AIが購買リサーチの入口になりつつある今、「自社がChatGPTやGeminiに言及されているか」を測るだけでは意味がない。重要なのは、自社の買い手が実際に使う文脈で、どれだけ一貫して登場できているかだ。その測定を根本から見直す手法を解説する。
—
汎用プロンプトで測っても、現実の購買行動は映らない
正直に言うと、多くの日本企業が今やっているAIビジビリティの測定は、的外れな方向を向いている。「ERPシステムとは」「クラウドセキュリティ 比較」のような汎用キーワードをそのままAIに投げて、自社ブランドが出てくるかどうかを確認する——これが典型的なやり方だ。
問題は、そのプロンプトに実際のユーザーが持つ文脈がまったく含まれていない点にある。製造業の情報システム部長が調達前に調べる質問と、スタートアップのCTOが使うプロンプトは、言葉の形が似ていても求めている答えはまったく違う。AIはその文脈に応じて回答を変える。つまり、文脈のないプロンプトで取得したデータは、誰のリサーチ行動も代表していない。
もう一つの落とし穴は、測定結果が「見えているが使えない」状態になること。ビジビリティ数値が並んでいるのに、次に何をすべきかが一切見えない。これはデータの問題ではなく、測定の設計自体に欠陥があるサインだ。
—
SPIVフレームワーク：買い手の文脈をプロンプトに埋め込む
この問題を解決する構造が、SPIVフレームワーク（Segment・Persona・Intent・Variable）だ。ポイントは、従来のキーワードリサーチで使うデータソース——Googleサジェスト、検索コンソール、SNS上の質問など——を捨てるのではなく、それらをプロンプト構築の素材として使い直すことにある。
各変数の役割は明確だ。
Segment（セグメント）は市場カテゴリと事業文脈。「経営者」ではなく「従業員500名規模の製造業の経営企画担当者」という粒度で設定する。Persona（ペルソナ）は具体的なユーザー像で、リスク感度や専門知識レベル、業界慣習を含む。Intent（インテント）は、そのペルソナが何を達成しようとしているか——「クラウドを知りたい」ではなく「既存の基幹システムとの連携可否を確認したい」という具体的な行動目的だ。Variable（変数）は、「コスト重視か」「スピード重視か」といった単一の条件を切り替えるための比較軸。
これをBtoB文脈で具体化すると、「中堅製造業の情報システム部長が、既存ERP更新を検討している段階で、ベンダーの導入支援体制を調べている」というプロンプトが出来上がる。汎用的な「ERP比較」とは雲泥の差だ。
重要なのは量ではなく代表性。主要なバイヤーペルソナと購買フェーズをカバーする15〜30本程度のプロンプトがあれば、数百の汎用プロンプトより遥かに使えるシグナルが取れる。
—
測定は「一次指標」と「二次指標」の二層構造で読む
SPIVで構築したプロンプトを複数のAIプラットフォームで定期的に走らせた後、データをどう読むかが勝負になる。ここが従来の測定との最大の違いだ。
一次指標（Primary Metrics）は、ビジビリティ率やシェア・オブ・ボイス（Share of Voice）といった基本数値。これはほとんどのチームがすでに追っている数字だが、これだけでは表面しか見えない。
本当に重要なのは二次指標（Secondary Metrics）の四つだ。
ランレングス（Run Length）は、特定トピックで何日連続して自社ブランドが言及されたかを示す。数値が低ければ、AIが自社ブランドとそのトピックを安定的に結びつけていない——つまり「たまたま出た」レベルに過ぎない。
シャノンエントロピー（Shannon Entropy）は、あるトピックで言及されるブランドがどれだけ分散しているかの指標。エントロピーが高い（多くのブランドが散らかっている）トピックは競合余地がある。低いトピックは少数が占拠しており、割り込みが難しい。
ジニ係数（Gini Coefficient）は集中度の指標。1社か2社がほぼ独占しているのか、複数社が均等に分かれているのかがわかる。エントロピーと組み合わせると、「戦うべきトピック」と「避けるべきトピック」が見えてくる。
KLダイバージェンス（KL Divergence）は、特定プラットフォームの結果が複数プラットフォームの平均からどれだけズレているかを測る。ChatGPTでは頻繁に言及されるが、GeminiやPerplexityでは全く出てこないなら、それはビジビリティの「集中リスク」だ。特に自社の顧客層が特定のAIツールを好む場合、このズレは戦略上のボトルネックになる。
—
「見えているつもり」が最も危険なパターン
ここが落とし穴で、多くの日本企業がここでつまずく。汎用キーワードでのビジビリティは65%あるのに、実際の購買検討フェーズに関連するトピックでは0%——という状況は珍しくない。
たとえば、ITセキュリティソリューションを提供する企業が「サイバーセキュリティとは」というトピックでは高いビジビリティを持っていたとする。しかし「金融機関向けのゼロトラスト導入で最初に検討すべきベンダーは？」という、実際の購買担当者が使う質問では完全に不在、というケースは実際に起きている。
この差を見つけられるのが、SPIVと二次指標を組み合わせた測定だ。逆に言えば、この構造を持たない測定は、表面上は安心させつつ実態を見誤らせる。
—
まとめ：測定の設計を変えれば、打ち手が見えてくる
AIビジビリティの測定は、「出ているかどうか」を確認する作業ではない。「誰が、何を決めようとしているときに、どのプラットフォームで出ているか」を把握する戦略的インテリジェンスだ。SPIVフレームワークでプロンプトに実態を持たせ、二次指標で安定性と競合構造を読む。この二層の測定が揃って初めて、コンテンツや広報への投資判断に根拠が生まれる。まず自社の主要バイヤーペルソナを3つ選び、そのSPIVプロンプトを書くことから始めてほしい。
参考：https://neilpatel.com/blog/how-to-monitor-ai-search-visibility/
**