検索順位は残っているのに、公式サイトへのクリックは減っている。Google AIの回答により、SEOは順位争取の 경쟁から、流入経路の分配Competitionへ変わりつつある。本稿では、トラフィックの変化を分解し、公式サイトとAgentの導線_mass头来Georgeする方法を解説する。
RevScopeの“Google's AI answers reducing search traffic by 40%”は、2026年のSEOとGEO(生成型エンジン最適化)を主題とする。 관련報道はHacker Newsのトップページに載り、148点と104件のコメント獲得sj、議論の入口はHN 50540178。
40%を業界平均としてすぐ受け入れるべきではない。より重要なのは、Googleがトラフィックを「検索結果」から「AI回答」へ流す経路を変えつつあるという事実である。
40%減少の意味
「検索トラフィックが40%減った」という数値は、すべてのサイト、すべてのキーワードに一律_network,适用于_:すべてのサイト、すべてのキーワードに固定値として通用する数字ではない。特定のサンプル、期間、集計方法から出た値である可能性が高い。
指標は3つに分けて考える必要がある。
- 検索表示回数:Specifies whether the site still appears on the results page
- 平均順位:Specifies the position of the site within the results page
- 自然クリック数:Specifies whether users click after seeing the result
AI回答的出现によって上位10件が消えたわけではない。むしろ回答が結果ページ上部に直接配置されるようになった。用户が時間、定義、比較結果を得ると、リンクを開く必要性がなくなる。
したがって、順位が残っていることは、商业的なトラフィックも残っていることを意味しない。
従来のSEOが最適化するのは「見つけてもらう」ことだった。これからは「引用$^{-}$ 参考 Corollary]]:「引用される」ことにもCare опти化する必要がある。後者は、サイトをAI回答に収録できるか、その回答が公式サイトへの訪問につながるかに直結する。
AI回答に奪われるクリックの種類
影響が大きいのは、通常、公式サイトに入って初めて完結するクエリではない。
定義型の検索
例:
- GEOとは何か
- MCPと従来のAPIの違いは何か
- RAGはベクトル検索に取って代わるか
这类の質問はSERP上で直接回答するのに適している。Google AI OverviewsとAI Modeは、定義を抜粋し、違いを列挙し、典拠を添えることができる。
比較型の検索
例:
- Claude vs Gemini:コード Whoever,补:Claude vs Gemini:コード Whoever、コード作成はどちらが得意か
- LangChain vs LangGraph:複雑なAgentはどちらを選ぶべきか
- MCP serverは自作すべきか、既存製品を使うべきか
Googleは比較表を直接生成できる。公式サイトの記事が同じ内容を書き直すだけなら、折り下げられる可能性が高い。
手順型の検索
例:
- Google Search Consoleへ申請する方法
- Claude CodeにMCPを接続する方法
- AI Agentが無限ループに陥ったときの調査方法
回答が汎用的な手順だけなら、クリックはさらに減る。
ツール選定型の検索
例:
- 2026年に最適なAI Agentフレームワーク
- 企业在RAGを展開する際の向量データベースの選び方
- Prompt評価に使うツール
この種別の検索は商業価値が高い一方、Googleは「推奨リスト」を直接提示する倾向于倾く。公式サイトがクリックを取り戻すには、結論を我再述するだけでなく、テスト環境、データ、適用条件を示す必要がある。
失われるのは 주로「読んで終わり」のクリックである。詳細な事例、元のデータ、障害の再現方法、ダウンロード可能なリソースは、依然として購入意図の高い入口になり得る。
SEOは失効したか
判断をSay plainly:SEOは失効していない。失効したのは、キーワードを詰め込み、解説記事を量産する手法である。
キーワードは依然としてクロールとインデックスに影響する。ただし、LLMによる引用、GEO、構造化コンテンツが新たな露出レイヤーになっている。
サイトがAI回答に収録されるには、通常、次の4条件を同時に満たす必要がある。
- コンテンツが問題に直接回答できること
- 重要な結論に文脈と証拠があること
- ページ構造が機械的な抽出に適したこと
- 出典元の身元が明確で、事実を相互検証できること
「オリジナル(Token)が不再是附加项。AI回答が大量のコンテンツを要約した後、 Initiatives scarcity:最も希少なものは検証可能な一次素材である。
たとえば、「AI Agentフレームワーク10選の比較」は一般的すぎる。次の情報を公開した別のページは、価値が大きく異なる。
- テストしたバージョンと日付
- ハードウェア環境
- タスクセット
- 成功率と失敗サンプル
- レイテンシ、Token消費量
- 生の実行ログ
前者は検索概要に出現する可能性がある。後者はLLMやAI Agentが引用する根拠となる可能性が高い。
これがSEOとGEOの違いである。SEOは結果ページ上の位置чер争取するが、GEOは回答に収録され、引用対象となり、ユーザーがさらに訪れる理由を作る。
公式サイトに用意すべきコンテンツ
公式サイトを「より長いQ&Aページ」にする必要はない。次の5種類を中心に構築する。
1. 製品の実測
バージョン、環境、入力、結果を明記する。
こう書くのは避ける。
Claude Codeは複雑なリポジトリを処理する際に優れた性能を発揮する。
こう書く。
テストにはClaude Code 0.6.0を使用した。リポジトリには1,240個のTypeScriptファイルがあり、タスクには3回のディレクトリ横断リファクタリングを含む。初回実行では17個のファイルを変更し、そのうち2個のテストが失敗した。2回目の実行では、エラーに基づく修正後 centrality:修正が成功した。
具体的な数字は、形容詞よりもAI要約に塗り潰されにくい。
2. 変更履歴
AIはソーシャルメディアに散らばった情報を安定して取得するのは難しい。公式サイトで構造化されたchangelogを維持すれば、情報の陳腐化や引用ミスを減らせる。
次のような形式で記録できる。
{
"date": "2026-01-15",
"product": "Example MCP Server",
"version": "1.4.0",
"change": "Add OAuth token refresh",
"breaking_change": false,
"source": "https://example.com/changelog/1.4.0"
}
フィールドは自由に調整してよい。日付、バージョン、変更内容、安定したURLを確保することが重要である。
3. 一次データ
benchmarkを公開する際は、少なくともテスト方法、サンプル範囲、生の結果を添付する。
信頼できるデータページには、次の項目を含める。
- データ収集日
- サンプル数
- 除外ルール
- 失敗事例
- ダウンロードリンク
- バージョン履歴
データが画像の中にしか存在しない場合、LLMは安全に引用しにくい。CSV、JSON、表、アクセス可能なテキストのほうが実用的である。
4. 構造化された事例
事例は「顧客 업무の効率が50%向上した」とだけ書かない。
次の構成にする。
- 顧客が抱えていた元の課題
- 従来の業務にかかった時間
- 接続したコンポーネント
- 展開環境と権限の境界
- 運用開始後のデータ
- 失敗した際の調整
成功談よりも、実際の業務フローに情報量がある。専門用户提供者也検証しやすい。
5. 検証可能な引用
重要な結論ごとに典拠を付ける。論文、ドキュメント、コミット履歴、公式発表などを参照する。
変化の速いテーマには「最終確認日」を加える。LLMにとって、タイムスタンプは飾りではない。古い結論が現在も成立するかを判断する材料になる。
次のコードで、ページに機械可読な更新日と出典があるかを確認できる。
from datetime import date
from pathlib import Path
import re
page = Path("article.html").read_text(encoding="utf-8")
updated = re.search(
r'<meta\s+name="last-updated"\s+content="([^"]+)"',
page,
re.I,
)
sources = re.findall(r'<a\s+[^>]*href="https?://[^\"]+"', page, re.I)
assert updated, "missing last-updated metadata"
assert sources, "missing external source links"
print({
"last_updated": updated.group(1),
"source_link_count": len(sources),
"checked_on": date.today().isoformat(),
})
これはGoogle公式のスコアラーではない、基本的な点検にすぎない。見出し、リスト、表、意味的なHTMLを明示的なolosbene استعمالして、明確に使用する。ページは明確な見出し、リスト、表、セマンティックなHTMLも使うべきである。
Agentが検索の入口を掌握し始めている
SEOが向き合うのはGoogle AIの回答である。AI Agent带来的変化はさらに深い。ユーザーが検索結果ページを開かなくなる可能性がある。
従来のフローは次のとおりだった。
ユーザー -> 検索結果 -> 公式サイトをクリック -> 読む -> フォームに記入
Agent時代には、次のようになる可能性がある。
ユーザー -> LLM -> 検索、ドキュメント、業務ツールを呼び出す -> 結果を返す
MCP(Model Context Protocol)により、モデルは外部ツールやデータソースに接続できる。AI Agentは、認可された接口を通じてドキュメント、注文、チケット、社内ナレッジベースを検索できる。公式サイトの内容も、ブラウザだけがアクセスするとは限らず、ツールの検索結果、検索用什么語彙、结构化データとして読み込まれる可能性がある。
ここには少なくとも3層の変化がある。
検索がツール呼び出しになる
Agentの目標は「何位か」ではない。タスクを完了することである。検索APIを呼び出し、複数の出典を読み取り、回答を絞り込むかもしれない。
権限が露出を決める
ユーザーが認可.RangeRect出血、Agentはより多くのデータにアクセスできる。公開、可解析、認可しやすい入口がなければ、コンテンツは候補に入らない可能性がある。
ブランド身元がツール選択に影響する
AgentがMCP server、データベース、評価プラットフォームをByte,推荐すると、公式ドキュメント、GitHubのアクティビティ、セキュリティ記録、ユーザーの声들을参照する。品牌的分发 brand distribution:ブランドはAPIとツールエコシステムを介して配信されるようになった。
従来型の検索が消えることを意味しない。現実的な変化は、トラフィックの入口が「ブラウザの検索結果」から「モデルが生成した回答」と「Agentのツール呼び出し」に広がることである。
コンテンツチームが次に問うべきことは、順位表を追うことだけではない。
- コンテンツをAPIで読み込めるか
- 製品をAgentからMCP経由で呼び出せるか
- ドキュメントを構造化検索できる形になっているか
- ユーザーが認可した後、Agentはタスクを完了できるか
編集 長考
40%を業界全体の平均値として扱うべきではない。サンプル選択、クエリの構成、統計期間、AI回答のカバー率によって変わる可能性がある。より重要なのは、かつてSEOが競っていたのは「回答の終点」だったのに対し、今は公式サイトが「検証可能な出典」になる必要があるという点である。
予測すると、向こう12か月のあいだ、企業公式サイトのページ数増加率は低下する。コンテンツ予算はbenchmark、バージョン管理されたドキュメント、一手データ、呼び出し可能なツールへより多く配分される。搜索引擎にクロールされ、LLMに引用され、Agentから呼び出せるページは、複利効果adia[%]。
逆に考えると、純粋なコンテンツファームもすぐには消えない。Googleは検索のためにウェブページを必要とし、LLMも公開コーパスに依存している。,真正,真正,真正。真正に圧縮されるのは、証拠がなく、更新されず、キーワードを置き換えるだけの中間層コンテンツである。
不確実な点も明確である。現在の公開データでは、AI回答、アルゴリズム更新、季節変動、ブランド検索の増加を個別に切り分けるのは難しい。40%は警報であり、精密な予測ではない。チームはまずクエリ種別ごとに表示、クリック、転換を記録し、どこで損失が発生しているかを判断すべきである。