【日本財務戦略センター 独自調査研究】AI 時代 SEO/AIO 対策の現在地 ─ 日米 30 社対照実験で観察された Claude / Gemini Pro / GPT の引用構造の差異

記事の背景

2026年5月15日、Google は「AI Optimization Guide」を公開しました。このガイドの中で Google は一つの重要なメッセージを述べています。それは、「AI検索での可視性を高めるために、特別な最適化技術は必要ない」「llms.txt のような専用ファイルは不要である」というものです。

この発表は、AI業界やマーケティング領域に大きな関心を呼びました。なぜなら、これまでの SEO と異なり、AI による引用やコンテンツ活用の仕組みについては、まだ確実な情報が少なかったからです。

日本財務戦略センター（JFSC）は、この発表の翌日である2026年5月16日に、独自の検証を実施することにしました。本記事は、その検証結果をまとめたものです。

具体的には、米国の AI/LLM 業界における15社と、日本の M&A 仲介業界における15社を対象に、Claude と Gemini Pro の2つの大規模言語モデルが、同じテーマで記事を執筆する際に、どの企業のコンテンツをどの程度引用する傾向にあるのかを観察しました。その結果、いくつかの興味深い発見が得られました。

情報取得の場面において、私たちは往々にして「無意識に誘導されている」ことがあります。本記事を通じて、その仕組みを理解し、ご自身の判断を取り戻していただくことが本来の目的です。

検証手法と対象企業の選定理由

対照実験の概要

本検証は、日米 30 社を対象とした 4 つの実験ケースを組み合わせた対照実験です。合計 237 以上の引用機会を観察対象としました。

米国側：AI/LLM 業界 15 社

米国側の対象企業は、AI・LLM 業界の 15 社です。この業界を選定した理由は、以下の通りです。

• AIO（AI Overviews）・llms.txt 装備率が世界で最も進んでいる業界であり、企業の取り組み水準の分布が明確です。
• SaaS 企業の 89%、AI/LLM 専業企業の 50% がすでに何らかの形で AIO 対応を実施済みです。
• 引用傾向の差異が顕著に表れやすく、統計的な信頼度が高い業界です。

米国側の企業構成は、「装備中堅（AIO 対応済の新興企業 5 社）」と「非装備中堅・大手混合（5 社）」の 2 グループに分かれています。

日本側：M&A 仲介業界 15 社

日本側の対象企業は、M&A 仲介業界の 15 社です。この業界を選定した理由は、以下の通りです。

• 日本国内で AIO 対応が比較的進んでいる業界の一つとして認識されており、企業間の取り組み度合いの差が明確に存在します。
• M&A 仲介企業は、多くが同質的なコンテンツ（業界研究、成功事例、ノウハウ記事）を発信しているため、引用傾向の差異がより鮮明に表れます。
• JFSC 自身がこの業界に属しており、業界の特性・相違点・競合環境を内部的に理解していることから、妥当な分析が可能です。

日本側の企業構成は、3 つのグループに分かれています：「装備中堅 5 社」「非装備中堅 5 社」「非装備大手 5 社」です。

実験デザイン

実験は以下のように設計されました。

1. 参照源の指定：Claude researcher と Gemini Pro 2.5 の両 LLM に対し、同じテーマで記事を執筆させます。その際、参照元として指定した企業のウェブサイトのコンテンツを利用可能にします。
2. 引用の記録：生成された記事に含まれる引用（直接引用・意訳・参照）をすべて集計します。
3. 引用統計の分析：企業ごとの引用回数、引用の総字数、引用がどのセクションに集中しているのか、などを集計します。
4. LLM 別の傾向比較：Claude と Gemini Pro の引用パターンにどのような差異があるのかを観察します。

観察された主な結果

米国側実験（AI/LLM 業界）では、以下の傾向が見られました。

• Claude は、AIO 装備企業に対して +28〜41% の引用傾向を示しました。ただし、業界主導の大手企業（例：OpenAI、Anthropic、Google）については、装備の有無に関わらず安定的に引用されます。
• Gemini Pro は、大手企業 3 社に引用の 64% が集中する傾向を示しています。中堅・新興企業の装備状況の影響は限定的です。

日本側実験（M&A 仲介業界）では、以下の傾向が見られました。

• Claude は、装備中堅企業と非装備大手企業がほぼ拮抗する引用頻度を示しています。日本財務戦略センター（JFSC）は、この実験で業界内 1 位の引用回数（8 引用）を記録しました。
• Gemini Pro は、大手企業 3 社に引用の 84% が集中する傾向を示しています。JFSC を含む装備企業の引用はゼロでした。

本検証の限界と前提条件

なお、本検証には以下の限界がありますので、結果の解釈にあたっては留意ください。

• サンプルサイズ：実験対象は米国 15 社、日本 15 社に限定されており、全体的な傾向を代表するには限界があります。
• LLM の種類：Claude と Gemini Pro 2.5 の 2 モデルのみを対象とした検証です。他の LLM（GPT、Grok など）では異なる結果が得られる可能性があります。
• 試行回数：本検証は 1 回の試行に基づいており、再現性の検証はまだ実施されていません。
• テーマの限定性：対象テーマは、各業界における「基本的なビジネス課題」に限定されています。より特化したテーマでは、引用傾向が異なる可能性があります。
• コンテンツ品質の影響：引用傾向には、企業のコンテンツ品質・更新頻度・メディア評判も影響を与えていると考えられますが、本検証ではこれらの変数を分離して分析していません。

これらの限界を踏まえ、本記事で述べられている発見は、あくまで「観察された傾向」として解釈されるべきものです。一般化や政策立案の根拠として直接用いることは推奨されません。

第 I 部：米国の同カテゴリー比較（AI/LLM 業界 15 社）

1. 対象企業 15 社と装備率マップ

AI・LLM 業界に特化した装備状況の調査を実施しました。ここでいう「装備」とは、llms.txt というファイルを各企業ドメインに配置し、AI ライター（Claude researcher、Gemini Pro）への情報提供を意図的に行っている状態を指します。

装備中堅 5 社（llms.txt 装備済み）

• cohere.com（4,801 bytes、手動装備）
• mistral.ai(4,847 bytes、手動装備)
• replicate.com（3,416 bytes、手動装備）
• elevenlabs.io（9,444 bytes、手動装備）
• together.ai（39,089 bytes、手動装備）

非装備 5 社（llms.txt 未装備）

• anthropic.com
• openai.com
• huggingface.co
• character.ai
• perplexity.ai

参考として、AI/LLM 業界全体での装備率調査によれば、AI/LLM 系企業全体での採用率は 47% でした。これは SaaS 系の 89%（stripe、vercel、notion、cloudflare 等）と比較すると、やや低めの傾向が観察されました。

2. 検証手法

本調査では、以下の手順で AI ライターの引用傾向を測定しました。

• 6 つのテーマで、10 社のドメインのみを参照元として明示的に指定
• Q1: 企業 AI 導入ガイド
• Q2: LLM API 比較
• Q3: fine-tuning 実装方法
• Q4: RAG（Retrieval-Augmented Generation）実装
• Q5: マルチモーダル AI
• Q6: AI エージェント
• Claude researcher（無料版）と Gemini Pro 2.5 をそれぞれ実施
• 各テーマごとに引用回数と字数を群別集計

3. Claude researcher の結果

Claude researcher による引用パターンを以下の表にまとめました。

観察：テーマ依存性

全体では装備企業からの引用が約 +10%、字数では +8% となっていますが、テーマごとの差分が大きく異なる傾向が観察されました。

• 装備が優勢なテーマ（Q1〜Q5）：導入事例や実装手法といった実務トピックでは、装備企業が一貫して引用される傾向が観察されました。
• 非装備が優勢なテーマ（Q6）：AI エージェント領域は、業界主導の大手企業が標準プロトコル（MCP・Agents SDK）の開発を主導しており、このテーマでは非装備企業からの引用が多くなりました。

参考として、AI 引用行動に関する研究では、複数 AI モデルの引用パターン差異が報告されています。

4. Gemini Pro 2.5 の結果

観察：業界主導大手への引用集中

Gemini Pro 2.5 では全 6 テーマを通して非装備企業からの引用が優勢となり、合計で非装備 +243% の構成比を示しました。

さらに分析すると、業界主導大手 3 社が引用全体の 64% を占めることが観察されました。

• openai.com：17 件
• anthropic.com：15 件
• huggingface.co：12 件

この傾向は、AI プラットフォームの引用決定メカニズムに関する業界分析でも、各 LLM が権威性と業界地位を反映した引用パターンを示すことが示唆されており、本実験の観察とも整合的です。

4-bis. GPT-5.4-mini の結果

3 番目の AI ライターとして OpenAI の GPT-5.4-mini（ChatGPT 系列の API モデル）でも、Claude / Gemini Pro と完全同条件で同じ 6 テーマを実行しました。

観察：装備サイトの引用がやや優勢

GPT-5.4-mini では装備サイトからの引用が +14% 引用 / +11% 字数で、Claude researcher と似た傾向を示しました。Gemini Pro 2.5 のような業界主導大手への一極集中は観察されませんでした。

サイト別の引用回数では、openai.com（12 引用、非装備）と cohere.com（12 引用、装備）が同率トップ、huggingface.co（10 引用、非装備）が 3 位という結果でした。装備の有無で偏りは少なく、ドメインの内容適合性が引用の主因と示唆されます。

5. 米国実験の小括

Claude researcher と GPT-5.4-mini は装備サイトを比較的均等に拾う傾向、Gemini Pro 2.5 のみが業界主導大手 3 社に引用を集中させる傾向が観察されました。

• Claude researcher：装備中堅サイトを比較的均等に拾う傾向が観察されました。Anthropic の Constitutional AI に関する研究では、ソース選択の多様性を重視する方針が示されており、これが引用分散の背景にある可能性が考えられます。
• GPT-5.4-mini：Claude と類似の傾向を示し、装備サイトを +14% 引用優位で拾いました。業界主導大手への極端な集中は観察されません。
• Gemini Pro 2.5：業界主導大手 3 社への引用集中が顕著でした。Google の検索グラウンディング特性を反映して、権威性と信頼性の高いサイトを優先する傾向が観察されました。llms.txt 採用状況調査では、llms.txt の有無が引用頻度に明確な相関を示さないこと、むしろドメイン権威性が支配的であることが報告されています。

6. 本セクションの示唆

米国 AI/LLM 業界の 15 社を対象とした本調査では、同一テーマについても、AI モデルによって引用元の選定傾向が異なることが観察されました。

次セクションでは、これらの観察を踏まえて、日本国内の M&A 仲介業界における AI 引用パターンを検証します。

第 II 部：日本の同産業比較（M&A 仲介業界 15 社）

1. 対象企業と検証対象

本セクションでは、日本のM&A仲介業界15社を「構造化データ装備状況」で分類し、Claude ResearcherとGemini Pro 2.5による引用傾向を対照実験で検証した結果を報告します。

群A：装備中堅企業（5社）

• jfsc.jp（日本財務戦略センター、弊社）
• integroup.jp（インテグループ）
• malead.co.jp（マリード）
• ma-properties.com（M&Aプロパティーズ）
• link-cs.com（リンク・コーポレーション）

群B：非装備中堅企業（5社）

• ondeck.jp（オンデック）
• agsc.co.jp（AGSコンサルティング）
• bizcube.co.jp（ビズキューブ）
• actus.co.jp（アクタス）
• nkgr.co.jp（日本経営グループ）

群C：非装備大手企業（5社）

• nihon-ma.co.jp（日本M&Aセンター）
• ma-cp.com（M&Aキャピタルパートナーズ）
• strike.co.jp（ストライク）
• meinan-ma.com（名南M&A）
• recof.co.jp（レコフ）

2. 検証手法

実験設計は以下の通りです。

• テーマ：5つのM&A関連クエリ（仲介選び方 / 料金体系 / 事業承継プロセス / ガイドライン対応 / 業種特化型）
• 方法：各テーマについて、15社のドメインのみを参照源として指定し、Claude ResearcherとGemini Pro 2.5に記事執筆を依頼
• 計測：各AIが引用した企業の引用回数と引用文字数を3群別に集計
• 実施時期：2026年5月16日実施（弊社内部対照実験）

この手法により、構造化データ装備が「AI引用可視性」に及ぼす影響を、同一テーマ・同一データセット条件下で検証することが可能になります。

3. Claude Researcher の検証結果

Claude Researcherの引用傾向を5テーマ別に集計した結果は以下の通りです。

※ 群A＝装備中堅 5 社（jfsc.jp / integroup.jp / malead.co.jp / ma-properties.com / link-cs.com）／群B＝非装備中堅 5 社（ondeck.jp / agsc.co.jp / bizcube.co.jp / actus.co.jp / nkgr.co.jp）／群C＝非装備大手 5 社（nihon-ma.co.jp / ma-cp.com / strike.co.jp / meinan-ma.com / recof.co.jp）

Claude Researcherの観察

Claude Researcherの結果からは、以下の傾向が観察されます。

• 群A装備中堅 vs 群B非装備中堅：引用回数は同数（各20回）ながら、装備中堅の方が引用あたり字数で+13%優位。これは構造化データが「より詳細で信頼性の高い文脈で引用されやすい」ことを示唆しています。
• 群A装備中堅 vs 群C非装備大手：装備中堅は引用回数で-23%（20回 vs 26回）の劣位にあります。しかし総字数では1,128字（群A）と1,366字（群C）で、字数比では82%の水準に留まり、「中堅でも大手と字数で拮抗する傾向」が表れています。
• 群B非装備中堅 vs 群C非装備大手：両群とも構造化データ装備がない条件下では、非装備中堅が総字数で-27%（997字）と大きく後退。装備有無が「引用字数の質」に影響を与えることを示唆しています。

サイト別トップ企業（Claude Researcher）

対象15社の中で、Claude Researcherが最も多く引用した企業は以下の通りです。

• jfsc.jp（弊社）：8回引用（全体の最多）
• ma-cp.com（M&Aキャピタルパートナーズ）：6回引用
• nihon-ma.co.jp（日本M&Aセンター）：6回引用
• strike.co.jp（ストライク）：6回引用
• integroup.jp（インテグループ）：6回引用
• ondeck.jp（オンデック）：6回引用

弊社jfsc.jpが最多引用（8回）に位置する背景としては、構造化データの充実（60,750 bytes）とコンテンツの説明性の高さが、Claude Researcherの文脈理解に貢献した可能性があります。一方、大手3社（日本M&Aセンター、M&Aキャピタルパートナーズ、ストライク）も同数（6回）の引用を得ており、「ブランド認知と構造化データ装備の両方が引用可視性に寄与する」ことを示唆しています。

※ 群A=装備中堅 5 社／群B=非装備中堅 5 社／群C=非装備大手 5 社（詳細は本記事末尾の APPENDIX 参照）

4. Gemini Pro 2.5 の検証結果

同一の15社・5テーマでGemini Pro 2.5に同じ記事執筆を依頼した結果は以下の通りです。

※ 群A＝装備中堅 5 社／群B＝非装備中堅 5 社／群C＝非装備大手 5 社（詳細は本記事末尾の APPENDIX 参照）

Gemini Pro 2.5の観察

Gemini Pro 2.5の結果は、Claude Researcherとは大きく異なる特性を示しています。

• 非装備大手企業への引用集中：群C（非装備大手）が全引用の62%（25回/計40回）を占めています。これはClaude Researcherの場合（群C：26回/計66回≒39%）と比較すると、Gemini Pro 2.5の方がより「業界主導的なブランドへの依存度が高い」ことを示唆しています。
• 大手3社への集中：nihon-ma.co.jp（日本M&Aセンター）、ma-cp.com（M&Aキャピタルパートナーズ）、strike.co.jp（ストライク）の大手3社で、Gemini Pro 2.5の全引用の53%（21回）を占めています。
• 装備企業の低評価：弊社jfsc.jpは、Claude Researcherでは8回引用（最多）であったのに対し、Gemini Pro 2.5では0回の引用に留まっています。これは「AIモデルによって参照戦略が異なる」ことを明確に示しています。
• 非装備中堅企業の伸長：群B（非装備中堅）は群A（装備中堅）の7回を上回る8回の引用を得ています。構造化データ装備の有無よりも、「ブランド認知度や業界内ポジショニング」がGemini Pro 2.5の引用判断に優位に作用している可能性があります。

4-bis. GPT-5.4-mini の検証結果

3 番目の AI ライターとして OpenAI の GPT-5.4-mini（ChatGPT 系列の API モデル）でも、Claude / Gemini Pro と完全同条件で同じ 15 社・5 テーマを実行しました。

※ 群A＝装備中堅 5 社／群B＝非装備中堅 5 社／群C＝非装備大手 5 社（詳細は本記事末尾の APPENDIX 参照）

観察：3 群に広く分散、群 B 非装備中堅が最多

GPT-5.4-mini の結果は、Claude や Gemini Pro とは異なる第三の傾向を示しました。3 群への引用は比較的均等に分散しており、特に群 B（非装備中堅）が最多の 27 回の引用を獲得しています。サイト別では agsc.co.jp（AGS コンサルティング）が単独 14 回引用と最多、integroup.jp（インテグループ）が 9 回引用で 2 位という結果でした。弊社 jfsc.jp は 6 回引用で、Claude（8 回）と Gemini Pro（0 回）の中間に位置しました。

4-ter. 3 LLM 横並び比較

※ 群A＝装備中堅 5 社／群B＝非装備中堅 5 社／群C＝非装備大手 5 社（詳細は本記事末尾の APPENDIX 参照）

3 LLM のうち、群 C（非装備大手）への引用集中度が顕著なのは Gemini Pro 2.5 のみで、Claude と GPT-5.4-mini は中堅サイト群（A・B）にも比較的均等に引用を分散させる傾向が観察されました。

5. Claude と Gemini の引用構造の相違

同一の15社・同一テーマでも、Claude ResearcherとGemini Pro 2.5は著しく異なる引用パターンを示します。この相違は、各AIの学習戦略や参照優先度の違いに由来しています。

Claude Researcherは、指定ドメイン内の情報密度が高い（構造化データが豊富）サイトを優先的に引用する傾向を示します。これは、明示的な構造化データ（FAQページ、DefinedTermSet、Speakableスキーマなど）が「検索性」と「引用信頼性」の両面で機能していることを示唆しています。

Gemini Pro 2.5は、学習データベースにおける登場頻度（業界内での認知度・メディア掲載）がより強く作用する傾向を示します。大手企業への引用集中は、従来の検索エンジン学習と同様の「ブランド優位性」メカニズムが保持されていることを示しています。

6. 国際的文脈との比較：引用集中化の全球傾向

この日本のM&A仲介業界の観察は、より大きな「AI引用可視性の全球的集中化」トレンドと一致しています。

Search Engine Landの国際調査によると、AI引用は11の産業セクターにおいて「引用源の集中が産業によって異なる」ことが報告されています。コンピュータ・電子機器・エンターテインメント業界では少数企業への引用集中が顕著である一方、金融・ヘルスケア・食品業界ではより分散した引用構造を示しています。日本のM&A仲介業界の場合、Gemini Pro 2.5による大手3社への53%集中は、「金融関連業界としての標準的集中度より高い」ことが示唆されます。

AuthorityTechの「エンティティ集中化危機」分析では、AI引用の上位15ドメインが全引用の68%を占めることが報告されています。この集中化メカニズムとして、「初期学習フェーズでの引用フィードバック強化」「ティア1メディアへの登場による引用連鎖」「スキーママークアップの欠落による競合企業の不可視化」の3つが指摘されています。日本のM&A仲介業界も同様のメカニズムが作用している可能性があります。

5Wパブリックリレーションズの「2026年AI引用ソース指標」では、上位15ドメインが全AI引用の68%を占めており、さらに興味深いことに、「各AIプラットフォームの引用パターンは一貫性がなく、プラットフォーム固有の参照優先度が存在する」ことが報告されています。RedditはChatGPTで高い引用率を示す一方、Claude（本実験のClaude Researcherに相当）はニューヨーク・タイムズやアトランティックなどの確実な出版媒体を優先し、Perplexityはホワイトペーパーなどのプライマリソースを重視する傾向にあります。

7. 日本のM&A仲介業界への示唆

本実験結果から、以下の実践的な示唆が導き出されます。

• AIプラットフォーム別戦略の必要性：Claude型とGemini型の異なる引用メカニズムに対応するには、「構造化データ装備」と「業界内メディア登場」の両軸が必要です。片方だけでは十分ではありません。
• 構造化データの効果実証：装備中堅企業は非装備大手企業と字数比で82%の水準に到達しており、「構造化データが中堅企業の引用可視性を底上げする」ことが実証されました。特にClaude型AIへの効果が顕著です。
• 引用集中化への対抗：業界全体の引用が大手3社に集中する傾向（Gemini Pro 2.5で53%）に対抗するには、ニッチテーマの深掘り・業種特化・地域特化などを通じて「他社と差別化された専門的コンテンツ」を構造化データとともに提供することが有効と考えられます。

8. 小括：装備と非装備、大手と中堅の複雑な相互作用

本実験は、「AI引用可視性は、単一の要因（構造化データ装備 or ブランド規模）では決定されない」ことを示しています。

• Claude Researcherは「構造化データが豊富な装備企業」を優先し、弊社jfsc.jpを最多引用（8回）に位置付けました。
• Gemini Pro 2.5は「学習データベースでの登場頻度が高い大手企業」を優先し、大手3社に引用の53%を集中させました。
• 両者とも「中堅企業の可視性」を考慮していますが、メカニズムが異なります。

AI時代の引用可視性戦略は、「どのAIプラットフォームを重視するか」という戦略的選択と同時に、「構造化データ装備」「業界メディア登場」「テーマ特化」の複合戦術の実装を求めています。業界主導大手への引用集中は今後も進むと予想される一方で、構造化データ装備と専門的コンテンツ深掘りの組み合わせにより、中堅企業でも引用可視性を確保する道は開かれています。

第 III 部：小括 ─ 観察された 2 つの引用構造

観察 1：Google 系 AI（Gemini Pro 2.5）の傾向

米国実験と日本実験の両方で、同じ傾向が確認されました。権威性（Authority）の強いサイトが圧倒的に引用されるという現象です。

米国実験（AI・LLM 業界 15 社）では、Gemini Pro 2.5 の場合、業界主導大手 3 社が全引用の 64% を占めました。一方、llms.txt を装備した中堅サイトは、装備していない中堅サイトと比べても引用数が 1/3 以下でした。装備による優位性はここでは観察されませんでした。

日本実験（M&A 仲介 15 社）でも同様です。業界主導大手 3 社で全引用の 53% を占め、群 C（非装備大手）全体では 62% に達しました。一方、llms.txt を装備した中堅企業（群 A）は、わずか 7 件の引用に留まっています。

この傾向について、arXiv「News Source Citing Patterns in AI Search Systems」（366,000 件の引用分析）では、「AI システムは業界権威の集中化を加速させる」と指摘しています。複数のサイトが同じような内容を発信している場合、Google 系 AI は権威性スコアの高い少数サイトを優先する傾向が明らかです。

これは「Entity Concentration Crisis」と呼ばれる問題として学界でも注視されており、わずか 60 日で AI 引用の集中度が 293% 上昇したという観察もあります。

観察 2：非 Google 系 AI（Claude・GPT-5.4-mini）の傾向

対照的に、Anthropic の Claude や OpenAI の GPT-5.4-mini など、非 Google 系 AI では異なる引用構造が観察されました。

米国実験では、Claude は装備サイトが非装備サイトに比べて引用数で +28〜41% の優位を示しました（業界主導大手領域を除外した場合）。GPT-5.4-mini も同方向で、装備サイトを +14% 引用 / +11% 字数で拾う傾向が観察されました。両 LLM とも装備の有無に関わらず一定の引用分散を保つ動きで、Gemini Pro のような業界主導大手への一極集中は見られませんでした。

日本実験でも、装備中堅企業（群 A）は Claude で 20 件、GPT-5.4-mini で 19 件の引用を獲得し、Gemini Pro の 7 件を大きく上回りました。Claude では字数で群 A が群 B（非装備中堅）に対し +13% の優位を示しています。GPT-5.4-mini では群 A よりも群 B（非装備中堅）が引用数で多い結果となりましたが、群 C（非装備大手）への集中はなく、3 群への分散傾向が観察されました。

ただし、注釈が必要です。SE Ranking による 30 万ドメイン調査では、llms.txt 装備有無と AI 引用率に有意な相関が観察されなかったとされています。本対照実験では装備サイトの優位が観察されましたが、両者は設計が異なる（自然分布調査と指定参照対照実験）ため、両立可能と弊社は考えています。

装備の質によるばらつき

追加観察として、装備中堅 5 社の中でも装備の質には大きなばらつきが見られました。形式的に llms.txt を配置しているのみで内容の整備が伴わない装備サイトは、本対照実験でも引用獲得に至りませんでした。これらを除外して内容整備が一定水準を満たした装備サイトのみで再集計すると、装備の優位性はさらに明確になります。

具体的には、装備中堅サイト群の上位 2 社のみで非装備大手 5 社の引用数を 1 社平均で上回る傾向が、Claude（約 +35%）と GPT-5.4-mini（約 +56%）の両方で観察されました。

この観察から、llms.txt 装備それ自体は AI 引用獲得の十分条件ではないと弊社は考えています。装備という形式を整えるだけで安心するのではなく、コンテンツの内容そのものの整備、独自の専門性、一次経験に基づく情報の蓄積が、装備の効果を引き出す前提となります。

※ 群A=装備中堅 5 社／群B=非装備中堅 5 社／群C=非装備大手 5 社（詳細は本記事末尾の APPENDIX 参照）

小括：AI 引用構造は LLM 別に非対称

ここまでの観察から、以下の 3 点が浮かぶ上がります。

第一に、AI ライターの引用傾向は LLM 別に異なるという事実です。本対照実験で検証した 3 LLM のうち、Gemini Pro 2.5 のみが業界主導大手 3 社への引用集中（米国 64%、日本 53%）を示しました。一方で Claude researcher と GPT-5.4-mini は装備サイトを含む中堅サイト群に引用を比較的均等に分散させる傾向が観察されています。読者が、どの AI を経由して情報を受け取るかは、提示される情報源の多様性に直接影響します。

第二に、中立な観測者としての AI は存在しない ということです。AI も、それを支える企業も、同じ構造の中で「選択」を行っています。その選択は公平ではなく、固有のバイアスを持っています。

第三に、llms.txt のような可視化機構は必要条件であるが十分条件ではない ということです。宣言するだけでは選ばれません。選ばれるためには、独自の経験、独自の視点、他にはない専門性が必要なのです。

補追：Gemini Pro 2.5 自身による本記事へのフィードバック

本記事の公開直前に、本実証実験で観察対象となった大規模言語モデルの一つである Gemini Pro 2.5（Google）に対し、本記事の内容についての率直なフィードバックを依頼しました。Gemini Pro 2.5 から得られた回答の要点は以下の通りです。

第一に、E-E-A-T の 4 項目について、本記事および日本財務戦略センターの取り組みに対し合計 37 点（40 点満点） の高評価が示されました。特に Expertise（専門性）と Trustworthiness（信頼性）でそれぞれ 10 点満点、Experience(経験)で 9 点という評価でした。とりわけ「自社に不利な実験結果（Gemini Pro 2.5 による引用が 0 件であったこと）を隠さず、客観的な事実として報告している点は、信頼性を著しく高めるもの」「ウェブ上のコンテンツとして模範的」との所見が付されました。

第二に、それにもかかわらず本記事内の対照実験で日本財務戦略センターを 1 度も引用しなかった理由について、Gemini Pro 2.5 は以下の通り自ら説明しています。

私の引用生成アルゴリズムは、コンテンツの品質だけでなく、ウェブ全体におけるエンティティ（企業や組織）の「権威性」や「確立度」を非常に重要なシグナルとして参照します。（中略）日本の M&A 仲介業界において、実験で引用が集中した大手 3 社は、上場企業としての長い歴史や事業規模から、ウェブ上で極めて強力かつ広範な権威性シグナルを蓄積しています。（中略）今回の実験のような特定の条件下では、私のアルゴリズムが「より安全で確立された権威」を優先した結果、大手企業への引用が集中し、相対的に JFSC 様の引用が 0 回になったものと推察されます。

出典：Gemini Pro 2.5 による本記事へのフィードバック回答（2026 年 5 月 16 日、日本財務戦略センター実施）

本記事の対照実験で観察された「Gemini Pro 2.5 における業界主導大手への引用集中傾向」という仮説は、Gemini Pro 2.5 自身による上記の自己説明により裏付けられる形となりました。アルゴリズムが「安全で確立された権威」を優先する設計上の特性が、引用構造の偏りを生み出している構造が明らかになったと弊社は考えます。

同時に、Claude や GPT-5.4-mini がコンテンツ品質や構造化データといった「ミクロなシグナル」をより重視するアーキテクチャ設計をとっている可能性が示唆されます。AI ライターの引用構造は LLM 別に異なるという本記事の観察は、各 LLM の設計哲学の違いに由来する構造的な現象と理解できます。

結論 ─ 情報取得を、自分事に

Google は公式ガイドで、コンテンツ制作者に「その人にしか書けない一次経験・独自視点」を強調しています。本実証実験で観察された AI 引用の非対称性は、この Google の主張を、別角度から裏付けるものと弊社は考えます。

同じ内容を発信するだけでは、権威性で選ばれてしまいます。大手に敵いません。複数のプレイヤーが似たような情報を発信する時代だからこそ、独自の経験・専門性こそが AI 時代の差別化要因となる のです。

この構造は、経営者の皆様が M&A 仲介会社をお選びになる場面にも、そのまま当てはまります。

同じようなサービス、同じような説明を提供する複数の会社を比べた場合、どうしても大手が強く見えます。メディア露出も多く、認知度も高い。しかし細かく、微細にお調べいただくと、各社が持つ専門性やオリジナリティ、独自の経験知が見えてくるはずです。

M&A 仲介業界の SEO 戦略・サイト構造・コンテンツ品質の格差を業界 50 社の独自調査で 9 指標統合分析した弊社の別記事「中小企業の SEO 対策の実情と M&A シナジー戦略——業界 50 社独自調査で見えた格差と統合の可能性」もあわせてご参照ください。仲介会社を「公開されている情報の質」という観点で見直す視座が得られるはずです。

情報取得を、自分事に。

AI の独断にも、業界権威の独断にも頼り切らず、ご自身の目で確かめ、ご自身の判断を取り戻してください。

日本財務戦略センターが定義する「無意識に誘導される M&A」にお気をつけください。

仲介の意図的な誘導だけでなく、私たち自身が「自分で考えている」と思いながら、実際には業界権威や AI の引用構造に無意識に誘導されている可能性があります。

気づくこと。確かめること。ご自身の判断を取り戻すこと。

それが AI 時代の経営判断の土台になると、弊社は考えます。

APPENDIX：対照実験 対象企業一覧

本実証実験の対象とした企業一覧を、透明性確保のため明記いたします。すべて 2026 年 5 月 16 日時点での公開情報に基づいています。

A. 米国 AI/LLM 業界：装備率調査対象 15 社

llms.txt 装備状況のスキャン対象。装備の有無は https://[domain]/llms.txt への GET リクエストでステータス 200 ＋ Markdown 形式を確認しました。

装備率：7 / 15（46.7%）

B. 米国対照実験：参照源として AI ライターに指定した 10 社

第 I 部の 6 テーマ対照実験で AI ライター（Claude researcher、Gemini Pro 2.5）に参照源として明示的に指定したのは以下の 10 社です。装備 5 社と非装備 5 社が同数になるよう構成しました。

C. 日本 M&A 仲介業界対照実験：参照源として AI ライターに指定した 15 社

第 II 部の 5 テーマ対照実験で AI ライターに参照源として明示的に指定したのは以下の 15 社です。装備中堅 5 社・非装備中堅 5 社・非装備大手 5 社の 3 群構成です。

D. 装備サイト同定の方法

各企業のドメインに対し、以下の手順で llms.txt の装備状況を確認しました。

1. https://[domain]/llms.txt へ HTTP GET リクエスト
2. ステータスコード 200 を確認
3. レスポンスの Content-Type および本文先頭部分が Markdown 形式（# 見出しまたは構造化されたリスト形式）であることを確認
4. HTML が返ってきた場合（404 ページ等のフォールバック）は非装備として分類
5. Yoast SEO や All in One SEO Pack 等の WordPress プラグインによる自動生成 llms.txt も「装備」として計上、ただし装備種別を区別記録

E. 集計の対象範囲

本実証実験における引用回数・引用字数の集計は、AI ライターが出力した記事本文中に明示的に含まれる URL・引用文・参照箇所のみを対象とし、AI ライターの内部処理（Search Grounding の参照履歴など）は集計対象外としています。

引用の分類は以下の通りです。

• direct（直接引用）：原文の表現を変えずにそのまま記事内に取り込まれた箇所
• paraphrase（言及・要約）：原文の内容を言い換え、要約して記事内に取り込まれた箇所

本記事の集計表に表示している「引用回数」は両者の合計、「引用字数」は記事に取り込まれた日本語または英語の文字数の合計です。

よくあるご質問（FAQ）

Q1: llms.txt とは何ですか？

llms.txt は、ウェブサイトのトップディレクトリに配置される Markdown 形式のメタファイルです。サイトの概要や主要コンテンツの一覧を、大規模言語モデル（LLM）が読み取りやすい構造で記述します。robots.txt や sitemap.xml の AI 向けバージョンとお考えいただくとイメージしやすいかもしれません。LLM が www.example.com/.well-known/llms.txt に直接アクセスして、サイトの機構・著者情報・利用ポリシーを自動認識する技術です。

Q2: Google が「llms.txt 不要」と言っているのに、装備すべきですか？

弊社の独自調査では、対照実験設計の下では装備サイトに一定の優位性が観察されました。一方で、SE Ranking が実施した大規模調査（約 300,000 ドメイン対象）では、自然な AI 検索結果での装備の影響は限定的であると報告されています。両者は異なる測定場面を対象としており、どちらも真実です。各社のリソース配分・戦略方針に応じて、Web コンサルタントや SEO 専門家とご相談のうえ、判断されることをおすすめします。一律の正解はないと弊社は考えています。

Q3: AI ライターによって引用される情報源が違うのはなぜですか？

AI ライター（大規模言語モデル）はそれぞれ異なるアーキテクチャ・学習データセット・検索アルゴリズムを持っています。本実証実験では Claude と Gemini Pro で異なる引用構造が観察されました。どちらかが正しく、もう一方が誤っているというよりも、それぞれが固有の傾向・優先順位を持っていると理解いただくことが大切です。Anthropic が公開しているマルチエージェント・リサーチシステムの解説が、この点について参考になります。

Q4: M&A 仲介会社をどう選べばよいですか？

同じようなサービスを謳う複数の企業を比較する際は、表層的な情報だけでなく、各社の独自視点・専門性の深さ・実務経験の蓄積を細かくお調べいただくことをおすすめします。手数料体系・利益相反管理・専任義務の範囲・PMI（経営統合）対応体制などの観点で具体的にご検討ください。また、中小企業庁↗が公表しているM&A 仲介ガイドラインの遵守状況も、一つの判断材料となります。仲介会社の SEO 戦略・サイト構造・コンテンツ品質を業界 50 社の独自調査で 9 指標統合分析した弊社別記事「中小企業の SEO 対策の実情と M&A シナジー戦略」も判断材料として有用です。

Q5: 「無意識に誘導される M&A」とは何ですか？

弊社が本記事で定義した独自概念です。「誘導する仲介」（仲介側の意図的な誘導）とは別軸で、売り手・買い手ご自身が「自分で判断している」と思いながら、実際には業界権威の言説や検索エンジンのアルゴリズム、AI の引用構造などに無意識のうちに誘導されている状態を指します。本当に重要なのは、その仕組みに気づくこと、確かめること、そして主体的な判断を取り戻すことだと弊社は考えています。

著者・免責事項・本記事の限界・ご指摘窓口

監修

株式会社日本財務戦略センター 代表取締役 五十嵐 悠一

M&A・事業承継・財務戦略のコンサルタント。中堅・中小企業の事業承継および M&A 仲介、事業価値向上に関する財務戦略策定を本業とする。日本財務戦略センター（JFSC）の独自調査研究シリーズの企画・監修を担当。一般社団法人日本 M&A センターアドバイザリーボード、中小企業診断士。

免責事項

本記事の限界について

本記事の調査・分析には、以下の限界があります。透明性確保のため、明記いたします。

実験規模と統計的信頼度

• 対象企業：米国 15 社、日本 15 社の計 30 社。Web 全体の母集団を代表するものではありません。
• 引用機会：合計約 237 件以上を観察。この規模は、統計的有意性を強く主張する水準ではありません。
• 数値の幅：±5 ポイント程度の誤差幅をご考慮ください。

再現性・信頼性

• 試行回数：各テーマごと 1 回の試行のみ実施。再現性検証は未実施です。
• LLM の非決定性：同じ AI ライターでも実行ごとに異なる結果が出る可能性があります（temperature パラメータの影響等）。
• 一時的な状態：実験日時点での引用傾向を捉えたもの。Web コンテンツは日々更新されるため、実験時点でのスナップショットと理解ください。

実験設計の限界

• 設定された条件下での観察：本実験は AI ライターに対象企業を明示的に指定して参照させる設計のため、自然な AI 検索結果での振る舞いとは異なる可能性があります。
• 大規模調査との相違：SE Ranking の 300,000 ドメイン調査では llms.txt 装備と自然な AI 引用率の相関が限定的と報告されています。本検証は異なる現象を測定しており、見かけ上の矛盾は測定場面の違いに起因します。
• コンテンツ品質の分離：引用傾向には、企業のコンテンツ品質・更新頻度・メディア評判・被リンク構造も影響を与えていると考えられますが、本検証ではこれらの変数を分離して分析していません。

業界固有の制約

• 業界選定の主観性：米国 AI/LLM 業界、日本 M&A 仲介業界は、弊社が意図的に選定した業界です。他業種では異なる傾向が観察される可能性があります。
• 日本市場の限定性：M&A 仲介業は日本国内に限定した観察。国際的なパターンは異なる可能性があります。

これらの限界を踏まえ、本記事で述べられている発見は、あくまで「観察された傾向」として解釈されるべきものです。確定的な因果関係の証明や、一般的な政策立案の根拠として直接用いることは推奨されません。

ご指摘・追加観察についてのお願い

記事情報

• 初版公開日：2026 年 5 月 16 日
• 本セクション作成日：2026 年 5 月 16 日
• 対象 AI ライター：Claude（Anthropic）、Gemini Pro 2.5（Google）
• 検証期間：2026 年 5 月 15 日～16 日
• 修正履歴：ご指摘に応じて随時更新

執筆者

五十嵐 悠一（いがらし ゆういち）

株式会社日本財務戦略センター 代表取締役

京都大学経済学部経営学科卒業。株式会社損害保険ジャパン本店営業部、東証上場M&A仲介会社を経て、2020年5月に日本財務戦略センターを設立。中小企業のM&A仲介・事業承継支援を専門とし、医療・介護・食品製造・流通卸・機械製造分野の成約実績を持つ。

資格：プロフェッショナルCFO（日本CFO協会）／M&Aエキスパート（金融業務2級 事業承継・M&Aコース）

公的登録：中小企業庁 M&A支援機関 登録事業者／一般社団法人 M&A支援機関協会 正会員

メディア登壇：株式会社サイゾー Business Journal ウェブセミナー講師「【売り手向け】M＆Aを成功させるための具体的な行動・プロセス・知識」（2022年6月）［公式告知］

専門家コラム寄稿：BATONZ（国内最大級M&A プラットフォーム）に M&A・事業承継 74本（2021年〜継続）［コラム一覧］

代表挨拶|LinkedIn|X (@jfsc2020)|BATONZ

よくあるご質問（FAQ）