結論・概要
AEO対策を始めても、「効果があったのか？」を判断する指標がなければ、改善を続けるモチベーションも経営の理解も得られません。AI推薦率とは、ChatGPT・Gemini・PerplexityなどのAIに、自社施設の名前がどれだけ出てくるかを**確率（%）**で表した数値です。
本記事では、AI推薦率の意味・計算方法・ベンチマーク・改善サイクルを、KPI設計が初めての方にもわかるよう解説します。
この記事でわかること
- AI推薦率とは何か（計算式つき）
- なぜ1回の手動確認ではダメなのか
- 標準化プロンプトセットの作り方
- 週次PDCA（改善サイクル）の回し方
3行サマリー
- AI推薦率 = 「AIの回答に自社名が出た回数 ÷ 全質問回数 × 100」
- AIの回答は毎回変わるので、週次の定点観測が必須
- 18プロンプト × 3エンジン = 週54回の計測が標準的
用語の整理
| 用語 | 意味 |
|---|---|
| AI推薦率 | 標準化プロンプトに対するAI回答への施設名言及率（%） |
| プロンプト | AIに投げかける質問文（例：「渋谷のおすすめホテルは？」） |
| 言及（Mention） | AI回答の本文中に施設名またはURLドメインが登場すること |
| 定点観測 | 同じ質問を定期的（週次等）に繰り返し実行して推移を見ること |
| PDCA | Plan（計画）→ Do（実行）→ Check（確認）→ Act（改善）のサイクル |
| CEP | Category Entry Point。カテゴリ入口プロンプト（例：エリア×用途） |
01背景・課題 — なぜ「1回ChatGPTで確認」ではダメなのか
AIの回答は毎回変わる
ChatGPTに「渋谷のおすすめホテルは？」と聞いて、自社ホテルが出てきた——これだけでは「推薦されている」とは言えません。
同じ質問を10回聞いても、出てくる回数は毎回異なります。 McKinseyも「同じ入力でもAI出力が異なる」ことを企業AI活用の課題として報告しています（出典: McKinsey）。
| 確認方法 | 問題 |
|---|---|
| 1回だけ手動確認 | たまたま出た/出なかった可能性 |
| 月1回だけ確認 | 改善効果の検証が遅い |
| 週次・同条件で54回以上 | 確率として推薦率を把握できる |
計測しないと起きること
- 施策の効果がわからず、AEO予算が削られる
- 競合が改善しているのに気づけない
- 「なんとなく効いている」で経営報告できない
02AI推薦率の定義 — 計算式
基本の計算式
AI推薦率（%）= 施設名言及回答数 ÷ 全プロンプト実行数 × 100
具体例
50種類の質問 × 3つのAI（ChatGPT・Gemini・Perplexity）= 150回の質問を1週間で実行。
そのうち42回、自社施設名が回答に含まれていた → 推薦率 28%
言及の判定基準
| 判定 | 条件 | 例 |
|---|---|---|
| 言及あり | 施設名またはURLドメインが回答に含まれる | 「箱根温泉旅館 翠峰がおすすめです」 |
| 順位付き言及 | 「1. 施設名」形式でリストに登場 | 「1. 翠峰 2. ○○旅館 3. △△ホテル」 |
| 言及なし | 施設名・ドメインが一切ない | 競合のみが列挙される |
03標準化プロンプトセット — 何を聞くか
なぜ「標準化」が必要か
毎回違う質問をすると、推薦率の推移を比較できません。同じ質問セットを固定し、週次で繰り返すことが重要です。
プロンプトのカテゴリと例
| カテゴリ | プロンプト例 | 意図 |
|---|---|---|
| エリア系 | 「渋谷のおすすめホテルは？」 | 地理的な検索 |
| シーン系 | 「出張に使える渋谷のホテルは？」 | 用途別の検索 |
| 比較系 | 「渋谷でコスパが良いホテルは？」 | 比較・ランキング |
| インバウンド | 「Best hotels in Shibuya?」 | 多言語クエリ |
最低18〜30本を固定セットとして運用します。プロンプト数 × エンジン数 = 週次計測規模になります。
例： 18プロンプト × 3エンジン = 週54プローブ（計測回数）
04計測エンジン — どのAIを見るか
| エンジン | 計測頻度 | 特徴 |
|---|---|---|
| ChatGPT（GPT-4o） | 週次 | 最も利用者が多い |
| Gemini 2.0 Flash | 週次 | Google検索と連携 |
| Perplexity Sonar | 週次 | 引用ソース付きで回答 |
3エンジンすべてを週次で計測するのが標準です。1エンジンだけだと偏りが出ます。
計測方法の選択肢
方法A：SendGuest（Ailo）を使う
3エンジン × 18プロンプト = 週次54プローブを自動実行。施設名・ドメイン言及を検出し推薦率を算出、週次HTMLレポートを配信します。CEPプロンプトは施設登録時に立地・ジャンルから自動生成されます。
方法B：自社でAPIを組み合わせる
OpenAI API・Google AI Studio API・Perplexity APIを組み合わせ、プロンプト実行 → 回答解析 → DB保存 → ダッシュボード表示のパイプラインを構築する方法もあります。いずれの場合も、プロンプトセットの固定と実行頻度の統一が再現性の鍵です。
05ベンチマーク目安 — うちは高い？低い？
以下は当社観測の目安値です。業種・地域・競合密度により大きく変動します。
| 施設タイプ | 対策前（目安） | 3ヶ月後（目安） | 目標（目安） |
|---|---|---|---|
| 都市型ホテル | 5〜15% | 20〜35% | 30%以上 |
| 中小旅館 | 2〜8% | 10〜20% | 15%以上 |
| 飲食店（都心） | 3〜10% | 15〜25% | 20%以上 |
読み方： 自社が8%なら「中小旅館の対策前〜初期改善帯」。競合が25%なら17ポイント差があり、改善余地が大きい。
[DATA] エビデンス — 出典: SendGuest（Ailo）定点観測・AEOチェッカー診断データ
- 以下の推薦率帯は当社の週次プローブ観測による目安値
- エリアの競合密度・施設規模により大きく変動
06週次改善サイクル（PDCA）— 計測結果をどう活かすか
サイクルの流れ
計測 → 競合差分分析 → Schema/FAQ/GBP更新 → 再計測
| 期間 | 主な施策 | 期待できる効果 |
|---|---|---|
| 1〜4週目 | ベースライン計測 + Schema/FAQ実装 | 推薦率の改善傾向 |
| 5〜8週目 | 多言語ページ + GBP最適化 | 推薦率の改善傾向 |
| 9〜12週目 | シーン別LP + 口コミ管理強化 | 推薦率の改善傾向 |
改善施策と推薦率の相関を記録し、四半期ごとに「どの施策が最も効いたか」を分析してください。
経営への報告に使う4つの視点
| 視点 | 報告内容の例 |
|---|---|
| マーケ予算 | OTA広告 vs AEO投資のROI比較 |
| 競合分析 | 同エリア競合3社との推薦率差分 |
| 施策優先度 | 推薦率が低いカテゴリ（シーン系等）から対策着手 |
| 経営報告 | 四半期AEO投資効果の可視化 |
07実装チェックリスト
- プロンプトセット18本以上を定義（エリア・シーン・比較・多言語）
- 計測エンジン3つ（ChatGPT・Gemini・Perplexity）を選定
- 週次自動計測基盤を導入（SendGuestまたは自社API）
- ベースライン計測を1週間実行
- 週次PDCAサイクルを開始
- 四半期ベンチマーク比較レポートを作成
08取るべきアクション — 今週から始める3ステップ
- プロンプト18本を書く（1時間） — 自施設の立地・用途に合った質問を18本リストアップする。
- ベースライン計測（1週間） — 18プロンプト × 3エンジン = 54回を手動またはSendGuestで実行し、初回の推薦率を記録する。
- KPI設定（15分） — 「推薦率○%を3ヶ月後目標」と経営に共有し、週次PDCAの担当者を決める。
計測結果は経営会議の定期報告に組み込み、AEO投資のROIを可視化することが、組織的な改善サイクルの定着に不可欠です。
参考文献
- OpenAI — API Documentation
- Google AI — Gemini API
- Perplexity — API Documentation
- McKinsey — The economic potential of generative AI
- TripAdvisor — Travel Trends Report
- Schema.org — Hotel / Restaurant
本記事はAEO総研編集部が公開情報をもとに執筆しました。