AI検索エンジンは、どのアプリをおすすめするかをどう決めるのか

ChatGPTはダウンロード数で順位付けしません。プロンプトに書かれたニーズに最も合うポジショニングのアプリを当てはめるため、ポジショニングが明確な小規模アプリが、はるかに大きいアプリに勝つことがあります。これはアプリストアのランキングとは異なるロジックです。アプリストアでは、ダウンロード数、評価、コンバージョンが積み重なり、同じアプリが時間とともに表示され続けやすくなります。

重要なポイント

ASOとGEO：ChatGPTのおすすめはアプリストアのランキングと相関するのか？

直接的には相関しません。アプリストアでは成功が複利的に積み上がります。ダウンロード数、評価、コンバージョンが互いに影響し合い、勢いのあるアプリが上位に上がり、目立つ位置を維持します。

AI検索エンジンはカテゴリチャートを並べ替えているのではありません。記述されたニーズに回答しています。ユーザーがプロンプトを入力すると、モデルはまず「本当に求めていること」を推定し、その推定された意図に最も合うポジショニングのアプリを探します。

続きを読む

ランキング表というより、詳しい友人におすすめを聞くイメージです。具体的な状況を説明したら、その友人は反射的に一番有名なアプリを挙げるのではなく、今の説明に最も合うものを挙げるはずです。

間接的な影響はあり得ます。AI検索エンジンは公開されているWebコンテンツを基に動くため、人気のアプリほど多く書かれます。レビュー、比較記事、編集記事が増え、結果としておすすめで取得される可能性が高まります。

ただし限界があります。App Storeで検索ボリュームの大きいキーワードを支配していても、ポジショニングが曖昧だったりWeb上の情報が薄かったりすると、AIの回答にほとんど出てこないことがあります。一方で、意図の明確さが高く、Web上での言及が一貫しているニッチアプリは、上位にランクインしていなくても継続的に表示され得ます。

ASOとGEOのランキング

LLMは、どのアプリをおすすめするかをどう決めるのか

LLMは2つの入力からアプリのおすすめを構築します。学習時に取り込んだ内容と、リアルタイムでWebから取得する内容です。どちらが働く前にも、モデルはまず「おすすめを求める質問で、実際に何を意味しているのか」を解釈する必要があります。

クエリ・ファンアウト：1つのプロンプトが複数の質問になる

AI検索エンジンにアプリのおすすめを求めると、モデルはそれを単一のキーワード検索として扱いません。プロンプトを、推定される複数の解釈と関連クエリへと展開します。これをクエリ・ファンアウトと呼びます。この展開が、どのアプリが取得されるか、どの情報源が浮上するか、そして最終回答にどのおすすめが入るかを左右します。

「カップルで家計管理するのに最適なアプリは？」という質問は、予算管理と支出トラッキング、共同目標に向けた貯蓄、パートナー間の財務の透明性、アプリの直接比較など、別々の経路に分岐します。各経路がそれぞれの情報源を取得し、表示される回答はそれらすべてから組み立てられます。

具体例：「ADHDを考慮して1日の予定を立てるのに最適なアプリは？」

プロンプト「ADHDを考慮して1日の予定を立てるのに最適なモバイルアプリは？」を例にします。AppTweakのAI Visibilityプラットフォームによると、ChatGPTはこれを「タイムブロッキングができる最適なADHDプランナーアプリ」「ルーティンのリマインダー付きADHDプランナーアプリ」など、複数のサブクエリに分割しました。

生成された回答は、単一の勝者ではありませんでした。異なる根底の意図に対応付けられたアプリのリストでした。

1. 特化型のTiimoが1位を獲得しました。 ChatGPTは次のように、最初にTiimoを挙げました。「総合的に1つ選ぶなら、まずはTiimoから始めるのがよいでしょう。」同社サイト、App Storeのリスティング、関連コンテンツが一貫して、ADHDに配慮した計画とビジュアルスケジュールに結び付けており、取得しやすく、検証もしやすかったためです。
2. 大規模で確立されたアプリであるStructuredが2位でした。理由は同じです。 米国のApp Storeで過去1年間に100万回以上ダウンロードされています。規模が不利に働いたわけでも、有利に働いたわけでもありません。リスティングがADHDに配慮した日次計画とタイムブロッキングを明確に打ち出しており、そのポジショニングが2位につながりました。
3. カテゴリ大手のTodoistが3位でした。 膨大なユーザーベースがあり、品質で劣っていたわけではありません。しかしリスティングの中心はADHD特化の計画ではなく一般的な生産性であり、ChatGPTもそれをそのまま反映し、「本当にADHDファーストのデイプランナーよりも、タスクの取り込みやリマインダーを重視するなら」という前提での選択肢として位置付けました。

3つの中で最も認知度が高いとも言えるTodoistが最下位でした。順序を決めたのは規模やブランド認知ではなく、ユーザーが記述したニーズに対して各アプリのポジショニングがどれだけ正確に一致していたかです。

モデル知識：モデルがすでにあなたのアプリと結び付けていること

おすすめを作る際、モデルは2つの入力に基づいて回答します。

1. モデル知識：モデルがすでにあなたのアプリと結び付けていること
2. リアルタイムのWeb取得：Webからリアルタイムで取得できること

AppTweakがChatGPTのおすすめ回答125,000件超を分析したところ、ChatGPTは22.6%のケースで情報源を一切引用せずにアプリをおすすめしていました。つまり、およそ5回に1回は、Webを確認せず、そのカテゴリのアプリについてモデルがすでに持っている認識だけで回答しています。

学習の過程で、モデルはアプリ名、ユースケース、対象ユーザー、属性の間のつながりを学び、時間とともにあなたのアプリは特定の意図に結び付いていきます。

これは変化が遅いレバーです。カテゴリ、コアとなるポジショニング、メタデータの明確さ、そして自社が保有するあらゆる面で同じユースケースをどれだけ一貫して語っているかによって形作られます。ここでは、アプリ同士が「関連付け」を獲得するために競います。モデルが明確な関連付けを持てないアプリは、回答に入るために取得（retrieval）に全面的に依存することになります。

遅いからといって固定ではありません。新しいモデルがリリースされるたびに、Webの新しい状態を基に学習されるため、関連付けは変化します。1年間一貫して説明されてきたアプリは、次のバージョンでは前のバージョンより理解されやすくなります。ただし、自分の都合のスケジュールで動かすことはできません。今日ポジショニングを書き換えれば、今週取得される内容は変わります。しかし、モデルがあなたについて「知っていること」が変わるのは、次のバージョンが出荷されるタイミングです。

リアルタイムのWeb取得：モデルが今この瞬間にあなたについて検証できること

関連付けによって、あなたのアプリは検討対象に入ります。取得（retrieval）は、あなたをおすすめすることが妥当かどうかをモデルが確認する手段です。回答する前に、モデルは自分が知っていると思っていることを裏付けるコンテンツを探し、見つけた内容に基づいておすすめを根拠付けます。

これが、取得（retrieval）がモデル知識に上乗せするものです。より新しい情報、ユーザーに提示できる引用、そして想定しているアプリが実際に求められていることを実行できるという確認です。

回答を検証するために参照されるページは、あなたのWebサイト、アプリストアのリスティングのWeb版、レビュー、コミュニティのスレッド、報道記事、比較ページなどです。これらの複数が独立して同じようにあなたのアプリを説明していれば、モデルは自信を持っておすすめでき、情報源も引用できます。

これはあなたのアプリにとって何を意味するのか？

LLMからのおすすめにあなたのアプリを表示させるには、あらゆる接点でのポジショニングの明確さと一貫性が極めて重要です。

曖昧なポジショニングでは、AIがあなたを何と結び付ければよいかが分かりません。アプリストアのリスティングとWebサイトで「誰のためのアプリで、何を解決するのか」をより具体的に示すほど、そのニーズが生じたときにAIがあなたを表示する可能性が高まります。

実務的には、あらゆるユースケースを主張したくなる衝動を抑えることを意味します。本当に獲得できる意図を少数に絞り、AIが見るあらゆる場所で一貫して強化してください。リスティング、Webサイト、そしてあなたを説明するサードパーティの情報源です。シグナルが明確で一貫しているほど、安定して表示されます。

ポジショニングを正しく整えるべき3つの場所：

1. アプリストアのリスティング。 これはGEOにおいて最もリターンが大きい接点であり、多くのアプリチームが見落としがちです。ASOの資産であってGEOの資産ではないと捉えているためです。AppTweakの分析では、ChatGPTがアプリをおすすめする際に引用する最大の単一ソースはアプリストアのリスティングで、全引用の47.5%を占めます。ChatGPTはapps.apple.comやplay.google.comにある公開インデックス済みのWeb版を読み取るため、ストア向けに書いたメタデータが、そのままモデルが読むメタデータになります。 AI検索エンジン向けにアプリストアのリスティングを最適化する方法を詳しく読む。
2. 自社Webサイト。 引用の別の27%はオープンWebから来ています。すでにあなたを知っている訪問者をコンバージョンさせるためのページではなく、記述されたニーズに平易な言葉で答えるページを書いてください。AI検索の取得（retrieval）はサイト全体ではなく文章の一部を引くため、答えが散らばった優れたページよりも、1段落で明確に答えている文章のほうが勝ちます。
3. あなたを説明するサードパーティの情報源。 レビュー、コミュニティのスレッド、比較記事、プレスなどです。これらは自分では書けませんが、繰り返してもらえる一貫した要点を用意することはできます。複数の独立した情報源が同じようにあなたのアプリを説明していれば、モデルはあなたをおすすめでき、情報源も引用できます。

ASOと異なり、AI検索は必ずしも最大規模のアプリを評価するわけではありません。目の前のニーズに最も正確に合うポジショニングを持ち、モデルが見るあらゆる場所で同じように説明されているアプリを評価します。これはチャートを上げるゲームとは別物であり、かつてほど「小さいこと」が不利ではない領域です。

そして、ほとんどのチームはまだこのゲームを始めていません。具体的に何を変えるべきかについては、AppTweakの「アプリのAI可視性を高める4つの実験」で、リスティングの書き換え、Webサイト構造、引用の獲得、コミュニティでの存在感、そして各項目の測定方法を解説しています。