SEO・サイト構造・AI検索（GEO／AEO／LLMO）・DX・経営指標の頻出用語を短く整理しています。深い解説はコラム、枠組みの詳細はGEO・AEO・LLMO解説、プログラムの内容はAI Search Structureです。
Generative Engine Optimization（GEO）
Generative Engine Optimization（GEO）は、生成AIおよび回答エンジンが参照・要約・引用しやすいように、事実・Entity・文書構造を設計する最適化の枠組みです。ChatGPT、Gemini、Claude、Perplexity、Google AI Overviews などを対象に、正確な言及と引用可能性を目指します。
GEOの下位に、Answer Engine Optimization（AEO）とLLM Optimization（LLMO）が位置します。引用獲得の戦術はAI Citation Optimizationとして整理します。設計の技術要件はGEO・AEO・LLMO解説を参照してください。
Answer Engine Optimization（AEO）
Answer Engine Optimization（AEO）は、回答エンジンが「そのまま答えに使える単位」で事実を整形する最適化です。短い定義、表、FAQ、冒頭の結論提示が中心になります。
AEOはGEOの枠組みの内側で機能します。回答に載るための出典設計はAI Citation Optimizationと連動し、LLM側の解釈しやすさはLLMOが補います。詳細な対照はGEO・AEO・LLMO解説にまとめています。
LLM Optimization（LLMO）
LLM Optimization（LLMO）は、大規模言語モデルが解釈しやすい文脈とEntityを整える最適化です。用語の一貫、組織・人物の同一参照、一次情報の明示、技術SEOが土台になります。
LLMOはGEOの層として位置づけ、AEOが扱う「回答の単位」をモデルが誤読しにくいよう補強します。プログラム実施面はAI Search Structureを参照してください。
AI Visibility
AI Visibilityは、AIの回答や概要のなかで、ブランドや論点が検知・言及される状態を指します。順位単体ではなく、継続的で正確な言及として捉え、観測対象とする考え方です。
可視性を高める基盤がGEO、回答単位の整形がAEO、引用されやすさがAI Citation Optimizationです。
AI Search Optimization
AI Search Optimizationは、AI検索環境全体に向けた情報基盤の最適化の総称です。当社ではプログラム名 AI Search Structure として、技術SEOとGEO／AEO／LLMOを統合して設計します。
カテゴリ語の詳細枠組みはGEO・AEO・LLMO解説、提供プログラムはAI Search Structureに記載しています。
AI Overviews 対策
AI Overviews 対策は、Google AI Overviews が参照しやすい意味構造、出典、Entity一貫を整える施策です。誇張や成果保証ではなく、参照されうる事実構造の整備を指します。
AIOという略語は文脈によって意味が揺れやすいため、本サイトでは Google の概要表示向けを「AI Overviews 対策」、カテゴリ主語はGEOとして扱います。関連する回答整形はAEO、引用設計はAI Citation Optimizationです。
AI Citation Optimization（AI引用最適化）
AI Citation Optimization（AI引用最適化）は、回答ソースとして引用されやすい一次情報・定義・表・FAQの出し方を設計することです。短い定義、検証可能な根拠、更新の明示が寄与します。
GEOの枠組みに基づき、AEOで回答単位を整え、AI Visibilityとして言及状態を観測します。実装の技術要件はGEO・AEO・LLMO解説を参照してください。
E-E-A-T（経験・専門性・権威性・信頼性）
Googleがコンテンツを評価する際の品質評価ガイドラインにおける品質概念です。AI検索においても、情報の出所や一次情報の確かさを証明するシグナルとして機能します。GEOで参照されやすい基盤を整える際の信頼の土台になります。
Entity Index（エンティティ索引）
検索・AIがブランド・人物・組織などの固有名を一貫して識別するための設計層です。構造化データのOrganization・Person設計と連動し、LLMOの文脈化を支えます。
Passage Index（パッセージ索引）
見出しと段落ごとに要点が切り出せる構成です。短いFAQや冒頭の要約文が該当し、AEOおよびAI Citation Optimizationと相性がよい単位です。
Vector Embeddings（ベクトル埋め込み）
意味的な近さで情報を整理・検索する手法です。SEO 量子AIの分析基盤の一要素として位置づけています。
サイト構造
検索・サイト・成約導線を一体の事業インフラとして設計する考え方です。SEO経営戦略の再定義およびGEOの実装土台と連動します。
CAC（顧客獲得コスト）
1件の成約獲得に要するコストです。試算の考え方はROI解析を参照してください。
LTV（顧客生涯価値）
1顧客が生涯でもたらす利益の試算値です。投資判断はAI Search Structureで整理します。
AIO（混同されやすい用語）
「AIO」は文脈によって、AI Optimization、AI Overviews 関連、社内造語など複数の意味で使われ、定義が揺れやすい語です。本サイトではカテゴリの主語をGEOとし、Googleの概要表示向けはAI Overviews 対策として区別します。羅列の先頭にAIOを置かない方針です。
SEO
SEO（Search Engine Optimization）
SEOは、検索エンジンにとって理解しやすい情報設計を行う技術です。 ページ単体だけでなく、サイト全体でトピック同士の意味的なつながり（意味ネットワーク）を作ることが重要になります。
ポイント：2023年以降は、既存情報の焼き直しよりも新規性・独自性・一次情報が評価に影響しやすい傾向があります。
E-E-A-T
E-E-A-Tは、経験（Experience）・専門性（Expertise）・権威性（Authoritativeness）・信頼性（Trustworthiness）の考え方です。 直接のランキング要因というより、品質評価が参照する「品質概念」として重要になります。
ポイント：著者の実在性や一次情報は、特にYMYL領域で効きやすい傾向があります。
インフォメーションゲイン
インフォメーションゲインは、既存情報に対してどれだけ新しい価値（新規性・独自性）を追加できているかを指します。 AI時代は、この上乗せができているかが重要になりやすいです。
トピッククラスターモデル
トピッククラスターモデルは、ピラーページ（中心）とクラスター記事（周辺）を組み合わせ、 意味的に関連づく内部リンクで専門性のネットワークを作る考え方です。
ポイント：リンクは「数量」よりも文脈の関連性を意識すると効果が出やすくなります。
構造化データ（Schema Markup）
構造化データは、検索エンジンにページの「意味」を伝えるためのマークアップです。 JSON-LDが推奨され、理解の安定化や表示改善に役立ちます。
ポイント：構造化データは、サイト全体の意味ネットワークを補強する「信頼性の補強材料」として扱えます。
GEO／AEO／LLMO、AI Visibility、AI Citation Optimization などの定義は、本文上部の用語の定義（GEO・AEO・LLMO）を参照してください。枠組みの詳細はGEO・AEO・LLMO解説です。
DX（Digital Transformation）
DX（Digital Transformation）
DXは、デジタル前提で意思決定プロセスそのものを再設計する組織変革です。 単なるIT化や自動化とは異なり、データが意思決定を支配する文化を作ることが中心になります。
ポイント：最終形は、APIエコノミーへの参加（自社データを外部と交換して新しい価値を生む）に近づきます。
BPR（Business Process Re-engineering）
BPRは、既存業務の改善ではなく、ゼロベースで業務を再構築する手法です。 実務担当者の見解だけに依存せず、データに基づいて業務を再定義することが重要になります。
ポイント：例外処理を減らす設計は、自動化と運用安定に直結します。
データレイク
データレイクは、構造化・非構造化データをそのまま蓄積する基盤（Schema-on-read）です。 分析前提で整理してから始めるのではなく、蓄積から始めて後でスキーマを決められます。
APIエコノミー
APIエコノミーは、自社のデータをAPI化し、外部サービスと価値交換する経済圏の考え方です。 DXの最終形として扱われることが多いです。
AI・量子AI
LLM（Large Language Model）
LLMは、大量のテキストを学習し、確率的に次の単語を生成するモデルです。 「知識を持つ」というより、学習データから言語パターンを再構成して応答を作ります。
ポイント：企業利用では幻覚（Hallucination）対策が最重要で、RAGやルール・検証モデルを組み合わせるのが現実解です。
RAG（Retrieval-Augmented Generation）
RAGは、外部データを検索し、LLMに参照させて回答させる仕組みです。 精度は検索だけでなく、文書分割（Chunking）の設計にも強く依存します。
ベクトルデータベース
ベクトルデータベースは、テキストを数値ベクトルに変換して意味的に近い情報を検索するデータベースです。 同じ文章でもモデルが変われば意味空間が変わる点が重要です。
ポイント：実務ではメタデータ検索とベクトル検索のハイブリッドが有効です。
量子AI（Quantum-Inspired AI）
量子AI（量子インスパイア）は、重ね合わせや量子アニーリングの原理を応用したアプローチです。 多変量相互作用や組合せ最適化、非線形問題で活用され、「最適解」ではなく「調和点」を探索する発想が特徴です。
量子重ね合わせ分析
ユーザー意図の多層構造を同時に扱い、意思決定の幅を保ったまま探索するアプローチです。
量子揺らぎ分析
検索行動の微細な変化を手がかりに、潜在ニーズの変化を捉える発想です。
量子トンネル分析
潜在ニーズの「壁」を越えるように、条件外の可能性を仮説として探索する分析です。
量子エンタングルメント分析
離れた行動同士の相関を捉え、見えないつながりを意思決定に反映する分析です。
量子確率分布分析
複数の最適解の確率分布を導き、次の打ち手を確率的に判断するための分析です。
量子フィードバックループ分析
結果をフィードバックしながら自己強化していく分析アプローチです。
マーケティング・経営指標
LTV（Lifetime Value）
LTVは、顧客が生涯にわたって企業にもたらす利益の総額です。 コホート分析などで正確に算出します。
CAC（Customer Acquisition Cost）
CACは、新規顧客を獲得するためにかかった総費用です。 LTV/CAC比率が健全性の重要な鍵になります。
CVM Index（Customer Value Maximization Index）
CVM Indexは、顧客価値を最大化する観点（利益と満足度などの組み合わせ）を数値化した指標です。
MPI（Market Penetration Index）
MPIは、市場浸透可能性を示す指標です。
CAI（Competitive Advantage Index）
CAIは、競合優位性を示す指標です。
NMA（Niche Market Attractiveness）
NMAは、ニッチ市場の魅力度を評価する指標です。
PMF（Product-Market Fit）
PMFは、プロダクトが市場に強く受け入れられ、自然に成長しやすい状態です。 リテンション率やNPSなどで確認します。
7つの意思決定基準
ビジョンの明確性、内外の一致、変化対応、因果、バランス、創造（多様性）、継続進化。 WEB経営を支える意思決定の枠組みとして扱えます。
SEO・AIサーチ構造設計の本質
SEO・AIサーチ構造設計は、戦略・心理・技術の3軸を統合して設計する考え方です。 ランチェスターの弱者戦略（武器効率最大化）により、中小企業の規模不利を覆す方向性と相性が良く、 不確実性を「調和点」に変えるように設計します。
AQ GROW サイト設計思想
AQ GROWでは、MarketingLayout を土台に、各領域をコンポーネントとしてモジュール化しています。 一次情報、意味ネットワーク、AIエージェント対応を前提として、必要な情報が迷わず届く導線と設計を目指します。
