『引用されるパッセージ』と『吸収されるパッセージ』の違いをAdvanced Web Rankingが実証

『引用されるパッセージ』と『吸収されるパッセージ』の違いをAdvanced Web Rankingが実証

要点: SEO計測ツール大手Advanced Web Ranking（Bart Magera氏）が2026年8月13日に公開した調査「What Gets Quoted and What Gets Absorbed」は、Google AI OverviewsとBing Copilot Searchに40のSEOクエリを投げ、265件の引用と112個のパッセージ（段落・文の単位）を手作業で分析しました。 AI検索が情報源として「引用」するか、リンクなしで内容だけを「吸収」するかを分けるのはページ単位ではなくパッセージ単位であり、引用されたパッセージの96%が最初の文でエンティティ（主語）を明示していた一方、吸収されたパッセージの82%は「合意（コンセンサス）済みの内容を言い換えただけ」だったと報告しています。 Search Engine Roundtableも2026年8月18日付の日次まとめでこの調査を取り上げており、GEO/LLMO実務者の間で関心が広がっています。

最終更新日: 2026年8月19日

何が起きたのか

調査の背景と設計

Advanced Web Ranking（AWR）はランクトラッキング・SEO計測ツールを提供する企業で、AI OverviewsにおけるAI Overview内の引用元をトラッキングする「AIO Citation Rank」機能なども提供している。同社のBart Magera氏は2026年8月13日、自社ブログに「What Gets Quoted and What Gets Absorbed: A Passage-Level Study of AI Citations（何が引用され、何が吸収されるのか：AI引用のパッセージレベル調査）」と題する調査記事を公開した。この調査は2026年8月18日付のSearch Engine Roundtableの日次まとめ記事でも紹介されており、業界内での注目度がうかがえる。

調査の設計は次の通りだ。

• 対象クエリ: セマンティックSEO、トピカルオーソリティ、技術SEO、生成エンジン最適化（GEO）、エンティティSEOという5つのSEO知識領域から、それぞれ8クエリずつ計40クエリを選定。各領域は定義型・比較型・How型・Why型・ベストプラクティス型という5つのクエリタイプで構成されている。
• 対象エンジン: Google AI Overviews（40クエリ全てで応答を取得）とBing Copilot Search（同じく40クエリ全てで応答を取得）の2エンジン。
• データ収集日: 2026年7月29日の単日スナップショット。
• 方法論: ログアウト状態・新規プロファイルを使用し、地域バイアスを避けるためタイ発信のIPアドレスからアクセス。ロケールは英語（hl=en、gl=us）に固定し、全キャプチャでフルページスクリーンショットを記録した。自動化が失敗した2件については明示的に報告・修正のうえ再取得している。
• 分析対象: 合計265件の引用を記録し、そのうち112個のパッセージ（AI回答が実際に情報として使ったテキストの塊）を人手でコード化。95個は「引用済み（リンク付きで名指しされた）」、17個は「表示されたが引用なし（同じ結果ページ上位に出ていたのに、AIの回答では出典として名指しされなかった）」に分類した。

この調査自体は40クエリ・1日のスナップショットという小規模なものであり、著者自身も「サンプル数が小さい」「吸収は推論に基づく（AIのパイプライン内部は直接観測できない）」「タイ発のIPのため地域感度の影響を受ける可能性がある」といった限界を明記している。とはいえ、ページ単位ではなくパッセージ単位で引用・非引用を手作業でコード化し、両者を属性ごとに定量比較したという設計は、多くのAI引用研究がドメイン単位・URL単位の集計にとどまる中で異色であり、LLMOの実務レベルの示唆に富む。

発見1: AI OverviewsとBing Copilotでは引用の「量」がまったく違う

まず基本的な差として、AI Overviewsは1回答あたり平均16.8件（範囲は3〜32件）のソースを引用したのに対し、Bing Copilot Searchは平均4.9件（範囲は4〜7件）と大幅に少なかった。AI Overviewsは幅広い情報源を薄く広く引用する傾向があるのに対し、Bing Copilotは絞り込んだ少数の情報源に依存する傾向が見て取れる。

発見2: AI Overviewsの引用の59%は「従来型のWebページ」ではない

もう一つの重要な発見は、AI Overviewsの引用のうち59%が伝統的なWebページ（ブログ記事やドキュメントページなど）ではなかったという点だ。内訳としては、Reddit由来の引用が43件、YouTube由来が49件、LinkedIn由来が27件と、UGC・動画・SNSプラットフォームが大きな割合を占めている一方、ブログ・ドキュメント形式のページからの引用は41件にとどまった。これは、自社サイトのオウンドコンテンツだけを最適化していても、AI Overviewsの引用シェアの過半数を占めるプラットフォーム群（Reddit・YouTube・LinkedInなど）への露出戦略を欠いていては、AI検索での可視性確保が難しいことを裏付けるデータといえる。

発見3: ランキングと引用の相関は強いが、無視できない例外もある

完全にキャプチャできた12件のAI Overviewのうち11件では、そのページ上に表示された全てのオーガニック検索結果が漏れなく引用されていた。つまり「上位表示されているページはほぼ確実に引用される」という強い相関が確認された。

ただし例外も観測されている。あるセマンティックSEO関連のクエリでは、オーガニック検索の1位に表示されていたWordLiftのページが引用されず、代わりにReddit・Search Engine Journal・SE Rankingが引用元として採用された。この事例は、単純に「1位を取れば必ず引用される」とは言い切れないことを示す具体例として紹介されている。

発見4: GoogleとBing Copilotではパッセージの「性質」が異なる

エンジン間の比較では、Bing Copilotが引用したパッセージはGoogleに比べて「抽出的（原文をほぼそのまま使う形）」である比率が高く（82%対70%）、また「新しい（2025〜2026年の日付を含む）」比率も高かった（89%対72%）。Bing Copilotの方が権威性の低いソースを引用する傾向があり、回答の速度と情報の新しさを優先している可能性がある一方、Google AI Overviewsはやや権威性の高いソースを幅広く参照する傾向がうかがえる。

発見5: 何が「引用」と「吸収」を分けるのか——具体的な数値比較

この調査の核心は、95個の「引用済みパッセージ」と17個の「表示されたが引用なしのパッセージ」を属性ごとに比較した表にある。主な項目は以下の通りだ。

この表から浮かび上がる最も重要な差は3つある。第一に、エンティティの明示的な命名——引用されたパッセージの96%が最初の文で主語となるエンティティ（企業名・製品名・概念名など）を直接名指ししていたのに対し、吸収されたパッセージでは82%にとどまった。第二に、新鮮さ——目に見える2025〜2026年の日付を含むパッセージは、引用済みで80%、非引用で53%と、27ポイントの差があった。第三に、独自性の欠如——非引用パッセージの82%は「既存の合意（コンセンサス）を言い換えただけ」で、具体的な数値や新規の主張をほぼ含んでいなかった（非引用パッセージで具体的数値を含むものは0%、新規主張を含むものも0%）。

「吸収の罠」という結論

AWRのMagera氏はこの結果を「吸収の罠（absorption trap）」と呼んでいる。従来のSEOでは「標準的な内容を、標準的な書き方で書く」ことがフィーチャードスニペット獲得の定石とされてきたが、生成AIの時代においては、この「標準的な合意の言い換え」戦略はむしろ、AIの回答に情報として使われながらも出典として名指しされない——つまり「吸収されるだけ」の結果を招くリスクがあるという。原文では"Writing the standard answer in the standard way is now a strategy for feeding AI answers without being named in them"（標準的な回答を標準的な書き方で書くことは、今や名指しされないままAIの回答に情報を提供する戦略になっている）と表現されている。

aiseo-llmo.com ユーザーへの影響

「ページ単位」から「パッセージ単位」への発想転換が必要

これまでLLMO/GEO対策の多くは、ページ全体の構造化データ実装やE-E-A-Tシグナルの強化など、ページ単位・サイト単位の施策が中心だった。今回の調査は、AI検索エンジンが実際に引用するかどうかの判定単位が、ページではなく「パッセージ（一文〜一段落程度のテキストの塊）」であることを、手作業のコーディングという形で具体的に示している。これは、1本の記事の中でも「引用されやすいパッセージ」と「吸収されるだけのパッセージ」が混在しうることを意味し、記事全体の品質だけでなく、各見出し・各段落の冒頭文の書き方そのものを最適化対象として捉え直す必要があることを示唆する。

「無難に書く」ことのリスクが定量的に裏付けられた

多くのコンテンツ制作の現場では、業界の共通認識・一般的な定義を「無難に」まとめることが安全な選択とされがちだ。しかし今回の調査は、そうした「合意の言い換えに終始したパッセージ」が非引用パッセージの82%を占め、具体的な数値や新規の主張がほぼゼロだったという事実を示している。これは、AI検索時代においては「無難で正確だが、他と代わり映えしない記述」がむしろ出典として名指しされないリスクを高めることを裏付けるデータであり、コンテンツ制作の優先順位を見直す材料になる。

Reddit・YouTube・LinkedInへの露出戦略の重要性が改めて裏付けられた

AI Overviewsの引用の59%が伝統的なWebページ以外（Reddit・YouTube・LinkedInなど）だったという結果は、本サイトでもたびたび取り上げてきた「オウンドメディアだけでなくUGC・動画プラットフォームでの言及を増やす」という戦略の重要性を、改めて定量的に裏付けるものだ。自社サイトの記事最適化に注力するだけでなく、Reddit上での自然な言及獲得、YouTube動画コンテンツの制作・最適化、LinkedInでの専門的な発信といった複数チャネルでの存在感構築が、AI Overviewsでの引用シェア確保において引き続き重要な意味を持つ。

エンティティを主語に置く文章設計の重要性が再確認された

引用パッセージの96%が最初の文でエンティティを明示的に名指ししていたという結果は、既に本サイトのAI引用されやすい文章パターンの実証研究や結論ファースト構造とAI引用率の関係で紹介してきた「明確な主語・述語構造」「結論を最初に置く」という原則と方向性が一致する。パッセージ単位での実証データが、既存の文章設計原則を裏付ける形で追加されたと理解できる。

今すぐできる対応策

AWRの調査は原文でも7つの実務推奨を挙げている。ここでは、それらを踏まえた上で、日本語コンテンツの制作現場で実践しやすい形に整理する。

1. 各見出しの最初の文でエンティティを主語に置く

見出し直下の最初の一文には、必ずそのセクションの主題となるエンティティ（企業名・サービス名・概念名）を主語として明示する。抽象的な代名詞（「これは」「それは」）や、文の後半でようやくエンティティが登場する構成は避ける。

改善前:

「近年、AI検索エンジンにおける引用の仕組みが大きく変化しています。」

改善後:

「Google AI Overviewsは、パッセージ単位で引用可否を判定しています。」

2. 目に見える更新日を明示し、根拠となる情報も定期的に更新する

引用済みパッセージの80%が新しい日付表記（2025〜2026年）を含んでいたことを踏まえ、記事内の統計・データ・事例には、可能な限り年を明示した記述を含める。「最終更新日」の表示だけでなく、本文中の数値やデータそのものが最新のものに更新されているかを定期的に見直す運用が重要になる。

3. コア定義パッセージに具体的な数値を1つ以上加える

非引用パッセージのうち具体的な数値を含むものは0%だった一方、引用パッセージでは6%が数値を含んでいた。絶対数としては小さいものの、「定義パッセージには可能な範囲で1つは具体的な数値（統計・調査結果・実測データなど）を含める」というルールを、コンテンツ制作のチェックリストに加えることは有効だ。数値の裏付けがない場合は、無理に数字を作らず、代わりに独自の観察・事例を加えるとよい。

4. 「合意の言い換え」だけで終わらせず、独自の主張・事例を1つ加える

非引用パッセージの82%が「既存の合意（コンセンサス）の言い換えのみ」だったという結果を踏まえ、業界で広く合意されている一般論を書くだけでなく、自社の実測データ・独自の観察・他とは異なる視点（時には異論）を、各セクションに最低1つは盛り込む方針を持つとよい。「一般的にはAと言われているが、実際に計測するとBという結果だった」といった構成は、この観点で有効に働く可能性が高い。

5. パッセージがクエリのエンティティに直接答えているかを確認する

パッセージが隣接する話題ではなく、想定されるクエリのエンティティそのものに答えているかを、記事公開前にチェックする。例えば「LLMOツールの比較」という見出しの下で、実際には個別ツールの機能紹介に終始し、比較という主題そのものへの直接的な回答が薄い、といった構成のずれがないかを確認する。

6. 抽出しやすい構造は引き続き維持する

抽出的な最初の文（結論ファースト）は引用・非引用の両方で高い比率（76%対71%）を占めており、AWRは「入場券であって賞金そのものではない（table stakes, not the prize）」と表現している。結論ファーストの構造自体は依然として重要な前提条件だが、それだけでは差別化にならず、エンティティ命名・新鮮さ・独自性という追加の要素が引用の可否を分けるという理解を持つべきだ。

7. 複数のAIエンジンで自社のクエリを実際にテストする

Google AI OverviewsとBing Copilotでは引用の量・性質が異なることが確認された。自社の主要クエリについて、実際に複数のAI検索エンジンで応答を確認し、どのパッセージが引用され、どのパッセージが吸収されているのかを定点観測する運用を持つことが望ましい。AI引用率の計測手法についてはAI引用率の計測方法——手動 vs ツールや用語集: AIO（AI Overview最適化）も参照されたい。

よくある質問

Q1. この調査の対象規模とデータ収集時期を教えてください

Google AI OverviewsとBing Copilot Searchに対して40のSEOクエリを投げ、265件の引用と112個のパッセージを分析した調査です。データ収集は2026年7月29日の単日に行われました。

対象クエリは、セマンティックSEO・トピカルオーソリティ・技術SEO・GEO・エンティティSEOという5つのSEO知識領域から各8クエリ、合計40クエリで構成されています。

Q2. 「引用（cited）」と「吸収（absorbed）」の違いは何ですか？

引用パッセージはAI回答に出典リンク付きで名指しされたテキストの塊、吸収パッセージは同じ結果ページ上位に表示されていながらAIの回答では出典として名指しされなかったテキストの塊です。

この調査では112個のパッセージのうち95個が引用済み、17個が表示されたが引用なし（吸収）に分類され、両者を属性ごとに比較しています。

Q3. 引用されるパッセージと吸収されるパッセージの最大の違いは何ですか？

最も大きな差は3つあります。エンティティの明示的な命名（引用96%対非引用82%）、新しい日付表記の有無（引用80%対非引用53%）、そして独自性の有無（非引用パッセージの82%が既存の合意の言い換えのみで、具体的数値・新規主張をほぼ含まない）です。

特に非引用パッセージで具体的な数値や新規の主張を含むものが0%だった点は、「無難な言い換え」が吸収されるリスクを高めることを強く示唆しています。

Q4. Google AI OverviewsとBing Copilot Searchでは何が違いますか？

引用件数の量が大きく異なります。AI Overviewsは1回答あたり平均16.8件のソースを引用したのに対し、Bing Copilotは平均4.9件と少数に絞り込む傾向がありました。

またパッセージの性質もBing Copilotの方がGoogleより抽出的（82%対70%）かつ新しい（89%対72%）傾向があり、Bing Copilotは速度と新しさを優先している可能性が指摘されています。

Q5. 上位表示されていれば必ずAI Overviewsに引用されますか？

強い相関はありますが、確実ではありません。完全にキャプチャできた12件のAI Overviewsのうち11件では表示された全てのオーガニック結果が引用されましたが、1件の例外では1位表示ページが引用されず、代わりにReddit等の別ソースが引用されました。

つまりランキングは引用の強い前提条件ではあるものの、それだけで引用が保証されるわけではないというのがこの調査の示唆です。

Q6. Reddit・YouTube・LinkedInからの引用が多いというのは本当ですか？

はい。この調査ではAI Overviewsの引用のうち59%が伝統的なWebページ以外で、Reddit由来が43件、YouTube由来が49件、LinkedIn由来が27件だったのに対し、ブログ・ドキュメント形式のページからの引用は41件にとどまりました。

オウンドメディアの最適化だけでなく、これらのプラットフォームでの自然な言及獲得も、AI Overviewsでの露出確保において重要な意味を持つことを裏付けています。

Q7. 「吸収の罠」とはどのような意味ですか？

従来のSEOで有効とされてきた「標準的な内容を標準的な書き方でまとめる」というアプローチが、AI検索時代においてはむしろ、AIの回答に情報だけ使われて出典として名指しされない結果を招くリスクを指す言葉です。

調査著者のBart Magera氏はこれを"absorption trap（吸収の罠）"と呼び、「標準的な回答を標準的な書き方で書くことは、今や名指しされないままAIの回答に情報を提供する戦略になっている」と表現しています。

Q8. この調査結果はすぐにコンテンツ戦略を大きく変えるべき根拠になりますか？

著者自身がこの調査の限界（サンプル数40クエリ・1日のスナップショット・タイIP発信による地域バイアスの可能性）を明記しており、大規模な追試を経た確定的な知見ではありません。

ただし、パッセージ単位でエンティティの明示・新鮮さ・独自性を強化するという方向性は、既存のAI引用最適化の原則とも整合的であるため、既存コンテンツの部分的な改善（見出し直下の一文、定義パッセージなど）から着手し、効果を計測しながら範囲を広げるアプローチが現実的です。

Q9. この調査はどこで読めますか？

Advanced Web Rankingの公式ブログに「What Gets Quoted and What Gets Absorbed: A Passage-Level Study of AI Citations」として2026年8月13日に公開されています。著者はBart Magera氏です。

Search Engine Roundtableも2026年8月18日付の日次まとめ記事でこの調査を取り上げています。

Q10. AI Overviews向けの引用計測ツールにはどのようなものがありますか？

Advanced Web Ranking自身が「AIO Citation Rank」というAI Overview内の引用元をトラッキングする機能を提供しています。その他にも複数のAI引用計測ツールが存在します。

自社での計測方法の選び方についてはAI引用率の計測方法——手動 vs ツールで解説しています。

関連記事

• LLMO完全ガイド——AI検索時代の最適化戦略の全体像
• AI検索最適化完全ガイド
• AI引用されやすい文章パターンの実証研究
• 結論ファースト構造とAI引用率の関係
• AI引用の合意形成シグナル——プラットフォーム横断戦略
• AI引用率の計測方法——手動 vs ツール
• エンティティ最適化でAI引用率3倍——実装ガイド
• 用語集: AIO（AI Overview最適化）
• 用語集: E-E-A-T
• 用語集: Featured Snippet（強調スニペット）
• Google研究：AIの誤答は『知識不足』でなく『想起失敗』が主因
• ChatGPTの検索基盤『Retrieval Stack』解明——キャッシュ層とLabrador連携の仕組み