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】AIの商品順位づけは、ブランドの出身国と利用者の所在地で動くか|3モデルの地理的な偏り(FAccT 2026)

【LLMO論文解説】AIの商品順位づけは、ブランドの出身国と利用者の所在地で動くか|3モデルの地理的な偏り(FAccT 2026)

2026 11/14
2026年11月14日
中野輝規
AIの商品順位づけは、ブランドの出身国と利用者の所在地で動くか

AIに商品を並べ替えさせると、ブランドの出身国や、利用者が住んでいる国によって、順位は変わるのでしょうか。2026年6月にカナダ・モントリオールで開かれたFAccT 2026(公平性・説明責任・透明性を扱う国際会議)の会議録に、この問いを実験で調べた論文が載りました。

この記事は、その論文を原文から読み、何を測り、何が分かり、何が分かっていないのかを整理します。数値は論文の表から拾い、私が計算した値には「概算」と添えました。

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。この論文は、AIの見え方が「誰が、どこから聞くか」で変わり得るのかを考える材料になります。

目次

結論:3行で言うと

  • 米国・欧州・中国に本社がある企業の3つのモデルで、1位に出るブランドの出身地域の割合が違いました。論文は、モデルの出身地域が中立性を保証しないと述べています。中国に本社がある企業のモデルは、1位の約7割が北米のブランドでした
  • 利用者の所在地だけを伝えたときの変化は小さく(1位の割合の相対変化で最大約6%)、ブランドの出身国も一緒に示したときに大きく動きました(最大で約59%。ただし元の割合が小さい地域です)
  • 順位の正確さを表す標準的な指標(NDCG)は、どの条件でもほぼ同じ水準でした。順位の質は保たれたまま、上位に出る地域の構成だけが動くことがある、というのが論文の指摘です

ただし、この実験の対象は英語の検索語と、米国向けの商品データです。日本や日本語は含まれていません。

この論文の基本情報

項目 内容
題名 Your LLM Has a Passport: Investigating Brand Origin Geographic Bias in E-Commerce Rankings
著者 Betello、Missault、Czinczoll、Beliuha(4人)。所属は、イタリアとドイツの研究機関が2人、国外の大手EC企業が2人です。脚注によると、1人目と3人目の研究は、その企業でのインターン中に行われました
掲載先・DOI 会議録(FAccT ’26、2026年6月25〜28日、カナダ・モントリオール)、8089〜8106ページ(18ページ)。DOIは10.1145/3805689.3806438
掲載状況 Crossrefに登録されています。種別は会議録論文、公開日は2026年6月25日です。arXivのプレプリントではありません
種類 オフライン実験(実際のサービスではなく、公開データとオープンなモデルを使った検証)
データ・コード 商品データは、著者の所属企業が公開している検索データセットです。コードは「採択後に公開予定」と書かれていますが、私が読んだ範囲では、公開先の記載はありません

論文はこちらで読めます。会議録(DOI)。

この論文が答えた問い

ECの商品を順位づけするAIは、ブランドの出身国と利用者の所在地によって、上位に出るブランドの地域を変えるのか。

論文は、AIが大量の文章から学ぶ過程で、学習元の偏りを引き継ぐと述べています。すでに別の研究が、AIがブランドを薦めるときに、世界的なブランドや高所得国を優先する傾向を示しています。

ECでは、順位がそのまま商品の見えやすさと売上につながります。そこで論文は、順位づけという場面で、地域の偏りがどう現れるかを調べました。

どうやって調べたのか

使ったのは、検索語と商品の組み合わせに「検索語に合っているか」の4段階ラベルが付いた、公開の商品検索データです。米国市場の英語の検索語だけに絞りました。

項目 内容
データの絞り込み 検索語130,193件から、米国市場、英語、ブランドの出現回数、商品数、似た検索語の除外、ブランド名を含む検索語の除外を経て、2,145件に絞りました。検索語と商品の組み合わせは59,898件、ブランド数は10,685です
順位づけの課題 検索語ごとに商品を20件ランダムに選び、モデルに「関連が高い順」に並べ替えさせます。商品名、説明、箇条書き、色、ブランドを読ませます
モデル3つ 米国に本社がある企業のモデル(Llama 3.2、30億パラメータ)、欧州に本社がある企業のモデル(RankMistral、70億。順位づけ用の追加学習あり)、中国に本社がある企業のモデル(Qwen3、80億)。どれも、ブランドについての追加学習はしていません
出身国の決め方 各モデルに「このブランドはどこで創業したか」と尋ね、その答えを「そのモデルが思っている出身国」として使いました。実際の本社所在地ではありません
3つの条件 (1)出身国の情報なし。(2)モデルが推定した出身国を商品に添える。(3)架空の利用者の所在地(米国・中国・ドイツ)を添える。(3)は、(2)と同時に添える場合も試しました
指標 順位の正確さ(NDCG)、条件を変える前後の順位の近さ(重なりの指標2種)、上位に出るブランドの出身大陸の割合
実行 乱数を固定し、出力が毎回同じになる設定で実行しています(モデルを軽くする8ビット量子化を使い、GPUは1枚)

重なりの指標は、1位だけで見ると「条件を変えても1位の商品が同じ検索語の割合」と読めます。これは私の読み取りです。

結果

モデルごとに、ブランドの出身国の「思い込み」が違った

論文の図3は、10,685のブランドを、各モデルがどの大陸の出身だと答えたかの棒グラフです。私が棒の高さから読んだ概算の件数は、次のとおりです。

  • 欧州に本社がある企業のモデル:欧州が約5,400、北米が約3,650、アジアが約1,450
  • 中国に本社がある企業のモデル:北米が約6,600、アジアが約2,350、欧州が約1,550
  • 米国に本社がある企業のモデル:アジアが約4,100、北米が約2,500、欧州が約2,200、オセアニアが約1,700

中国に本社がある企業のモデルは、中国のデータを重視すると説明されています。それなのに北米を多く答えたことを、論文は意外な結果としています。

論文は原因として、英語の質問を使ったことによる偏りを挙げていますが、検証された結果ではありません。

出身国の答えが正しいかどうかは、頻出する200ブランドをWikidataと照らして確かめています。どのモデルも一致率は約80%でした。

残る約2割は一致しなかったことになります(概算)。

1位に出る地域と、出身国を示したときの変化

次の表は、論文の表2から、1位に出たブランドの出身地域の割合(基本の条件)と、出身国を商品に添えたときの変化を拾ったものです。変化の値は、元の割合に対する相対的な動きです。

モデル 地域 基本の条件での1位の割合 出身国を添えた後の変化(相対)
欧州に本社がある企業のモデル 北米 48.04% -5.63%
欧州 37.92% +8.73%
アジア 12.36% -3.40%
米国に本社がある企業のモデル 北米 34.17% +1.41%
欧州 17.72% +5.05%
アジア 32.03% -3.88%
中国に本社がある企業のモデル 北米 71.53% +5.39%
欧州 9.96% -9.48%
アジア 17.16% -16.70%
  • 欧州に本社がある企業のモデルは、基本の条件では1位の約48%が北米で、欧州は約38%でした。欧州の割合が上がるのは、出身国を添えたあとです
  • 米国に本社がある企業のモデルは、基本の条件で3地域の割合が近く、論文はこのモデルを「比較的バランスが取れている」としています。3地域の合計は約83.9%で、残り約16%はそれ以外の地域です(概算)
  • 中国に本社がある企業のモデルは、出身国を添えても北米が7割前後のままでした

利用者の所在地を出身国と合わせて伝えたときの変化

表3は、利用者の所在地だけを添えた場合と、ブランドの出身国も同時に添えた場合の、1位の割合の相対変化です。

下の表は、出身国も同時に添えた場合から、利用者の所在地と同じ地域のブランドの欄を拾いました。かっこ内は、基本の条件の割合からの動きです。

モデル 中国の利用者×アジアのブランド ドイツの利用者×欧州のブランド 米国の利用者×北米のブランド
欧州に本社がある企業のモデル -1.84% +12.79%(37.92%から42.77%) -3.44%
米国に本社がある企業のモデル +2.57% +21.37%(17.72%から21.50%) +10.88%(34.17%から37.89%)
中国に本社がある企業のモデル +38.90%(17.16%から23.83%) +59.16%(9.96%から15.85%) +14.25%(71.53%から81.72%)
  • 中国に本社がある企業のモデルの「+59%」は、欧州のブランドの1位の割合が9.96%から15.85%に上がった値です。差は約5.9ポイントです(概算)
  • 同じモデルで、米国の利用者を伝えると、欧州のブランドは34.40%、アジアのブランドは36.46%、それぞれ相対的に減りました
  • 欧州に本社がある企業のモデルでは、米国や中国の利用者を伝えたとき、同じ地域のブランドの割合がわずかに下がりました。論文はこれを「意外」としています
  • 利用者の所在地だけを伝えた列では、動きが小さい結果でした。表3のこの3列のうち、絶対値が最も大きいのは+6.17%でした(中国の利用者を伝えたときの、中国に本社がある企業のモデルのアジアのブランド)

欧州のブランドの59%という伸びについて、論文自身も、中国に本社がある企業のモデルは基本の条件で北米への偏りが最も強く、増える余地が最も大きかったと注記しています。

順位の質は保たれたのか

モデル NDCG@1(基本の条件) NDCG@1(全8条件の範囲) 出身国を添えたときの、1位の一致の割合
欧州に本社がある企業のモデル 0.724 0.714〜0.733 0.510
米国に本社がある企業のモデル 0.641 0.641〜0.656 0.711
中国に本社がある企業のモデル 0.748 0.743〜0.756 0.745

NDCGは、どの条件でも基本の条件とほぼ同じ水準で、論文は「差は5%水準で統計的に有意でない」と書いています。順位の正確さは保たれたまま、上位に出る地域の構成が動いた、という整理です。

一方、論文の表4のJaccard@1(1位の一致の割合)は、欧州に本社がある企業のモデルで0.51でした。出身国を添えると、約半数の検索語で1位の商品が入れ替わっていることになります(概算:1から0.51を引いた値)。

論文はすべての値が0.5を超えるため「順位は頑健」と述べていますが、私は、この指標の読み方に注意が必要だと考えます。

論文自身が書いている限界

論文は、考察の節で3つの限界を挙げています。

  • モデルが3つだけ。どれも非商用のオープンなモデルで、現在の大規模なモデルが持つ偏りを十分に表せていない可能性があります
  • 英語の検索語だけ。英語の指示文が、欧米寄りの反応を引き出している可能性があります。中国に本社がある企業のモデルの傾向を読むときの交絡要因(結果を読み違えさせる別の要因)になると、論文自身が述べています
  • 出身国がモデルの推定。検証済みの世界的なデータがないため、不正確さが混ざる可能性があります。今後の課題として、より多くのモデル、多言語のデータ、検証済みの出身国情報を挙げています

原文を読んで気づいた点

  • 日本・日本語は対象外です。利用者の所在地は米国・中国・ドイツの3つ、検索語は英語、商品は米国市場のものです。日本のブランドは、「アジア」の中にひとまとめにされています
  • 実験と実サービスには差があります。モデルは30億〜80億パラメータの小型で、量子化もしています。ブランドの出身国や利用者の所在地を、指示文の中に直接書き込む設定です。実際のECの検索や、AI検索の画面が、同じ情報を同じ形で使っているかは、この論文からは分かりません
  • 評価は自動採点です。順位の正解は、データに付いた4段階の関連度ラベルです。偏りの有無も、モデルが答えた出身国で数えています。人が結果を見て判断する評価はありません
  • モデルの違いが、本社の所在地の違いだけとは限りません。大きさも、追加学習の有無も異なります。論文は、偏りは主に事前学習(大量の文章を読ませる最初の学習)で決まり、追加学習の影響は小さいという先行研究を根拠に、同じものとして扱っています
  • 出力が毎回同じになる設定のため、ばらつきの幅が示されていません。表2・表3の割合の変化に、検定や信頼区間は付いていません。NDCGの差が5%水準で有意でないとされた検定の名前も、私が読んだ範囲では書かれていません
  • 本文と図の食い違いがあります。本文(4.1節)は、米国に本社がある企業のモデルについて北米を好む傾向が残るとしていますが、図3のブランドの出身国の推定では、最も高い棒はアジアです(概算約4,100に対し、北米は約2,500)。なお、表2の基本の条件での1位の割合では、北米(34.17%)がアジア(32.03%)をわずかに上回っています。また本文は、アフリカやオセアニアのブランドの商品はごく一部だとしていますが、このモデルでは、図3のオセアニアは約1,700、表2の3地域の合計の残りは約16%です
  • 要旨と表2の向きが一部合いません。要旨は、欧州に本社がある企業のモデルが欧州のブランドを好むと書いています。図3のブランドの出身国の推定ではそのとおりですが、表2の基本の条件での1位の割合では、北米(48.04%)が欧州(37.92%)を上回っています。論文も4.2節で、このモデルは基本の条件では北米のブランドを好み、出身国を添えると欧州の割合が大きく上がると書いています
  • 要旨の書き方に注意が必要です。要旨は「利用者の所在地が最も強い影響」と書いていますが、約59%の変化は、ブランドの出身国も同時に示した条件のものです。所在地だけの列の変化は、最大でも約6%でした
  • 査読と、著者の所属です。会議録に載った論文です。査読の中身(査読者や評価基準)までは確認していません。著者は、調べた商品データを公開している企業の所属で、実験は小型の公開モデルに限られます。特定のサービスの評価ではありません

この論文から、言えること・言えないこと

言えること 言えないこと
この3つのモデルでは、ブランドの出身国や利用者の所在地を指示文に書くと、1位に出る地域の割合が変わる 実際のECサイトやAI検索の順位が、同じように動くこと
モデルによって、偏りの向きと大きさは違う。本社の所在地から偏りの向きは予想できない 偏りの原因が、モデルを作った企業の所在地や国の考え方にあること(論文も、英語の学習データの影響などを推測として挙げるにとどまる)
地域の割合が動いても、順位の正確さの指標はほぼ同じ水準だった 順位が「公平」である、または「問題ない」こと。割合の変化に検定は付いていない
モデルが答える出身国は、頻出ブランドの確認で、Wikidataと約8割しか一致しない 出身国を明記すれば、自社の商品が上位に出るようになること。向きはモデルごとに違った
英語の検索語と米国の商品データでの結果 日本語の検索語、日本の利用者、日本のブランドで同じ結果になること

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. 日本に当てはめるのは、まだ早いです。日本語も日本の利用者も試されておらず、日本のブランドは「アジア」に混ざっています。この論文だけで「日本の商品は、AIの順位づけで不利(または有利)」とは言えません
  2. 出身地や創業地の情報は、公開情報どうしで食い違わないように整えておく価値があります。論文の出身国は、モデルが答えた推定でした。頻出ブランドでのWikidataとの一致も約8割です。自社のサイトや公開情報で、拠点や創業の情報が一貫していれば、少なくとも誤解の余地は減ります。ただし、これは出身国を示せば順位が上がるという話ではありません
  3. 自社の見え方は、質問する側の条件を変えて測れます。論文が運営側に勧めるのは、利用者の所在地を変えた場合の出力を比べることです。同じ質問を「東京在住」「大阪在住」などで試して、自社が出るかを記録する方法が考えられます。これは論文が行った実験ではなく、論文の勧めを小さく真似た私の案です
  4. 順位の土台は、質問との関連です。この論文でも、順位の正確さは保たれていました。サーベイ論文の解説では、質問との関連と位置が、最も頑健な要因として整理されています。地域の偏りより先に、質問に合った商品情報を正確に書くことが、手を付けやすい出発点です

よくある質問

ブランド出身国の地理的な偏りとは、AIが特定の国のブランドを意図的に不利にするという意味ですか

論文は、意図について何も述べていません。測ったのは、1位に出るブランドの出身地域の割合の違いです。

原因について論文は、英語の学習データの影響などを、可能性として挙げています。欧州のブランドを品質や伝統と結びつける連想(米国に本社がある企業のモデルについて)も同様です。

いずれも、実験で確かめられた結果ではありません。

利用者の所在地をAIに伝えると、ECの商品の順位はどれだけ変わりますか

この論文の設定では、所在地だけを伝えた場合、1位の割合の相対変化は最大でも約6%でした。ブランドの出身国も一緒に添えると、最大で約59%動きました。

ただし、59%は元の割合が小さい地域の値で、割合の絶対的な差は約5.9ポイントです。

この結果が実サービスでも起きるかは、確かめられていません。

日本の商品や日本語の質問でも、ブランド出身国の偏りは同じように出ますか

この論文は、日本語も日本の利用者も対象にしていないため、答えは出せません。検索語は英語、商品は米国市場のもの、利用者の所在地は米国・中国・ドイツの3つです。

論文自身も、英語以外の検索語やより多くのモデルでの検証を、今後の課題としています。

まとめ:今日できる1つのこと

自社が扱う商品を、AIに「おすすめを教えて」と聞くとき、質問者の所在地だけを変えて3回試し、自社が出るかを表に記録してみてください。

1回の結果で一喜一憂しないために、同じ条件で複数回聞くことも勧めます。論文が示したのは、地域の条件が結果に関わり得るという可能性の段階で、自社の数字は自社で測るのが確実です。

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】構造化したHTMLはAIに引用されやすいのか|gSoV指標と12組織の検証(HT 2026)
  • 【LLMO論文解説】Google・記者・SEO担当者はAI Overviewsをどう語ったか|600本超の言説分析(学術誌2026)

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

  • AIの順位を動かす8手法を同条件で比較
    【LLMO論文解説】AIの順位を動かす8手法を同条件で比較|書き換えだけで勾配攻撃に並ぶ場合も(順位操作のGEO-Bench・プレプリント)
  • AIの商品推薦に自社ブランドが出るかを、繰り返し数えて測る
    【LLMO論文解説】AIの商品推薦に自社ブランドが出るかを、繰り返し数えて測る|定番ブランドが1度も薦められない例も(プレプリント)
  • 複数の質問で食い違う書き換え要求を、1つの改稿方針にまとめる仕組み
    【LLMO論文解説】複数の質問で食い違う書き換え要求を、1つの改稿方針にまとめる仕組み|IF-GEOは最良の比較手法より目立ち方が約45%増(Findings of ACL 2026)
  • AIに競合を出し抜かせる「選好操作攻撃」
    【LLMO論文解説】AIに競合を出し抜かせる「選好操作攻撃」|全員が攻撃すると損をする囚人のジレンマ(ICLR 2025)
  • 会話型検索向けSEOは本当に効くか、6分野・4モデルで試した結果
    【LLMO論文解説】会話型検索向けSEOは本当に効くか、6分野・4モデルで試した結果|多くの手法は有意に効かなかった(NeurIPS 2025)
  • 文書に仕込んだ指示でAIの順位づけは乗っ取られるか
    【LLMO論文解説】文書に仕込んだ指示でAIの順位づけは乗っ取られるか|8モデル・3方式で試した「順位づけの盲点」(EMNLP 2025)
  • AI検索の出典は本当に確かめられるか、専門家21人が挙げた16の問題
    【LLMO論文解説】AI検索の出典は本当に確かめられるか、専門家21人が挙げた16の問題|利用者調査(FAccT 2025)
  • AIの引用はニュースのアクセスより少数の所有者に集中
    【LLMO論文解説】AIの引用はニュースのアクセスより少数の所有者に集中|77か国・7つのAIで測った研究(プレプリント)
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