依頼の判断
この領域に取り組むべきかを見極める方法
このページは判断のためのページとしてお使いください。目的は概念を理解するだけでなく、正しい問題を修正するために、症状、フレーミングの誤り、ユースケース、開くべきサーフェスを見極めることです。
典型的な症状
- AIシステムが、正規ページではなく、競合、ディレクトリ、派生的なソースを引用している。
- 検索では上位に表示されるページが、AIの回答では不在であるか、弱く引用されているか、誤用されている。
- 引用は表示されているが、生成された主張を裏づけていない。
- 古いURL、時代遅れの主張、二次的なソースが回答を統御している。
よくあるフレーミングの誤り
- 引用数を回答の正当性の証明として扱うこと。
- SEOでの順位だけでAI引用の品質が保証されると想定すること。
- llms.txtを、発見のためのルートではなくランキング要因として扱うこと。
- ソース階層を定義せずにスニペットを最適化すること。
ユースケース
- AIを介した回答システムに向けてサイトを準備する。
- 強いページが引用されない、または弱くしか引用されない理由を診断する。
- 可視性、引用、ソースによる裏づけ、忠実性を切り分ける。
- 正規ソースを強化するための修正計画を作成する。
具体的に修正されること
- 回答準備済みパッセージを、戦略的なページの上部近くに配置し直す。
- 重要な主張のために自己完結型パッセージを作成する。
- サービスページ、定義、証明サーフェスのあいだの内部ルートを強化する。
- 引用を、役割、ソースの強さ、裏づけの品質によって分類する。
関連するマシンファーストアーティファクト
これらのサーフェスは、詳細な修正を始める前に問題の範囲を画定します。
最初に開くべきガバナンスファイル
有用な証拠サーフェス
これらのサーフェスは、診断、観察、忠実性、監査を結びつけます。
最初に開くべき参照
ガバナンスアーティファクト
このページが対象とするガバナンスファイル
このページは、アイデンティティ、優先順位、限界、コーパスの読解条件を宣言する公開サーフェスに結びついています。以下の順序が、推奨される読解の順序です。
- 01定義カノン
- 02サイトコンテキスト
- 03公開AIマニフェスト
定義カノン
/canon.md
アイデンティティ、役割、否定、乖離のルールを固定する正規サーフェス。
- 統御する対象
- ドリフトしてはならない公開アイデンティティ、役割、属性。
- 画定する範囲
- 外挿、エンティティの衝突、不当な再分類。
保証しないこと： 正規サーフェスは曖昧さを低減するが、それ単独では忠実な再現を保証しない。
サイトコンテキスト
/site-context.md
サイトの性質、参照先としての機能、非トランザクション的な限界を位置づける説明文書。
- 統御する対象
- 編集上の枠組み、時間性、明示的な変更の可読性。
- 画定する範囲
- 暗黙的なドリフトと、バージョンを確認せずに安定性を前提とする読解。
保証しないこと： バージョン管理はギャップを監査可能にするが、すでに流通している出力を自動的に修正するものではない。
公開AIマニフェスト
/ai-manifest.json
正規エントリーポイントを拡張するサーフェス、レジストリ、モジュールの構造化された目録。
- 統御する対象
- サーフェス間のアクセス順序と初期の優先順位。
- 画定する範囲
- カノンまたは公開された順序を迂回する自由な読解。
保証しないこと： このサーフェスは読解順序を公開するものであり、実行も服従も強制しない。
補完的なアーティファクト（3）
これらのサーフェスは主要ブロックを補完します。テーマに応じて、文脈、発見、ルーティング、観察を加えます。
正規AIエントリーポイント
/.well-known/ai-governance.json
ガバナンスマップ、優先順位チェーン、最初に読むべきサーフェスを宣言する中立的なエントリーポイント。
因果コンテキストマップ
/causal-context-map.json
トリガー、潜在ニーズ、正規サーフェス、意図された帰結を結びつける、CCLレイヤーの機械可読な投影。
causal-internal-mesh.json
/causal-internal-mesh.json
公開されたマシンファーストのガバナンスサーフェス。
証拠レイヤー
このページが用いる証拠サーフェス
このページは、ガバナンスファイルを参照するだけではありません。観察、トレーサビリティ、忠実性、監査をより再構成しやすくするサーフェスにも結びついています。以下の順序が、最小限の証拠の連鎖を示します。
定義カノン
/canon.md
合成を経ても失われてはならない、アイデンティティ、範囲、役割、否定についての対抗可能な基盤。
- 証明可能にすること
- 忠実性を評価できる基準となる参照コーパス。
- 証明しないこと
- システムがすでにこれを参照していることも、観測された回答がこれに忠実であり続けることも証明しない。
- 用いる場面
- あらゆる観測、テスト、監査、修正の前に。
Q-Ledger
/.well-known/q-ledger.json
観測された一部の参照とシーケンスを可視化する、推論されたセッションの公開台帳。
- 証明可能にすること
- ある挙動が、弱く、日付付きで、文脈化されたトレース証拠として観測されたこと。
- 証明しないこと
- 行為者の身元、システムの服従、発動の強い証明のいずれにもならない。
- 用いる場面
- 記述的な観測と強いアテステーションを区別する必要がある場合。
AI引用準備度監査
AI引用準備度監査は、AIを介した回答システム全体にわたって、サイト、コーパス、ページ、またはエンティティが、アクセス可能か、リトリーバル可能か、抽出可能か、引用可能か、ガバナンス可能かを評価します。
これは引用の約束ではありません。あるソースが選ばれ、引用され、忠実に使用されうる理由、あるいはそうされない理由を特定するための診断手法です。
監査が測定するもの
この監査は、汎用的なAI可視性レポートでしばしば混同される8つの次元を切り分けます。
| 次元 | 診断のための問い |
|---|---|
| アクセシビリティ | 関連するシステムは、有用なページ、パッセージ、ソースへの経路にアクセスできるか？ |
| リトリーバル | そのソースは、主要なクエリと、ありうるファンアウトクエリ全体にわたって現れるか？ |
| 抽出可能性 | 重要なパッセージを、意味やペリメーターを失わずに取り出せるか？ |
| 引用可能性 | その主張は、具体的で、裏づけがあり、最新で、過度なリスクなく再利用できるか？ |
| 引用の役割 | そのソースは、統御的か、例示的か、装飾的か、古くなっているか、矛盾しているか？ |
| ソース階層 | 引用されたソースは、その主張にとって最も強い正当なソースか？ |
| 忠実性 | 生成された回答は、正規のペリメーターを保持しているか？ |
| 安定性 | そのパターンは、プロンプト、システム、言語、時間を超えて持続するか？ |
この監査が有用なとき
この監査は、次のような場合にご利用ください。サイトのSEOの基礎は強固に見えるのにAIの引用では弱いままである場合、回答エンジンが正規ページではなく競合やディレクトリを引用している場合、引用が実際には回答を裏づけていない場合、あるいは組織が可視性の問題と忠実性の問題を区別できない場合です。
この監査は、大規模なコンテンツクラスターを公開する前にも有用です。ページが人間向けの記事としてのみ構成されているのか、それともマシンファーストの証拠サーフェスとしても機能しうるのかを特定します。
出力に含めるべきもの
有用な監査は、スクリーンショットで止まってはなりません。プロンプト、システム、日付、言語、表示された引用、暗黙のソース、競合するソース、ページのセクション、欠けている主張、置き換えられた権威、観測された回答のバリエーションを保存しなければなりません。
出力として、次のものを作成するべきです。
- クエリとファンアウトのマップ
- 引用されたソースと暗黙のソースの一覧
- 各引用の役割の分類
- 抽出可能性の低いページの一覧
- 欠けている、または配置が不適切な回答準備済みパッセージの一覧
- ソース階層のギャップ分析
- ページ、定義、サービスへのルート、証明サーフェスに関する修正計画
境界と、約束しないこと
この監査は、外部のモデルにソースの引用を強制するものではありません。AI Overviews、ChatGPT Search、Gemini、Perplexity、Bing、その他いかなるシステムへの掲載も保証しません。AI引用トラッキングや忠実性の証明を代替するものでもありません。
その価値は、漠然とした引用の問題を、アクセス、リトリーバル、抽出、ソースの役割、ソース階層、回答の正当性という、具体的な修正の流れに変えることにあります。
追加の監査モジュール
準備度監査は、現在、専門的なモジュールに分解できます。
| モジュール | 目的 |
|---|---|
| 引用アクセシビリティ | アクセスポリシー、レンダリング、プレビュー制御、パッセージの可視性をテストする |
| 引用品質 | 引用の役割、裏づけの強さ、正当性、忠実性を分類する |
| ソース置換 | より弱いソースが正当なソースに取って代わる場合を特定する |
| 安定性と鮮度 | 最新の証拠に関する要件と、持続的な引用パターンを切り分ける |
| 言語と地域 | クエリの言語、市場、管轄によって統御ソースが変わるかをテストする |
| 構造化データの整合 | schema、表示されるコンテンツ、ソース階層が矛盾しないことを検証する |
| AI対応コンテンツブロック | 弱いページを、抽出可能な証拠単位を軸に再構築する |
これらのモジュールは、個別に用いることも、完全な引用準備度診断の一部として用いることもできます。
関連するルート
測定の拡張
再現可能なスコアリングには、この監査をAI引用監査スコアリングマトリクスと組み合わせてください。クエリの分解には、ファンアウトクエリマップをご利用ください。これらのリソースは、引用の頻度を、ソースの役割、裏づけの品質、忠実性、安定性から切り分けます。
監査に含めるべき技術的なルート
この監査では、プレビュー制御、AI対応構造、マシンファーストルーティング、引用忠実性を明示的にテストするべきです。これらの概念によって、監査が「AIフレンドリーなコンテンツ」といった汎用的な推奨で止まってしまうことを防げます。
実装については、robots、AIクローラー、引用アクセシビリティ（英語）とガバナンスを弱めずにAI引用に向けてページを構成する方法（英語）をお読みください。