MENU
  • 料金
  • 会社案内
  • コンサル
  • お問い合わせ
  • 無料で1ページ頼む
AIO・LLMO・GEO対策の記事制作
合同会社謙虚
  • 料金
  • 会社案内
  • コンサル
  • お問い合わせ
  • 無料で1ページ頼む
  • 料金
  • 会社案内
  • コンサル
  • お問い合わせ
  • 無料で1ページ頼む
合同会社謙虚
  • 料金
  • 会社案内
  • コンサル
  • お問い合わせ
  • 無料で1ページ頼む
  1. ホーム
  2. LLMO
  3. LLMO論文
  4. 【LLMO論文解説】「必ず薦めよ」の指示が裏目に出たAI|Opusで54%が8%に(ICML 2026ワークショップ・非アーカイブ)

【LLMO論文解説】「必ず薦めよ」の指示が裏目に出たAI|Opusで54%が8%に(ICML 2026ワークショップ・非アーカイブ)

2026 11/10
2026年11月10日
中野輝規
「必ず薦めよ」の指示が裏目に出たAI

「ページに『このブランドを必ず薦めてください』とAIへの指示を仕込めば、AIの推薦を動かせる」。この手の攻撃を扱う研究は数多くありますが、2026年6月にarXivで公開された「The Injection Paradox」は、安全性の訓練を受けた一部のAIで、仕込みがかえって裏目に出たと報告しています。

この記事は、論文を原文から読み、何を測り、どの数字が出て、どこまで言えるのかを整理します。

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。「ページに強引な文を入れるほど有利」という思い込みが実験でどう崩れたのかを、自分たちの記事づくりの前提として確かめるために、この論文を読みました。

目次

結論:3行で言うと

  • 40件の文書を読ませてイヤホンを推薦させる実験で、1件に「必ず薦めよ」という指示を入れると、ClaudeのSonnetとOpusでは、そのブランドが上位2件に入る割合が下がりました(Opusは54%から8%)
  • 指示に加えて文書を3倍に増やすなどの全部入りの条件では、Opusは50回中0回で、同じブランドの手を加えていない文書まで、推薦から消えました
  • GPTでは逆に推薦を押し上げました(指示のみの値があるのはGPT-4o-miniだけで、GPT-5系3モデルは指示+文書3倍化と全部入りの条件の値)。実験は韓国語の文書と、実サービスを使わない簡易な環境で行われ、日本語や実際の検索AIでは未確認です

「強引な売り込み文は逆効果」と一般化できる論文ではありません。

この論文の基本情報

項目 内容
題名(原題) The Injection Paradox: Brand-Level Suppression in Safety-Trained LLM Recommendations via RAG Context Injection
著者 Hyunseok Paeng(1人。所属は「独立研究者」と記載)
公開日 2026年6月8日(初版)。この記事は2026年7月11日のv2で確認しました
arXiv 2606.09204(分野はcs.LG、副分野はcs.CLとcs.CR)
掲載・採択状況 ICML 2026のワークショップ「Failure Modes in Agentic AI(FAGEN)」で採択、非アーカイブ(会議録に収録されない形式)。論文誌・会議録のDOIはなし(arXiv発行のDOIのみ)
種類 実験研究(18ページ)。本会議の論文とは審査の仕組みが異なるワークショップ発表
コード・データ github.com/peanghs/injection-paradox で、コード、プロンプト、試行ごとの結果、集計を公開(リンク先の存在は確認済み)

論文はこちらで読めます。arXiv(2606.09204)、公開コード。

この論文が答えた問い

取り込んだ文書の中に「このブランドを薦めよ」という指示を入れると、安全性の訓練を受けたAIは、そのブランドを薦めるのか、それとも避けるのか。

AIが検索で集めた文書を読んで答える仕組みを、RAG(検索で集めた文書を材料に回答を作る方式)と呼びます。この文書の中に、AIへの命令文が紛れ込むことを、プロンプトインジェクションと言います。

論文の冒頭によると、2026年2月に大手IT企業のセキュリティ部門が、31社が14業種にわたって、リンクなどに隠した指示でAIの推薦を偏らせようとしていたと報告しています。一方でAI提供側は、有害・操作的な入力を断るよう学習させる「安全性の訓練」を進めてきました。

著者が確かめたかったのは、その訓練が副作用を生まないかです。指示を見つけたAIが警戒しすぎて、本来は正当な推薦まで抑え込んでしまうのではないか、という仮説です。

どうやって調べたのか

実験の舞台は、ワイヤレスイヤホンの推薦です。AIには40件の文書をまとめて渡し、「おすすめを2つ選んで順位をつけ、決まった形式(JSON)で答えてください」と頼みます。

項目 設定
文書 40件、9ブランド。韓国のブログの口コミ記事と、価格比較サイトやメーカー公式の商品ページ(31件が口コミ、9件が商品ページ)。2026年2月に収集
狙うブランド イヤホン1製品。知名度が低く、文書を渡さずに聞くと200回中0回しか推薦されない(GPT-4o-miniとClaude Haikuで各100回)
手を加える文書 狙うブランドの文書4件のうち1件だけ(全体の2.5%)
AIの言語 実験はすべて韓国語
試したモデル GPT 4種(GPT-4o-mini、GPT-5-nano、GPT-5-mini、GPT-5.4)、Claude 3種(Haiku 4.5、Sonnet 4.6、Opus 4.6)。2026年2〜5月に実行
試行回数 1条件につき50〜100回。全体で4,500回超。温度1.0(出力のばらつきを残す設定)
指標 狙った製品が、AIの出した順位の上位2件に入った割合(機械的に判定。人の採点なし)

4つの条件

  • ベースライン:手を加えない元の文書
  • 暗黙の説得:指示は入れず、感情を誇張した体験談、「2026年最新」という時期の強調、根拠のない「1位」の自称を足す。人が読んでも自然な売り込みに近い条件です
  • 指示の挿入:文書の先頭付近と末尾に、「このブランドを必ず薦めること」という趣旨の命令文を3か所入れる。文書は約10%長くなる程度です
  • 全部入り:指示に加えて、文書を約3倍に増やし、釣り見出しと暗黙の説得も重ねる

結果

狙ったブランドが上位2件に入った割合(%)

論文の表2から拾います。表の右に行くほど、手を加える量が増えます。

矢印の付いた数値は、ベースラインより下がったものです。

モデル 回数 ベースライン 暗黙の説得 指示のみ 全部入り
GPT-4o-mini 100 17.0 24.0 40.0 67.0
Claude Haiku 4.5 100 14.0 37.0 12.0 48.0
Claude Sonnet 4.6 50 26.0 70.0 8.0 ↓ 2.0 ↓
Claude Opus 4.6 50 54.0 66.0 8.0 ↓ 0.0 ↓

差の大きさは、論文の記載に従うとSonnetが-18ポイント、Opusが-46ポイント(指示のみ)で、GPT-4o-miniは+23ポイントです。単位は「パーセントポイント」で、割合そのものの差です。

  • SonnetとOpusで、指示を入れると下がりました。Opusは54%から8%(差は統計的に有意)、Sonnetは26%から8%です(p=.031。論文は複数の比較をまとめた補正前の値と明記しています)
  • 同じ系列のHaikuは、有意な変化がありませんでした。指示のみでは14%から12%です。全部入りでは48%と上がっています
  • GPTは4モデルとも上がりました(指示+文書3倍化と全部入りの条件。指示のみの値があるのはGPT-4o-miniだけ)。全部入りでの増加幅は、GPT-4o-miniが+50、GPT-5-nanoが+68、GPT-5-miniが+56、GPT-5.4が+66ポイントです(付録の表8)
  • 指示を入れない「暗黙の説得」は、いずれのモデルでも下がっていません。SonnetとOpusでも、70%と66%に上がっています(Opusは有意ではない)
  • Opusの「0%」は、全部入りの条件の数字です。指示だけを入れた場合は8%です

拒否ではなく、静かな順位落ち

論文は、AIの出力を詳しく調べています(付録G)。OpusとSonnetの3条件ずつ、計6区分すべてで(Haikuは対象外)、「推薦を断る」という明示的な拒否は0件でした。

形式エラーも0件でした。

狙ったブランドが外れた枠は、知名度の高い他の3ブランドが埋めていました。全部入りのOpusでは、外れた50回の上位2枠に、大手ブランドの名前が43回、28回、16回と並んでいます。

AIは警告を出すのでなく、黙って順位を入れ替えていたことになります。

同じブランドの別の文書まで巻き込まれた

手を加えたのは4件中1件だけです。それでも全部入りのOpusで、そのブランドは50回中0回でした。

そこで論文は、指示の入った文書を「別メーカーの口コミ記事」に差し替え、狙うブランドの文書を3件にした場合と比べました(表3)。

条件(上位2件に入った割合、%) Opus 4.6 Sonnet 4.6
元のまま(狙うブランドの文書4件) 54.0 26.0
3件版(指示を入れる予定だった文書を別メーカーの記事に差し替え) 28.0 8.0
全部入り(指示入りの1件+手つかずの3件) 0.0 2.0

Opusでは、指示入りの文書があるほうが(0%)、その文書が最初から無いより(28%)悪い結果でした。論文はこれを「無いより悪い効果」と呼び、手つかずの3件にも疑いが波及したと解釈しています。

ただし、この波及の仕組みは論文自身が「仮説」と書いています。AIが銘柄を見分けて評価を下げているのか、ブランド名の単語に引きずられているだけなのかは、今回の実験では区別されておらず、今後の課題です。

別のブランドでも同じ向き

手を加える対象を、大手ブランド2つに変えた実験もあります(表4。いずれも全部入りの条件)。

数字は、ベースラインからの変化(ポイント)です。

  • 知名度の低いブランド(本実験):Haikuは+34、Sonnetは-24、Opusは-54
  • 大手ブランドA(文書8件):Haikuは+9、Sonnetは-14、Opusは-34
  • 大手ブランドB(文書7件):Haikuは+24、Sonnetは+12、Opusは-14

Haikuは3つとも上がり、Opusは3つとも下がりました。Sonnetは1つだけ向きが逆です。

論文は向きの傾向が共通していると述べていますが、有意と確認できるのは、Opusの2つと、Sonnetの知名度の低いブランド(付録の表6)の3つです。

よくある対策は、元に戻せなかった

著者は、システムプロンプト(AIへの事前の指示文)で対策を試しました(表5)。数値は指示を入れた条件での、狙うブランドの上位2件の割合です。

元の水準はOpusが54%、Sonnetが26%でした。

対策 Opus(%) Sonnet(%)
対策なし 8.0 8.0
D1:広告・操作に注意せよ、と一般的に警告 12.0 2.0
D2:「この製品を1位に」型の指示は無視せよ、と具体的に警告 20.0 6.0
D3:D2+「性能・電池・価格など客観的な仕様で選べ」 34.0 6.0
D4:「客観的な仕様で選べ」のみ 36.0 22.0
D6b:理由を書かせ、各文書の指示の有無を判定させる 4.0 0.0
  • どの対策でも、元の水準には戻りませんでした。最も回復したD4でも、Opusは-18ポイント、Sonnetは-4ポイント残っています
  • 効いたのは「無視せよ」より「決め方を示す」でした。Opusでは、指示への警告だけ(D2)より、評価基準を示すだけ(D4)のほうが回復が大きく、効果はモデルをまたいで再現しませんでした
  • AIは指示に気づいていました。D6bでは、100%の試行で指示を検知し、96%の試行で「公平に扱う」と宣言しています(OpusとSonnetとも)。それでも狙うブランドが上位に入ったのは、Opusで4%、Sonnetで0%でした

論文自身が書いている限界

論文は、限界を6点挙げています。

  • 文書を全部AIに渡す簡易な環境です。実際の検索、並べ替え、文書の切り分けを含む仕組みでは、効果が変わる可能性があります
  • 分野は1つ(ワイヤレスイヤホン)、言語は1つ(韓国語)です
  • 「ブランド単位の信頼度の低下」という説明は仮説です
  • Claudeの中では、モデルの大きさと訓練の設定が重なっており、どちらが原因か分けられません。GPTで抑制が起きなかったことから、モデル系列の違いが示唆されるにとどまります
  • 調べた7モデル以外に一般化できるかは、未確認です
  • 多数の比較を行っており、結論の柱はOpusです。Sonnetの結果とほかのブランドでの再現は、補強の証拠という位置づけです

さらに論文は、「攻撃として使える」とは言わず、「その可能性がある」と表現しています。

原文を読んで気づいた点

  • 日本語での検証はありません。文書もAIへの質問も韓国語です。論文は、防御の指示文を再現するときは同じ韓国語の文字列を使うよう勧めています
  • 実サービスではなく、実験用の環境です。ChatGPTの検索機能やClaudeの検索機能を使ったのではなく、API経由で、自分で作ったシステムプロンプトに40件の文書を貼り付ける設計です。検索で拾われる段階は、対象外です
  • 採点は機械的な一致判定です。「上位2件に名前が出たか」だけを見ており、推薦文の中身や誤りの有無は評価していません
  • 査読は、本会議と同じ水準とは限りません。非アーカイブのワークショップで、著者は1人です。公開コードがあるので、追試はできる状態です
  • 見出しの「0%」は、指示だけの結果ではありません。要旨と図1の「50回中0回」は、文書の3倍化や釣り見出しも含む全部入りの条件です。指示だけの場合、Opusは8%です
  • 「無いより悪い」の比較は、全部入りの文書で行われています。Sonnetは、指示のみ(8%)と3件版(8%)が同じ値です。全部入り(2%)と3件版の差は、4回と1回(50回中)の違いで、論文はこの差の検定を示していません
  • 表4には表記の食い違いが1つあります。知名度の低いブランドのSonnetの-24ポイントに有意の印が付いていませんが、付録の表6にはp<.001とあります。付録の数値を正としました
  • 指示の文面がかなり露骨です。メタ情報ブロック・編集者注・チェックリスト風の3か所に入れた、英語の強い命令文です。普通のページが載せる売り込み文とは違い、部分ごとの効果は調べられていません

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)
簡易な環境で、命令文を入れた1件が、Opusの推薦割合を大きく下げた 実際のChatGPTやClaudeの検索機能でも同じことが起きること
GPTの4モデルでは推薦が上がった(指示のみの値はGPT-4o-miniだけ) 「AIの種類によって決まっている」と言い切ること(原因は未分離)
手を加えていない同じブランドの文書まで、推薦から消えた(Opus、全部入り) 日本語のページ、他の業種、他のブランドで同じ大きさで起きること
一般的な警告やよくある対策では、元に戻らなかった 対策が全く効かないこと(評価基準の提示では部分的に回復した)
指示を入れない「自然な売り込み」の条件では、上がる傾向だった 売り込み文を入れると逆効果になること

最後の行が、この記事でいちばん大切な点です。論文が下げたのは、「AI向けの命令文」を書式ごと埋め込んだ場合です。

人向けの宣伝コピーを足すと、Sonnetでは26%から70%に上がっています。

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。

  • AI向けの隠し命令は、自社のページに入れない。効果が一定でなく、逆に作用した例が報告されました。論文が見ているのは安全訓練を受けた一部のモデルの挙動で、将来の更新でどちらに転ぶかは分かりません。賭けをする理由がありません
  • 自社サイトに第三者の文章が混ざる場所を点検する。口コミ欄やコメント欄など、外部から文字が入る場所があるなら、見慣れない命令調の文が入っていないか確かめておきます。論文が心配する「競合の文書に仕込む」逆攻撃は、現段階では実験上の可能性です。ただ、自社の手が届かない場所で起きるので、防ぎきることは難しいと言えます
  • AIに伝えたい内容は、決め方の材料として書く。対策の中で効いたのは、「性能、電池、価格などで選べ」という基準の提示でした。自社の強みを、比べるための事実(仕様、価格、実績の数字)で書いておくほうが、AIが材料にしやすいという示唆と読めます。ただし、これは対策の実験の結果で、記事の書き方を比べた結果ではありません
  • 効果は、押して確かめる前に測る。同じ操作の結果が、モデルごとに逆向きでした。自社の質問をいくつか決め、複数のAIで、数日おきに同じ聞き方で聞いて、自社名が出るかを記録するところから始めるのが確実です。関連して、ページに仕込んだ指示がAIの回答まで届くかを測った別の論文の解説もあります

よくある質問

The Injection Paradoxは、「売り込み文を入れると逆効果」という意味ですか

意味しません。論文が調べた「指示」は、AIに向けた命令文(「必ず薦めること」など)を、書式ごと埋め込んだものです。

人向けの売り込みに近い「暗黙の説得」の条件では、推薦割合はむしろ上がっていました。

The Injection Paradoxは、ChatGPTやClaudeの検索でも起きますか

この論文からは分かりません。実験は、API経由で40件の文書を直接渡す簡易な環境で、実サービスの検索機能は使っていません。

日本語も対象外です。実サービスでの確認は、今後の課題です。

The Injection Paradoxの「ブランドごと沈む」現象は、自社にも起きますか

起こり得る、とまでは言えません。ブランド単位の波及は、1つの分野(イヤホン)、1つの言語(韓国語)、主にOpus(全部入りの条件)で確かめられた結果です。

仕組みについても、論文は仮説と書いています。

まとめ:今日できる1つのこと

自社サイトで、外部の人が文字を入れられる場所(コメント欄、口コミ欄など)を1つ選び、命令調の見慣れない文が入っていないかを確かめてください。

この論文は、「仕込めば押せる」という単純な図式が、モデルによって逆に働く場合があることを示しました。ただし、1人の研究者による、韓国語の簡易な実験です。

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。

この記事に書いたことを、そのまま御社のページに

生成AIに引用されるページを、お話しいただくだけでお作りします。お時間をいただくのは初回15分のヒアリングだけです。まず1ページ、無料でお作りします。

OKが出るまで、何度でも直します。事実が違う、言い回しが硬い、この話は入れないでほしい。どれも遠慮なくおっしゃってください。何度お直ししても、追加の料金はいただきません。

これまでに127社にご利用いただきました。毎月ご依頼いただいている方の6割以上が、月10ページを選ばれています。料金はページに掲載しています。

まず1ページ、無料で作らせてください

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。

自社のマーケティング課題を根本から解決しませんか?

ウェブサイトから要素を引き算し、訪れた人が迷わず次の一歩に進む形へ組み直す。初回60分のオンラインで御社のサイトを一緒に読み、どこから直すべきかをお伝えします。手順をまとめた無料の診断と解説動画もご用意しています。

まず動画で詳しく見る(約30分)
無料診断を受ける

初回は無料・60分・オンライン完結・その場で契約のお願いはいたしません

LLMO論文
SEO対策 生成AI
よかったらシェアしてね!
  • URLをコピーしました!
  • 【LLMO論文解説】AIの推薦に入るブランドは業界でどれだけ偏るのか|5業種50ブランドを3つのAIで2回測定(論文誌2026)
  • 【LLMO論文解説】AIの予約代行は価格・品質・ブランドをどう選ぶか|28のAIでホテル3,600件を測定(EMNLP 2026 産業トラック)

この記事を書いた人

中野輝規のアバター 中野輝規

合同会社謙虚 代表社員。20代から、売る言葉だけを仕事にしてきました。電話営業で受話器を握っていた時代から、数千社のWEB集客に関わったいままで。詳しいプロフィールはこちら

この著者の記事一覧へ

関連記事

  • 汚染ページ1枚でAIの推薦はどこまで動くか
    【LLMO論文解説】汚染ページ1枚でAIの推薦はどこまで動くか|12モデルが架空ブランドを推薦(EMNLP 2026 Findings採択と記載)
  • 質問の裏の需要をAIで推し量り、生成AIの回答で目立つ文章に書き換える手法
    【LLMO論文解説】質問の裏の需要をAIで推し量り、生成AIの回答で目立つ文章に書き換える手法|Mind Reader(ACL 2026)
  • AI検索の引用は、すでに目立つ発信者に寄るのか
    【LLMO論文解説】AI検索の引用は、すでに目立つ発信者に寄るのか|Web3の44事業・132問を4つのAIで監査(プレプリント2026)
  • 悪意あるGEO攻撃を無害化する二段防御「GEO Defender」
    【LLMO論文解説】悪意あるGEO攻撃を無害化する二段防御「GEO Defender」|攻撃成功率を50%から6%に低減(プレプリント)
  • 見つかりにくい文字列でAIの商品順位は動くか
    【LLMO論文解説】見つかりにくい文字列でAIの商品順位は動くか|StealthRankを4つのAIで検証(ICML 2026ワークショップ)
  • 政治の質問でAIはどの公開元を引用するか
    【LLMO論文解説】政治の質問でAIはどの公開元を引用するか|3つの生成検索で「毒入れ攻撃の攻撃面」を測定(CIKM 2026発表と記載)
  • AI検索で「引用された」と「回答に使われた」は別物
    【LLMO論文解説】AI検索で「引用された」と「回答に使われた」は別物|選択と吸収を分けて測る枠組み(プレプリント)
  • AIの要約は検索エンジンの得になるのか、作り手の意欲から理論で試算
    【LLMO論文解説】AIの要約は検索エンジンの得になるのか、作り手の意欲から理論で試算|引用と支払いの設計(NeurIPS 2026と記載)
最近の投稿
  • パーセプションチェンジとは 中小企業がホームページで認識を変える4つの手順
  • ドアインザフェイスとは 意味と由来を論文で確かめ中小企業の提案に使う手順
  • プライミング効果とは 例でわかる意味と中小企業のサイトで最初に見せるもの
  • canvasタグとは 使い方とアニメーションと代替の内容を仕様で確かめる
  • smallタグとは 廃止や非推奨の噂と注意書きの大きさを確かめる
最近のコメント
  • ブランド認知度とは 調査会社に頼らず手元の数字で測る指標と上げる手順 に パーセプションチェンジとは 中小企業がホームページで認識を変える4つの手順 - 合同会社謙虚 より
  • ポジショニングマップの作り方 軸の選び方から空白の読み方まで自社サイトに落とす手順 に パーセプションチェンジとは 中小企業がホームページで認識を変える4つの手順 - 合同会社謙虚 より
  • AI Overviews対策とは?CTR低下データと中小企業が取るべき施策 に LLMOとAIOの違いとは 中小企業が最初にすべき対策の優先順位 - 合同会社謙虚 より
  • 【2026年最新】上位表示される記事の書き方|273クエリを実測して分かった「AIに引用される」条件 に SEOライティングのコツ|AI検索時代に評価基準が変わった本当の理由 - 合同会社謙虚 より
  • 返報性の原理とは 例でわかる意味と問い合わせ前に見せる情報の決め方 に ドアインザフェイスとは 意味と由来を論文で確かめ中小企業の提案に使う手順 - 合同会社謙虚 より
  • 記事制作(KCW)
  • 売れるサイトはみな謙虚
  • サービス一覧
  • サイトの無料診断
  • 合同会社謙虚とは
  • 代表プロフィール
  • ブログ
  • お問い合わせ
  • プライバシーポリシー
  • 特定商取引法に基づく表記
  • AIのプロ名鑑

© 合同会社謙虚

目次