【LLMO論文解説】AI回答での露出が売上に効いたかを測る統計の枠組み｜広告の効果測定手法を生成AI向けに拡張（プレプリント）

「AIの回答に自社名が出るようになった。それは売上にどれだけ効いているのか」。

LLMO対策に取り組んだ方なら、一度は考える疑問です。2026年9月10日に公開された「Generative Marketing Mix Modeling」は、この疑問に因果推論（原因と結果の関係を統計で切り分ける方法）で答えようとしたプレプリントです。

論文は、AIの回答に自社名が出るよう情報源を整える施策を「GEO」、AIの回答内に有料で枠を出す広告を「GEM」と呼び、両方の効果を推定する枠組みを提案しています。

この記事では、数式を使わずに、次の3点を原文から整理します。何を推定したいのか、なぜ普通のマーケティングデータでは足りないのか、推定のためにどんな条件が必要なのか。

あわせて、論文の検証が実データではなく主にシミュレーション（人工的に作ったデータでの実験）であること、日本語での検証が何を指すのかも、原文で確かめて書きます。

合同会社謙虚は、3つのドメインを並行して運用し、何を変えると数字が動くかを測り続けています。この論文を読むのは、「AIに出ること」と「売上が動くこと」の間を測る難しさを、統計の側から整理しておくためです。

結論：3行で言うと

• AIの回答での露出は、従来の広告ログに記録が残りません。論文は、回答の実測、質問の件数、各AIの利用割合、ユーザーが気づく確率の4つを組み合わせて、露出を推定する方法を提案しています
• 施策の効果を求めるには、施策のある世界とない世界を、期間全体で比べる必要があります。論文はそのために必要な条件（施策を入れる時期にばらつきがあること、出現確率が対象の市場に当てはまることなど）を整理しています
• 検証の中心はシミュレーションです。売上に当たるデータは人工的に作られています。AIの回答の集計は実際に取得した2,240件で、そのうち半分は日本語の質問です

この論文は、GEOの効果を「実測した」ものではありません。効果を測るための設計図と、その設計図が人工データでどこまで働くかを示した論文です。

この論文の基本情報

項目	内容
原題	Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
著者	Masahiro Kato（東京大学、みずほ第一フィナンシャルテクノロジー）、Daiki Honma、Taka Kato（この2名の所属は原文にNP-hardと表記）
公開日	2026年9月10日（arXiv v1）。原文の表紙の日付は9月11日
arXiv番号	2609.11915（分類は統計・機械学習）
掲載・採択状況	arXivのプレプリントです。arXivの欄に学会名や査読済みの記載は見当たりませんでした
種類	統計手法の提案と、シミュレーションによる検証
実験データ・コード	この論文自身のデータやコードの公開先は、原文で確認できませんでした。付録の参考分析は、別の論文の公開リポジトリを利用しています

論文はarXiv（2609.11915）で読めます。

この論文が答えた問い

AIの回答での露出（GEO）や、回答内の広告（GEM）が、売上などの成果に与えた効果を、どうすれば因果の意味で推定できるのか。

背景には、マーケティングミックスモデリング（MMM）という古くからの手法があります。テレビ、検索広告、SNS広告などの出稿量と、売上を、地域や期間ごとに並べて、各媒体の貢献を推定する手法です。

広告には次の2つの性質があるため、MMMは出稿量をそのまま使わず、加工してから使います。

• 持ち越し：広告を出した週の後にも、効果が残ります
• 飽和：すでに多く出している状態では、追加の効果が小さくなります

従来の媒体は、出稿量や表示回数が記録に残るため、この加工ができました。AIの回答は事情が異なります。

論文の言い方では、通常のマーケティングデータは、ユーザーが企業名を回答の中で見て、気づいた回数を記録していません。GEOで自然に出る社名の出現は、従来の表示ログの記録の対象外です。

GEMの有料枠はプラットフォームに記録が残りますが、ユーザーが気づいたかどうかを読み取れない点が課題です。

何を推定したいのか

論文が推定したい量は、次の比較の差です。

1. GEOの施策（例えばFAQの追加や製品資料の改訂）を、決めた時期に実施した世界の、期間全体の成果
2. 同じ期間に、その施策を一切しなかった世界の成果

論文はこの差を、施策の「総合的な効果」と呼んでいます。AIの回答を通った効果だけでなく、通常の検索経由の流入や、着地ページでの成約の変化など、施策が生んだほかの変化もすべて含みます。

GEMも同様に、有料枠がある世界とない世界の差で定義します。

なぜ普通のマーケティングデータでは足りないのか

論文が挙げる理由は2つあります。

理由1：露出の量が記録されていない

AIの回答での露出量を、論文は「回答に社名が出て、かつユーザーが気づく回数の期待値」として組み立てます。そのために、次の4つの材料が要ります。

• AIの回答を繰り返し取得した記録：質問ごとに、社名が回答に出る確率を推定します
• 関連する質問の件数（市場・期間ごと）：確率を、市場の規模に引き伸ばします
• 各AIサービスの利用割合：AIごとに出方が違うため、割合で重みを付けます
• ユーザーが社名に気づく確率：回答に出ても読まれていない場合を除きます

論文は、AIからの流入数（リファラル）も代わりにならないと述べています。回答を読んでもリンクをたどらないユーザーがいるためです。

GEMでは、広告費から「表示された枠の数」を推定し、そこに気づく確率を掛けます。

理由2：施策の効果は、期間全体の入れ替えで測る

持ち越しがあるため、ある週の成果は、それ以前の週の露出にも左右されます。施策をやめると、その週だけでなく、以降の露出の並び全体が変わります。

論文は、「回帰係数（1単位あたりの効果の推定値）をそのまま読んでも、この比較にはならない」としています。施策のある期間全体と、ない期間全体を入れ替えて、成果を比べる必要があります。

効果を推定するための条件

論文は、効果を確かめられるための条件を整理しています。専門用語を外して書くと、次のようになります。

• 施策のある状態とない状態の両方を観察すること。回答の実測が施策なしの状態だけなら、分かるのは「その状態での出現確率」だけです。施策による変化を求めるには、両方の状態のデータが要ります
• 施策を入れる時期に、ばらつきがあること。すべての市場が同じ日に始めると、比べる相手がいません。論文は、ランダムな順で展開する設計なら、この条件を設計で満たせると述べています。ランダムでない場合は、施策の前の状況を制御し、両方の状態が起こりうる状況で比べる必要があります
• 出現確率が、対象の市場に当てはまること。取得した回答が想定する質問の分布と、実際の市場の質問の分布がずれると、推定が外れます
• 持ち越しと飽和の形が、決まっているか推定できること。施策の始まりが1回きりの段階的な変化だと、効果の大きさと飽和の形を区別しにくくなります
• 成果を表すモデルが、大きく間違っていないこと。AIからの流入や指名検索のような中間の変数を「固定」すると、総合的な効果が測れなくなる点にも注意が要ります

どうやって調べたのか

検証は2本立てです。1つは実際のAIから回答を集めた調査、もう1つは人工データでのシミュレーションです。

AIの回答の収集（実際のデータ）

項目	内容
質問	製品の推薦を求める56問。7つの用途（Web上のハイライト、AIによる要約など）に、各英語4問・日本語4問
対象のサービス	GPT-5.6 Luna と GPT-4o（この2つは原文の表記）
回数	各質問・各AIに20回。合計2,240件（56問×2×20回）
条件	共通の指示文で、回答前にWeb検索を必須とした。質問にも指示文にも、調べたい社名は含めない
集めた期間	2026年9月3日から4日にかけての約1日
数えたもの	回答の中に、Glasp（ウェブ上のハイライト保存サービス）の名前があるか。良い評価かどうかは問わない

シミュレーション（人工データ）

項目	内容
市場と期間	5つの地域市場、それぞれ6つの商品群、36期間。観測は合計1,080件
施策の入れ方	各市場で、2つの商品群が19期から、2つが23期から、2つは施策なし
正解の効果	人工的に決めた係数で、成果を生成する
ユーザーが気づく確率	各条件で50件の観察があるものとして設定
既知とした量	質問の件数と、AIごとの利用割合
指標・繰り返し	効果の推定のずれ（相対RMSE：真の値に対する、ずれの大きさの割合）と、95%区間が真の値を含む割合。各条件で120回

比べた推定方法は、加工の形（持ち越しと飽和）を固定する方法、データから推定する方法、測定の不確かさを成果データで更新する方法としない方法です。「正解の露出を知っている場合」も比較の基準として置いています。

結果

AIの回答での出現率：日本語と英語で順位が逆転した

AI	英語の質問	日本語の質問	全体	出現時に1位で挙がる割合
GPT-4o	35.4%	20.2%	27.8%	60.5%
GPT-5.6 Luna	28.6%	38.9%	33.8%	39.4%

この表は原文の表1から拾いました。数字は、回答にGlaspの名前が出た割合です。

最右の列は、名前が出た回答のうち、候補11ブランドの中で最初に挙がった割合です。

• 全体では、GPT-5.6 Lunaのほうが高い出現率でした。論文は、差を5.70ポイント（95%区間は3.12から8.27）と報告しています
• 言語別に見ると、英語ではGPT-4oが6.79ポイント高く、日本語ではGPT-5.6 Lunaが18.75ポイント高くなりました

論文は、ここから「1つの全体平均では足りない」と述べています。

シミュレーション：持ち越しと飽和を推定することが効いた

方法（1条件あたり回答5件）	係数の誤差	効果の相対RMSE	95%区間の的中率
加工を事前の平均値に固定	1.207	17.642%	0.975
加工を成果データから推定（プラグイン）	0.945	17.525%	0.975
加工を成果データから推定（同時推定）	0.950	17.541%	0.975
加工の正解を知っている場合	0.882	17.135%	0.950

この表は原文の表2から拾いました。「係数の誤差」は、4つの係数のずれをまとめた値です。

• 持ち越しと飽和を推定するかどうかが、係数の当たり方を最も左右しました。固定した場合の1.207が、推定すると0.945に下がっています
• 測定の不確かさを成果データで更新する同時推定は、一様な利点を示しませんでした。効果のずれ（RMSE）では、ほとんどの比較で差の区間がゼロを含みます。ただし、出現確率を実回答から推定した条件では、更新しない方法より、同時推定が0.154ポイント悪化しました
• 効果の総量のずれは、どの方法でも約17%前後でした。正解の露出を知っている場合でも17.135%です。成果のばらつきを小さくした条件（表3）では、約6%まで下がっています

効果の内訳：総量は当たっても、内訳は外れやすい

論文は、総合的な効果を2つに分けています。露出の変化を通らない部分（人工データで0.55に設定）と、露出を通る部分です。

原文の表4によると、回答5件・成果のばらつき大（誤差の標準偏差1.2）の条件で、内訳の相対RMSEは、前者が約33%、後者が約48%でした。

2つの誤差は逆向きに出やすく（相関は約-0.63）、足し合わせると打ち消し合います。

人工データでは、露出を通らない部分が総効果の約66%を占めました（制御設計での原文の平均値。出現確率を推定する設計では、この値は約75%になります）。

実際の施策の配分を示す数字ではありません。

ランダム化実験の結果を加えた場合

論文は、ランダム化実験（施策をランダムに割り当てた試験）で得た効果の推定値を、統計モデルに加える場合も調べました。実験が対象の市場と揃っている場合、効果のずれは17.576%から17.057%に下がっています（原文の表5）。

実験の結果が対象と食い違う場合（0.75を加えた設定）は、相対バイアス（推定が真の値からどちらかに偏る割合）が0.380%から3.813%へ増えました。

付録の参考分析：実データでのAI経由の流入

付録Fでは、別の論文（Watanabe氏とNakayashiki氏）の公開データを使い、AI経由の流入を試しに分析しています。

処置群と対照群の流入の比は、処置の開始週を12月30日とした場合に1.842（95%区間1.306から2.599）でした。

ただし、開始週を12月16日にすると1.183、1月6日にすると2.404と、大きく動きます。論文は、事前の期間にも同程度の変動があるため、この診断だけでは効果を確立できないと述べています。

この公開データは、提案した枠組みには載せられなかったとも書かれています。

日本語での検証は、何を確かめたのか

日本語が関わる範囲を、原文の記述で整理します。

• 回答の収集：56問のうち28問が日本語です。ユーザーのメッセージの冒頭に「Respond in Japanese.」と付けて、日本語で回答させました。日本語の回答は、2つのAIで計1,120件（28問×2×20回。私の計算）になります
• 確かめた内容：日本語の質問への回答に、Glaspの名前が出るかどうか。出現率は上の表のとおりです
• シミュレーションでの使い方：回答から得た出現確率を、2つ目の設計の元にしています。各回、英語6問と日本語6問を選んで使いました

日本語で検証していないものもあります。売上や成約に当たるデータは人工データで、日本の市場のデータではありません。

ユーザーが日本語の回答で社名に気づく確率も、実測はありません（気づく確率はシミュレーション内で設定した値です）。

論文自身が書いている限界

論文には「限界」という独立の節はありません。考察の節に、次の点が書かれています。

• シミュレーションでは、質問の件数とAIごとの利用割合を「既知」として扱っています。実際には推定が必要で、期間中に変わることもあります

原文を読んで気づいた点

• 成果のデータが人工です。売上に当たる数値は、決めた係数から生成されています。GEOやGEMが実際の事業に与える効果の大きさは、この論文からは分かりません
• 要旨の「simulated answers」は、本文の内容と食い違います。要旨には「シミュレーションされた回答」とありますが、本文では、実際のAIのAPIから2,240件の回答を取得したと書かれています。私は、本文と付録の記述を優先して読みました
• 対象は1つの企業名（Glasp）だけです。質問も製品の推薦を求める7用途に限られ、日本語は28問と少数です
• 日本語の回答で、社名の表記をどう数えたかは、本文で確認できませんでした。「辞書に載った表記」で数えたとあり、辞書の中身（カタカナ表記を含むか）は本文に書かれていません
• プレプリントで、査読の記載がありません。数値は著者の報告で、追試は確認できていません
• 効果のずれは、正解の露出を知っていても約17%あります。効果の大きさを厳密に当てる道具というより、条件を整理する枠組みと読めます（私の読み取りです）

この論文から、言えること・言えないこと

言えること（論文の設定で確認された）	言えないこと（論文では確認されていない）
AIの回答での露出は従来のログに残らず、推定には回答の実測、質問数、AIの利用割合、気づく確率が要る	GEOやGEMで売上が何%上がるか
施策の効果は、期間全体で施策のある世界とない世界を比べて定義される	自社のデータで、そのまま効果が測れること
人工データでは、持ち越しと飽和を推定すると係数の当たりが良くなった	実際の市場でも、同じ改善が出ること
2つのAIで、社名の出現率は言語によって順位が逆転した	ほかの企業や業種でも同じ傾向になること
日本語の質問28問でも、回答の実測ができた	日本語での売上や成約への効果

中小企業の視点で、どう受け取るか

ここからは論文の主張とは別の、私の読み取りです。

1. 「AIに出た回数」は、売上の代わりにならない

回答に社名が出ることと、読まれること、売上が動くことは、別々の出来事です。論文は、その間をつなぐために、気づく確率まで組み込んでいます。

自社で数えるときも、出現の有無だけを成果とみなさないほうが安全です。

2. 施策の入れ方が、あとで効果を測れるかを決める

論文の条件から読み取れるのは、「全ページを同じ日に一斉に直すと、あとで比べる相手がいない」ことです。ページや地域を分けて、時期をずらして実施し、日付を記録しておくと、あとの分析の材料になります。

規模の小さい自社サイトでは、比較できる単位が少ないため、これは特に効きます。

3. 言語や質問の型で、出方は変わりうる

この論文の調査では、日本語と英語で、2つのAIの順位が入れ替わりました。日本語の質問での見え方は、英語圏の研究結果と別に確かめる価値があります。

ただし、この結果は1社の名前と約1日の収集に基づいています。

4. 統計モデルの導入は、大きな企業向けの話

この枠組みは、複数の市場と長い期間のデータを前提にしています。中小企業に使えるのは、「何を記録すれば、あとで効果を見られるか」という考え方だと私は読みました。

よくある質問

この論文の枠組みは、GEOの効果を測るツールですか

ツールではなく、推定のための考え方（統計モデル）の提案です。論文に、誰でも使えるソフトウェアの公開先は書かれていません。

実際に使うには、統計の専門家の設計が要ります。

シミュレーションだと、意味がないのでしょうか

意味がないわけではありません。正解が分かっている人工データだからこそ、「推定方法がどれだけ外れるか」を測れます。

ただし、実際の市場の複雑さは再現しきれないため、結果は「この設計では」の但し書き付きで読みます。

まとめ：今日できる1つのこと

自社で行ったLLMO対策（FAQの追加、ページの書き直しなど）を、「いつ・どのページに・何をしたか」で1枚の表にまとめてください。

日付と対象ページがあれば、あとで「施策をした時期とそうでない時期」を比べられます。記録がないものは、いま思い出せる範囲で構いません。

この論文が整理したのは、効果を測るための条件です。効果の大きさは、まだ実データで示されていません。

この論文は、LLMO論文の一覧の一本です。ほかの論文の解説も、順次公開しています。

ページを増やしても問い合わせが来ないなら、原因はページの外にあります。その場合は、下の入口からご相談ください。