「構造化データを実装すればAI検索に引用されやすくなる」という説明を、セミナーやSNSで見かけたことがあるかもしれません。その根拠としてしばしば参照されているのが、2026年2月にSSRNで公開されたKurt Fischman氏の論文です。
一方で、「スキーマを入れると逆に引用されにくくなる」という、正反対に聞こえる話も見かけます。同じ論文が根拠になっていることもあり、混乱の元になっています。
AIO Journal 編集部は、この論文を原典から読み込みました。結論から言うと、話はそれほど単純ではありません。「最初に見えた結果」と「他の要因を取り除いたあとに残った結果」を分けて見ていく必要があります。この記事は、構造化データとAI引用の関係を、実際のデータを確認したうえで理解しておきたい方に向けて書きました。専門的な統計用語は、出てきたその場で言い換えます。
こんなふうに調べていませんか
- 「構造化データを入れればAI検索に引用されやすくなる」と聞いたが、本当か確かめたい
- 「スキーマを入れると逆に引用されにくくなる」という話も見かけて、混乱している
- 自社サイトにスキーマを実装する前に、根拠になっている論文の中身を知りたい
この記事を読み終えたときに手に入るもの
- 論文が「確定した」と言っていることと、まだ証明されていないことを、分けて説明できるようになります
- 初期分析と補正後分析で結論が変わった理由が、図で分かります
- 自社でスキーマに取り組む前に確認すべきポイントが分かります
結論30秒でわかる、この記事の結論
- 単純な相関（「スキーマを入れると引用されにくい」）は、検索順位という別の要因を補正すると消えました。
- 統計的に確定しているのは、汎用スキーマ（中身の薄いもの）が無実装より引用率を下げることだけです。属性を具体的に埋めたスキーマの正の効果は、証明されていません。
- 補正後のモデルでもっとも強い予測因子は、スキーマではなくGoogleの検索順位でした。
この記事では、ある会社のマーケティング部の3人と、外部コンサルタントの会話をはさみながら進めます。
- 若葉さん（Web担当2年目）— 「そもそも、それってどういうことですか？」を聞く役
- 高梨課長（マーケ課長）— 「うちは、どこを直せばいいんですか？」を聞く役
- 大森部長（マーケ部長）— 「それは投資に見合うのか？」を聞く役
- 鈴木さん（AIO/SEOの専門家・本誌監修）— 答える役
01構造化データとAI引用の相関を調べたこの論文は、AI検索最適化の会社の人が書いたものなんですか？
若葉さんあの、そもそもなんですが…この論文って、何を調べたものなんですか？SNSでよく名前を見かけるんですけど、中身までは知らなくて。
鈴木さん一言でいうと、「構造化データ（スキーマ）を入れているページは、AI検索に引用されやすいのか」を、実際のデータで確かめた研究です。
論文の正式名は「Does Schema Markup Predict AI Citation? A Cross-Platform Empirical Study of Structured Data and Generative Engine Optimization」です。著者はKurt Fischman氏。AI検索最適化サービスを手がける企業Growth Marshalの創業者・CEOによる単著で、2026年2月下旬にSSRNで公開されました。査読付き学術誌への掲載ではなく、プレプリント（査読前論文）としての公開で、同じ内容がZenodo・aiXivにも同時公開されています（aiXiv版は2月22日付）。
02その論文は、AI引用のデータをどうやって集めて、AI検索対策の材料にしたんですか？
研究の方法はこうです。ChatGPT（GPT-4oのWeb検索機能）とGemini(1.5 Pro)に、SaaS・医療・金融保険・専門サービス・How-Toの5分野にまたがる75件の商業的な検索クエリを投げ、AIの回答の中で引用されたページを集めました。比較のために、同じクエリでのGoogle検索の上位10件も、SerpAPIを使って取得しています。
こうして集まったAI引用は730件でした。比較対象のページも合わせた分析対象は、合計1,006ページです。各ページについて、JSON-LDスキーマの有無・種類、そしてAhrefsのドメインオーソリティ(DR)スコアを記録しました。ここが、このあとの分析すべての土台になるデータです。
この章のまとめ
この論文は、75件の質問・730件のAI引用・1,006ページという、一定の規模のデータをもとに、スキーマとAI引用の関係を統計的に調べたものです。
03「構造化データ（スキーマ）を入れると逆に引用されにくくなる」というAI検索対策の話は、本当ですか？
大森部長鈴木さん、スキーマを入れると逆に引用されにくくなるという話を、どこかで聞いた。うちも実装を進めているが、これは投資として見合っているのか？
鈴木さんそこは、順番にご説明させてください。最初の集計だけを見ると、たしかにそう見えるんです。ただ、そこで終わらないのが、この論文の重要なところです。
論文の分析は2段階に分かれています。まず全体をまとめて集計した初期分析、そのあとに、他の要因を取り除いた補正後分析です。
初期分析では、スキーマの有無とAI引用の間に、たしかに負の相関が見られました。統計の言葉で言うと、オッズ比（ある出来事の起きやすさを条件間で比べた倍率のことで、1なら差なしを意味します）は0.546、統計的に意味のある差（p値=偶然にこの差が出る確率の目安で、ここでは.001未満）でした。数字だけ見ると、「スキーマを入れたページのほうが、引用されにくい」という結果です。
| 分析段階 | 指標 | 結果 |
|---|---|---|
| 初期分析（全体を集計） | スキーマの有無とAI引用の関連（オッズ比） | 0.546(p<.001)。スキーマありのほうが引用されにくいという負の相関 |
| Google上位10件の内訳 | AI引用ページ vs 非引用ページのスキーマ保有率 | 43.1% vs 44.8%（ほぼ差なし） |
| 補正後モデル | スキーマの有無（他の要因を補正した後） | 0.678(p=.296)。統計的に意味のある差ではない |
04補正すると構造化データとAI引用の相関が消えるのは、AI検索対策の何を見落としていたからですか？
なぜ、補正すると差が消えるのか。理由は、交絡要因（こうらくよういん。結果に影響しているのに、見落としがちな別の原因のこと）にあります。この場合はGoogleの検索順位です。Googleの検索順位アルゴリズムは、スキーマを実装したページを上位10位に集めやすい傾向があります。そのため、比較対象になった「引用されなかったページ」の集団にも、スキーマ実装ページが実際より多く混ざっていました。この検索順位の影響を計算に入れて補正すると、スキーマの有無による差は統計的に消えます。論文自身も、この最初の負の相関を「方法論的なアーティファクト（見かけ上の現象）」と説明しています。
この章のまとめ
初期分析で見えた「スキーマを入れると引用されにくい」という負の相関は、検索順位という交絡要因を補正すると、統計的に消えました。
05スキーマの「種類」によって、AI引用の起きやすさはAI検索でどう変わるんですか？
高梨課長そうすると、うちが今入れているスキーマは、直さなくても大丈夫ということですか？
鈴木さんそこが、もう一段面白いところなんです。スキーマの有無では差がなくても、スキーマの「種類」では、統計的に意味のある差が残っているんですよ。
論文は、スキーマを3つのグループに分けて比較しました。価格・評価・仕様といった具体的な属性を含む「属性豊富なスキーマ」（Product・Reviewなど）、Article・Organization・BreadcrumbListのような、形式だけの「汎用スキーマ」、そしてスキーマなし（無実装）の3つです。
| スキーマの種類 | 引用率 |
|---|---|
| 属性豊富なスキーマ（Product・Reviewなど実データを含む型） | 61.7% |
| スキーマなし（無実装） | 59.8%（属性豊富型と統計的に同等・p=.71） |
| 汎用スキーマ（Article・Organization・BreadcrumbListなど） | 41.6%（基準値を下回る） |
06構造化データとAI引用の相関で、AI検索最適化として確定しているのはどこまでですか？
ここで確定しているのは、「属性豊富なスキーマが引用を押し上げる」ことではなく、「汎用スキーマが無実装より引用率を下げる」ことです。属性豊富なスキーマの引用率(61.7%)は、スキーマなし(59.8%)と統計的に同じ水準で、著者自身も「属性豊富型はベースラインへの回復にとどまり、汎用型はそこから下回る」と留保つきで述べています(p=.71)。属性豊富型と汎用型の差はp=.012で有意で、ドメインオーソリティが低いサイト（Ahrefs DR60以下）ほど、この差は大きく現れる傾向も報告されています。スキーマの種類別の違いをさらに細かく見た検証は、別記事『FAQ・HowTo構造化データと引用率の関係を一次データで検証』でも扱っています。
07構造化データの汎用スキーマと属性豊富なスキーマの違いは、AI対策として何にたとえられますか？
たとえて言うなら、名刺交換に近いかもしれません。論文自体がこの理由を説明しているわけではありませんが、整理のためのたとえです。
名刺を渡さなければ、相手はまっさらな状態のままです。一方、名前と会社名だけが印刷された名刺を渡すと、かえって「情報が薄い」という印象を残してしまうかもしれません。実績や強みまで書かれた名刺なら、渡した意味があります。汎用スキーマは、形式だけ整えて中身が薄い名刺に近いのかもしれません。属性を具体的に埋める書き方の基本は、別記事『JSON-LDの書き方基礎｜3つの実装例で学ぶハンズオンガイド』で解説しています。
この章のまとめ
スキーマの有無より、種類が重要です。中身の薄い汎用スキーマだけの実装には注意が必要で、入れるなら属性まで具体的に埋める必要があります。
08結局、構造化データよりAI検索最適化でいちばん効いているのは何なんですか？
若葉さんここまでの話だと、スキーマよりも、もっと効いているものがあるということですよね？
鈴木さんするどいですね。補正後のモデルで、いちばん強い予測因子として残ったのは、実はスキーマではありませんでした。
補正後のモデルで最も強い予測因子だったのは、Googleのオーガニック検索順位でした。検索順位が1つ下がるごとに、AI引用のオッズは約24%低下しています（オッズ比0.762、p<.001）。実際の引用率で見ると、順位1位のページは43%が引用された一方、順位7位まで下がると5%まで落ち込みました。
この章のまとめ
補正後のモデルで最も強い予測因子は、スキーマではなくGoogleの検索順位でした。
09この構造化データとAI引用の相関を扱った論文は、AI検索対策の根拠としてどこまでの範囲を調べたものなんですか？
大森部長鈴木さん、結論としてこの論文はどこまで信じていいんだ？他社の実績と同じように受け取っていいのか？
鈴木さん正直にお答えすると、参考にする価値はありますが、鵜呑みにはできない、というのが実態に近いです。
この論文自体が明記している限界として、まず対象がChatGPTとGeminiの2プラットフォームに限定されている点があります。PerplexityやClaudeなど、他のAI検索エンジンでの検証はありません。またWikidataとの連携など高度なエンティティリンクを実装したページは、スキーマ実装ページのうち4%未満にとどまり、統計的な評価ができませんでした。
10編集部としては、この構造化データとAI引用の相関を示す論文をAI検索最適化の根拠にするとき何に注意していますか？
AIO Journal 編集部として、さらに3点を踏まえて読む必要があると考えています。第一に、著者のFischman氏はAI検索最適化（LLMOとも呼ばれます）サービスを提供するGrowth Marshal社の創業者であり、研究テーマと自社事業が近接している点です。論文自体は自社の従来の前提を検証する形で書かれていますが、利害関係が完全に独立した第三者による研究ではありません。
第二に、この論文は査読付き学術誌に掲載されたものではなく、SSRNで公開されたプレプリントです。学術コミュニティによる査読を経ていないため、今後の検証で結論が変わる可能性があります。
第三に、この論文への反応を分析したDaniel Cheung氏のレビューは、初期分析から補正後分析への変化を「方法論次第で結果がどう変わるかを示す教訓的な事例」と評価しています。同時に、著者自身が論文末で「同一ページの可視コンテンツだけを変えるランダム化比較実験」の必要性を訴えている点を重視しており、理想的な検証はまだ行われていないと指摘しています。海外論文を原典から読み解くアプローチは、別記事『Princeton GEO論文を読む｜「可視性40%向上」の中身』でも実践しています。
11うちの会社のAI対策として、構造化データは今日から何をすればいいんですか？
高梨課長分かりました。それで、うちは今日から何をすればいいですか？
鈴木さん大がかりな作業は要りません。今入っているスキーマを見直すところから始められます。
この研究は英語圏のクエリ・英語圏のChatGPT/Geminiを対象にしており、日本語コンテンツでの検証ではありません。日本語での構造化データとAI引用の関係を直接検証したデータは、確認できた範囲にはありませんでした。
とはいえ、方向性としての示唆はあります。空のArticleスキーマや、プロパティを埋めていないOrganizationスキーマのような、形だけの実装に引用率を上げる効果を期待するのは、この論文の結果からは支持されません。著者情報のPerson schemaのように、実在性を機械可読な形で示す実装については、別記事『著者Person schemaの書き方とE-E-A-T効果』で扱っています。一方、価格・評価・仕様を埋めたProduct・Reviewスキーマは、スキーマなし（無実装）と統計的に同等で、正の効果は証明されていません。構造化データ以外にAI引用へ影響する要因の全体像は、別記事『AIに引用されるコンテンツの共通点とは｜3社の仕様から導く5条件』で整理しています。つまり、いま優先すべきAI対策は、汎用スキーマを増やすことではなく、属性を具体的に埋めることだと言えそうです。
実務での向き合い方
汎用スキーマだけの実装に、引用を増やす効果を期待しない
空のArticleやOrganizationだけでは、無実装より下がる可能性があります
入れるなら、価格・評価・仕様など具体的な属性まで埋める
属性豊富なスキーマは、無実装と同水準までは戻ります
スキーマより先に、検索順位そのものを見直す
補正後モデルで最も強い予測因子は、Googleの検索順位でした
12日本語サイトでAI引用の相関を確かめるなら、AI検索最適化としてどう試せますか？
WEBMARKSは、AI検索の可視性を診断する自社ツール「aio-scan」を保有しています。日本語サイトを対象に、属性豊富なスキーマの有無とAI引用実績を照合する簡易的な追試は、仮説として設計できます。具体的には、ECサイトのProductスキーマで価格・在庫・レビュー件数まで埋めたページと、タイトルのみのProductスキーマのページを用意し、両者を比較してChatGPT検索での引用有無をモニタリングする設計が考えられます。ただし論文のような統制された比較実験ではないため、あくまで参考検証として位置づけるべきだと私たちは考えます。
この章のまとめ
日本語での検証データは、確認できた範囲にはありませんでした。自社で確かめるなら、属性を埋めたページとタイトルだけのページを並べ、引用の有無を追う参考検証として設計できます。
13よくある質問
Q. 構造化データを実装すればAI検索に引用されやすくなりますか？
この論文の結果からは、単純にそう言い切ることはできません。空のArticleスキーマのような汎用的な実装は、スキーマなし（無実装）より引用率が有意に低いという結果でした。価格・評価を埋めたProduct・Reviewスキーマは、スキーマなしと同水準にとどまり、証明された正の効果はありません。
Q. なぜ初期分析では「スキーマがAI引用を下げる」という結果だったのですか？
Googleの検索順位アルゴリズムが、スキーマを実装したページを上位10位に集めやすいためです。比較対象の非引用ページ群にもスキーマ実装ページが多く含まれ、見かけ上の負の相関が生まれていました。この交絡要因を補正すると、統計的な有意差は消えています。
Q. 汎用スキーマは今すぐ外した方がいいですか？
この論文は相関関係を示したものであり、汎用スキーマを外せば引用が増えると証明したわけではありません。ただ、中身の薄い形だけのスキーマに、引用を増やす効果を期待するのは早計だと言えます。
Q. この論文はどこまで信頼できますか？
著者のFischman氏はAI検索最適化サービスを提供する企業の創業者であり、査読付き学術誌への掲載でもありません。データの規模（730件のAI引用・1,006ページ）は一定の説得力を持ちますが、対象はChatGPTとGeminiの2プラットフォームに限られます。著者自身も、同一ページでのランダム化比較実験が今後必要だと述べています。
Q. 日本語のサイトでも同じ傾向はあるんですか？
この論文は英語圏のクエリ・英語圏のChatGPT/Geminiを対象にしており、日本語コンテンツでの検証ではありません。日本語での構造化データとAI引用の関係を直接検証したデータは、確認できた範囲では見つかりませんでした。
14まとめ｜この論文から言えること
構造化データとAI引用の相関は、単純な「入れれば増える」という話ではありませんでした。初期分析で見えた負の相関は、検索順位という交絡要因を補正すると消え、確定しているのは「汎用スキーマが無実装より引用率を下げる」ことだけです。属性豊富なスキーマの正の効果は証明されておらず、補正後モデルでもっとも強い予測因子は、スキーマではなくGoogleの検索順位でした。
もう一度、実務での3つの向き合い方
汎用スキーマだけの実装に、引用を増やす効果を期待しない
空のArticleやOrganizationだけでは、無実装より下がる可能性があります
入れるなら、価格・評価・仕様など具体的な属性まで埋める
属性豊富なスキーマは、無実装と同水準までは戻ります
スキーマより先に、検索順位そのものを見直す
最も強い予測因子は、Googleの検索順位でした
AI検索では、こう聞かれています
構造化データを実装すればAI検索に引用されやすくなりますか？
「スキーマの『種類』によって、AI引用の起きやすさはAI検索でどう変わるんですか？」の章で、データつきで説明しています
スキーマを実装しても意味がないという話を聞いたのですが、本当ですか？
「『構造化データ（スキーマ）を入れると逆に引用されにくくなる』というAI検索対策の話は、本当ですか？」の章で、初期分析と補正後分析の違いを説明しています
AI引用に一番効いているのはスキーマですか、それとも検索順位ですか？
「結局、構造化データよりAI検索最適化でいちばん効いているのは何なんですか？」の章で答えています（結論:検索順位です）
次に読むなら、この記事です
