KBFとRTB — AIに「選ばれる基準」を設計するLLMOフレームワーク

結論・概要

AIに自社を推薦させるには、AIが推論する**選定軸（KBF：Key Buying Factor）を把握し、それを証明する客観的証拠（RTB：Reason to Believe）**を適切に供給するLLMOフレームワークの活用が不可欠です。

自社の情報量が豊富でも、AIが設定したKBF（例：導入社数・サポート有無）に強みが合致しなければ、推奨リストに入りません。

この記事でわかること

• AI推薦の3段階プロセス（推論→調査→生成）
• CEP・KBF・RTBの関係
• 弱いRTB vs 強いRTBの具体例
• 「合わせる」vs「KBFを変える」2つの戦略

3行サマリー

1. AIは「何を基準に選ぶか（KBF）」→「根拠（RTB）」→「回答生成」の3段階
2. 「高品質を誇ります」は弱いRTB、「導入2,000社」は強いRTB
3. 既存KBFに合わせるだけでなく、新しい選び方を市場に提示する戦略も有効

用語の整理

01背景・課題 — なぜ情報量が多くても推薦されないのか

AI推薦の3段階プロセス

LANY社が整理するAI推薦プロセス:

1. 推論（Reasoning） — 「何を基準に選ぶか（KBF）」を決定
2. 調査（Research / RAG） — KBFに合致する根拠（RTB）を収集
3. 生成（Generation） — 回答として出力

例： BtoB SaaSで「経費精算 SaaS 比較 2026」と聞かれた場合

自社が「UXの良さ」で勝てても、AIのKBFが「導入社数」なら lista に載りません。

[DATA] エビデンス — 出典: LANY社 LLMOフレームワーク

• AIはブランド認知より機能的価値（ファクト）を優先推薦
• 第三者評価（G2等）がRTBとして高く評価される

02CEP・KBF・RTBの関係

Webサイトは「入口」から「出口」へ——AIで予習済みのユーザーが答え合わせに来る場所へ進化します。

03具体的な対策 — RTBの強化

弱いRTB vs 強いRTB

RTB供給の優先配置

ファクト設計とPerplexity BtoB攻略も参照。

042つの戦略 — 合わせる vs 変える

洗剤市場の比喩（LANY）：「洗浄力（白さ）」の土俵ではなく、「除菌こそが選び基準」という新KBFを社会に埋め込む——AIの推論ロジック自体が変わり、自社が自動的に推奨されます。

「LLMOにおける真の勝者は、AIに『選び方』を教え込んだ企業になる」（LANY）

05取るべきアクション — 今週から始める3ステップ

1. KBF調査（1時間） — ChatGPT/Gemini/Perplexityに自社カテゴリの質問を10パターン投げ、AIが使うKBFを書き出す。
2. RTB変換（半日） — 自社の強みを、KBFに合致する数値化されたRTB（導入社数・満足度・条件等）に変換する。
3. 構造化公開（1週間） — FAQPage + Organization SchemaでRTBを公開し、G2等の第三者評価も整備する。

参考文献

• LLMOは「選ばれる基準」を勝ち取る競争へ — LANY
• AI検索時代、Webサイトは「入口」から「出口」へ — LANY
• The Most-Cited Domains in AI — Semrush

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。