AIでSERP・検索結果をリサーチする — 上位傾向とコンテンツギャップ

ChatGPTやClaude、Geminiに「〇〇というキーワードで検索結果の上位に来ているページの傾向を教えて」と聞くと、それらしい答えが返ってきます。しかしこの回答は、AIが今この瞬間の検索結果を実際に取得して答えているとは限りません。多くの基盤モデルは学習した時点のデータをもとに応答を生成する仕組みを土台にしており、ウェブ検索機能を明示的に使わない限り、リアルタイムの検索結果には触れていないことがあります。

技術的な前提 — AIは検索結果を「知っている」わけではない

チャット型AIの基盤モデルは、あらかじめ収集・学習した時点のデータをもとに応答を生成します。これに対してOpenAIのChatGPT検索、GoogleのGrounding with Google Search、Anthropicのウェブ検索ツールは、モデルが必要と判断した際に検索クエリを発行し、その結果をもとに回答を組み立てる仕組みを備えています※1※2※3。つまり検索とテキスト生成は別の工程であり、機能が有効になっているか、プランや画面上で使える状態かを確認しないまま「検索してもらった」つもりで会話を進めると、実際には学習時点の記憶だけで答えている場合があります。また機能が有効でも、AIが発行する検索クエリは自分が入力したキーワードと完全に一致するとは限らず、上位10件をすべて取得して回答している保証もありません。

手順 — 実際のSERPデータをAIリサーチに渡すワークフロー

検索結果の傾向をAIに聞くのではなく、実際に取得した検索結果をAIに渡して分析だけを任せる分業にすると、上記の限界を避けられます。

①検索結果を実際に取得する

対象キーワードで自分のブラウザから検索を実行し、上位ページのタイトル・meta description・URLをコピーします。自社サイトが実際にどのクエリで表示・クリックされているかは、Search Consoleのパフォーマンスレポートで確認できます※4。

②タイトル・見出し・meta descriptionのパターンをAIに分析させる

取得した情報をAIに渡し、検索意図や表現パターンの傾向を整理させます。

以下は「◯◯ 比較」というキーワードで検索した際の上位10件のタイトルとmeta descriptionです。
①検索意図（情報収集・比較検討・購入直前など）に共通する傾向
②タイトルの文字数や構成パターン
③頻出する語句
の3点に分けて整理してください。

（実際に取得したタイトル・meta description・URLのリスト）

③コンテンツギャップを洗い出す

整理したパターンと自社の記事一覧を比較し、上位ページの多くが扱っているのに自社では扱っていない検索意図やサブトピックを洗い出します。ここで見つかる差分は仮説であり、公開後の実際の表示状況で検証する前提で扱います。

トレードオフ — ブラウジング機能付きAIと手動収集の限界

ウェブ検索・グラウンディング機能付きのAIは、複数キーワードのリサーチをまとめて短時間で処理できる利点があります。ただし、AIが実際にどの検索クエリを発行し、何件のページを参照して回答を組み立てたかは画面上に表示される引用元からしか推測できず、上位10件全体を網羅しているとは限りません。一方、手動で検索結果を取得する方法は、対象読者が実際に目にする表示に近いものを得られますが、キーワードの数が増えるほど作業時間がかかります。両者は精度と速度のトレードオフにあり、重要なキーワードほど手動取得とAI分析を組み合わせる価値があります。

つまずきやすい点 — 「AIが検索して調べた」結果を鵜呑みにする

ウェブ検索機能を有効にしていても、AIのアカウントに紐づく言語設定や地域設定は、想定する読者の設定と一致しているとは限りません。検索結果は個人の設定や実行場所によって変わるため、AIが提示する「上位ページ」は自分が実際に検索したときの表示と異なる可能性があります。もっとも、この限界があっても実際に自分で取得した検索結果を渡してパターン分析だけをAIに任せる分業にすれば、AIの弱点を回避しながら分析の速度を上げられます。最終的に効果があったかどうかは、AIの回答ではなくSearch Consoleの実測データで確認してください※4。

次の一歩

SERPの傾向とコンテンツギャップが見えたら、次はその意図を自社のキーワード群にどう割り当てるかを整理する番です。検索意図のマッピングはAIで検索意図をマッピングする記事にまとめています。上位ページの構成そのものを深く分解したい場合はAIで競合ページを分解して学ぶ記事が参考になります。