この記事は、2025年 5月 27日に Search Engine Land で公開された Duane Forrester氏 「Inside the AI-powered retrieval stack – and how to win in it」
従来のリンク順位中心型検索は終焉を迎えつつあり、新しいAIベースの検索技術（検索スタック）が主役となる時代が始まった。
本稿では「ベクトルデータベース」「埋め込み表現」、そして「逆順位融合（Reciprocal Rank Fusion）※」が、検索スタックをどのように変えたのかをご紹介します。
人々が「サングラス」についてどのように検索するか、想像してみてください。
従来の検索モデルでは、ユーザーは「最高のスマートサングラス」と検索し、SERP（検索結果ページ）に表示されたリンクを順に確認していきます。
一方、新しい検索モデルでは、ユーザーは「Ray-Ban Metaグラス※って何？」のように質問を投げかけ、SERPに表示されたリンクを一切見ることなく、仕様、使用例、レビューなどを含んだ総合的な回答を得られます。
この変化は、新時代の到来を告げています。コンテンツは、もはや単に検索結果で上位に表示される必要はありません。「検索されること」「理解されること」 そして「回答として組み込まれること」 が求められるのです。
かつてのSEO戦略は、ページを作成して、GoogleやBingがクロールしてくれるのを待ち、キーワードが検索クエリに一致することを祈りつつ、広告が表示されないよう願うというものでした。しかし、このモデルは静かに崩れつつあります。
生成AIによる検索システムでは、ページが検索結果にリストされる必要すらありません。
これが新しい検索スタックです。リンク、ページ、ランキングといった従来の要素ではなく、ベクトル、エンベディング、ランキング融合、そしてランキングではなく“推論”によって機能するLLM（大規模言語モデル）を基盤としています。
もはやページ単体を最適化するだけでは不十分です。
そして、この新しいパイプラインの仕組みを理解すれば、従来のSEO施策 がどれほど古風に見えるかが分かるはずです。（ここで紹介するのは簡略化したパイプラインです。）
新しい検索スタックの仕組み すべての最新の検索拡張AIシステムの内部には、ユーザーからは見えない“検索システムの技術スタック ”が存在します。
エンベディング（Embeddings） 文、段落、またはドキュメントは、その「意味」を数値化した高次元のベクトルに変換されます。
これにより、AIは単なるキーワードの一致だけでなく、「意味の近さ」によってアイデアを比較できるようになります。そのため、正確な語句を使っていなくても、関連性の高いコンテンツを見つけ出せるのです。
ベクトルデータベース（ vector DBs)
これらのベクトル（埋め込みデータ）は、ベクトルデータベースに高速で保存・検索されます。
ユーザーが質問を入力すると、そのクエリもベクトルに変換され、データベースから最も近い意味のチャンク（断片）が数ミリ秒以内に返されます。
BM25 昔ながらのアルゴリズムですが、今なお極めて実用的に使われている検索アルゴリズムです。キーワードの頻度と希少性に基づいて、コンテンツの関連度を評価します。
特に、ユーザーがニッチな用語を使用したり、正確なフレーズ一致を求める場面において、高い精度を発揮します。
以下の図は、BM25とベクトル類似度を使ったランキング動作を比較した概念図です。
BM25は、キーワードの正確な一致を重視してドキュメントをランク付けします。
一方、ベクトルベースの検索では、意味的な類似性に基づいてコンテンツを提示します。
それぞれのドキュメントは、意味や一致度に応じて順序付けられていることにご注目ください。
RRF（逆順位融合） RRFは、BM25やベクトル類似度といった複数のランキング手法を、ひとつのランキングリストに統合することを可能にします。この手法により、キーワードマッチとセマンティックマッチのバランスがとれ、最終的な検索結果が、いずれか一方の検索方式に偏ることがありません。
以下のグラフでは、それぞれ異なる検索システムにおいて文書がどのような順位にあるかが、最終的なRRFスコアにどのように寄与するかを示しています。
たとえどちらの手法でも1位でなくとも、複数の検索アプローチで一貫して高く評価されている文書は、RRFにおいても高く評価されます。
LLM（大規模言語モデル） RRFで上位にランクされた結果に対し、LLMが要約、言い換え、あるいは原文を引用する形で応答を生成します。
これが「推論レイヤー（reasoning layer）」です。ここでは、コンテンツの出所よりも、「質問に正しく答えられるか」が重視されます。
無論、インデックスは今も存在しています。ただし、見た目は変わりました。
現在では、コンテンツはベクトルデータベースにエンコード（埋め込み）され、メタデータではなく意味ベース で検索されるようになっています。
・社内のデータであれば、こうした処理は即時に行われます。
・公開Webコンテンツの場合は、GPTBotやGoogle-Extendedなどのクローラーが今もページを取得していますが、その目的は従来のSERP（検索結果）を作ることではなく、コンテンツの意味を把握し、インデックスするためです。
このスタックが優れている理由（適切なユースケースであれば） この新しいモデルは、従来の検索エンジンを置き換えるものではありません。
たとえば、
社内ドキュメントの検索 → 最適です。
法廷記録の要約 → 問題ありません。
10個のPDFから関連する抜粋を探したい → ゲームオーバー（＝従来型では難しいが、これなら可能）
この製品スタックが優れている理由は以下の通りです。
レイテンシ（応答速度） ：ベクトルデータベースは数ミリ秒でデータを返します。クロールの待ち時間やタイムラグはありません。
精度 ：埋め込み検索は、キーワードだけでなく「意味」にもマッチします。
コントロール ：検索対象となるコーパス（情報集合体）を自社で定義できます。無関係なWebページやSEOスパムが混入することはありません。
ブランドセーフティ ：広告が表示されず、競合他社が検索結果に紛れ込むこともありません。
このため、エンタープライズ検索、カスタマーサポート、社内ナレッジシステムといった分野では、すでにこの新しいスタックが採用されています。そして現在、一般的な検索領域でも、この方向へと大規模にシフトが進みつつあります。
ナレッジグラフがスタックを強化する方法 ベクトル検索は強力ですが、あいまいな面もあります。意味的な近さは捉えられるものの、「誰が、何を、いつ」といった人間の世界で当然とされる関係性 までは完全には表現できません。
そこで役立つのが、ナレッジグラフ（Knowledge Graph）です。
ナレッジグラフは、システムが曖昧さを解消し、推論できるようにするために、エンティティ（人・製品・ブランドなど）の関係性を定義します。たとえば、「Apple」と言ったとき、それは企業のことなのか、それとも果物のことなのか？「それ」とは物体のことか、それとも顧客のことか？
以下のように、それぞれが補完し合います。
ベクトルデータベース：関連コンテンツを見つける
ナレッジグラフ：つながりを明確にする
LLM（大規模言語モデル）：すべてを自然言語で説明する
つまり、ナレッジグラフと新しい検索スタックは二者択一ではありません。優れた生成AIシステムは、これらを組み合わせて活用します。
【戦術ガイド】生成AIを活用した検索最適化の実践 まず、私たちが馴染みのある「従来の検索において上位表示を狙う方法」をざっとおさらいしましょう。
重要なのは、ここで示すのは網羅的なリストではないという点です。これは、これから紹介する生成AI時代の戦術と比較するための背景です。従来の検索でさえ非常に複雑です（私は以前Bingの検索エンジンに関わっていたので、それはよく分かっています）。それでも、以下の内容を見れば、生成AI向けの対策がむしろシンプルに思えるかもしれません。
従来型検索での上位表示には、以下のような要素が重要でした。
クロール可能なページ構造
キーワードを調整したコンテンツ
最適化されたタイトルタグ
高速な表示速度
信頼できるサイトからの被リンク
構造化データ
堅牢な内部リンク
さらに、以下も加えると、より成果が期待できます。
EEAT（経験・専門性・権威性・信頼性）
モバイル対応
ユーザーエンゲージメントのシグナル
これは、技術的な土台、コンテンツの関連性、そして評判を組み合わせたものであり、他サイトがあなたをどう扱うかによって評価されます。
生成AI時代、どうやって「引用コンテンツに選ばれる」か？ ChatGPT、Gemini、CoPilot、Claude、Perplexity などの生成AIに、自社のコンテンツを参照してもらうにはどうすればよいのか？以下は、すべてのコンテンツ提供者が取るべき具体的な戦術です。
1. チャンク化と意味検索を意識した構造づくり
2. 巧妙さより明快さを優先する
3. AIにクロールされる環境を整える
4. 信頼と権威のシグナルを整える
5. ナレッジグラフのように社内コンテンツを構造化する
6. トピックをモジュール的かつ多面的に掘り下げる
7. 表現の確信度を高める
8. 意味の重複で表現の幅を広げる
9. 埋め込み可能な段落を作成する
10. 潜在的なエンティティに文脈を与える
11. 主張の近くにコンテキストを配置する
12. 構造化された抜粋を生成AI向けに提供する
13. ベクトル空間に関連コンテンツを密集させる
【ボーナス】AIに取り上げられているか確認する方法 成果を確認したいときは、コンテンツで取り上げた質問を、PerplexityやChatGPTのブラウジングモードで聞いてみましょう。
最後に：あなたのコンテンツは今やインフラである あなたのウェブサイトは、もはや目的地ではありません。
今後は、引用・参照・要約され、誰かが読んだり聞いたりする回答の一部として使われることが期待されます。
ページ自体の存在は依然として重要ですが、それはあくまで「足場」にすぎません。
※本記事はもともと、Substack『Duane Forrester Decodes』にて “Search Without a Webpage（ウェブページなしの検索）” というタイトルで公開されたもので、許可を得て再掲載されています。
SEO Japan編集部より：先日話題になったiPullRank社のMike King氏の記事 と同様に、「クリック外の可視性」をKPIにする方向を提唱しており、いずれも「機械が読む単位」で情報設計する必要を説いています。llms.txtは懐疑的 ですが）、今後の大きな方針としては、次のゲーム盤そのものを解説しているiPullrank記事を基に、組織とデータ基盤の再設計を検討すると良いかもしれません。AI Modeの対応について、わかりやすくかみ砕いた当社遠藤のブログ記事 も併せてご確認ください。
石田
ネッタヌ
ネッタヌ
ネッタヌ
ネッタヌ
ネッタヌ
