生成AI検索（Google AI Overviews、ChatGPT Search等）の普及が進む中、Webコンテンツの信頼性（E-E-A-T）および構造化データの正確性がこれまで以上に厳しく評価されています。本調査では、2026年7月の1ヶ月間に「AIOGeoScan」で実行された診断ログから1,233ページの有効データを抽出・解析しました。
解析結果として、構造化データ（JSON-LD）の未実装率が41.9%に留まるだけでなく、同一ページ内で同じ@typeが分散定義される「重複定義警告」が多数検知されたこと、また著者情報や更新日等のE-E-A-T信頼性シグナルの欠落率が70.9%に達していることが明らかになりました。
- 構造化データ（JSON-LD）の「重複定義」によるクローラーの認知混乱：
JSON-LD未実装率41.9%に加えて、実装サイトでも同一ページ内で`Organization`や`WebSite`といった同じ@typeが異なるscriptタグで重複定義されているケースが120件検知され、エンティティ関係の識別障害につながっています。 - E-E-A-T信頼性シグナルの欠落率が70.9%に到達：
著者情報の構造化未対応率が89.0%、`rel="author"`リンク未設定率が98.4%と極めて高く、AIクローラーが「誰が責任を持って執筆したコンテンツか」を判定する指標が大幅に不足しています。 - アンサーターゲット構造（見出し直後の要約）の不備率78.1%：
H2見出しの直後に要約テキスト（50〜150文字）が提示されていない構造が大半を占め、AI検索エンジンでの直接引用候補から外れる主要因となっています。
- ・ 調査・分析主体：株式会社Bennu
- ・ 調査方法：AIO/GEO/SEO横断診断ツール「AIOGeoScan」の全診断ログデータを対象とした解析・集計
- ・ 対象データ：7月単体の有効ページ診断 1,233件
- ・ データ収集期間：2026年7月1日 〜 2026年7月31日
本レポートの目次
1. 生成AI検索（AIO/GEO）における評価基準の進化と最新動向
ChatGPT SearchやGoogle AI OverviewsをはじめとするAI検索サービスは、日々アルゴリズムや引用ソース選定基準を更新しています。 従来の検索エンジンのように「キーワード出現頻度」や「バックリンク数」のみを評価する時代は終わり、AIエンジンが文章の意味・構造・信頼性をダイレクトに解釈する環境へと変化しました。
2026年7月に入り、特に重要視されているのが「一次情報の出所（E-E-A-T）」と「機械可読性の精度（構造化データの論理的整合性）」です。 自社サイトがAI回答の中で正確に引用・紹介されるためには、曖昧なHTML構造を排し、誰が・いつ・どのような根拠で記述したかをAIが明確に解釈できる設計が必須となっています。
2. 7月度の診断データが示す主要な警告比率
AIOGeoScanで7月単月（7月1日〜31日）に実行された1,233件の診断データにおける、主要なAIO不適合・警告項目の比率は以下の通りです。
3. AI引用率を左右する「アンサーターゲット構造」の実態（警告率 78.1%）
AIクローラーは、ページ内の見出し（`h2` や `h3`）とその直後にあるテキストブロックを組み合わせ、ユーザーの質問に対する回答（アンサー）として選定します。 7月の診断データでは、78.1%のページでアンサーターゲット警告が検知されました。
見出しの直後に結論となる要約文（50〜150文字程度）が置かれず、装飾バナーや余分な前置きテキストが差し込まれている場合、AIクローラーはコンテキストの紐付けに失敗し、回答ブロックとしての抽出を諦める傾向が確認されています。 AI検索時代のWeb設計においては、見出しと結論を直結させる「結論ファースト」のアンサーターゲット構造が不可欠です。
4. E-E-A-T信頼性シグナルの欠落と著者情報の不在（不足率 70.9%）
誤情報の生成（ハルシネーション）を防ぎたいAI検索エンジンにとって、コンテンツの発信元（著者・運営者）の信頼性は引用判定の核心です。 しかし、7月の診断データでは、E-E-A-T信頼性シグナルの不足警告率が 70.9% に達しています。
特に、著者情報の構造化（JSON-LD）未対応率が 89.0%、`rel="author"` 属性を用いた著者プロフィールへのリンク未設定率が 98.4% に上り、人間には見える著者名が「機械可読なシグナル」としてAIに伝わっていない実態が浮き彫りになりました。
5. 構造化データ（JSON-LD）の実装ミスと「重複定義」による解釈ロス
7月の診断結果では、JSON-LDの未実装率は 41.9% でした。 さらに深刻な課題として、JSON-LDを記述しているサイトであっても「重複定義」による評価損失が発生しているケースが多数検出されています。
最も注意すべき「@typeの重複定義」の課題
ヘッダー共通コンポーネントとページ個別のテンプレートで、それぞれ別の `<script type="application/ld+json">` タグを配置し、同じ `@type`（`Organization` や `WebSite` など）を独立して複数定義しているサイトが散見されます（7月度で120件の重複警告を検知）。
AIクローラーはこれらを「完全に別個の別企業・別サイトが存在する」と誤認しやすいため、`@graph` 構文や共通 `@id` 参照を用いて、1つの論理グラフとして統合する設計が必要です。
| スキーマタイプ（@type） | 検出数 | 全ページ比 | 普及状況 |
|---|---|---|---|
| WebSite (サイト情報) | 549件 | 44.5% | 普及率は半数未満、サイトレベルの識別定義が依然不足 |
| BreadcrumbList (パンくず) | 496件 | 40.2% | 基本SEO施策として半数近くで導入されるも未導入が過半数 |
| Organization (組織情報) | 485件 | 39.3% | E-E-A-T向上のための運営主体明示が不十分 |
| WebPage (ウェブページ詳細) | 296件 | 24.0% | ページ単位の属性定義が普及途上 |
| Article (記事・ブログ詳細) | 163件 | 13.2% | コンテンツ資産の構造化記述が大幅に不足 |
| Person (著者・人物) | 159件 | 12.9% | E-E-A-Tにおける致命的な弱点（誰が書いたかの証明不足） |
| FAQPage (よくある質問) | 80件 | 6.5% | AI引用で有利なQ&A構造が殆ど活用されていない |
| LocalBusiness (地域ビジネス) | 57件 | 4.6% | GEO（地域検索・マップ連携AI）における露出機会損失 |
| Product (商品詳細) | 7件 | 0.6% | AIショッピング・購買検索への適合が著しく遅れている |
6. 単一ページを越えた「サイト全体の一貫性（Consistency）」の課題
個別ページの適合性だけでなく、ドメイン全体でのルール統一と整合性（Consistency）がAI評価に大きく影響します。 7月の診断ログ解析においても、サイト内の下層ページや一部カテゴリーでのみ見出し階層がスキップされていたり、特定のディレクトリでインデックス制御とrobots.txtが矛盾している問題が見られました。
代表的な一貫性不整合（Consistency Issues）の検出傾向
- @idによるエンティティ結合の欠落：
サイト内の「WebSite」、「Organization」、「Person」を固有のURI（`#website` や `#organization`）で相互参照できておらず、ブランド全体のエンティティマップが途切れている現象です。 - カテゴリー別・テンプレート別のHTML品質の偏り：
主力サービスページでは綺麗なセマンティックマークアップが維持されている一方、コラム・ブログテンプレートにてH1の複数設置や見出し順序の不整合が発生している問題です。 - クローラーアクセス制御とインデックス命令の相違：
HTML内で `noindex` を宣言しているにもかかわらず `robots.txt` で `Disallow` しているため、クローラーが `noindex` を認識できずインデックスが残存してしまう制御ミスです。
7. AIアクセス制御とrobots.txt・llms.txtの普及状況
AIクローラーに対する自社コンテンツの利用方針の明示も重要です。 7月度の集計では、llms.txt の未設置率は 76.2%、robots.txt の未設置率は 20.4% でした。
AIエージェントに自社サイトの要約・構造を明確に伝える `llms.txt` プロトコルは徐々に認知が高まっているものの、本格導入に至っている企業サイトは全体の約4分の1に留まっており、早期対応による先占アドバンテージが期待される領域です。
8. 総括：今後のAIクローラビリティにおける課題
2026年7月度の実態調査から、多くの企業サイトが構造化データの重複定義やE-E-A-T信頼性シグナルの不足、アンサーターゲット構造の不備という技術的課題に直面していることが浮き彫りになりました。
生成AI検索の引用アルゴリズムは、単なるテキストのキーワードマッチから「正確な機械可読性と一次情報としての信頼性」へと大きくシフトしています。サイト全体の論理的整合性を整え、AIクローラーに正確なエンティティ構造を提示することが、AI検索時代における強力な競合優位性となります。
株式会社Bennuでは、AIOGeoScanを用いた技術的課題の全自動監査から、HTML・構造化データ・AIクローラー制御の具体的な実装支援まで伴走する 「AIOコンサルティングサービス」 を提供しています。 AIO/GEO対策や技術設計に関するご相談は、ぜひお気軽にお問い合わせください。
報道関係者・メディアの皆様へ（取材・データ提供について）
株式会社Bennuでは、本調査に関する詳細データ（業界別・ページ別の詳細データなど）の提供、掲載用グラフィック素材の提供、およびAIO/GEO対策（AI検索最適化）に関する取材・執筆・講演のご依頼を承っております。個別インタビューや番組等でのデータ利用についても、下記窓口よりお気軽にお問い合わせください。
- 調査・分析主体：株式会社Bennu
- 調査方法：AIO/GEO/SEO横断診断ツール「AIOGeoScan」の全診断ログデータを対象とした解析・集計
- 対象データ：7月単体の有効ページ診断 1,233件
- データ収集期間：2026年7月1日 〜 2026年7月31日
- 著作権表示：本調査内容やグラフ画像を引用される際は、必ず「AIOGeoScan（https://aiogeoscan.com/）調べ」と出典をご明記ください。