自社のエンティティを壊しているのは、誰でもない。IR・広報・マーケが「正しく」発信するほど、AIから見た企業像が弱くなる構造【LLMO】

前回の記事「ナレッジグラフ上の誤認識が起きる構造と経営リスク」では、AIが企業を誤認識する構造とリスクを解説し、対策として「情報発信の一貫性」や「エンティティ定義文」の重要性に触れました。

本記事は、”なぜ一貫性が崩れるのか／社内のどこで不整合が生まれるのか”について掘り下げて解説していきます。

「コーポレートサイトもプレスリリースもSNSも、きちんと運用している。それなのに、ChatGPTやGoogle AI Overviewsで自社のことを聞くと、古い情報や曖昧な答えが返ってくる——」

こうした悩みを抱える経営者・広報責任者の方に向けて、その原因が「コンテンツの量」でも「担当者の精度」でもなく、複数の部署がそれぞれ正しく発信した結果として生まれる「不整合」にあること。
そしてそれが担当者ではなく組織設計の問題であることを、第三者調査・公式データの根拠とともに解説します。

この記事でわかること

• なぜ「正しく発信している」のに、AIに正確に認識されないのか
• 既存記事・AI検索が「情報発信の不整合」をどう語り、何を見落としているのか
• IR・広報・マーケの発信が、ナレッジグラフ上でどのように処理されるのか
• なぜ担当者を責めても解決せず、組織設計の問題だと言えるのか
• 社内の発信を整合させる、今日からできる3つのアクション

既存記事とAI検索は「不整合」をどう語っているか：競合調査でわかった空白

AIに引用される記事をつくるうえで、最初にすべきことがあります。それは「その問いに対して、いまの上位記事とAI検索は何と答えているか」を把握することです。

すでに語り尽くされた内容を繰り返しても、AIにとって参照する価値は生まれません。不足している論点を埋めてこそ、引用される一次的な情報になります。

そこで本記事の執筆にあたり、関連する3つの検索意図について、Google上位記事の論点と、ChatGPT・Perplexityの回答内容を調査しました。結果は次のとおりです。

調査①「情報発信の不整合」は”人間向けの信頼問題”としてしか語られていない

「IR 広報 マーケティング 情報発信 不整合」で調査すると、上位記事もAI検索の回答も、不整合を「人間の受け手に対する信頼問題」として整理していました。

ChatGPT・Perplexityの回答を要約すると、論点はおおむね次に集約されます。

部署ごとに目的・KPI・対象者が違うために発信がずれる。
IRは慎重な表現、マーケは強い訴求、SNSはカジュアル——この食い違いによって「投資家は話が盛られていると感じ、顧客は期待と違うと感じ、メディアは結局何の会社か分からなくなる」。
だから対策は「One Message, Multi Audience（コアメッセージは一つ、受け手別に翻訳する）」でメッセージを統制すること。

ChatGPT・Perplexityの回答要約

これは正しい整理です。

しかし、ここには決定的に欠けている視点があります。

それは、この不整合が人間だけでなくAIにも読まれており、ナレッジグラフ上でエンティティの信頼シグナルを直接弱めているという視点です。

既存の回答は「受け手の感情」までで止まっており、「AIの認識構造」には踏み込んでいません。

調査②「ナレッジグラフ／エンティティ」の解説は、不整合の”発生源”に触れていない

「ナレッジグラフ エンティティ 企業 発信」で調査すると、今度は上位記事もAI回答も定義と実装の解説に終始していました。

「ナレッジグラフとは何か」「エンティティとは何か」「構造化データでマークアップしよう」「Wikipediaに登録しよう」——いずれも”どう情報を与えるか”の話です。

ここで欠けているのは、「与える情報が、そもそも社内で食い違っていたらどうなるのか」という問いです。構造化データの実装方法は語られても、その手前にある「社内のどこで不整合が生まれているのか」という発生源には、ほとんど誰も触れていません。

調査③「LLMO社内体制」の議論は、”新チームの組成”に寄っている

「LLMO対策 社内体制」で調査すると、上位記事もAI回答も「LLMOを実行する新しいチームをどう組むか」に焦点が当たっていました。

ChatGPTは「戦略・コンテンツ・テクニカル・AIモニタリング・法務」の5機能モデルを提示し、Perplexityは「経営層・推進責任者・マーケ・IT・現場」の役割分担を説いています。

これも有用です。

しかし、議論の前提が「LLMOのために新しい役割を足す」ことに偏っています。

本記事が扱うのはその逆で、「すでに存在するIR・広報・マーケ・人事が、それぞれ正しく仕事をしているのに、全体としてエンティティを弱めてしまう」という構造です。

新しいチームを足す前に、既存部署の発信が噛み合っていなければ、土台が崩れたまま施策を積み上げることになります。

本記事が埋める「空白」

3つの調査結果を重ねると、ちょうど真ん中に「誰も書いていない論点」が浮かび上がります。

▼ 既存の議論と、本記事の立ち位置

検索意図	既存記事・AI回答の中心	触れられていない論点
情報発信の不整合	人間（投資家・顧客）の信頼問題／メッセージ統制	不整合がAIのエンティティ認識を弱める構造
ナレッジグラフ・エンティティ	定義と実装（構造化データ・Wikipedia）	不整合が生まれる社内の発生源
LLMO社内体制	新しいLLMO実行チームの組成	既存部署が正しく動くほど不整合が増える逆説

本記事は、この空白——「正しい発信が、なぜAIから見た一貫性を下げるのか。それは社内のどこで起き、なぜ担当者を責めても直らないのか」——に正面から答えていきます。

AIは企業を「複数ソースの照合結果」として認識する

AIは企業について回答する際、単一のWebページを「正」として参照しているわけではありません。

コーポレートサイト・プレスリリース・決算資料・採用サイト・SNS・外部メディア——これらを横断的に参照し、「これらは同一エンティティについての情報か」を照合しながら、ナレッジグラフ上の情報を構築・更新していると考えられています。

この「複数ソースで認識する」という前提は、Googleの公式ドキュメントからも読み取れます。

Google Search Centralは組織（Organization）の構造化データについて、必須プロパティはないとしたうえで、組織に関連するプロパティをできるだけ多く追加することを推奨しています。

つまりGoogleは、単一の情報ではなく、できるだけ多くの属性情報を組み合わせて組織を認識する設計になっているのです。

引用元：Google Search Central「組織（Organization）の構造化データ」

そして、この複数ソースの照合で中心的な役割を担うのが、Schema.orgが定義する sameAs プロパティです。

Schema.orgの公式仕様によれば、sameAs とは「そのアイテムの同一性を明確に示す参照ウェブページのURL」と定義され、WikipediaページやWikidataエントリ、公式サイトがその例として挙げられています。

引用元：Schema.org「sameAs」

複数のソースが一致した情報を発信しているほど、そのエンティティへの信頼シグナルは強くなると考えられます。

AIの目線から見ると、企業の情報とは「一つのWebサイト」ではなく、「複数のソースから照合・統合された情報の集合体」として処理されている——この前提を押さえることが、すべての出発点になります。

なぜ今、エンティティの一貫性が成果を左右するのか

この話が抽象論で終わらないのは、AI検索がすでに無視できない規模に達しているからです。

SEO研究チャンネルが2025年5月に公開した調査では、82,772件のキーワードのうち22.9%でGoogle AI Overviewsの表示が確認されました。

約4〜5回の検索に1回はAIの要約回答が最初に目に入る計算であり、この比率は調査ごとに上昇傾向にあります。

引用元：SEO研究チャンネル「AI Overviews表示率調査」（2025年5月）

さらに、影響は検索流入にも及びます。

Seer Interactiveが2026年4月に公開した追跡分析（53ブランド・547万クエリを対象）によると、AI Overviewsが表示されるクエリのオーガニックCTRは2025年12月に1.3%まで落ち込みました。

これは2025年1月の水準（約3.2%）を大きく下回ります。

ただし、この数値は固定的ではありません。同分析では、CTRが2026年2月までに2.4%へと反発したことも報告されています。

もっとも同社はこれを「完全な回復」ではなく「下げ止まり」と位置づけ、わずか2か月のデータで先行きを判断することには慎重であるべきだとしています。

注目すべきは、その回復の”中身”です。

同社は、AI Overviewに引用されたページは、同じ検索結果ページ上で引用されなかったページよりも多くのクリックを得ていると報告しています（ただし、いずれもAI Overviewが表示されない検索よりは低い）。

流入を取り戻しつつあるのは、AIに正しく引用・推薦されているページなのです。

引用元：Seer Interactive「AIO Impact on Google CTR: 2026 Update」（2026年4月）

検索順位で1位を取っても、AIに正確に認識されなければ流入にはつながらない——この構造そのものは変わっていません。

だからこそ、「AIが自社をどのエンティティとして、どれだけ正確に認識しているか」が事業の成果を左右します。そして、その正確さの土台になるのが、発信情報の一貫性です。

▼ 発信ソースの一貫性とエンティティ強度の関係

発信の状態	ナレッジグラフ上で起こりうる処理	エンティティ強度
複数ソースが同一情報を発信	ノードへのエッジが増加・強化	高
ソース間で表記が揺れている	属性候補が分散・並列保持	中〜低
発信ソースが単一・少ない	情報量不足を推論で補完	低
ソース間で明確な矛盾がある	誤認識リスクが高まる	低〜誤認識

※本表は、Schema.org・Googleの公式仕様から確認できる「複数ソース照合」の仕組みを前提に、

実務上観察される傾向を整理したものです。各処理の内部的な重み付けはAI提供各社が公開していないため、解釈・推論を含む点にご留意ください。

IR・広報・マーケは、なぜ「正しいのに食い違う」のか

ここに、多くの企業が見落としている構造的な問題があります。

IR・広報・マーケティングの各担当者は、それぞれの目的において「正確な情報」を発信しています。

IRは投資家向けに財務的な観点から事業を説明し、広報はメディアに伝わる言葉でPRし、マーケティングは見込み顧客が理解しやすいサービス説明を発信します。

個別の発信は、どれも正しいのです。

ところがAIの目線では、これらはすべて「同一エンティティの属性情報候補」として照合にかけられます。一致していれば信頼シグナルが強化され、食い違っていれば弱体化する。各部署が正しく仕事をしているという事実は、この評価には関係しません。

では、具体的にどこで食い違うのでしょうか。代表的な4つのパターンを見ていきます。

パターン①「事業の定義」が部署ごとに変わる

最も頻繁に起き、影響も大きいパターンです。

実例として、株式会社マネーフォワードのケースを見てみましょう。同社のコーポレートサイト「会社概要」は、事業内容を「プラットフォームサービス事業」と明記しています。

一方、サービス紹介ページでは「バックオフィスSaaS」という表現が前面に出て、採用・ブランディングの文脈ではミッション「お金を前へ。人生をもっと前へ。」が中心になります。

引用元：マネーフォワード公式「会社概要」「サービス一覧」

これは同社の発信が「悪い」わけではありません。各文脈で最も伝わる表現を選んだ結果として、自然に生じる表現の分散です。

しかしナレッジグラフの観点では、「プラットフォームサービス事業」と「バックオフィスSaaS」は異なる属性候補として処理されうるのです。

「この会社は何をしているのか」という問いに対して、AIが一貫した回答を生成しにくくなるリスクがある、ということです。

このパターンが特に効いてくるのが、AI検索の比較検討フェーズです。

「バックオフィスSaaSを提供している企業を教えて」という問いに対して、競合が一貫した属性で認識されている一方、自社のエンティティ強度が分散していれば、推薦・引用される確率は下がると考えられます。

パターン②「基本情報」の更新タイミングがずれる

社員数・資本金・本社所在地・グループ構成などの基本情報は、事業の変化に伴って更新されます。問題は、その変化が複数の媒体に同時に反映されないことです。

IR発表で新しい数値が公表されても、コーポレートサイトの会社概要は担当者が更新するまで旧データのまま。

マーケが管理するLPには以前の数値が残り、採用サイトにはピーク時の社員数が掲載されたまま——という状況は珍しくありません。

「社員数150名」「200名」「220名」が同一企業の異なるページに並存しているとき、AIはどれを正とすべきか判断できなくなります。

ナレッジグラフは自動で最新化されるわけではなく、複数のソースが一致して新しい情報を発信することで、信頼シグナルが更新されていくと考えられています。

パターン③ 採用サイトの企業理念が、コーポレートサイトと食い違う

採用強化の局面で、人事が採用ターゲットに響くよう企業理念を独自に言い換えるケースがあります。採用ブランディングとしては合理的ですが、LLMOの観点では注意が必要です。

コーポレートサイトの「革新と信頼で、社会の課題を解決する」が、採用サイトでは「挑戦を楽しみ、変化を生み出す」とリライトされている。
人事の視点では「同じことを言い換えただけ」でも、AIの視点では、同一エンティティが異なるミッションを持つ矛盾として処理されうるのです。

パターン④ SNSの略称・通称が sameAs と紐づいていない

SNSは、外部の独立したソースとして、エンティティへのエッジを増やす効果を持ちます。

しかし、担当者が慣習的に使う略称・英語表記が、sameAs で定義された正式名称と一致していないケースがあります。

外部からの言及がノードへのエッジとして適切に処理されるには、発信に使う名称・表記の一貫性が前提になります。

SNS投稿が多いのにエンティティ強化に寄与していない、という状態は、ここから生まれます。

その食い違いは、ナレッジグラフ上でどう処理されるのか

ここまでの4つのパターンが、AIの認識上どう扱われるのかを整理します。

重要なのは、ソース間の食い違いは「誤った情報」として即座に除外されるわけではない、という点です。

それよりも、「信頼できる属性情報を特定できない」状態として扱われるほうが、実害は大きくなります。具体的には、次のような処理が起こりうると考えられます。

属性の並列保持：一つの属性に対して複数の候補値が並列で保持され、どれが「正」かを確定できない状態になります。この状態では、自社について質問された際に、古い情報や曖昧な情報が混在した回答が生成されやすくなります。

信頼強度の低下：複数のソースが異なる属性値を発信していると、ノードへのエッジは増えても一本一本の「信頼強度」が下がり、属性情報の確実性が落ちます。

最悪の場合、エンティティの分裂：表記の揺れが大きいと、「株式会社A」と「A株式会社」が別エンティティとして処理されるなど、複数のノードに分裂してしまうケースがあります。

なお、ここで述べた処理メカニズムは、sameAs による紐づけと属性照合という、公式に確認できる仕組みから推論した解釈です。

AI各社が内部の重み付けを公開しているわけではないため、確定した仕様ではなく、実務上の傾向・仮説としてお読みください。

そして、こうした不整合は放置するほど修正が難しくなります。

AIが不整合な情報をもとに回答を生成し、その回答を参照した外部メディアが「AIが言っていた情報」として記事を書き、それが新たなデータソースとして取り込まれる——という二次的な固定化のサイクルが生まれうるからです。

早期に着手する意義は、このサイクルが進む前に手を打てる点にあります。

「担当者を責めても解決しない」：これは組織設計の問題です

ここで、本記事の核心を整理します。これまで見てきた4つのパターンに共通するのは、どれも「担当者が間違えた結果」ではないという点です。

IRは投資家のために財務的に事業を定義しました。広報はメディアに伝わる言葉で価値を表現しました。マーケティングは顧客の課題を起点に訴求軸を設計しました。

人事は優秀な人材に響く言葉で理念を語り直しました。全員が、それぞれの役割を誠実に果たした結果として、不整合が生まれているのです。

この認識は決定的に重要です。先ほどの競合調査で見たように、世の中の「LLMO社内体制」論の多くは、”新しいチームを足す”方向に向かっています。しかし新しいチームを足す前に、既存部署の発信を束ねる設計がなければ、不整合は残り続けます。

▼ 問題の所在：担当者レベルと組織レベルの比較

視点	問題の捉え方	解決策
担当者レベル	各部署の発信の質・精度の問題	各担当者のスキルアップ・ガイドライン整備
組織レベル	部署横断の整合性設計の欠如	経営レベルでの情報発信統合設計

LLMO対策で成果を出す企業は、後者の視点を持っています。情報の源流——社内の発信体制そのものを整えることが、エンティティを強く・正確にする本質的なアプローチなのです。

今日から始める「発信統合」の3アクション

では、実務で何から手をつければよいのでしょうか。新しい組織を作る前にできる、現実的な3つのステップをご紹介します。

アクション①「自社エンティティ基本定義シート」を作る

まずは、社内の発信の「基準」を一枚にまとめます。

Googleが「組織に関連するプロパティをできるだけ多く追加することを推奨」しているように、AIに正確に認識されるには、複数の属性が一致して発信されている必要があります。

その「一致」を担保するための基準表です。

▼ 自社エンティティ基本定義シート（記載項目）

属性項目	定義内容	注意点
正式社名	法人格を含む正式表記	略称・英語表記の使用ルールも定義する
事業ドメインの定義	AIに認識させたい主力事業の説明	言い換えを禁止せず、核となる表現を統一する
代表者名	現在の代表者の正式氏名・表記	英語表記がある場合は sameAs に登録する
設立年月	正確な設立日付	「創業」と「設立」の使い分けも定める
本社所在地	現在の正式住所	移転前の旧住所が残っていないか確認する
主要サービス名	各サービスの正式名称	略称・愛称の使用ルールを定める

ポイントは、このシートの文言を、構造化データ（JSON-LD）の name・description と揃えることです。sameAs を機能させるには、構造化データの記述とWeb上の自然言語の発信が一致している必要があります。

アクション②「更新トリガー」を設計する

不整合の多くは、情報の「変化」が複数の媒体に同時反映されないことから生まれます。であれば、「情報が変化するタイミング」を起点に、更新すべき媒体を一覧化しておくことが有効です。

▼ 更新トリガーと対応媒体の例

変化のイベント	更新が必要な媒体	担当部署
決算発表・IR情報更新	コーポレートサイト・会社概要・プレスリリース	IR・広報・Web
新サービスリリース	LP・サービス紹介ページ・PR・JSON-LD	マーケ・Web
代表者交代	コーポレートサイト・Wikidata・PR・JSON-LD	広報・Web
組織改編・社名変更	全媒体（sameAs 登録の更新を含む）	経営企画・広報・Web

肝になるのは、「JSON-LDの更新」と「Wikidataへの反映」を、他の媒体と同じタイミングの必須項目として組み込むことです。

Webページは更新できても、構造化データが後回しになるケースは非常に多く、その遅れがナレッジグラフへの反映を遅延させます。

アクション③ 発信前の「整合性チェック」を習慣化する

プレスリリース・LP・採用ページ・IR資料など、新しいコンテンツを公開する前に、基本定義シートとの照合を習慣にします。

▼ 発信前 整合性チェックリスト

	チェック項目
☐	正式社名の表記が基本定義シートと一致しているか
☐	事業ドメインの説明が、他媒体の表現と大きく乖離していないか
☐	掲載する数値（社員数・設立年・資本金等）が現在の正確な値か
☐	代表者名・役職の表記が最新か
☐	新しいサービス名を初めて使う場合、JSON-LDへの追加を確認したか
☐	SNS投稿の略称・ハッシュタグが、定義された使用ルールに沿っているか
☐	外部メディアへの寄稿・インタビューの場合、事実確認を依頼できているか

コツは、「AI検索のため」と前面に出さず、「情報の正確性確認」として導入することです。「LLMO対策」では担当者に伝わりにくくても、「公開前の事実確認」というフレームであれば、既存業務に組み込みやすくなります。

まとめ

今回解説した「発信統合」の考え方を整理します。

AIに選ばれる発信体制 3つの原則

• AIは企業を「複数ソースの照合結果」として認識する → 一つのページではなく、コーポレートサイト・PR・SNS・外部メディアを横断して照合している。だからこそ、ソース間の一貫性がエンティティの強さを決めます。
• 「正しい発信」でも、揃っていなければAIには不整合に映る → IR・広報・マーケ・人事が各々正確でも、用語・数値・定義がずれれば信頼シグナルは弱まる。これは担当者ではなく、組織設計の問題です。
• 整えるべきは「量」ではなく「源流」 → もっと作るのではなく、基本定義シート・更新トリガー・整合性チェックで、社内の発信体制そのものを束ねる。これがエンティティを強くする本質的なアプローチです。

AI検索時代に必要なのは、「もっと発信する」ことではなく、「発信を揃える」発想の転換です。そしてこの問題で最も大切な認識は、「誰かが間違っているわけではない」ということ。

それぞれの担当者が誠実に正確な情報を発信した結果として、AIから見た不整合が生まれています。だからこそ、改善の手は社内にあります。

※本記事中の統計・公式仕様は、執筆時点で公開されている各出典に基づきます。ナレッジグラフ内部の処理に関する記述には、公開情報からの解釈・推論を含みます。

無料ホワイトペーパーのご案内

LLMOの基本から実践まで、さらに詳しく学びたい方に向けて、LLMO研究所ではホワイトペーパーを無料で配布しています。

>> 権威性アップ&簡易的なLLMO対策無料チェックリストはこちら