TL;DR: ChatGPT、Perplexity、Gemini を対象に 100 件のリスティングを監査したところ、引用率は本文のみのリスティングで 12%、構造化ジオデータを完備したリスティングで 71% まで上昇しました。最も効いた 3 つのシグナルは、検証済みのジオ座標、nearby context フィールド、プラットフォーム横断の NAP 整合性です。
2026 年 4 月の最初の 2 週間、100 件の位置ベースリスティングを対象にコントロールされた監査を実施し、1 つの問いに答えました。構造化ジオデータは、AI アシスタントがリスティングを引用する率を実際にどれだけ変えるのか。
端的な答えは、最下位バケットと最上位バケットでおよそ 6 倍変わる、です。以下では完全な方法論、バケット別の結果、AI 検索に向けてリスティングを最適化する人にとっての実務的な意味を順に示します。
方法論
リスティング。 4 つの業種から 100 件: バケーションレンタル 30 件、ブティックホテル 25 件、独立系レストラン 25 件、地元の観光地 20 件。単一市場バイアスを抑えるため、ヨーロッパの 14 都市を対象にしました。すべてのリスティングはアクティブでインデックス可能なホームページを持ち、少なくとも 1 つのサードパーティディレクトリに登録されています。
クエリセット。 リスティングごとに 15 個の発見意図プロンプトテンプレート。一般的な発見 (「ポルトにある静かなブティックホテル」)、機能特化の発見 (「ポルトでメトロまで徒歩圏のホテル」)、名指しのリコール (「Casa do Vale はポルトで良いゲストハウスか」) をカバーします。すべてのテンプレートは、履歴なしのクリーンセッションで毎回新規に発行しました。
モデル。 ChatGPT (GPT-5 クラス)、Perplexity、Gemini。各プロンプトは各モデルに 1 回ずつ発行し、リスティングあたり 45 応答、合計 4,500 応答になりました。
採点。 リスティングがリンク付きソースとして現れる、回答で明示的に名指しされる、またはその両方である場合を引用としてカウントしました。部分一致は誤検知を避けるため人手でレビューしました。
バケット分け。 各リスティングを MapAtlas AEO Checker の 29 の構造化シグナルで採点し、充実度に応じて 4 つのバケットにグループ化しました。閾値は採点開始前に定めています。
主要結果
最下位と最上位のバケット間の引用率ギャップは、予想より大きく出ました。
出典: MapAtlas ベンチマーク、2026 年 4 月、n=100 リスティング、4,500 応答。
最下位バケット、すなわち豊富な散文はあるが構造化データのないリスティングは、引用率 12% でした。最上位バケット、すなわち完全な Place schema、検証済みジオ座標、周辺コンテキストフィールド、FAQ schema、プラットフォーム間で一貫した NAP を持つリスティングは、71% に達しました。
シグナル別の内訳
最上位バケットの結果を牽引した個々のシグナルを特定するため、フィーチャーアブレーション分析を行いました。重みが上位 6 つのシグナルについて、他の変数をおおむね一定に保った上で、シグナルを持つリスティングと持たないリスティングの引用率を比較しました。
| シグナル | あり | なし | 倍率 |
|---|---|---|---|
ジオ付き完全 Place JSON-LD | 58% | 19% | 3.1x |
| 検証済み周辺 POI データ | 62% | 24% | 2.6x |
| 交通機関への近接フィールド | 54% | 22% | 2.5x |
| 位置質問を含む FAQ schema | 49% | 26% | 1.9x |
| 3 プラットフォーム以上の NAP 整合性 | 56% | 21% | 2.7x |
| 外部識別子 (Wikidata / Place ID) | 51% | 27% | 1.9x |
出典: MapAtlas ベンチマーク、2026 年 4 月。
この表から 4 点が読み取れます。
- ジオ座標が最も強力な単一の押し上げ要因。
geoのない Place ブロックは、schema がない状態と比べてもわずかに良い程度です。 - 周辺コンテキストはほぼ同程度に強い。 名指し POI と交通への近接は、引用の 2 番目に大きい予測因子です。
- FAQ schema は効くが、位置特化シグナルほどではない。 位置質問 (「最寄りのメトロまでの距離は」) に答える FAQ は、一般的な運営系 FAQ を大きく上回りました。
- 外部識別子は体格以上に効く。 リスティングを Wikidata QID や Google Place ID と結びつけるだけで、アブレーションでは引用率がほぼ倍増しました。AI システムが複数ソース間で重複排除できるからだと考えられます。
業種による差
効果サイズは業種ごとに一様ではありません。出発点が最も弱いバケーションレンタルは、構造化データによる絶対的な利得が最も大きくなりました。訓練データですでに十分に表現されているランドマークは、利得が最も小さくなっています。
| 業種 | 最下位バケット | 最上位バケット | 差 |
|---|---|---|---|
| バケーションレンタル | 7% | 68% | +61 |
| ブティックホテル | 14% | 74% | +60 |
| 独立系レストラン | 13% | 69% | +56 |
| 地元の観光地 | 18% | 72% | +54 |
出典: MapAtlas ベンチマーク、2026 年 4 月。
バケーションレンタルがもっともはっきりとした勝ち筋です。最初は不可視だったリスティングが、構造化データだけで一貫して引用されるソースになりえます。公共的な表現がすでに強い施設では効果は弱まりますが、それでも有意です。
モデルが実際にしていること
200 応答の定性レビューでは、繰り返し現れるパターンがありました。リスティングが完全な構造化データを持つとき、アシスタントは具体的な事実、駅までの徒歩時間、300 メートル圏内のレストラン数、地区名、営業時間などを引用する傾向がありました。同じリスティングから構造化データを剥がすと、アシスタントは言及を省略するか、一般的な表現で記述するだけでした。
これは検索拡張型モデルの振る舞いと整合します。具体的で検証可能な事実で質問に答えるソースを優先的に引用します。「静かで歩きやすい」と記述する散文は、「walk score 92、noise index 18 dB average」と述べる構造化フィールドに負けます。後者のほうが抽出しやすく、ユーザークエリと比較しやすく、帰属も容易です。
リスティングをバケット 1 から 4 へ引き上げるには
アブレーションに基づくと、リフトの大半を占めるのは 4 つの変更です。
1. ジオ座標付きの完全な Place または LodgingBusiness JSON-LD ブロックを追加する。 郵便住所と一致する座標、正規の外部識別子、Schema.org の必須フィールドすべてを揃えます。Google 公式の ローカルビジネス向け構造化データ ガイド では、重みの大きいフィールドが一覧化されています。フィールドレベルの詳細は ローカルビジネスの AI 引用のための JSON-LD schema を参照してください。
2. 検証済みの周辺コンテキストでリスティングを強化する。 最寄り駅までの徒歩時間、近隣のレストランやカフェの数、定義された半径内の名指し POI。MapAtlas GeoEnrich は検証済みソースから大規模に生成するため、schema とページ本文の両方に埋め込めます。
3. 位置特化の FAQ schema を公開する。 ユーザーが位置クエリを表現する方法に直接対応する質問を用意します。AI 検索向け 位置特化 FAQ を参照してください。
4. プラットフォーム間で NAP を揃える。 リスティングのホームページ、Google Business Profile、少なくとも 1 つのサードパーティディレクトリに同じ名前、住所、電話番号を表示します。仕組みは AI 検索における NAP 整合性 にまとめています。
留意点
本ベンチマークは方向性を示すものであり、確定的なものではありません。注記すべき 3 つの限界があります。
- サンプルサイズ。 100 リスティングは大きな効果を見るには十分ですが、細かな差を解像するには足りません。
- モデルドリフト。 AI アシスタントは頻繁に更新されます。絶対値は動きますが、シグナル間の相対順位はより安定しています。
- クエリミックス。 テンプレートは発見意図寄りです。トランザクショナルクエリ (「今夜ポルトの部屋を予約」) は別経路で処理されるため対象外です。
より大きな論点は個々の数字の精度ではなく、構造化とそうでないリスティングのギャップが大きく、計測可能で、リスティング運営者の裁量内でおおむね埋められる、という点です。
自分のベースラインを測る
MapAtlas AEO Checker は、このベンチマークと同じ 29 シグナルでリスティングを採点します。最高成績の物件と最弱の物件の両方で実行してみてください。スコアの差は、実際に AI アシスタントに取り上げられる頻度の差とほぼ一致するはずです。
引用率は、AI 越しに検索する世代にとって、オーガニック順位に相当するものになりつつあります。勝てるリスティングは、モデルに抽出するに足るものを渡すリスティングです。それ以外はモデルが礼儀正しく無視する散文にすぎません。
関連記事:
よくある質問
AI 引用率とは何ですか？
AI 引用率とは、関連するユーザークエリのうち、AI アシスタントが特定のリスティングを引用ソースに含める、あるいは回答内で名指しする割合です。AI 検索におけるオーガニック順位の等価物ですが、結果ページではなく回答レベルで測定します。引用率 40% のリスティングは、テストしたアシスタントの関連回答 5 件のうち 2 件に登場することを意味します。
このベンチマークはどのように実施しましたか？
バケーションレンタル、ブティックホテル、独立系レストラン、地元の観光地という 4 つの業種から 100 件のリスティングを選定しました。各リスティングに対して、ChatGPT、Perplexity、Gemini で発見意図質問の標準テンプレートを使って 15 回ずつクエリを発行しました。応答は、リスティングが引用ソースまたは名指しの推奨として現れたかどうかで採点しました。その後、MapAtlas AEO Checker で測定した構造化データの充実度でリスティングをバケット分けしました。
引用率に最も大きな影響を与えたのは？
効いたシグナルは主に 3 つでした。ジオ座標を伴う完全な Place または LodgingBusiness JSON-LD ブロックの存在、交通機関までの時間や名前付き POI への近接などの検証済み周辺コンテキスト、そして Google Business Profile、リスティングのホームページ、少なくとも 1 つのサードパーティディレクトリ間の NAP 整合性です。3 つすべてで高得点のリスティングは、3 つとも低得点のリスティングと比べて引用率がおよそ 6 倍になりました。
散文の説明だけでも効果はありましたか？
わずかです。位置キーワードを含むが構造化データのない長文説明では、引用率のベースラインは約 12% でした。検証済みジオフィールドなしの Schema.org マークアップを追加すると約 28% に上がりました。検証済みの周辺コンテキストと一貫した NAP データを加えると、最高評価のバケットでは約 71% に達しました。引用された後のユーザー信頼には散文の質が効きますが、そもそも引用されるかどうかへの寄与は限定的です。
自分の引用率はどう測定すればよいですか？
リスティングの URL を mapatlas.eu/ai-seo-checker の無料 MapAtlas AEO Checker に通してください。このチェッカーは、本ベンチマークで使用したのと同じ 29 シグナルを採点し、欠落を指摘します。スコアを定期的な ChatGPT、Perplexity、Gemini での手動プロンプトと組み合わせると、時間の経過に伴う露出頻度を追跡できます。
