能する点だ。リファラーという「送信側の情報」が使えない場面で、URL構造という「受信側でも観測できる情報」を使う発想の転換が、この手法の本質と言える。

aiseo-llmo.com ユーザーへの影響

「AI経由流入がDirectに紛れる」という漠然とした懸念が、初めて実測値として提示された

これまで多くの実務者が「AI検索経由の流入が正しく計測できていない気がする」という漠然とした感覚を持ちながらも、それを裏付ける自社データを持たないまま議論せざるを得なかった。今回の研究は、9ヶ月・51,200イベントという規模の一次データで「22.4%」という具体的な数字を提示した点で、社内説明の材料としての価値が大きい。ただし、この22.4%という数字は運輸業界ブランド1社の実測値であり、業種・サイト構造・GA4のチャネル設定によって自社の実際の比率は異なりうる点には注意が必要だ。

べき乗分布の発見は「コンテンツ全方位最適化」への警鐘

トップスニペット1本で2,276イベント、平均31イベントというべき乗分布のデータは、AI Overview対策において「すべてのページを平等に最適化する」アプローチの効率の悪さを示唆している。限られたリソースの中では、引用される可能性の高いコンテンツ（構造化データ、表形式、具体的数値を含むページ)を見極め、そこに投資を集中させる方が合理的だという示唆になる。

業種別インパクト

EC（Eコマース）

商品スペック比較表、価格帯別の一覧表、配送日数・送料といった構造化データを持つページは、Galinos氏が指摘した「引用されやすいコンテンツ」の特徴と重なる。AI Overview経由の流入がDirectに誤分類されている可能性を考慮すると、これまで「オーガニック流入が伸び悩んでいる」と判断していた商品ページが、実際にはAI Overview経由の流入をDirectチャネルの形で一定数獲得していた可能性もある。GA4のDirectチャネルのランディングページ別内訳を確認し、商品詳細ページ・比較ページがどの程度含まれているかをまず点検する価値がある。

BtoB

比較検討フェーズの解説記事や導入事例ページは、AI Overviewに引用されやすいコンテンツ類型だ。BtoBのリード獲得プロセスでは、問い合わせや資料請求に至るまでの経路が複数セッションにまたがることが多く、初回接触がAI Overview経由でDirectに誤分類された場合、そのリードの獲得経路がマーケティング部門のレポート上で正しく評価されないリスクがある。営業・マーケティング間で「Directチャネルからのコンバージョンの一部にAI Overview由来が混在しうる」という前提を共有しておくことが望ましい。

メディア・パブリッシャー

広告収益がページビュー・セッション数に連動するメディア事業者にとって、AI Overview経由の流入がDirectに紛れることは、広告在庫の価値評価やコンテンツ企画の優先順位付けに影響しうる。特にニュース性の高い記事や、時間・日程・料金といった具体的データを含む解説記事は、AI Overviewに引用されやすい。どの記事がAI Overview経由で読まれているかを#:~:text=のトラッキングで補足的に把握できれば、企画立案の精度向上につながる。

士業・専門サービス

料金体系、対応可能な業務範囲、手続きに要する期間といった具体的な情報をQ&A形式や表形式で提示しているページは、AI Overviewに引用されやすい典型例だ。問い合わせ数の変動とAI Overview露出の変動を突き合わせる際、GA4上のDirectチャネル経由の問い合わせ増加が、実はAI Overview経由だった可能性を考慮に入れる必要がある。

旅行・運輸（本調査の対象業種）

Galinos氏自身が運営する業種であり、目的地ガイド・料金表・スケジュール情報がAI Overviewに引用されやすいことが実測データとして示されている。同業種の事業者は、この記事の手法をそのまま自社サイトに適用しやすい。季節性による引用スニペットのライフサイクルという知見も、繁忙期・閑散期に応じたコンテンツ更新計画に直接活用できる。

今すぐできる対応策

ステップ1: GA4でText Fragment（#:~:text=）をカスタムディメンションとして計測開始する

Galinos氏の手法をベースに、自社のGA4環境で#:~:text=フラグメントを検知・記録する設定を行う。基本的な流れは以下の通りだ。

1. GA4でイベントレベルのカスタムディメンションを作成する

   • GA4管理画面 →「設定」→「カスタム定義」→「カスタムディメンションを作成」
   • ディメンション名: 例「has_text_fragment」または「ai_overview_signal」
   • スコープ: イベント
   • イベントパラメータ: 後述のGTM設定で送信するパラメータ名（例: text_fragment_flag）と一致させる

2. Google Tag Manager（GTM）でURLフラグメントを検出するトリガー・変数を設定する

   • GTMで「カスタムJavaScript変数」を新規作成し、window.location.hrefに#:~:text=が含まれるかを判定するスクリプトを記述する（例のイメージ: location.href.indexOf('#:~:text=') > -1 を判定して真偽値を返す）
   • このカスタムJavaScript変数を、GA4設定タグまたはページビュー/イベントタグのイベントパラメータとして渡す
   • パラメータ名は前項でGA4に登録したカスタムディメンションのイベントパラメータ名と一致させる

3. 正規表現でText Fragment内のテキストそのものを抽出したい場合

   • #:~:text= に続く文字列（引用されたテキスト自体、URLエンコードされている場合が多い）を抽出するには、#:~:text=(.+)$ のような正規表現でマッチさせ、decodeURIComponent()でデコードする処理をカスタムJavaScript変数内に組み込む
   • 抽出したテキストを別のカスタムディメンション（例:「cited_snippet_text」）としてイベントパラメータに含めれば、どのスニペットが引用されているかまで記録できる

4. 公開前にGTMのプレビューモードで動作確認する

   • 実際にAI Overviewのサイテーションリンクをクリックし、#:~:text=付きURLでランディングした際に、意図した通りイベントパラメータが送信されているかをGTMプレビューとGA4のDebugViewで確認する

ステップ2: 探索レポートでイベントを集計・可視化する

1. GA4の「探索」→「自由形式」で新規レポートを作成する
2. ディメンションに「has_text_fragment」（または設定したカスタムディメンション名）とランディングページを追加する
3. 指標にイベント数・セッション数を追加する
4. 期間を月次で区切り、Galinos氏の研究のようにイベント数の推移とページ別内訳を確認する
5. 可能であれば、同じ期間のDirectチャネルのセッション数の推移と突き合わせ、両者に相関があるかを確認する

ステップ3: べき乗分布を前提にコンテンツの優先順位を見直す

1. Text Fragmentイベントが多いページ・スニペット（Text Fragment内のテキスト）をランキング形式で洗い出す
2. 上位に来ているコンテンツの共通点（表形式、具体的数値、時間・価格・経路データの有無など）を分析する
3. 同様の構造を持つが未整備のページをリストアップし、優先度の高いものから表形式データの追加や数値の具体化を進める
4. 一定期間ごとにこのランキングを再集計し、スニペットのライフサイクル（引用され続けているか、陳腐化していないか）を確認して情報を更新する

ステップ4: レポーティングでボラティリティと過小報告ギャップを可視化する

1. 月次レポートに、AI Overview経由と推定されるText Fragmentイベント数の推移グラフを追加する
2. 同じグラフにDirectチャネルのセッション数推移を重ねて表示し、変動の連動性を示す
3. 経営層向けの説明資料には、「AI Overview露出は月次で数ポイント〜十数ポイント変動しうるボラティリティの高い指標である」という前提を明記する
4. 有機トラフィックの実績を報告する際は、「GA4上の数値は一部Directに混入している可能性があり、実際のAI Overview経由の貢献はレポート上の数値より大きい可能性がある」旨を注記する

ステップ5: GSCの生成AIパフォーマンスレポートと併用する

1. Search Consoleの「生成AIパフォーマンスレポート」でインプレッション数・ページ別内訳を確認する（アクセス方法はGSC生成AIレポートが「事実上グローバル全展開」に――ポップアップ通知も初確認を参照)
2. GA4側のText Fragmentイベント数の多いページと、GSC側のAIインプレッション数が多いページを突き合わせ、両者の傾向が一致しているかを確認する
3. 一致度が高ければ、Text Fragmentトラッキングの信頼性を裏付ける補強材料になる

よくある質問

Q1. #:~:text=フラグメントとは何ですか？

W3C策定の「Scroll To Text Fragment」仕様に基づくURLの一部で、遷移先ページ内の特定のテキスト文字列を指定し、ブラウザがそこまで自動スクロール・ハイライトする機能です。

GoogleはAI Overview内のサイテーションからユーザーがサイトへ遷移する際、このフラグメントをURLに付与して、AIがどのテキストを根拠にしたかを分かりやすく示しています。この付加パターンをGA4のカスタムディメンションで捕捉することで、標準レポートでは見えないAI Overview経由の兆候を可視化できます。

Q2. 22.4%という誤属性化率は、どのサイトにも当てはまる数値ですか？

いいえ。この22.4%はGalinos氏が運営する運輸業界（travel/transportation）ブランド1社の、9ヶ月間・51,200イベントの実測値です。

業種、サイトの技術構成（HTTPS設定、Referrer-Policyの設定状況)、主要ユーザー層のデバイス・ブラウザ利用状況によって、実際の誤属性化率は変動しうると考えられます。自社の正確な比率を知るには、同様のText Fragmentトラッキングを自社サイトで実施することが必要です。

Q3. なぜAI Overview経由の流入がGA4で「Direct」に分類されてしまうのですか？

主な要因は、リファラー（参照元)情報の欠落です。HTTPS→HTTP遷移時のリファラー抑制、モバイルアプリ内ブラウザ（WebView)の仕様、遷移元サイトのReferrer-Policy設定、リダイレクトチェーンなど、複数の技術的要因が複合的に作用してリファラーが失われ、GA4が参照元を判定できずDirectとして分類します。

#:~:text=のようなURLフラグメントは、リファラーとは独立してURL自体に含まれる情報であるため、リファラーが失われた状況でも補完的なシグナルとして機能します。

Q4. #:~:text=はAI Overview専用のフラグメントですか？

いいえ。Galinos氏自身が記事内で明示している通り、このフラグメントはFeatured Snippets（強調スニペット）やPeople Also Ask（他の人はこちらも質問）でも使われる場合があります。

そのため、#:~:text=付きのイベントすべてがAI Overview由来であると完全に断定することはできません。この点は、この手法を導入する際に理解しておくべき重要な限界です。

Q5. GA4のイベントレベル計測とセッションレベル計測の違いは、この分析にどう影響しますか？

Text Fragmentの検知はイベントレベルで行われるため、1回のセッション内で複数のText Fragmentイベントが発生する可能性があります。そのため、51,200件という数字はイベント数であり、ユニークセッション数やユニークユーザー数とは異なります。

正確なセッション影響を知りたい場合は、セッションIDと紐づけた集計や、探索レポートでのセッションスコープの指標との突き合わせが別途必要になります。

Q6. べき乗分布とは具体的にどういう意味ですか？

少数の要素（この場合は少数のスニペット）が全体の成果の大部分を占め、残り大多数の要素はごくわずかな成果しか生まないという偏った分布のパターンです。

今回の研究では、1,661個の被引用スニペットのうち、トップ1本だけで2,276イベントを獲得した一方、平均は1スニペットあたり31イベントでした。この乖離は、AI Overviewに引用されるコンテンツの効果が均等ではなく、一部の「勝者コンテンツ」に集中することを示しています。

Q7. GSCの生成AIパフォーマンスレポートがあれば、このText Fragmentトラッキングは不要になりますか？

現時点では不要にはなりません。GSCの生成AIパフォーマンスレポートは、2026年8月時点でもインプレッション中心のデータであり、クリック数・CTR・クエリの詳細を提供していません。またこれはSearch Console内のレポートであり、GA4のようなサイト解析ツールに直接統合されるものではありません。

そのため、GA4側で自社サイトへの実際の到達・行動を把握するには、Text Fragmentトラッキングのようなファーストパーティの補完的な手法が引き続き有効です。両者を併用し、傾向の一致度を確認することが推奨されます。

Q8. 自社でこの手法を導入する場合、まず何から始めればよいですか？

まずGA4でイベントスコープのカスタムディメンションを1つ作成し、GTMで#:~:text=を含むURLへの遷移を検知するカスタムJavaScript変数を設定するところから始めます。

本記事の「今すぐできる対応策」セクションのステップ1に具体的な設定の流れを記載しています。設定後は数週間〜数ヶ月かけてデータを蓄積し、探索レポートでランディングページ別・月別の傾向を確認していく運用になります。

Q9. AI Overviewの表示率が2〜4%まで低下しているとありますが、これは対策の効果が薄れているということですか？

必ずしもそうとは言えません。Galinos氏の記事によれば、AI Overview経由の有機セッション比率は2026年2〜3月に16〜17%のピークをつけた後、直近は2〜4%まで低下していますが、これはボラティリティの一部として説明されており、特定の施策の失敗を示すものではありません。

AI Overviewの表示アルゴリズムやクエリ意図の変化、季節性など複数の要因が影響しうるため、単月・数ヶ月の変動だけで対策の成否を判断せず、中長期的なトレンドとスニペットのライフサイクル(引用の陳腐化)を踏まえて評価することが重要です。

Q10. この調査結果は、コンテンツ制作の優先順位付けにどう活かせますか？

引用されやすい特徴(構造化された具体的データ、HTML表形式、目的地ガイドのような網羅的な情報ページ)を踏まえ、既存コンテンツのうちこれらの特徴を欠くページから優先的に改善することが有効です。

また、べき乗分布の存在を踏まえると、すべてのページを均等に手直しするのではなく、Text Fragmentトラッキングで既に一定の引用実績があるページを中心に、表形式データの拡充や数値情報の更新を重点的に行う方が効率的だと考えられます。

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経由流入 コンバージョン率が計測できない理由とGA4での対処法
• 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
• GSC生成AIレポートが「事実上グローバル全展開」に――ポップアップ通知も初確認
• 用語集：LLMO（Large Language Model Optimization）
• 用語集：AIO（AI Overviews）
• 用語集：AI Overview（AIオーバービュー）
• 用語集：GEO（Generative Engine Optimization）