「AIの回答に載った」のは偶然ではなかった――小さなブランドを可視化する1週間ループ

初めてクライアントのブランド名がAIの回答の中に現れたとき、私たちはそれを意図的に載せるための行動を何ひとつ起こしていなかった。

きっかけはAirOpsの自動化コースで出された最初の課題のひとつ。ChatGPT、Perplexity、Google AI Overviewsにいくつかのプロンプトを打ち込み、どのような回答が返ってくるかを確かめていたときのことだ。

Perplexityの回答には、ルーマニア市場で接地・雷サージ防護機器を販売する小企業「CAT Electric Vision」の名前が、しっかりと含まれていた。一方、ChatGPTでは同じブランドはソース一覧に埋もれたリンクとしてしか出てこなかった。

この会社は創業3年、チームには10年以上の経験者がいる。クライアントが親族ということもあって、私はこの会社のことをよく知っている。多くの小規模ローカル企業と同じように、紹介やリピートする企業クライアント、オンライン検索で見つけてもらうことで順調にやってきた。コンテンツマーケティングは波のように断続的で、最初にブランド資産をつくって戦略を立ててから、しばらくするとビジネスが忙しくなり、オンライン上の活動が停滞する。また再開するには再接続フェーズが必要になる、という流れだ。

それなのに、誰も対策をしていないのに、ブランドはすでにAI検索に顔を出していた。もし有機的に現れるのなら、もっと注力すれば、より頻繁に、より多くのエンジンで表示されるようになるのではないか。そう考えたのがすべての始まりだった。

これこそがAEO（回答エンジン最適化）の本質だ。誰かが「うちが答えられる質問」をAIに投げかけたとき、どれだけ自社名を挙げてもらえるかを高めること。多くのマーケターはこのための体系化された仕組みを持っておらず、私も同様だった。

私はコンテンツマーケティングのジェネラリストで、今回のパイプラインが初めての自動化構築だ。ただ、好奇心はある方で、スキルアップの機会を探している。幸いコースのおかげで、コンテンツ最適化ツールのAirOpsを使いこなす方法はすでに頭に入っていた。そこでこう考えた。「ブランドが答えられる質問を人々がAIに投げかけているなら、その質問を見つけるにはどうすればいいのか」。

出来上がったものは、週1回のコンテンツループだ。ブランドが公開済みのコンテンツとその成果を確認し、AI回答の中でブランドが「見えていない」質問を見つけ、その質問に会社が信頼できる形で答えられるかを検証し、候補のなかから最も有望なものをLinkedIn投稿用のブリーフにしてBufferに送る——そんな仕組みだ。

ここからは、その構築プロセス（そして同じようなことを試したい人が押さえるべきポイント）を紹介する。

なぜLinkedInが最初の場所だったのか

プロンプトの実験をしていた時期、私はAIエンジンが回答をどこから引用しているかについての調査をよく目にしていた。そして、どの調査でもLinkedInが繰り返し登場した。

Semrushの調査では、LinkedInはChatGPT Search、Google AI Mode、Perplexityを横断して2番目に多く引用されるソースで、AI回答に平均11%の割合で含まれるという。さらに専門的な質問に限ると、Profoundの調査では、ChatGPTやGemini、Copilotを含む主要6つのAIプラットフォームすべてで、LinkedInが最も引用されるドメインだった。

この後者のデータは、このクライアントにとって特に重要だった。雷サージ防護について質問する人々はエンジニアや設置業者、建物オーナーであって、これはまさに「専門的な質問」に該当するからだ。

さらに、LinkedInの投稿が引用される条件を示すデータもある。Scrunchの調査では、技術的な詳細を盛り込むと引用確率が77%上がり、固有名詞を含めると33%上がる一方、Unicodeボールド書式を使うとChatGPTでは逆に58%下がるという。深い技術的専門知識を持ちながらも小さな会社にとって、これはまさに有利な条件。得意な分野の投稿で高い効果が見込めるのだ。

同社には先行優位もあった。すでにLinkedInでクライアントにリーチしていたし、過去の素材も流用できた。さらにLinkedIn投稿はブログ記事よりも書く手間が少ない。断続的にしかコンテンツマーケティングに手を回せない小規模チームには理想的だ。

私が早い段階で決めたことのひとつは、「引用」ではなく「ブランド言及」を追うという選択だ。引用 AIエンジンが投稿をソースとしてリンクすること、言及は回答本文にブランド名を出すこと。後で使う可視化ツールPeec AIはこの2つを別々に記録してくれる。「ルーマニアで雷サージ防護システムのサプライヤーを教えて」と聞くクライアントにとって、回答内で名前を挙げてもらえるかどうかは大きな意味を持つ。

選んだツール構成

完成したループは4つのツールで動く。それぞれにひとつの役割を設けた。

• AirOps: ワークフロー全体のオーケストレーション。会社のブランドキットとナレッジベースを管理
• Peec AI: ブランドが「言及されているプロンプト」と「言及されていないプロンプト」を追跡
• Buffer: LinkedInのエンゲージメントデータを提供すると同時に、完成したブリーフをライターに渡す編集ハブとして機能

AirOps（オーケストレーション層）

私がAirOpsを知ったのは、最初のプロンプト演習を受けたのと同じ教育コースを通じてだ。高額なツールではあるが、トライアル期間はこのような実験フェーズをカバーできるし、QuillというAIエージェントが付属している。私はQuillと会話しながらアイデアを共有し、技術的な部分を任せる形でワークフローを作った。初めての構築としてはハードルがぐっと下がった。

AirOpsでは、プラットフォーム内でブランドキットやナレッジベースを作成できる。製品ページ、ソーシャル投稿、YouTubeトランスクリプトを一元化したことで、同社が持っている未活用の情報の多さに気づき、それをコンテンツアイデアにする方法を探るようになった。

Peec AI（ルーマニア市場をカバーする可視化データ）

この選択の決め手は言語だった。AirOps独自のPrompts機能はあるが、私が構築した時点ではルーマニア語に未対応。Scrunchも英語プロンプト中心で、ProfoundやAthenaHQは一見すると小企業が試すというよりエンタープライズ向けだ。

Peec AIはある日、私のLinkedInフィードに現れた。調べてみると、私が想定しているルーマニア語と市場ニーズに合っていた。本社がドイツにあるからか、ローカルマーケットへの対応が手厚い。こちらにもトライアル期間があった。

Buffer（エンゲージメントデータと編集ハブを兼務）

ワークフローがループとして機能するには、前回の結果を確認できなければならない。BufferはLinkedInのマーケティングパートナーであるため、Buffer経由で公開した投稿のエンゲージメントデータは、ワークフローがすでに接続しているBufferのAPIを通じて取得できる。

Bufferが第2の役割を得たのは、APIを経由してアイデアをCreateボードに送り込めることを知ってからだ。GoogleドキュメントやNotionボードのような余計なレイヤーを増やさずに、ライターをワークフローやAirOpsアクセスから解放できた。

Createボードはカンバン形式で、編集作業の整理方法として私が慣れている流れと一致する。複数のライターにアクセス権を与えたり、スケジュール前に編集者やオーナーが承認することもできる。そして、作業のすべてを自動化の外側に保てるのだ。

エンドツーエンドのワークフロー

このワークフローは週1回実行される。まず、すでに何が起こっているか——何がスケジュールされ、何が公開され、どうパフォーマンスだったか——をチェックしてから、次に何をつくるかを決める。その後の流れは4つのステップだ。

ステップ1: すでに動いているものを確認

AirOpsのPlaybookエージェントは、Buffer APIを通じて下書きや待機中の投稿を確認し、重複するアイデアをつくらないようにする。同時に、過去の実行履歴である内部グリッドも確認。さらに公開済みLinkedIn投稿のエンゲージメントデータを同じBuffer APIから取得し、各投稿のリアクション、コメント、インプレッション、リーチを抽出する。高い成果をあげた投稿は、次回のコンテンツのシグナルになる。

このステップは、人間がアプリを開いたりチームメンバーに状況を聞いたりする手間を置き換えてくれる。

ステップ2: どこに「見えない」のかを問う

次にエージェントは、トークンを介してPeec AIに接続し、2段階でデータを取得する。第1段階ではプロンプト自体——テキスト、トピック、ボリューム、タグ。第2段階では測定値——可視性、シェアオブボイス、センチメント、順位、同じプロンプトに対する競合の出現状況だ。

Peecは追跡対象のプロンプトを毎日3つのAIエンジン（ChatGPT、Perplexity、Google AI Overviews）に対して実行し、各回答にブランドが言及されているかどうかを記録する。プロンプトの可視性スコアは、ブランドに言及した回答の割合だ。

ワークフローでは、次のいずれかに該当するプロンプトを「低可視性」と判定する:

• トラッキング開始から7日以上経過しているのに0%のまま
• 20%を下回っている
• 1ヶ月で15ポイント以上下落している

実のところ、現時点でこのしきい値が効くケースは多くない。ブランド全体の可視性は7%で、ほぼすべてのプロンプトが0%に該当するからだ。ただし、可視性が高まるにつれ、このステップの意味は大きくなっていくだろう。

このステップはつまり「自分たちはどこにいないのか」への答えを出すもので、マーケターがプロンプトを手作業でチェックし、データ入力してCSVを書き出す作業を置き換える。

ステップ3: 会社が「語れること」とのギャップを照合

各プロンプトに対し、エージェントは3つのナレッジベース（過去の製品ページ390件、会社のソーシャル投稿、YouTubeトランスクリプト）を検索し、その質問に会社が十分な材料をもって答えられるかを調べる。裏付けとなる資料がないプロンプトは落とされる。素材なしのアイデアは中身のないものに終わるからだ。

生き残ったアイデアは4つの要素でランク付けされる: 可視性ギャップの大きさ、その質問がされる頻度、ナレッジベースの裏付けの強さ、競合がすでにその領域を占めているかどうか。上位5件だけが次に進む。これは、いちどに取り組める量として私が設定した上限だ。

その後、エージェントはブランドキット（LinkedIn投稿形式、ペルソナ、オーディエンスプロファイル、ライティングルール）を取り出し、各プロンプトを1つの自己完結したブリーフにまとめる。トピック、角度、オーディエンス、要点、ブランドポジショニング、そのまま使えるソース素材、フォーマットガイダンス、という構成だ。

ステップ4: 「ライターがすぐ書けるブリーフ」としてBufferに届ける

エージェントはAPI経由で各ブリーフをBufferへ送信し、Createスペース内の「アイデア」として表示される。ライターがBufferを開いたとき、アイデアは次のような内容になっている。

投稿アイデア — トピック、角度、誰に向けて書くか、推奨曜日。スクリーンショットで示したアイデアでは、投資家と建物の受益者をターゲットに設定し、優先度を「高」に指定、水曜日を提案していた。

ターゲットAEOプロンプト — その投稿が答えることを意図したPeecの2つのプロンプト。いずれも可視性0%、検索ボリュームは中程度だ。

主要ポイント — 投稿の実質的な内容。「施工込み」という言葉は認証ではなくマーケティング上の表現であり、顧客は誰がシステムを設計したのか、そのプロジェクトが技術基準に適合しているのかを問うべきだ、ということを説明する内容になっている。

ブランドポジショニング — 会社を答えとして位置づけるための要素。認証の積み重ね、2,500件以上の完了プロジェクト、独立系ラボでテストされた製品を持つメーカーであること。

製品名 — 具体的な避雷針2製品。

ソース素材 — ナレッジベースから拾ってきた過去のLinkedIn投稿の抜粋。ライターが実際の製品言語を基に書けるようにした。

投稿フォーマット — 50〜299語、Unicode太字なし、本文にリンク、読者への直接呼びかけ、直接的にはじめの一文で入る——というブランドキットのルールだ。「Unicode太字なし」のルールは、前述の引用データに直接由来している。

次の実行時、エージェントは投稿が公開されたかを確認し、Bufferから指標を取得し、そのプロンプトに対するブランド言及がPeecに現れていないかを再チェックする。この確認がループを閉じる。

これまでに変わったこと

まだ派手な数字を報告できる段階ではない。パイプラインのブリーフから作成された投稿はちょうど公開され始めたばかりで、掲載頻度や公開率の変化を語るには早すぎる。

変わったのは、アイデアが頭の中のブレインストーミングで止まっていたのが、いまや構造化されたブリーフとしてBufferに届き、ライターのレビュー時間が減ったことだ。まだ週4回の投稿には達していないが、そのキャパシティはできている。

可視性に関して言えば、パイプラインが選んだ5つのプロンプトのうち4つが、Peecで0%ではなくなった。ただし投稿はまだ公開されていなかったため、その変化をパイプラインの成果と断言することはできない。可視性の変化がすべて新しいコンテンツに起因するわけではない。クライアントにそう約束する前に知っておくべき貴重な教訓だ。

これまでで最も明確な結果は「当事者意識」の変化だ。以前はAI検索は経営者の視界に入っていなかった。関心はコンプライアンスとEU規則、メールキャンペーンに向いていた。実験のおかげで、AI検索が課題リストに加わった。それ自体が成果なのだ。

次に注目しているのは、公開済みの投稿がプロンプトを0%から動かすかどうか、そしてパイプライン由来のアイデアが以前のアイデアよりも高い割合で公開に至るかどうかだ。

同じことを試したいなら

この厳密なスタックは必ずしも必要ない。より軽量なバージョンは次のような形になる。

発見の演習は自分でやってみる。 クライアントがよく求めてくる質問をChatGPT、Perplexity、Google AI Overviewsに投げて、ブランドがどこに現れるか・どこに出てこないかを記録する。重点を置く問いは2つ: 「AI検索でブランドはどう言及されているか」「関連する質問をされたとき、AIエンジンはどこでその言及に失敗しているのか」だ。

会社が「語れること」を一元化する。 私はAirOpsのブランドキットとナレッジベースを使ったが、NotionページやGoogle Driveドキュメントのセットでも問題ない。会社説明、製品・サービスリスト、専門領域、LinkedIn投稿フォーマットのルールをまとめておく。NotionやDriveのMCPコネクタを使えば、ClaudeのようなLLMがそのドキュメントを参照しながらオーケストレーションを処理できる。

予算に合わせてプロンプトデータを手に入れる。 AI可視化ツールは、自社の言語と市場に対応していれば手作業を省いてくれる。もし対応していなければ、ChatGPT SearchのようなChrome拡張機能を使って自分でプロンプトを集めることもできる。

ギャップを4つの問いでスコアリングする。

• このプロンプトに対して自分たちは「見えない」か
• 人々はこの種の質問をしているか
• 実際の素材をもとに答えを裏付けられるか
• 競合はすでにそこにいるか

→ 証拠で支えられないものはすべて落とすこと。

出力は、ライターがすでに仕事をしている場所に置く。 私にとってはBufferのCreateスペース。API経由で入れられるので、レビューと公開のステップに自動化へのアクセスが一切いらない。

つくってみよう

Buffer APIを試してみるなら、役立つリソースがある。デベロッパー向けドキュメントではGraphQLスキーマ、認証フロー、クイックスタートの例を解説している。Buffer MCPサーバー用のドキュメントは、ClaudeやMCP互換のAIエージェントへの組み込み方を説明している。

詳しいサポートが必要なら、サポートチームまたはDiscordサーバーへ。APIで何か作っている他の開発者とも交流できる。

あなたがどんなものをつくるのか、ぜひ聞かせてほしい。Discordか、@buffer（主要ソーシャルチャンネル）まで。