言及（mention）

言及（mention）とは

言及（mention、げんきゅう）とは、AIが生成した回答の本文の中で、ブランド名・企業名・サイト名・製品名といった固有名詞そのものが登場することをいいます。たとえばAIが「この分野では○○というサービスがよく使われます」と答えたとき、その「○○」の登場が言及です。学術的なGEO（Generative Engine Optimization＝生成AIの回答に取り上げられるための最適化。従来のSEOの生成AI版にあたる概念）の議論では、AIの回答内でブランドがどれだけ現れるかを測る中心的な観点のひとつとして扱われます。

言及の重要な特徴は、必ずしも出典リンクを伴わないことです。回答文で名前が触れられていても、その名前がクリック可能な参照になっているとは限りません。この点で、根拠として明示される「引用（citation）」とは性質が異なります。言及は「文脈の中で名前が出た」状態であり、AIがその名前を知り、話題に関連づけていることを示します。人づての会話で「その用途なら○○が有名だよ」と名前が挙がる状況に近い、と捉えると分かりやすいです。

なぜ重要か（AI検索での位置づけ）

AI検索では、利用者がAIの回答だけで判断を終えるゼロクリック（＝クリックせず画面上で完結する行動）が増えます。この環境で、回答本文にブランド名が現れること自体が、認知と信頼の獲得につながります。クリック流入は引用のほうが生みやすいですが、言及は「AIがそのブランドをその話題の関連者として認識している」ことの表れであり、繰り返し言及されれば、利用者の頭の中でその分野の候補として定着していきます。

とりわけ、指名検索（＝ブランド名で直接調べる行動）や比較検討の場面で、AIが自社名を自然に挙げてくれるかどうかは、認知度の実質的な指標になります。従来のマーケティングでいう「純粋想起（＝ヒントなしに名前が思い浮かぶこと）」に近い価値を、AIの回答内での言及が担う、と捉えられます。GEOの研究がブランド言及を計測対象に含めるのは、リンク流入だけでは捉えきれない「AIの中でのブランドの存在感」を測るためです。

また言及は、引用への足がかりにもなりえます。AIがある話題で自社名を繰り返し関連づけているなら、その分野で自社が信頼できる情報源として扱われる素地ができつつある、と読めます。言及を出発点に、出典として挙げてもらえる引用へと格上げしていく——この二段構えが、AI可視性を伸ばす実務の筋道になります。逆に、まったく言及すらされない状態からいきなり引用を狙うのは難しく、まず名前を分野に定着させる段階と、根拠として選ばれる段階を分けて考えると、施策の順序を組み立てやすいです。

仕組み（言及と引用の関係）

言及と引用はしばしば同時に起こる（名前が触れられ、かつ出典リンクも付く）が、片方だけのこともあります。名前は出るが出典リンクがない＝言及のみです。出典には挙がるが本文でブランド名が明示されない＝引用のみです。両者を分けて観測することで、可視性のどこが強く、どこが弱いかが見えてきます。たとえば「引用は取れているのに本文で社名が出ない」なら、ブランドの露出面に伸びしろがある、と診断できます。

具体例

• 言及のみ：AIが「この用途では複数のツールがあり、たとえば△△が代表的です」と本文で名前を挙げるが、リンクは付きません。
• 引用のみ：AIが統計データを述べ、出典として自社ページをリンクするが、本文では自社名を明示しません。
• 両方：AIが「○○社の調査によれば…」と本文で名前を挙げ、かつその調査ページを出典リンクで示します（言及＋引用）。

言及がどれだけ生じるかは、ブランドの認知度、その分野でのコンテンツの厚み、AIの種類によって変わります。固定の割合は存在しないため、自社がどの問いでどう言及されるかは実測で把握します。とくに、肯定的に挙げられているか、競合と並べて不利に描かれていないかまで含めて見ることが欠かせません。

言及はどこから生まれるか

AIが回答内で特定の名前を挙げる背景には、大きく二つの源泉があります。ひとつは学習データ（＝モデルを鍛えた大量の文章）に含まれる知識で、学習時点までに世の中で広く語られていたブランドほど、AIの「記憶」の中に候補として定着しています。もうひとつは推論時に参照する外部情報（＝質問された瞬間に検索して読む最新のページ）で、ここで自社が触れられていれば、その場の回答に名前が反映されやすいです。前者は積み上げに時間がかかるストック（＝蓄積）型、後者は今この瞬間に効くフロー（＝流れ）型、と整理できます。

この二源泉の理解は実務で役立ちます。学習データ由来の言及は、業界全体で自社名が語られる状況を長期に作ることでしか動かせません。一方、推論時参照由来の言及は、AIが読みに来る情報源（自社サイトや第三者メディア）を今から整えることで比較的短期に影響できます。したがって施策は「長期のブランディングで記憶に残す」と「参照される一次情報を今整える」の二本立てになります。

• ストック型（学習データ由来）：業界で長く広く語られた名前ほど定着。効果は遅いが持続的。
• フロー型（推論時参照由来）：今読まれるページに名前があれば即座に反映。整備が速く効きます。
• 両者は排他ではなく重なる：長期の露出が学習に乗り、同時に最新ページで参照もされる状態が理想。

なお、AIがどの名前を挙げるかには、そのブランドが「特定のカテゴリーと強く結びついているか」が大きく効きます。利用者が「議事録を自動で作るツールは」と尋ねたとき、AIはその用途の代表格として学習・参照した名前を挙げます。したがって言及を狙うなら、あれもこれもと分野を広げるより、自社を象徴する一つのカテゴリーで想起される状態を作るほうが近道になります。ここは従来のブランディングの定石（＝ある領域で第一想起を取る）と重なります。

もう一点、言及は自社の努力だけでは完結しないことも押さえておきましょう。AIは自社サイトの記述だけでなく、第三者が書いた記事、比較サイト、口コミ、業界メディアなど、外部で語られた内容も参照して名前を挙げます。つまり「他者が自社をどう語っているか」が、AIの回答に映り込みます。自社発信を整えるのと並行して、第三者に正しく・好意的に取り上げてもらう関係づくり（＝広報やパートナー連携）を進めることが、言及の質と量の両方を底上げします。自社サイトでいくら「業界No.1」と述べても、AIはそれを鵜呑みにせず外部の裏づけと突き合わせるため、第三者の評価を積むことが遠回りに見えて確実な道になります。

誤解・注意点

実務での扱い方

1. ブランド名と分野を強く結びつける：自社名が特定テーマの関連者としてAIに学習されるよう、その分野で一貫した発信を積みます。
2. 第三者からの言及を増やす：業界メディアや他サイトで自社が触れられる機会を作り、AIが参照する情報源全体で名前を露出します。
3. 言及だけで終わらせない工夫：引用（出典リンク）に格上げされるよう、一次データや出典として使いやすいコンテンツを用意します（関連用語 citation）。
4. 文脈の質を監視する：肯定的・中立的に言及されているか、誤情報とともに挙げられていないかを確認します。
5. 誤った言及に備える：事実と異なる文脈で名前が出た場合に備え、正確な一次情報を自社サイトで明示しておきます。
6. 言及と引用を分けて実測する：主要な問いで、名前が出るか・出典に挙がるかを別々に測り、弱い側を補強します。

言及を計測する際の観点

言及を可視性の指標として扱うには、単純な出現回数の集計を超えた見方が要ります。第一に「シェア・オブ・ボイス（＝ある話題の中で自社名が占める割合。競合を含めた登場頻度の取り分）」の観点で、同じ問いに対し競合が何回挙げられ、自社が何回挙げられるかを相対で捉えます。第二に「感情極性（＝肯定・中立・否定のどれで語られたか）」の観点で、名前が出ても否定的な文脈なら可視性の質はむしろ低いです。第三に「問いの網羅性」の観点で、どの種類の問い（比較・推奨・トラブル解決など）で名前が出て、どの問いでは出ないのかを地図にします。

これらは一度測れば終わりではなく、時間を追って変化を見る対象です。AIの回答は問いの言い回しやモデルの更新で揺れるため、同じ問いでも言及の有無が入れ替わります。したがって計測は定点観測（＝同じ条件で繰り返し測ること）として設計し、施策の前後で言及の量・質・網羅性がどう動いたかを比較します。当ラボの引用計測研究が、引用とあわせて言及も追うのは、この多面的な変化を捉えるためです。

• シェア・オブ・ボイス：競合を含めた中で自社名が挙がる割合を相対で見ます。
• 感情極性：肯定・中立・否定のどの文脈で言及されたかを分類します。
• 問いの網羅性：どの種類の問いで名前が出て、どこで出ないかを地図化します。
• 定点観測：同一条件で繰り返し測り、施策前後の変化を比較します。

計測の実務では、どの問いを観測対象に選ぶかが結果を大きく左右します。利用者が実際に使う言い回しを、購買や検討に近い問い（比較・推奨・選び方）から認知段階の問い（「〜とは」）まで幅広く洗い出し、代表的なものを定点観測の対象に据えるとよいでしょう。狭い問いだけを見ると自社が有利な結果に偏り、実態を見誤ります。逆に、競合が強い問いをあえて観測に含めることで、伸ばすべき弱点が浮かび上がります。観測する問いの設計そのものが、可視性戦略の一部だと捉えるのが正確です。

よくある質問