AI検索可視性の測定にはpresence、recommendation share、brand accuracyが必要

Prompt trackingはsampleとして扱う時だけ有用

記事は、一度prompt setを走らせて安定した順位のように表示するdashboardを批判します。AI回答は確率的で、personalizedで、platform-specificです。

Dagenoなら、promptをsurvey instrumentとして扱い、intent groupsを定義し、反復サンプル、variance、confidenceを報告します。

Citationは選ばれることと同じではない

Citationはモデルがページをsource materialとして使ったことを示します。Recommendationは、ユーザーにそのブランドを検討または選ぶよう促すことです。

比較コンテンツでは特に重要です。自社記事が引用されても、記事内の競合が推薦される場合があります。

Brand accuracyが最初のauditである

AIが会社を誤って説明しているなら、recommendation shareは歪んだentityに基づくKPIになります。

まず、会社名、提供内容、対象顧客、差別化、競合分類など客観的事実をテストすべきです。

AIの証拠に変換すべき事実

これらの原文事実は、短く具体的で、AIシステムが取得しやすい再利用可能な証拠ブロックにする必要があります。

AI可視性ワークフローで各チームが取るべき対応

AI可視性は、測定品質、source clarity、technical signals、off-page trustによって左右されます。

次に監視すべきシグナル

測定では、answer enginesがブランドを正確に説明し、引用し、推薦しているかを示す必要があります。

• 反復prompt samplesにおけるpresence share。
• 同一intent setでのrecommendation shareとcitation share。
• 客観的entity factsのbrand accuracy score。
• Prompt cluster別のanswer varianceとconfidence interval。