「寝ても疲れが取れないな」。
朝、こう独り言をつぶやいた40代の人が、その日の昼休みにスマホで「寝ても疲れが取れない 原因」と検索する。夜、友人がリカバリーウェアを使っていると聞き、ChatGPTに「リカバリーウェアって本当に効果あるの？」と聞く。週末には「A社とB社とC社、上下2万円台で夏も着やすいのはどれ？自分ならどれを選ぶべき？」と聞いている。
SEOの管理画面に残るのは、このうち「寝ても疲れが取れない 原因」という1行だけです。AI検索の会話は、そもそもログとして手に入りません。
しかし購買を決めたのは、この一連の流れの「手前」で起きていたことです。疲れが残るという状況、友人という契機、効果への不確実性、そして「自分ならどれを選ぶべき？」という、判断そのものをAIに委ねる最後の一言。
SEOもAIO（生成AIの回答面への最適化）も、「人が検索・質問する直前に頭の中で何が起き、それがどんな言葉になって出てくるか」という問いの上に成り立っています。ところが実務では、この問いは「検索意図の3分類」や「ロングテールかどうか」といった経験則で扱われてきました。この記事では、レリウが整備した言語行動解析フレームワーク（LBAF）とその理論的基盤をもとに、なぜ「行動の直前」を分析の単位にすべきなのか、そして実務で何が変わるのかを整理します。
検索語は「答え」ではなく、圧縮された痕跡
まず前提から。人が検索窓に言葉を打ち込む前には、いくつかの内的な過程があります。
図書館情報学のTaylor（1962/1968）は、情報要求が言葉になる過程を4段階で記述しました。「何か足りない」という漠然とした感覚（本能的要求）、頭の中で言い表せる状態（意識的要求）、質問として言葉にできる状態（定式化された要求）、そしてシステムが受け付ける形に合わせて削られた表現（妥協された要求）。検索クエリはこの3〜4段階目にあたります。つまり私たちが分析している「キーワード」は、豊かな内的状態が検索窓のサイズに合わせて圧縮された、最終出力にすぎません。
この圧縮には、実務上見落とされがちな2つの性質があります。
1. 短いクエリは、意図が浅いという意味ではない Ingwersen（2000）は、自分の知識ギャップをよく理解している人でも、最初の要求をごく少数の語で表現する傾向を「ラベル効果」と呼びました。「リカバリーウェア 効果」という2語の裏には、疲れ・友人・不信感がすべて入っています。クエリの短さを「まだ何も考えていない層」と読むのは誤りです。
2. 企業と生活者は、同じものを同じ言葉で呼ばない Furnasら（1987）の実験では、同じ対象を指すのに任意の2人が同じ語を選ぶ確率は10〜20%程度にとどまりました。「同義語・共起語を押さえる」というSEOの定石はここに根拠がありますが、より根本的な含意は別にあります。企業が使うカテゴリ語（リカバリーウェア）と、生活者が問題を表す語（寝ても疲れが取れない）の間には構造的な断絶があり、カテゴリ語で始まる分析は、カテゴリ語を知らない人を最初から取りこぼしているということです。
従来の意図分類が、AI対話で効かなくなった
SEOの意図分析は、20年以上にわたりBroder（2002）の3分類（情報型・案内型・取引型）を土台にしてきました。購買文脈ではJansen & Schuster（2011）が、ブランド名・商品タイプ・型番の有無から認知／調査／決定／購買の4段階を判定する基準を示し、これは今でも多くのツールの内部ロジックになっています。
ところが2026年のCHI論文は、検索エンジンとAIチャットボットの実際のセッションにBroder分類を適用し、会話セッションでは約2割の発話がこの3分類のどれにも収まらず、案内型意図は完全に消失していたと報告しました。「〇〇の公式サイトに行きたい」という検索は、AIとの会話では起きない。代わりに増えているのが「候補を出して」「一番良いのを選んで」「代わりに手配して」という、判断の委任を含む発話です。
もう一つの変化は、これまで観測できなかった「手前」が見えるようになったことです。実務調査（Stella Rising、2026年1月、n=524）では、AIプロンプトの32%に予算・職業・所在地・年齢・健康上の懸念といった個人属性が含まれていました。キーワード検索では捨てられていた「状況」が、プロンプトでは自発的に書かれている。前回の記事で「プロンプトは購買前インタビューに近い」と書いた理由がこれです。
つまり、行動の直前にある言語は、（a）キーワードより長く、（b）状況と制約を含み、（c）意図だけでなく「どこまで任せたいか」を含んでいる。この3点を扱えない分析枠組みでは、AIOはもちろん、SEOでも需要の重心を見誤ります。
行動の直前で分かれる2つの軸：「どの段階か」と「どこまで任せたいか」
LBAFでは、発話を「その人が置かれた状況から実際の行動に至るまでの連鎖」の中に位置づけます。Situation（状況）→ Need（必要）→ Psychology（心理）→ Language（言語）→ Intent（意図）→ Decision Stage（意思決定段階）→ Action（行動）の7層で、観測できるのはLanguage（実際の言葉）だけ。残りの層は言葉から逆算して推定します。
ここで重要なのは、意思決定を段階と委任度の二軸で捉える点です。
| 発話 | 意思決定段階 | AIへの委任度（DDL） | 供給側に必要なもの |
|---|---|---|---|
| 「寝ても疲れが取れない原因は？」 | 認知 | 低（事実を教えて） | 問題語で書かれた解説、原因の整理 |
| 「寝ている間に疲労回復できるものは？」 | 探索 | 中（候補を出して） | カテゴリ横断の選択肢、向き不向き |
| 「A社とB社の違いを教えて」 | 比較 | 低（事実を教えて） | 比較表、仕様、根拠 |
| 「A社とB社ならどっちを買うべき？」 | 比較 | 高（判断して） | AIが選べる構造化された属性、対象者条件 |
| 「上下2万円台で夏も着やすいものは？」 | 比較 | 中（絞って） | 価格・季節・用途で絞り込める商品データ |
| 「自分ならどれを選ぶべき？」 | 決定 | 高（判断して） | 状況に応じた推薦根拠、次の行動の明示 |
「A社とB社の違いを教えて」と「どっちを買うべき？」は、同じ比較段階の発話です。しかし必要なコンテンツと商品データはまったく違います。前者には比較表があれば足りる。後者では、AIが「あなたの状況ならB社」と言えるだけの属性（対象年齢、着用季節、素材、価格帯、医学的根拠の有無）が構造化されて存在しなければ、そもそも候補に挙がりません。
従来の意図分類も購買段階分類も、この「委任度」の軸を持っていませんでした。検索エンジンがリストを返す以上のことをしなかったので、問題にならなかったのです。生成AIが「選ぶ」「勧める」「代行する」ようになった今、この軸なしに需要を分析することは、片目をつぶって地図を読むのに近い。
需要と供給を、同じ物差しで測る
行動の直前の言語を分析する目的は、需要の形を知ることだけではありません。自社の回答面が、その需要のどこに応えられていないかを特定することです。
Pirolli & Card（1999）の情報採餌理論は、人が情報源の価値を「情報の匂い」（リンクテキストや見出し、スニペットに含まれる手がかり）で推定し、自分の言葉と一致するトリガーワードが多いほど匂いを強く感じる、と説明します。利用者の言語と回答面の言語の一致が選択を左右する。これはSEOでもAIOでも変わりません。
変わったのは、回答面が「最終面」になりつつあることです。LLMベースの回答エンジンでは従来検索より情報源との接触が大幅に減り、AIを一括の情報源として扱う「閉ループ」的な利用が観察されています（Narayanan Venkitら、2025）。AIOでは、ページ全体ではなく「AI回答に引用されうる断片」の単位で回答面を設計する必要がある、という含意です。
LBAFでは、利用者の発話を分類するのと同じ枠組みで、検索結果やAI回答も分類します。意思決定段階×委任度のマトリクス（Decision Map）に需要側の発話分布を置き、その上に自社・競合の回答面の分布を重ねる。需要はあるが回答が薄いセルが、そのままコンテンツと商品データへの投資優先順位になります。
たとえば「比較段階×高委任」に需要の重心がある市場では、利用者はAIに「選んでほしい」と言っています。そこで記事を増やしても効きません。AIが選ぶための比較可能な属性を商品データに入れることが、供給側の最優先課題になります。逆に「探索段階×低委任」が厚い市場では、問題語で書かれた網羅的なコンテンツが先です。
実務で何が変わるか：リカバリーウェアの例で
冒頭の発話系列を、LBAFの視点で見直します。
| 段階 | 発話 | 分析から導かれる打ち手 |
|---|---|---|
| 状況・契機 | 40代、朝起きても疲れが残る。友人が使っている | ペルソナではなく「状況」を特定する。同じ状況の人がどんな言葉で困っているかを集める |
| 内部言語 | 「寝ても疲れが取れないな」 | この生活者語を、企業語（リカバリーウェア）と対応づける辞書を持つ |
| 問題・原因 | 寝ても疲れが取れない原因は？ | カテゴリ語を含まない上流コンテンツ。ここを取れないと、カテゴリを既に知る人しか来ない |
| 解決策・カテゴリ | 寝ている間に疲労回復できるものは？／リカバリーウェアって効果ある？ | 選択肢の提示と、効果への不確実性に応える根拠 |
| 比較・絞り込み | A社B社C社の違いは？／2万円台で夏も着やすいものは？ | 医学的根拠・素材・価格・着用季節を、比較表と構造化データの両方に |
| 決定 | 自分ならどれを選ぶべき？ | 「向く人／向かない人」の明示。AIが「あなたなら」と言える条件を商品データに |
この例で最も重要なのは、「リカバリーウェア」というカテゴリ語が、探索の最初には存在していない点です。キーワードツールで「リカバリーウェア」を起点に分析している限り、この人の最初の3回の発話は視界に入りません。そして最後の発話は高委任なので、ページの出来ではなく商品データの構造で勝負が決まります。上流は生活者語のコンテンツ、下流は構造化された属性。行動の直前の言語を分析すると、投資先が自然にこの2つに分かれます。
今すぐできる4つのこと
高額なツールや大規模調査の前に、手元でできることがあります。
1. 自社が持っている「行動の直前の言語」を集める サイト内AIチャットのログ、カスタマーサポートの問い合わせ、営業が聞かれた質問、Search Consoleの10語以上の長文クエリ。これらはすべて、意思決定の途中で発せられた言葉です。まず「どの段階の発話か」「どこまで任せたい発話か」の2軸で分類してみてください。段階の偏りと委任度の偏りが、そのまま自社の顧客の需要の形になります。
2. 生活者語と企業語の対応辞書を作る 商品カテゴリごとに、企業が使う語（カテゴリ名、機能名、素材名）と、生活者が問題を表す語（症状、困りごと、シーン）を別々に集め、対応づける。前述のとおり、同じ対象を同じ語で呼ぶ確率は10〜20%です。この辞書がないコンテンツは、上流の需要を構造的に取りこぼします。
3. 主要AIに発話系列を投げ、どの段階で自社が消えるかを見る 問題語→解決策→カテゴリ→比較→決定の順に、代表的な発話をChatGPT・Gemini・Perplexityに順番に投げ、各段階で自社が候補に挙がるか、どんな理由と根拠で挙がるか（挙がらないか）を記録します。多くの企業は比較段階までは出ていて、「どっちを買うべき？」という高委任の発話で消えます。消える段階が、商品データの不足箇所です。観測条件（モデル・日付・ログイン状態）は必ず残してください。結果は日々変わります。
4. 回答面を「順位」ではなく「意思決定を支えられるか」で採点する 自社の商品ページやFAQを、次の観点で見直します。生活者の状況や困りごとに触れているか。主要な質問に明示的に答えているか。根拠・出典・更新日があるか。属性・対象・条件・価格が明確か。他候補との違いと「向かない人」を書いているか。予算や用途での絞り込みに応えられるか。次の行動が明確か。機械が読める構造になっているか。これは検索順位の予測指標ではなく、AIが引用し、選ぶための「材料の充足度」を測る内部指標です。
「委任度」は、日本語でこそ測りやすい
補足として一点。委任度の分析は、英語圏の研究でもまだ空白に近い領域ですが、日本語には有利な点があります。「〜の違いは？」「〜がいいですか？」「〜してもらえますか？」「〜を選んで」日本語の文末表現は、どこまで判断を委ねようとしているかを比較的はっきり表します。一方で助詞の省略や主語の不在、カタカナ語と和語の併存など、英語圏の分類基準をそのまま持ち込めない特徴もある。日本語のクエリとプロンプトを前提にした分類基準の整備と検証は、私たちが今まさに取り組んでいる課題です。
まとめ
- 検索語もプロンプトも、状況・必要・心理が圧縮された「痕跡」であり、行動の直前にある内的過程の最終出力にすぎない。短いクエリを意図の浅さと読まない、企業語で分析を始めない、が原則
- AI対話では、従来の意図分類に収まらない発話が約2割を占め、案内型が消える。代わりに「どこまでAIに任せたいか」という委任度の軸と、プロンプトの32%に含まれる個人属性という「状況」の情報が現れた
- 意思決定は「段階×委任度」の二軸で捉える。同じ比較段階でも「違いを教えて」と「どっちを買うべき？」では、必要なコンテンツと商品データがまったく違う
- 需要と供給を同じ物差しで測り、需要はあるが回答が薄いセルに投資する。上流は生活者語のコンテンツ、下流は構造化された商品属性に、投資先は自然に分かれる
- まずは自社のチャットログ・サポートログ・長文クエリを二軸で分類し、生活者語辞書を作り、AIに発話系列を投げて「自社が消える段階」を特定するところから
SEOが「検索窓に打ち込まれた後」を最適化する技術だったとすれば、AIOは「打ち込む直前」まで遡らないと成立しません。分析の単位を、キーワードから「行動の直前の言語」へ。この移行が、AIに読まれ、AIに選ばれるための出発点だと考えています。
