AIO導入事例｜AI経由の流入・問い合わせ実績【2026年最新】

AIO導入事例とは、生成AIに引用されるためのサイト改修を実際に行い、その前後でAI経由の流入や問い合わせがどう動いたかを記録した実績を指します。 この記事の題材は、株式会社sai X aidが自社サイトで取り組んだAIO（AI最適化）の公開実績です。何をして、どこがどう変わったのか。媒体ごとに成果の出方が違う点も含めて、盛らずに書きます。

事例を読むときの注意：倍率より「何を計測したか」を見る。
「○倍」という数字だけが独り歩きすると、再現性のない事例に見えてしまう。だからこの記事では、対象期間・対象チャネル（AI経由の流入と問い合わせ）・取り組み内容を必ずセットで出します。読み取ってほしいのは「自社でも同じになる」ではなく、「自社では何が起きうるか」。その判断材料として使ってください。

そもそも、何を「AIO導入事例」と呼ぶのか

AIO（AI最適化／LLMOとほぼ同義）の事例には、おおむね2種類あります。1つは「ツールを導入した」「レポートを受け取った」というプロセスの話。もう1つは「実際にAI回答へ引用されるようになり、流入や問い合わせが動いた」という成果の話。この記事が扱うのは後者です。

AIO・LLMOという言葉の定義や、SEO・GEO・AEOとの違いを先に整理しておきたい方は、基礎をまとめたLLMOとは何かを解説した記事からどうぞ。ここでは定義論には踏み込まず、事例（何をして・どう変わったか）だけに絞って話を進めます。

手順や対策の方法論にも深入りしません。実装の進め方はLLMO対策のやり方、効果が出るのかの検証はLLMOの効果で解説しています。

公開実績：AI経由の流入 約6倍／問い合わせ 約10倍

いちばん分かりやすい自社の公開実績が、次の2つです。株式会社sai X aidが自社サイトでAIOに取り組んだ結果として、すでに公開している数値です。

数値の前提は次のとおりです。対象期間は2025年10月から2026年2月。対象チャネルは「生成AI経由でサイトに到達した流入」と「そこから発生した問い合わせ」です。倍率は施策前の同種チャネルとの比較で、どの業種・サイトでも同じ倍率が出ると言っているわけではありません。成果を保証するものではありません。

もう1つ、見落としたくないのが、流入の伸び（約6倍）より問い合わせの伸び（約10倍）の方が大きいこと。AI経由でたどり着く人はすでに比較・検討に入っていることが多く、量だけでなく質も伴いやすい。現場で見ていてそう感じます。ただしこれも1社の傾向で、断定まではできません。

何をしたのか：「買う」ではなく「実装する」

この事例で一貫しているのは、ツールやSaaSを入れただけでは数値が動かなかったこと。サイトのコードとコンテンツに手を入れて、ようやくAI回答に引用される頻度が変わってきました。実際に手を入れたのは、主に次の領域です。

下の表は、取り組みの前後でサイトの状態がどう変わったかをまとめたものです。「やったこと」より「どんな状態になったか」で見ると、事例の本質がつかみやすくなります。

取り組みのやり方はLLMO対策のやり方で詳しく解説しています。

東京大学AI工学博士の見解
事例は「奇跡的に当たった一発」ではありません。AIに引用されやすい状態づくりには、結論の置き方・構造化・一次情報の整備が効くことがあります。だから、倍率という結果より「どんな状態を作ったか」を見たほうが、自社に当てはめやすい。

媒体差の現実：Google AI Overviewと、それ以外

事例でいちばん誤解されやすいのが、「AIに引用される」をひとくくりにしてしまうことです。どのAI媒体で成果が出るかには、はっきり差があります。Google AI Overviewは比較的成果が出やすく、ChatGPTやGemini系は外部メディアでの権威づけが前提になりやすい——自社で手を動かして分かった、正直なところです。

同じ「AIO事例」でも、Google AI Overview中心の成果とChatGPT・Gemini系の成果では、難易度も打ち手も別物です。事例を見るときは「どの媒体での成果か」を必ず確認したい。学術面でも、論文『GEO: Generative Engine Optimization』（KDD 2024）が、引用・統計・専門的記述といった要素で生成AI回答内の可視性を最大40%高められると報告しており、媒体をまたいで効きやすい共通項があることは示されています。

「llms.txtを置けばAIに読まれる」という話を事例として語るケースもあります。ただ、主要AIがllms.txtを標準的に参照しているとは確認されておらず、Googleのジョン・ミューラー氏も効果に懐疑的です。事例を評価するときは、こうした「効果が確立していない施策」が成果の主因に据えられていないか、根拠まで確認したいところです。

この事例から読み取れる「再現の条件」

1社の事例をそのまま自社に移すことはできません。それでも、再現性に効きやすい条件は事例から読み取れます。成果が出るまでの目安も、保証ではなく傾向として共有します。

この事例から見る限り、成果につながりやすかったのは次の条件が揃ったケースです。どれも「事例だから当然成功する」ではなく、「成果に寄与しやすい前提」として読んでください。

※ 期間・成果はKW難易度やサイトの状態によって大きく変動します。本事例の数値は自社の公開実績であり、成果を保証するものではありません。

自社の事例で言えば、ツールやレポートで止めず、エンジニアがサイトに直接、構造化データ・サイト構造・コンテンツを実装したこと——これが数値を動かした最大の要因でした。株式会社sai X aidのAIO/LLMO支援は、この「実装まで踏み込む準委任型の伴走」をサービスにしています。完全成果報酬プラン（AI回答に表示された月から課金）や実装パートナー型のプランがあり、詳しくはお問い合わせフォームよりご相談ください。

よくある質問

関連記事

東京大学AI工学博士の見解
事例の価値は「すごい数字」ではなく、「再現できる設計が入っているか」にあります。倍率は前提条件で変わりますが、結論ファースト・構造化・一次情報という土台は媒体が変わっても効く。自社の事例を作りたいなら、現状把握と実装から始めるのが結局いちばんの近道です。

※本記事は、東京大学大学院 工学系研究科（博士課程）でAIを研究し、内閣府ムーンショット等の開発経験を持つ、株式会社sai X aid 代表取締役 甲斐 凜太郎の監修のもと制作しています。記載の実績は自社の公開実績であり、成果を保証するものではありません。