何が起きたか:同じ事業情報がAIの回答を動かしている
原文の見出しは「Reviews, Reputation & Listings: The Local Signals AI Now Reads(レビュー・評判・掲載情報:AIがいま読んでいるローカルの信号)」です。リード文には、AIアシスタントは短い名前のリストでローカルのクエリに答えられるため、AI向けの戦術に手を出す前に、掲載情報・レビュー・評判の基礎を正しくしておくべきだと置かれています。
原文の整理では、名称・住所・電話番号・営業時間・レビュー・他ソースからの言及といった基本的な情報が、顧客が事業を見つけるうえで重要な役割を果たします。AIのシステムは、事業についての正しい情報を取得し、何を提供しているかを理解し、複数のオンライン情報源からデータを集めることに依存している。もしこれらの重要な情報が誤っていたり、互いに食い違っていたりすれば、どんなAIツールも元データを代わりに直してはくれない、という指摘です。
そのうえで記事は、3つの手順を示します。第一に掲載情報の一貫性を確保すること、第二にレビューを慎重に扱うこと、第三に自社サイトの外にある複数のプラットフォームで評判を築くことです。
データの出どころと、その限界
数値の扱いを誤らないために、原文がデータの出どころについて明示している点を先に押さえます。データを提供しているのはUberallとAthenaHQの2社です。Uberallは掲載情報と評判管理のソフトウェアを提供し、AthenaHQはAI可視性のツールを提供しています。
そして重要な注意として、Uberallのレストラン向けベンチマークはGEO Studioを使っており、そのGEO StudioはAthenaHQが動かしているため、両者のデータセットは重複しており、互いを独立して裏付けるものではないと原文は明記しています。数値を読むときは、2つの独立した調査ではないという前提が必要です。
信号1:掲載情報の一貫性が土台になる
原文の説明では、AIアシスタントは検索エンジン、ディレクトリ、レビューサイト、そして自社ページといった情報源から事業情報を集めて最良の回答を作ります。これらの情報源が一致していれば、アシスタントは事業についての「きれいな1つの版」を手にできる。食い違っていれば、アシスタントに解決すべき矛盾を渡すことになり、事業の見え方に影響しうる、という整理です。
使われる情報源の数は、多くの人が思うより多いとされます。AthenaHQのState of AI Searchレポートは、2025年12月から2026年3月にかけて7つのAIモデルで収集した回答に基づくもので、1回の回答あたりの引用ドメイン数はモデル単位の平均でおよそ6〜27、全体では約12という結果でした。個別ではChatGPTが平均18.86ドメイン、Grokが26.99、Copilotが5.77です。原文は、このデータがローカル検索だけでなく全業種を対象にしたものだと注記しています。
UberallのQSR(クイックサービスレストラン)ベンチマークも、レストラン関連のクエリで似た幅を示しています。対象は北米の主要ファストフードブランドを料理ジャンル別に見たもので、Uberall自身は結果を確定的ではなく方向性を示すもの(directional)と説明しています。典型的な引用数はChatGPTが16、CopilotとGoogle AI Overviewsが8、Perplexityが7、Geminiが4でした。
ただし原文は、すべての情報源が事業のあらゆる詳細を含んでいるわけではなく、これらの数値は「引用されたドメイン」の数であって、確認されたすべての情報源の数ではないと補足しています。営業時間と住所を含む情報源もあれば、編集的な洞察や顧客のコメントを提供する情報源もある。古い情報は矛盾や不正確さの原因になりうる、という説明です。
実務の要点として原文が挙げるのは、Googleビジネスプロフィール、Apple Business Connect、Bing Places、その他の主要ディレクトリで情報をそろえておくことです。名称・住所・電話番号・営業時間・カテゴリ・属性がすべて一致していれば、システムがぶつかる矛盾は減ります。1回で終わる修正ではなく、全チャネルにまたがる継続的な作業として捉えるべきだとされています。多店舗の場合はこの課題が大きくなり、1店舗の営業時間の誤りは小さなミスに見えても、全店舗でデータの一貫性を保てなければ誤りは積み上がる、という指摘です。
信号2:レビューは星の数だけでなく「何が書かれているか」
原文は、レビューが順位を後押しし、顧客の判断を助けてきたことに触れたうえで、AIによってレビューの文面が事業についてのさらに多くの手がかりを与えるようになったと述べます。Uberallの整理では、アシスタントは顧客のコメントを、何を提供しているか、いつ訪れるべきかといった文脈として読むことができます。件数(volume)、新しさ(recency)、感情(sentiment)、返信率(response rate)といった指標は単なる数字ではなく、顧客との関わりを示すものだとされています。
UberallのQSRベンチマークが示す目安は次のとおりです。ChatGPTが推奨する事業の平均評価はおよそ4.3、Perplexityは約4.1、Geminiは3.9でした。原文はこれを、推奨された事業の平均評価であり、確定的なしきい値ではないと明記しています。またUberallのプレスリリースによれば、平均4.0のレストランでも、Uberallが観測したChatGPT推奨の高い平均に達していなくてもGoogleで上位に表示されることはありうるとされています。保証ではないが、確かに起こりうる、という書き方です。
原文の見立てでは、星評価は概観であり、レビューの中身のほうが多くを伝えます。不満の集積の上に成り立った高い平均は、数字が示すのとは違うものとしてシステムに読まれる。たとえば、遅いサービス、特定の料理、場所についてのヒント、最近の来店に言及したレビューは、システムに顧客の好みへ合わせるための手がかりを与えます。
Uberallが「AIにとって有用」として挙げるレビューの詳細は、商品やメニューへの言及、場所、サービス品質、雰囲気、価格に対する価値、そして最近の来店です。原文は、自社のレビューをこの観点で見て、こうした詳細が自然に出てきているかを見ると良いとしつつ、やるべきことは変わらないとも述べています。正直なレビューを促し、誠実に返信する。AIが詳細をどう扱うかにかかわらず、この継続的な取り組みが顧客のためになる、という締め方です。
信号3:自社サイトは自分の品質を保証できない
自社のプロパティは、営業時間、サービス、メニュー、価格といった重要な事業情報を示し、AIのシステムもそれを認識します。ただ原文の指摘では、これらのページだけでは品質・評判・競合との比較を十分に示せないことが多く、その証拠は通常、信頼できる外部の情報源から来ます。
数値も示されています。AthenaHQのデータセットでは、追跡対象ブランドのサイトが引用されたのは回答の約16.05%で、残りの約84%ではブランド自身のサイトは引用に含まれていませんでした。よく使われる情報源としては、reddit.comが引用の21.85%、youtube.comが10.32%を占めています。Uberallのバーガーチェーンのベンチマークも、よく知られたフード系サイトとRedditを主要な外部参照として挙げています。
原文は、両方のデータセットでコミュニティ系プラットフォームと編集系サイトが外部引用の上位に来ていたとまとめています。一方で、地域の報道、商工会議所、ベストオブ系のリストは個別に検証されていないため、参考にはなるが確定的なものとして扱うべきではないと注意しています。関連するディレクトリ、地域ニュース、業界リストなど情報を裏付けるものを含めることは、信頼性を高めうるという整理です。
選ぶ基準についても言及があります。署名のある著者と、実際の選定基準を持つ情報源を優先すること。有料の掲載や自動生成されたリスティクル(まとめ記事)は、同じ独立した裏付けを提供しません。そして第三者が公開する内容の多くは自社のデータから始まっているのだから、掲載情報とレビューを先に直しておけば、外部の情報源は自社を否定するのではなく裏付ける側に回る、という因果の説明が添えられています。
直す順番:これは順位対策ではなく片付けの手順
原文は最後に、順番そのものについて念を押しています。この並びは順位を上げる手法ではなく、片付け(cleanup)のプロセスである、という位置づけです。
- ロケーションデータを最初に直す。他のすべてのデータがこれに依存しているため。
- 次にレビュー。特定可能な事業に紐づいているため。
- 次に外部からの裏付け。
- AI可視性の戦術はこれらの後。推奨のされ方を調整するには、土台のデータが正確である必要があるため。
着手の仕方として原文が勧めているのは、まず自社の基本情報を正直に見直すことです。主要な掲載情報をすべて比較し、食い違いを洗い出す。初めて取り組むチームは、何年も気づかずに抱えていた問題を見つけることが多い、と書かれています。
実務への影響と、今日からできる確認手順
日本のローカル事業に当てはめる場合、原文が挙げたプラットフォームの一部は事情が異なります。原文の範囲と編集部の補足を分けて整理します。
- 主要な掲載先を書き出し、名称・住所・電話番号・営業時間・カテゴリ・属性の6項目を横並びで比較する(原文が挙げる項目です)。
- 食い違いのある項目を、正しい版に統一する。多店舗であれば店舗ごとに同じ作業を行う。
- レビューの内容を、商品・場所・サービス品質・雰囲気・価格に対する価値・最近の来店という観点で読み、言及が自然に出ているかを見る。
- 件数・新しさ・感情・返信率を定期的に確認し、返信の運用を続ける。
- 外部で自社に言及している情報源を洗い出し、署名と選定基準があるものを優先して整える。
- ここまで整ってから、AI可視性の測定や戦術に進む(原文が示す順序です)。
※以下はScale Basics編集部による一般的な実務上の補足です。原文が挙げるApple Business ConnectやBing Placesは、日本のローカル検索では影響の出方が米国と異なります。国内であれば、Googleビジネスプロフィールを軸に、業種ごとの主要ポータル(飲食・医療・美容・不動産など)と地図系サービスを対象に同じ突き合わせを行うのが現実的です。また引用元としてのRedditの比重は日本語圏では下がり、代わりに口コミ系サイトやSNS、まとめ系メディアが同じ役割を担いやすいと見ています。ここは原文が検証していない範囲ですので、自社の業種で実際にAIの回答に出てくる情報源を確認するところから始めるのが確実です。
所感
ここからは記事本文にはない、Scale Basics編集部の見解です。この記事のいちばん実務的な指摘は、AI可視性の施策を最後に置いているところだと考えます。掲載情報が食い違ったままAI向けの調整をしても、AIに渡っている元データが矛盾しているので、何を直したのか判定できません。順序を「データの整合→レビュー→外部の裏付け→AI施策」と固定したのは、作業の依存関係として妥当です。
もうひとつ重要なのは、追跡対象ブランドの自社サイトが引用に入っていたのが約16%だったという数字です。裏を返せば、約84%の回答は自社サイト以外の情報を根拠に組み立てられていた、ということになります。自社サイトの改善だけでAIの回答に載ろうとするアプローチには、構造的な限界があるという読み方ができます。
ただし数値の扱いには慎重さが必要です。原文自身が、UberallのベンチマークはGEO Studio(AthenaHQが提供)を使っているため2つのデータセットが重複していると明示し、方向性を示すものだと注意しています。平均評価4.3という数字も推奨された事業の平均であり、しきい値ではありません。「4.3を超えないと推奨されない」と読み替えてしまうと、施策の設計を誤ります。
まとめ
・Search Engine Journalが2026年8月3日付で、AIアシスタントがローカルの回答を作るときに読む信号を、掲載情報・レビュー・外部評価の3つに整理した(執筆はMatt G. Southern氏)
・データはUberall(掲載情報・評判管理)とAthenaHQ(AI可視性ツール)から。UberallのレストランベンチマークはAthenaHQが動かすGEO Studioを使っており、両者のデータセットは重複し互いを独立に裏付けるものではないと原文が明記している
・AthenaHQのState of AI Search(7モデル、2025年12月〜2026年3月)では、1回答あたりの引用ドメイン数はモデル平均でおよそ6〜27、全体で約12。ChatGPTは平均18.86、Grokは26.99、Copilotは5.77
・追跡対象ブランドの自社サイトが引用されたのは回答の約16.05%にとどまり、reddit.comが引用の21.85%、youtube.comが10.32%を占めた
・原文が示す順番は、ロケーションデータ→レビュー→外部からの裏付け→AI可視性の戦術。これは順位対策ではなく片付けの手順であり、土台のデータが正確でなければ推奨のされ方は調整できないとされている
よくある質問
Q1: ChatGPTに推奨されるには平均4.3以上の評価が必要ということですか?
いいえ。原文は、UberallのQSRベンチマークで示された数値が「推奨された事業の平均評価」であり、確定的なしきい値ではないと明記しています。あわせて、Uberallのプレスリリースによれば平均4.0のレストランでもGoogleで上位に表示されることはありうるとされています。原文の整理では、星評価は概観であり、レビューに何が書かれているか(商品やメニュー、場所、サービス品質、雰囲気、価格に対する価値、最近の来店への言及)のほうが手がかりとして重要です。
Q2: 自社サイトを充実させればAIの回答に載りやすくなりますか?
自社サイトは営業時間・サービス・メニュー・価格といった情報を示す役割を果たしますが、原文の指摘では、品質や評判、競合との比較を自社ページだけで示すことは難しく、その証拠は信頼できる外部の情報源から来ます。AthenaHQのデータセットでは、追跡対象ブランドのサイトが引用されたのは回答の約16.05%で、残りの約84%では自社サイトは引用に入っていませんでした。外部の裏付けを整える必要があるという結論になります。
Q3: 何から手をつければよいですか?
原文が示す順番は、ロケーションデータ(掲載情報)→レビュー→外部からの裏付け→AI可視性の戦術です。理由は依存関係で、他のデータがロケーションデータに依存しており、レビューは特定可能な事業に紐づき、AIの推奨のされ方を調整するには土台のデータが正確である必要があるためです。着手の仕方としては、主要な掲載情報をすべて比較して食い違いを洗い出すことが勧められています。
出典:Reviews, Reputation & Listings: The Local Signals AI Now Reads(Search Engine Journal、Matt G. Southern氏、2026年8月3日)https://www.searchenginejournal.com/reviews-reputation-listings-the-local-signals-ai-now-reads/583795/
