プリンストン大学GEO研究論文の要点とは、生成エンジンでの引用可視性を初めて学術的に体系化し、出典・統計・引用文の追加が最大約40%の可視性向上につながると実証した研究です。
論文「GEO: Generative Engine Optimization」(Aggarwal et al., arXiv:2311.09735)は、KDD 2024に採択された査読研究です。
10,000クエリのベンチマーク「GEO-bench」で9つの最適化手法を検証し、出典引用・統計データ・引用文の追加で生成エンジンでの可視性が向上、逆にキーワード詰め込みは効果が乏しいか逆効果と示しました。
最も効く手法ほど「ページ構造を変えず本文に追記するだけ」というシンプルさが、この論文の本質です。
この記事の結論
GEO論文の核心は、本文に出典・統計・引用文を足すだけで可視性が伸びる点だと考えています
今日からやること
- 数字には一次ソースのリンクを添える
- 専門家の発言を引用文として加える
- キーワードの詰め込みをやめる
こんな人向け:GEOの根拠を論文レベルで押さえ、社内で説明したい方数値の出典:Aggarwal et al.「GEO: Generative Engine Optimization」(arXiv:2311.09735、KDD 2024)
論文の要点:本文に出典・統計・引用文を足すだけで可視性が最大約40%向上

先に答えを言えば、この論文が実証した最重要の発見は「出典・統計データ・引用文を本文に追記すると、生成エンジンでの可視性が最大約40%向上する」という点です。
論文の要旨(アブストラクト)は明確に「GEOによって生成エンジン応答での可視性を最大40%高められる(boost visibility by up to 40%)」と述べています(arXiv掲載の論文アブストラクト)。
しかもこの効果は、ページ構造の大改修ではなく「本文への追記」という軽い作業で得られます。
DAMEMOTO代表鈴木結論を先に言うと、難しい工事はいりません
論文が出した数字を正確に押さえる
「最大約40%」という数字は、論文の2つの可視性指標のうち「位置調整済みワードカウント(Position-Adjusted Word Count)」での最良手法の伸びを指します。
論文本体では、最良の手法群がこの指標でベースライン比+41%、もう一方の「主観的印象(Subjective Impression)」指標で+28%向上したと報告されています(Emergent Mindによる論文の指標・結果の整理)。
「最大40%」は前者をやや丸めた表現で、後者の指標では28%という別の数字になる。この2軸を区別して語ることが、論文を正しく引用する第一歩です。
「本文追記だけ」が現場にとって朗報である理由
上位手法に共通するのは「ページ構造を一切変えず、本文中に追記するだけで成立する」点です。
FAQ schemaの実装や見出し構造の大改修はエンジニアの手を借りる必要があり腰が重い一方、「出典を貼る」「数字を足す」「専門家の言葉を引用する」ならライターが今日からできます。
Zennの論文解説でも「見出し構造の見直しやschema実装より、本文に出典を貼って数字を補強するほうが効く」と整理されています(Zennの論文に戻った解説記事)。
大工事より地道な追記が効く、という実装ハードルの低さがこの研究の価値です。本文に足す出典の書き方は、出典明記でAI引用率が上がる理由で整理しています。
SEOの順位最適化とは評価軸が根本的に違う
従来のSEOが「検索結果ページでの順位」を競うのに対し、GEOは「生成された回答文の中で、どれだけ目立つ位置で、どれだけの分量で引用されたか」を競います。
論文は、生成エンジンが複数ソースを統合して引用付き回答を作る前提に立ち、可視性の測り方そのものを再定義しました。
順位という一次元の尺度では捉えられない「回答内での存在感」を定量化した点が、学術的なブレークスルーです。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
誰が書いた論文か:プリンストン大ら4機関の共同研究

著者はPranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan、Ameet Deshpandeの6名です。
採択版の所属表記はIIT Delhi、Princeton University、Independentです。
著者6名と所属の正確な内訳
所属は、参照する論文の版に記載された情報に合わせます。本記事ではarXiv v3(2024年6月28日)の著者・所属を基準にし、他記事の経歴情報を論文上の所属として混ぜません。
arXiv公開とKDD2024採択の経緯
論文は2023年11月16日にarXiv(プレプリントサーバー)で初版が公開され、2024年6月28日にv3まで改訂されました。
識別子はarXiv:2311.09735で、DOI(10.1145/3637528.3671900)も付与されています。
データマイニング分野の最高峰国際会議KDD 2024(第30回ACM SIGKDD、2024年8月25〜29日・スペイン バルセロナ開催)に採択され、会議録の5〜16ページに収録されました(dblpの書誌情報)。
査読を通過した正式な学術成果である点が、ブログ記事の主張とは一線を画します。
GEOという言葉が学術用語として確立した瞬間
この論文は「Generative Engine Optimization(GEO)」という用語と概念を初めて提唱した一次文献です。
SEOが20年以上かけて実務から固まったのに対し、GEOは査読論文という学術的な裏付けから出発しました。日本で広く使われる「LLMO」が業界発の呼称であるのとは対照的です。
LLMOとの出自の違いは、GEOとLLMOの違いもあわせて確認しておきたいところです。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
GEO-benchと2つの可視性指標:何をどう測ったか

研究の信頼性を支えるのが、独自開発のベンチマーク「GEO-bench」です。複数分野・複数ソースから集めた10,000件のクエリで構成され、生成エンジン用に調整されています。
さらに論文は、順位に代わる2つの可視性指標を新たに定義しました。「何を、どんな物差しで測ったか」を理解すると、数字の意味が立体的に見えてきます。
GEO-bench:10,000クエリ・複数ソースのベンチマーク
GEO-benchは、Google・Microsoft Bing・Perplexity.AI Discover・GPT-4などから集めた多様なクエリ10,000件で構成されます(Search Engine Landの解説)。
クエリは「Business」「Debate」「Explanation」「Facts」「History」「Opinion」「People & Society」「Law & Government」「Science」「Statement」といった広いカテゴリにまたがります。
この多様性により、特定分野に偏らない一般的な評価が可能になりました。GEO-benchは後続のGEO研究の標準的な評価基盤になりつつあります。
指標1:位置調整済みワードカウント
1つ目の指標「位置調整済みワードカウント(Position-Adjusted Word Count)」は、自社が引用された文の単語数を、回答内での出現位置を加味して計測します。
回答の冒頭で長く引用されるほどスコアが高く、末尾で短く触れられるだけなら低くなります。
生成エンジンの回答は、複数の引用が1つのブロックに織り込まれるため、単純な「掲載/非掲載」では可視性を測れません。
この指標は「どこに、どれだけの分量で出たか」を一つの数値にまとめた工夫です。

「載ったか」より「どう載ったか」を測る発想です
指標2:主観的印象(7つの観点)
2つ目の指標「主観的印象(Subjective Impression)」は、関連性・引用の影響力・提示内容の独自性・主観的な位置・主観的な分量など、7つの観点でLLMに評価させる尺度です。
単語数のような機械的カウントでは拾えない「その引用が回答にどれだけ効いているか」という質的な側面を捉えます。
最良の手法群は、この主観的印象指標でベースライン比+28%を記録しました。定量と定性、2つのレンズで可視性を多面的に評価した点が、この研究を堅牢にしています。
\ AI活用、何から始めればいいか迷ったら /
初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ
9手法の検証結果:効いた手法と効かなかった手法

論文の核心は、9つの最適化手法を同じ土俵で比較し、効くものと効かないものを明確に分けた点です。
検証された9手法は、権威付け(Authoritative)・キーワード詰め込み(Keyword Stuffing)・統計追加(Statistics Addition)・出典明記(Cite Sources)・引用文追加(Quotation Addition)・平易化(Easy-to-Understand)・流暢性最適化(Fluency Optimization)・独自語追加(Unique Words)・専門用語追加(Technical Terms)です(Search Engine Landが整理した9手法)。
結果はくっきりと明暗が分かれました。9手法を優先順位で使い分ける方法は、GEO対策の効果を高める9要素でまとめています。
上位手法は引用文・統計・出典の追加
位置調整済みワードカウントで最も効いたのは引用文の追加で、ベースライン比約+41%を記録し、9手法中トップでした。
次いで統計追加が約+31%増、流暢性最適化が約+29%増、出典明記が約+28%増と続きます(Emergent Mindの手法別スコア整理ほか複数の二次資料が伝える数値で、集計方法により若干の幅があります)。
共通点は「本文に一文足すだけ」で完結すること。
論文自身が、上位手法は「最小限の変更で可視性を大きく改善する(require minimal changes but significantly improve visibility)」と表現しています。


表で詳しく見る
| 手法(英名) | 位置調整WCの伸び(目安) | 判定 |
|---|---|---|
| 引用文の追加(Quotation Addition) | 約+41%(9手法中トップ) | 効く |
| 統計データの追加(Statistics Addition) | 約+31% | 効く |
| 流暢性の最適化(Fluency Optimization) | 約+29% | 効く |
| 出典の明記(Cite Sources) | 約+28% | 効く |
| キーワード詰め込み(Keyword Stuffing) | ほぼ改善なし〜悪化 | 効かない |
| 独自語・専門用語の追加 | 効果が小さい | 効きにくい |
注意したいのは、上の数値が「位置調整済みワードカウント」での相対値であり、論文の版・指標・集計方法によって幅が出る点です。
アブストラクトが約束するのは「最大40%」という上限の目安であり、各手法の個別%は傾向値として捉えるのが安全です。
数字を一桁まで断定的に引用するより、「引用文・統計・出典が上位」という順序関係を押さえるほうが実務では役立ちます。
効果は分野で大きく変わる(万能の手法はない)
論文の重要な発見が、手法の効きが分野で大きく異なることです。
統計追加は「Law & Government(法律・政府)」分野や「Opinion(意見)」型クエリで特に効き、引用文追加は「People & Society」「Explanation」「History」で最も効果的でした。
出典明記は「Facts(事実)」型で効き、権威付けは「Debate(議論)」「History」で performance を高めたと報告されています(Search Engine Landの分野別解説)。
論文も「分野特化のターゲット調整をすべき」と結論しており、自社分野で何が効くかを検証する姿勢が欠かせません。
キーワード詰め込みは効かない(むしろ逆効果)
従来SEOの代表的な悪手であるキーワード詰め込みは、生成エンジンでも可視性を高めませんでした。論文は、現代の生成エンジンが高度な言語モデルで不自然な最適化を見抜くと指摘しています。
20年以上「やってはいけない」とされてきた手口は、GEOでも同じく無効——という一貫性は、コンテンツSEOの王道がそのまま通用することを示唆します。
独自語や専門用語のむやみな追加も、効果は極めて小さいと判明しました。
下位サイトほど効果大:中小サイトに開かれた可能性

この論文の中で、中小サイトの運営者が最も勇気づけられる発見が「検索順位が低いサイトほどGEOの恩恵が大きい」という結果です。
ドメイン権威に乏しいサイトでも、本文への追記で生成エンジンの回答に食い込める——競争の土俵が少し平らになる可能性を、データが示しました。
出典明記で「5位サイトの可視性が+115.1%」
論文は具体例として、出典明記(Cite Sources)が「SERP5位のサイトの可視性を115.1%増やした」一方、「1位サイトの可視性は平均30.3%減った」と報告しています(Search Engine Landが引用した論文の記述)。
「最大約40%」という全体平均の裏で、下位サイトに限れば三桁の伸びが観測された。この非対称性が、中小サイトにとっての朗報の根拠です。
ただしこれは特定条件下の一例で、全サイトに115%が保証されるわけではない点は強調しておきます。
DAMEMOTO代表鈴木大手より中小に効く、という数字は心強いです
ドメイン権威がなくても引用されうる構造
生成エンジンは、回答の根拠として「検証可能で具体的な情報」を選びます。
被リンク数やドメイン年齢より、「その文に出典・数字・引用があるか」が引用判断に効く場面がある——だからこそ、後発の中小サイトにもチャンスが生まれます。
論文が示したのは、コンテンツの中身で勝負できる余地が、SEOより広いかもしれないという可能性です。
記事に載せる具体的な情報の集め方は、SEOとAI引用に効く一次情報の作り方を読むと進めやすくなるはずです。
9手法を「やる/やめる」で振り分ける置き土産
論文の結果を、明日の実装判断に落とし込めるよう「やる/やめる」で振り分けた早見表が下の表です。足し算(効く手法を入れる)と引き算(効かない手法をやめる)の両面で使えます。保存して、記事の公開前チェックに使ってください。


表で詳しく見る
| 判断 | 手法 | 実装のひと言メモ |
|---|---|---|
| 最優先でやる | 引用文の追加 | 信頼できる発言を直接引用(People&Society・History系で特に有効) |
| やる | 統計データの追加 | 定性的な記述を数字に置き換える(Law&Government・Opinionで有効) |
| やる | 出典の明記 | 主張のそばに一次ソースのリンクを貼る(Facts系で有効) |
| やめる | キーワード詰め込み | 密度狙いの不自然な反復は無効〜逆効果 |
| 後回し | 独自語・専門用語の乱用 | 効果が小さく、可読性を下げるリスク |
論文を実務に使う際の注意点(正直な限界)

この論文は強力な指針ですが、数字をそのまま現場に持ち込むと誤読を招きます。正直に言えば、注意すべき限界が少なくとも3つあります。実験対象の範囲、数値の解釈、そして引用の変動性です。
ここを踏まえずに「ChatGPTで+41%」のように語ると、過剰解釈になります。
実験対象はBing系・Perplexity(ChatGPTチャットではない)
論文の主要実験は「BingChatの設計に近いシステム」で行われ、実環境での検証はPerplexity.aiで実施されました(可視性向上は最大37%)。
ChatGPTやClaudeのチャット応答での引用確率を直接測ったものではありません。
Search Engine Landも「これは実世界の結果ではない。Perplexityで一部検証したが、PerplexityはGoogleではない」と釘を刺しています(Search Engine Landの注意喚起)。
手法の方向性はAI検索全般に有効と考えられますが、数値の対象範囲は正確に理解する必要があります。
「2つの指標で別々の数字」を混同しない
「最大40%」は位置調整済みワードカウント、「28%」は主観的印象という別指標の数字です。さらに個別手法の%は、版や集計で幅があります。
プレゼン資料で「GEOで可視性40%アップ」とだけ書くと、どの指標の何の数字か曖昧になりがちです。出典・指標・対象システムをセットで示すのが、論文を正しく扱う作法です。数値を引用するときほど、出所を明記しましょう。

「40%」だけ独り歩きさせない、が鉄則です
引用は変動が激しく「一度きり」では終わらない
論文以降の調査では、AIの引用が想像以上に流動的だと分かっています。
Profound社がプラットフォームごとに約8万件のプロンプトを追跡した調査によると、AI回答で引用されるドメインの約40〜60%は1か月後には入れ替わり、6か月では70〜90%が完全に別のドメインに変わったと報告されています(Profoundの引用変動調査)。
SISTRIXの追試でも、ChatGPT Searchで週74%、Google AIモードで週56%の引用ドメインが入れ替わるなど高い流動性が確認されています(SISTRIXのAI引用ドリフト解説)。
一度上位に引用されても安泰ではなく、継続的な品質向上と鮮度維持が前提です。論文の手法は「やれば終わり」ではなく、効果を維持する運用とセットで取り組むべきものです。
引用の変動を追う手段は、GEO効果測定ツールの選び方で整理しています。
数値は対象と指標をセットで語る
この論文が本当に問わなくていいこと(正直コーナー)

最後に、編集視点で正直に書いておきます。この論文を「読まなくていい人」「読んでも答えが出ない問い」が存在します。万能のバイブルとして崇めるより、限界を知って使うほうが健全です。
こんな人には深追い不要
すでに「一次情報を引用し、数字に出典を付け、専門家の声を載せる」記事を書けている人は、この論文を細部まで読み込む必要はありません。
論文の結論は、良質なコンテンツSEOの王道とほぼ重なるからです。逆に「小手先のテクで一発逆転したい」人にとっては、期待外れでしょう。
論文が示したのは魔法ではなく、地道さの再確認です。
論文だけでは分からないこと
2023〜2024年の実験である以上、2026年現在のChatGPT・Gemini・AI Overviewsの最新挙動を直接保証するものではありません。
各プラットフォームのアルゴリズムは頻繁に更新され、論文が測ったシステムとも異なります。「論文の方向性は信じる、個別の数字は自社で検証する」。
この二段構えが、変化の速い領域での正しい付き合い方です。本記事で確認できなかった最新の数値は「未確認」として扱い、断定を避けています。
論文の方向性を自社で試す手順は、GEO対策の実装7ステップでまとめています。
独自の読み解き:本当の価値は「効かない手法」を潰した点

GEO論文は「引用・出典・統計が効く」と紹介されがちですが、編集の現場で価値が高いのは「効かない/逆効果の手法」を実証で潰した点です。
従来SEOの常識だったキーワード詰め込みが無効〜マイナスと示されたことで、「やらなくていいこと」が明確になりました。
下表は、論文の結果を“足す/手放す”の判断軸で独自に整理したものです。

表で詳しく見る
| 方向 | 論文の含意 | 現場での動き |
|---|---|---|
| 足す | 引用・統計・出典が可視性を押し上げる | 主張のそばに根拠を一つ置く |
| 手放す | KW詰め込みは無効〜逆効果 | 密度狙いの不自然な反復をやめる |
見落としがちなのは、「効く手法」を足すことばかり考えて「効かない手法」をやめ忘れることです。キーワードを詰めながら引用も足す、では効果が相殺されます。
論文の含意は「良い記事の条件(引用・データ・出典)に集中し、小手先のSEOテクは手放す」。足し算より引き算が効く場面がある、という逆説がこの研究の隠れた教訓です。
よくある質問

- プリンストンGEO論文とは何ですか?
-
Aggarwalらが2024年KDDで発表した、GEOを学術的に体系化した査読論文です。10,000クエリで9手法の効果を定量検証しました。arXiv:2311.09735で読めます。
- GEO論文は本当にプリンストン大学だけの論文ですか?
-
Aggarwal氏ら6名による共同研究です。参照した採択版はIIT Delhi、Princeton University、Independentという所属表記です。
- GEO論文で最も効果的だった手法は何ですか?
-
引用文の追加です。位置調整済みワードカウントで9手法中トップ(約+41%)。次いで統計追加、流暢性最適化、出典明記が続きます。いずれも本文への追記で完結します。
- GEO論文の「最大40%向上」とは何の数字ですか?
-
位置調整済みワードカウント指標での最良手法群の伸びです。論文本体では+41%、もう一方の主観的印象指標では+28%。指標により数字が違う点に注意します。
- GEO論文で効かなかった手法は?
-
キーワード詰め込み(ほぼ改善なし〜悪化)と、独自語・専門用語のむやみな追加(効果が極めて小さい)です。従来SEOの悪手はGEOでも通用しません。
- GEO論文の数値はそのまま使えますか?
-
注意が必要です。主要実験はBing Chatに似せた研究用システムで、実環境検証はPerplexity(最大37%)。ChatGPTのチャット応答ではありません。方向性は有効ですが過剰解釈は禁物です。
- GEO論文の手法は中小企業にも効果がありますか?
-
あります。論文では下位サイトほど効果が大きく、出典明記で5位サイトの可視性が115.1%増えた例もあります。ドメイン権威がなくても引用されうる構造です。
- GEOで一度引用されれば安泰ですか?
-
安泰ではありません。Profound調査では引用ドメインの40〜60%が月ごとに入れ替わり、6か月で70〜90%が別物になります。継続的な品質・鮮度維持が不可欠です。
- GEO手法の効果は分野で変わりますか?
-
変わります。統計追加はLaw&Government・Opinionで、引用文追加はPeople&Society・Explanation・Historyで特に有効。自社分野での検証が前提です。
まとめ:本文に出典・統計・引用を足すだけで可視性が最大約40%

プリンストン大らのGEO論文(arXiv:2311.09735・KDD2024採択)は、計10,000クエリからなるGEO-benchを構築し、主な9手法の比較は1,000件のテスト集合で実施し、引用文・統計・出典の追加で生成エンジンでの可視性が最大約40%向上、キーワード詰め込みは効かないと実証しました。
最も効く手法ほど「ページ構造を変えず本文に追記するだけ」というシンプルさ。
下位サイトほど効果が大きい一方、主要実験はBing Chatに似せた研究用システム・実環境検証はPerplexity(最大37%)であり、引用は月ごとに大きく入れ替わる点に注意して活用しましょう。
- 本文追記だけで可視性が最大約40%
- KW詰め込みは無効、引き算も大事
- 対象は研究用システムとPerplexity・引用は流動的



参考URL一覧
- arXiv・GEO: Generative Engine Optimization(一次論文):https://arxiv.org/abs/2311.09735
- Search Engine Land・GEOフレームワークを紹介した研究:https://searchengineland.com/generative-engine-optimization-framework-introduced-research-paper-435855
- dblp・KDD2024 書誌情報(Aggarwal et al.):https://dblp.dagstuhl.de/rec/conf/kdd/AggarwalMRKND24.html
- Emergent Mind・Generative Engine Optimization (GEO) 解説:https://www.emergentmind.com/topics/generative-engine-optimization-geo
- Profound・AI Search Volatility(引用ドメインの月次変動調査):https://www.tryprofound.com/blog/ai-search-volatility
- SISTRIX・AI Citation Drift(引用ドメインの安定性):https://www.sistrix.com/blog/ai-citation-drift-how-stable-are-sources-in-ai-search-results/
- Zenn(playpark)・GEO入門記事を読み比べて論文に戻った:https://zenn.dev/playpark/articles/geo-generative-engine-optimization-guide
補足参考資料





