ロングテールとロングクエリの違い｜細かい問いは、検索とAIの回答でどう扱われているか

ロングテールとロングクエリは、別の軸を指す言葉です。 ロングテールは、その問いがどれだけ少なく検索されるか（頻度の低さ）の話です。ロングクエリは、本稿群では、ひとつの問いがどれだけ多くの条件を抱えているかの話として使っています。長い問いは検索回数が少ないことが多いので、二つは重なりやすい。それでも同じものではありません。

ロングテールを語数ではなく検索の頻度で捉える点は、本記事の独自の整理ではありません。 SEOツールを提供するAhrefs自身が、自社のブログで、ロングテールのキーワードを「語数で定義すること（defining long-tail keywords by their length in words）」を大きな誤りだと書いています。一方、「ロングクエリ」を条件の多さを表す言葉として使うのは、本稿群の整理です。

そのうえで、本記事は細かい問いの扱われ方を三つの場所で見ます。検索の中では、毎日の検索の15%がそれまでに見たことのない問いだとGoogleが書き、米国のキーワードの大半が月10回未満しか検索されないとベンダーが報告しています。GoogleのAIによる概要（AI Overviews）の引用元では、分布全体は広く散らばっているという研究と、上位には大きなサイトもいるという調査があり、二つは矛盾しません。モデルの中では、よく知られていない対象ほど、モデルが覚えておらず、検索で補うと答えが大きく改善したという研究があります。

反証も厚くあります。 ロングテール論そのものに対して、需要はむしろヒットに集中したという研究が複数あります。Google自身も、生成AIの検索のためにロングテールのキーワードを揃えることを気に病む必要はない、と書いています。本記事は両方を並べ、予測はしません。最後に、自社が細かい問いの中でどう扱われているかを測る手順を示します。

この記事で分かること

• ロングテールとロングクエリがどう違うか、なぜ混同されやすいか
• 検索のロングテールについて、一次で確認できた数字と、その数字が言えないこと
• 問いが長いほどGoogleのAIの要約が出やすい、という調査の数字
• AI Overviewsの引用元の分布について、研究と調査が示していること
• モデルが覚えていない対象ほど検索が効く、という研究の中身と限界
• ロングテール論への反証
• 頻度と条件の数の二つの軸で問いを組み、Web検索の有無で比べる測り方

対象読者

SEOやコンテンツマーケティングの実務担当者で、「ロングテールキーワード」という考え方をすでに知っている方を想定しています。AIの回答が加わった後、その考え方のどこが使えて、どこを分けて考えるべきかを、出典で確かめたい方向けです。

最初に置く数字

Ahrefsの米国のキーワードのデータベースでは、月の検索回数が10回未満のキーワードが、全体のほぼ93%を占めています（ベンダーの自社データ。記事の更新日は2026年5月27日、データの時点の記載なし）。

Pewの調査では、1語か2語の検索でAIの要約が表示されたのは8%でしたが、10語以上の検索では53%でした（米国の成人900名が2025年3月に行ったGoogle検索68,879件の分析）。

最初に、二つの言葉がそれぞれ何を測っているかを分けます。

1-1. ロングテールとは — 頻度の低さ

ロングテールという言い方は、売上や需要の分布の形から来ています。少数の売れ筋（ヘッド）のあとに、一つひとつはわずかしか売れない品目が長く続く。その長く伸びた部分を尾（テール）と呼びます。

Harvard Business Reviewの論文紹介は、Wired誌の編集長だったクリス・アンダーソンが2006年の著書でこの考えを論じ、ニッチな品目の尾が「より長く、より太く、より収益性の高いものになる」と主張した、と要約しています。この主張への反証は §6 で扱います。

検索の文脈では、これが「検索回数の少ない語」の意味で使われます。Ahrefsのブログは、ロングテールのキーワードを月の検索回数が少ない検索語と定義しています。そのうえで、何回未満ならロングテールかという決まった閾値は無い、比べる相手のヘッドの語によって変わる、とも書いています。

同じ記事は、ロングテールの種類の一つとして「会話型のロングテール（conversational long-tail）」を挙げています。ChatGPT、Gemini、GoogleのAI Modeのような場で人が打つ問いで、一つひとつの問いには実質的に測れる検索回数が無いが、需要は大量にある、という整理です。これはAhrefsの分類であり、決まった定義のある用語ではありません。ただ、ここでも軸は語数ではなく測れる検索回数に置かれています。

1-2. ロングクエリとは — 条件の多さ

本稿群で「ロングクエリ」と言うとき、指しているのは文字数ではなく、ひとつの問いが抱える条件の数です。業種、地域、予算、時期、規模といった条件を、同時にいくつも抱えた問いのことです。

これは本稿群の整理であり、決まった定義のある用語ではありません。 親にあたる記事ロングクエリマーケティングとはで、この言い方をどういう意味で使うかを定めています。Googleが公表しているのは問いの長さであって、条件の数を測った数字ではない、という限定もそちらに書いています。

1-3. 重なりやすいが、同じではない

二つが混同されやすいのには理由があります。長い問いは、検索回数が少ないことが多いからです。

Backlinkoが306百万件の米国のキーワードを分析した記事は、5語以上のキーワードは、1〜3語のキーワードに比べて、平均で10分の1ほどしか検索されない、と書いています（ベンダーの分析、記事の最終更新は2020年12月1日）。長さと頻度の低さには、たしかに関係があります。

同じ記事では、分析した306百万件全体の平均は1.9語でした。この数字だけからは、ロングテールの語が何語くらいかの分布は分かりません。 ただ、短い語にも検索の少ないものがありうることは、Ahrefsが挙げている理由から確かめられます。1語でも月100回に満たない語があり、5語以上でも月に数十万回検索される語がある、というものです。

1-4. 二つの軸を掛け合わせる

二つを別の軸として置くと、問いは四つに分かれます。表の例は、説明のために作った仮の例です。検索回数を測ったものではありません。

表1の左下が、見落とされやすい場所です。 社名や製品名は短い語で、長い問いではありません。それでも、検索される回数が少なければ、ロングテールに入ります。社名であること自体は検索の多さを決めません。自社の名前そのものが、尾の側にあるかもしれない。 本記事が「ロングテール」と「ロングクエリ」を分けたい理由は、ここにあります。

そして、§5で扱うように、AIの側にはもう一つの「尾」があります。問いの尾ではなく、対象の尾です。 そのモデルにとって、よく知られていない対象です。

ここでは、検索の側で一次に確認できた数字と、その数字から言えないことを並べます。

2-1. 毎日の検索の15%は、それまでに見たことのない問い

Googleは2019年10月25日のブログで、毎日の検索のうち15%はそれまでに見たことのない問いだと書いています。2022年2月3日のブログでも、毎日の検索の15%がまったく新しい問いだとしています。

ここで二つの読み違いを避けます。

一つ目。「見たことがない」は「一度しか検索されない」という意味ではありません。 その時点で新しかった問いが、その後に何度も検索されることはありえます。Googleの文は、それまでに見たことがあるかどうかを言っているだけです。

二つ目。15%という数字は、2019年も2022年も同じです。 公表値の範囲では、新しい問いの比率が増えたとは言えません。この二点は、親記事でも同じ限定を置いています。

2-2. キーワードの件数と、検索の量は別の話

ベンダーの報告を二つ並べます。どちらも自社のデータベースに基づく数字で、定義も母数も違います。

表2で大事なのは、Backlinkoの二つの数字の組み合わせです。 キーワードの件数では91.8%がロングテールですが、検索の量では3.3%です。尾は長く、件数は多い。しかし一つひとつが薄いので、足し合わせても量はわずかだった、ということです。同じ記事は、キーワード1件あたりの月間検索回数の中央値を10回、平均を989回としています。少数の語が量の大半を持っていく、偏った分布です。

二社の数字は、そのまま比べられません。 線引きが「10回未満」と「1〜100回」で違い、データベースも時点も違います。言えるのは、どちらの集計でも、語の件数の大半は検索の少ない語が占めている、というところまでです。

2-3. 検索の少ない語は、道具の上でも見えにくい

検索の少ない語には、もう一つの性質があります。道具の上で見えにくいことです。

Google広告のヘルプは、Google上で検索の履歴がほとんど無いキーワードに「検索ボリュームが少ない（Low search volume）」という状態を付け、検索が増えるまで広告の表示に使わない、と説明しています。判定には、そのキーワードの過去12か月の世界全体の検索回数を見ます。同じページは、新しいブランドや語、製品を広告する場合に、検索が増えるのを待つという選択肢を挙げています。新しいブランドや製品の名前がこの状態になりうることを、Google自身が想定している書き方です。

Search Consoleにも、同じ向きの仕様があります。§8-1で扱います。

ここで、ロングクエリの側に移ります。 長い問いは、GoogleのAIの要約が出やすい問いでもある、という調査があります。

Pew Research Centerは2025年7月22日に、米国の成人900名が2025年3月に行ったGoogle検索68,879件を、実際のブラウジングの記録から分析した結果を公表しました。そのうちAIの要約が表示されたのは12,593件、およそ18%です。

同じ調査は、問いの形ごとの数字も出しています。

• 1語か2語の検索では、AIの要約が表示されたのは8%
• 10語以上の検索では53%
• 「誰が」「何が」「いつ」「なぜ」のような疑問の語で始まる検索では60%
• 名詞と動詞の両方を含む、文の形の検索では36%

語数の多い検索や、疑問の語で始まる検索ほど、AIの要約が出やすかった、という観測です。ただし、これは米国の成人が2025年3月に行ったGoogle検索の話です。日本語の検索で同じ差があるかは、本記事の調査範囲では確認できませんでした。そもそも日本語には、語数という単位をそのまま当てられません。

この数字が示しているのは、問いの長さと形です。 検索回数の少なさではありません。§1のとおり、二つは別の軸です。長い問いにAIの要約が出やすいことから、「検索の少ない問いにAIの要約が出やすい」とは言えません。

3-1. Googleは「ロングテールのキーワード」を揃えなくてよいと書いている

ここで、Google自身の記述を置きます。Googleの生成AI向けの最適化ガイド（最終更新2026年7月10日）には、「生成AI検索について、やらなくてよいこと」をまとめた節があります。

その中でGoogleは、AIの仕組みは同義語や、利用者が探していることの大まかな意味を理解できるので、同じ語を使っていないコンテンツにもつなげられる、と説明しています。だから、「ロングテール」のキーワードが足りない、利用者の探し方の変形をすべて押さえていない、と心配する必要はない、という書き方です。

同じガイドは、別の節で、人が検索しうるあらゆる変形ごとに別々のコンテンツを作ることについて、主として順位や生成AIの回答を操作する目的で行う場合、大量生成によるスパムの方針に違反すると明記しています。例として、ファンアウトで生まれる検索に的を絞ることが挙げられています。この点はクエリファンアウトを扱う記事で詳しく扱っています。

ロングテールのキーワードを一覧にして、その一つひとつにページを当てる、という従来のやり方は、Googleの生成AIの機能については、少なくともGoogleの説明の上では前提になっていません。 この点は、§6の反証にも数えます。

この章の数字は、どちらもGoogleのAI Overviews（AIの要約）についてのものです。 ChatGPTやPerplexityなど、ほかのAI製品の引用元に同じ分布があることを示すものではありません。

4-1. 分布全体は、広く散らばっている

ワシントン大学セントルイス校のHaofei Xu、Umar Iqbal、Jacob M. Montgomeryによる測定研究（arXiv:2605.14021、2026年5月13日投稿、査読前のプレプリント）は、2026年3月13日から4月21日までの40日間に、米国向けのGoogleトレンドから取った検索55,393件を、米国内から自動の閲覧でGoogleに投げました。AI Overviewsが表示されたのは13.7%です。

この研究は、AI Overviewsの引用元と、同じ検索の1ページ目の結果とで、上位の少数のサイトがどれだけを占めるかを比べています。

検索結果の1ページ目にくらべて、AI Overviewsの引用は、少数のサイトに寄る度合いが小さかった、という報告です。著者ら自身が、この引用の分布を「heavily long-tailed」、つまり尾の長い分布だと書き、集中ではなく幅の広さがAI Overviewsの引用の形だとしています。

この研究の数字の詳しい内訳と、広報の実務への読み替えは、AIは何を見て自社を語るのかを扱う記事で扱っています。本記事では繰り返しません。

4-2. 上位には、大きなサイトもいる

§3で引いたPewの調査は、AIの要約の中でリンクされていた情報源について、Wikipedia、YouTube、Redditの三つが最も多く、合わせて15%を占めたと報告しています。

この15%は、特定の三つのサイトが占める割合です。 引用元の分布全体がどれだけ集中しているかを測った指標ではありません。そして同じ調査は、通常の検索結果でも、この三つが17%を占めたと書いています。少なくともこの三つについては、AIの要約のほうが通常の検索結果より寄っている、とは言えません。

Xuほかの研究でも、AI Overviewsで最も多く引用されたサイトには、YouTube（5.49%）とWikipedia（4.39%）が入っています。

4-3. 二つは矛盾しない

分布全体は広く散らばっている一方で、上位には大きなサイトもいる。二つは同時に成り立ちます。 Xuほかは分布全体を、Pewは特定の三つのサイトを見ています。測っているものが違うので、反対の向きの証拠として並べるものではありません。

もう一つ、大事な限定があります。 Xuほかが投げたのは、Googleトレンドから取った検索です。論文の説明では、その時点で人気があるか、関心が急に高まっていた問いです。検索の少ない問い、条件を重ねた問いを選んだものではありません。引用元の尾が長いことと、細かい問いに答える小さなサイトが引かれることは、別の話です。 細かい問いで引用元がどう分布するかを測った一次のデータを、本記事は見つけられませんでした。

ここで扱う「尾」は、問いの尾でも、引用元の尾でもありません。対象の尾です。 そのモデルにとって、よく知られていない人や組織や物のことです。

この論点の入口は、クエリファンアウトを扱う記事の「知られていない事実ほど、検索による補強の便益が大きかった」の節で、研究の要旨の範囲で扱いました。本記事では、同じ研究の本文に入り、何を「知られている」と測ったのか、どこまでが言えるのかを確かめます。

5-1. 「知られている」を、何で測ったか

Mallenほかの研究（ACL 2023の長論文、arXiv:2212.10511）は、PopQAという14,000問の問答のデータセットを作り、言語モデルが事実をどこまで覚えているかを調べました。問いは、Wikidataにある事実を16種類の関係（職業、出身地、監督など）ごとの定型文で問いに直したものです。

対象がどれだけ知られているかは、Wikipediaの月間のページビューで測っています。 著者らは、これを「その対象がWeb上でどれだけ語られていそうか」の代わりの指標として使った、と書いています。

5-2. 分かったこと

論文の本文から、本記事の論点に関わるものを四つ挙げます。

一つ目。モデルは、知られていない対象についての事実でつまずきました。 著者らは、GPT-3 davinci-003でも、尾の側の問いの大半に答えられなかったと書いています。

二つ目。モデルを大きくしても、尾の側はあまり改善しませんでした。 PopQAの中で最も知られていない4,000問では、GPT-j 6Bの正答率が16%、GPT-3 davinci-003が19%でした。著者らは、規模を大きくすることで改善するのは主に知られた事実の側だ、としています。

三つ目。検索で補うと、尾の側では大きく改善しました。 最も知られていない4,000問では、検索器を組み合わせた小さなモデル（GPT-neo 2.7B）が、検索なしのGPT-3 davinci-003を上回っています。

四つ目。検索は、いつも助けになるわけではありませんでした。 よく知られた対象については、検索で補うと、かえって成績が下がる場合がありました。著者らの分析では、GPT-3 davinci-003で、問いの10%は、検索なしなら正しく答えられたのに、検索で補ったために誤答になりました。 それらの問いでは、取ってきた文書の質が低かったと報告されています。逆に、検索で補ったために正答になった問いは17%でした。

この結果から著者らは、対象の知られ具合が一定より低いときだけ検索する、という方式も提案しています。

5-3. 同じ向きの、別の研究

Kandpalほかの研究（ICML 2023、arXiv:2211.08411）は、別の測り方で同じ向きの結果を出しています。この研究は、事前学習のデータにエンティティの結び付けを行い、問いと答えに現れるのと同じエンティティを含む文書が何件あったかを数えました。そして、その件数が多い問いほど正答率が高いという強い関係を、複数のデータセットとモデルの規模で確認しています。要旨は、検索で補うことが、事前学習のデータへの依存を減らしうる、とも書いています。

5-4. 検索するかどうかは、製品と場面によって違う

一つ確かめておくことがあります。研究で「検索で補う」と言っているのは、実験の設定です。 実際のAIの製品が、いつ検索するかは別の話です。

一例として、AnthropicのWeb検索ツールの公式ドキュメントは、開発者がAPIの呼び出しにこのツールを加えた場合について、モデルが問いに応じて検索するかどうかを決める、と説明しています。検索する場合の例には、最近の出来事、現在の価格や統計と並んで、変わりうる特定の組織、人、製品についての情報が挙がっています。確立した事実や創作では、検索せずに答えるとしています。

これはAnthropicの開発者向けのツールについての説明です。他社の製品がいつ検索するかを、本記事は一般化しません。

5-5. 本記事の推論 — Web上で語られる量が少ない企業にとって

ここからは、研究の結果ではなく、本記事の推論です。 Mallenほかも、Kandpalほかも、企業について何かを主張した研究ではありません。

小さな企業、新しい企業、ニッチな分野の企業のうち、Web上で語られる量が少ない企業を考えます。そうした企業が、研究でいう「知られていない対象」に近い性質を持つなら、次の筋が考えられます。

モデルがその企業についての事実を覚えている可能性は低い。そうだとすれば、その企業についてAIが答えるときには、モデルの記憶よりも、その場で検索して拾った情報のほうが答えの中身を決める割合が大きくなりうる。 そして§5-2の四つ目のとおり、拾った情報の質が低ければ、答えを誤らせることもある。

この推論が当たっているかを、本記事は確かめていません。 企業の規模とWeb上で語られる量の関係を示す出典も、本記事は持っていません。研究が使ったのは、Wikidataの事実を定型文にした合成のデータセットで、著者ら自身が、自然に生じる事実への当てはまりは確立していないと書いています。知られ具合の指標も、時点に左右されるWikipediaのページビューです。対象のモデルも、2022〜2023年の時点のものです。企業の知られ具合をこの指標で測った研究も、本記事は見つけていません。

ここを飛ばして読まないでください。 「細かい問いに答えれば報われる」という読み方に対して、反対側の材料がいくつもあります。

表の「出所の種類」は、種類を示すものです。証拠の強さの順位ではありません。

一つ目と二つ目は、ロングテール論そのものへの反証です。Harvard Business Reviewの論文紹介によれば、Elberseはアンダーソンが例に挙げてきた音楽と映像ソフトの市場を、Nielsenの販売データや、オンラインの音楽配信、DVDの郵送レンタルのデータで調べました。そして、ヒット作が以前にも増して市場を取り、尾の側の消費者はニッチな品目をあまり好んでいない、という結果を示しています。

Tanほかは、映画のレンタルの大きなデータで、品揃えの拡大が需要の集中にどう効くかを調べ、品揃えの拡大はむしろ需要の集中を強めうるという、ロングテール効果の予想とは逆の結果を報告しています。品揃えが増えると需要は各作品から散っていくものの、その散り方はヒットよりニッチな品目で大きかった、という説明です。

ただし、これらは販売とレンタルの研究です。 検索の問いや、AIの回答の引用元について調べたものではありません。同じ形が問いの世界でも起きている、と本記事は主張しません。ロングテールという言葉を使うなら、その言葉が生まれた場所で、すでに反証が出ていることを知っておくべきだ、という意味で置いています。

三つ目は、検索の側の数字です。§2-2のとおり、尾の語は件数では大半ですが、量ではわずかです。

四つ目は、§4-2で見たとおりです。AIの要約の引用元でも、上位には大きなサイトがいます。

五つ目は、Google自身の記述です（§3-1）。細かい問いに合わせた語を揃えることが、Googleの生成AIの機能で報われる、とGoogleは書いていません。 書いているのは、その心配は要らない、ということです。

六つ目は、§5-2の四つ目です。尾の側の対象ほど検索に頼るとしても、拾われた情報の質が低ければ、それが答えを誤らせることがあります。

6-1. 反証を並べたうえで、何が残るか

残るのは、次のところまでです。

検索には、件数の上で長い尾がある。語数の多い問いほど、GoogleのAIの要約が出やすかった。AI Overviewsの引用元は分布全体が広く散らばり、上位には大きなサイトもいる。知られていない対象ほど、モデルは覚えておらず、研究の設定では検索で補うと大きく改善した。

「だから細かい問いに答えるページを増やせば、AIに引用される」とは言えません。 そう書ける根拠を、本記事は持っていません。反証のほうが強いと判断されるなら、それも一つの読み方です。

ここまでの話を、一つの表に並べます。

7-1. 当社の解釈

ここは事実の要約ではなく、当社の解釈です。

当社は、SEOの実務で「ロングテール」と呼ばれてきたものが、AIの回答が加わったことで、三つの別々の問いに分かれて見えるようになったと考えています。どの問いがめったに検索されないか。どのサイトが引用されるか。どの対象をモデルが知っているか。この三つは、同じ指標では測れません。

そのうえで、表1の左下、つまり短いけれど尾の側にある自社の名前が、実務で見落とされやすいと考えています。社名で検索される回数が少ない企業は、問いの尾にいます。Web上で語られる量が少なければ、§5-5の推論のとおり、対象の尾に近い性質を持つかもしれません。

ただし、この解釈を裏づける単一の数字はありません。 三つの尾は、別々の研究と調査で、別々の指標で観測されたものです。

ここを厚く書きます。 ここまでの話は、測らなければ自社に当てはまるかどうかが分かりません。

以下の§8-1〜§8-4は、読者が自社で試せる一般的な手順です。当社の製品の機能を説明するものではありません。当社の測り方は§8-6に分けて書きます。

8-1. 既存の道具で見えるもの、見えないもの

最初に、検索の少ない問いの一部が、既存の道具では個別に見えないことを確かめます。

Googleは2022年10月19日のSearch Centralのブログで、Search Consoleの検索パフォーマンスのデータについて、利用者のプライバシーを守るため、一部の問い（匿名化されたクエリ）を表示しないと説明しています。匿名化されるのは、2〜3か月のあいだに数十人を超える利用者から検索されていない問いです。

つまり、少数の利用者からしか検索されていない問いは、Search Consoleでは匿名化され、表に行として現れません。 検索の少ない問いの一部は、クリックや表示の数としては合計に入っていても、どの問いだったかが分からない、ということです。匿名化の基準は利用者の数で、SEOでいう検索回数そのものではありませんが、両者の向きは重なります。

Google広告のKeyword Plannerのように過去の検索の実績を使う道具では、実績の無い新しい問いを、過去のデータからそのまま観測することはできません（§2-3）。毎日の検索の15%がそれまでに見たことのない問いだとすれば（§2-1）、その部分は、過去の検索回数の上には出てきません。

GoogleのAIの機能についても、Search Consoleには生成AIのパフォーマンスのレポートがあります。Googleは2026年6月3日にこのレポートを発表し、8月31日に全世界のサイトへ展開したとしています。このレポートの切り口は、表示回数、ページ、国、デバイス、日付です。問いの切り口はありません。 見られるものと見られないものは、親記事の「Search Consoleで測れるもの、測れないもの」の節で整理しています。

Search Consoleだけでは、細かい問いを網羅できません。 その不足を補う方法には、顧客や営業の現場で実際に聞かれた問いを集めることもあります。そのうえで、ここでは自分で問いを設計し、回答の側から観測する方法を扱います。

8-2. 二つの軸で問いを組む

表1の四つの区画に、それぞれ問いを置きます。

自社の問いをどの区画に置くかは、先に確かめます。 社名や製品名の検索がどれだけあるかは、Search Consoleで自社名の問いが行として現れるか、Keyword Plannerで数字が出るかで、おおよその見当がつきます。どちらでも見えなければ、尾の側の候補として扱います。社名であること自体は、検索の多さを決めません。

三つ目の区画から始めることを勧めます。 社名だけで聞いたときに、AIが自社について何を言うか。事業の内容を正しく言えるか、別の会社と取り違えていないか、何を出典にしているか。ここで答えが崩れていれば、条件を重ねた問いで自社が挙がらない原因の候補の一つになります。 名指しの問いと、条件で候補を探す問いとでは、検索の起き方や拾われる情報が違いうるので、名指しで崩れても条件の問いで出ることはあります。まず基本の理解を確かめる、という位置づけです。

二つの軸は、片方ずつ動かすと読みやすくなります。

条件を一つずつ足す手順の詳しい組み方は、親記事の「条件を一つずつ足して測る」の節に書いています。

8-3. Web検索を使う場合と使わない場合を比べる

§5の研究が示したのは、知られていない対象ほど、検索で補うかどうかで答えが大きく変わる、ということでした。そこで、同じ問いを、Web検索を使う設定と使わない設定で投げ比べるという手順が考えられます。

表10は、推し量るための手掛かりであって、原因の特定ではありません。 製品によっては、利用者の画面から検索の有無を選べないことがあります。検索の有無のほかにも、モデルの版、地域、言い回しで答えは変わります。開発者向けのAPIでWeb検索をツールとして付けるかどうかを選べる場合でも（§5-4）、付けたときに実際に検索するかどうかはモデルが決めます。検索ありの結果には、何が引用元として示されたかを必ず残してください。 二行目と三行目を見分ける手掛かりは、そこにしかありません。

8-4. 何を記録し、何を固定するか

出てきたか、出てこなかったか。それだけでは足りません。

引用元の種類を記録するのは、§4の観測を、自社の問いの上で確かめるためです。 §4の数字は、よく検索される問いについてのものでした。自社の細かい問いで、引用元が大きなサイトに寄るのか、業界の小さなサイトまで散らばるのかは、測らなければ分かりません。それによって、情報を整える場所の候補が、自社のサイトの中なのか、自社について語っている外部の媒体なのかが変わります。

生成AIの回答は揺らぐので、一度出てこなかったことは出ないことの証明にならず、一度出てきたことも出続けることの証明になりません。固定した条件は、開示してください。 条件を書かずに出した数字は、自社の中でも後で読み返せません。

8-5. 読み方の注意

測った結果から、一足飛びに対策へ進まないでください。

社名で聞いて答えが崩れる場合、原因の候補は、Web上で自社について語られている量が少ないこと、語られている内容が古いこと、似た名前の別の会社と取り違えられていること、などいくつもあります。条件を重ねた問いで自社が出ない場合も、その条件に答える情報が自社の側に無いのか、あっても拾われていないのか、別の媒体が選ばれているのかは、一回の結果からは分かりません。

どちらの場合も、「問いごとにページを作る」は答えになりません。 §3-1のとおり、Googleは、操作を主な目的として検索の変形ごとにコンテンツを作ることをスパムの方針に違反すると明記しています。見るべきは、ページの数ではなく、自社について語られている情報が、Web上に正しく、読める形であるかどうかです。

8-6. 当社の測り方

ここは当社の立場です。

当社、株式会社Vaigate（ヴァイゲート）は、AI上の認知を測定するVaipm（ヴァイピム）を運営しています。Vaipmは、AI上の認知を、複数のAIへの合計25回のステートレス計測で測定しています。25回という回数は、当社が採用している観測の設計であり、研究から導かれた最適な値ではありません。Vaipmは、対象について4通りの聞き方をします。名指しで聞く。名前を出さずカテゴリで聞く。競合と並べて聞く。固有の施策名で聞く。聞き方によって、AIの答えは変わります。

§8-2と§8-3で示した二つの軸の組み方や、Web検索の有無で比べる手順は、本記事が示す一般的な測り方であり、Vaipmの聞き方と同じものではありません。

8-7. この測定が答えない問い

一つ目。実際の利用者がどんな細かい問いを入力しているかは、この種の測定では分かりません。 測っているのは、決めた問いに対する回答です。

二つ目。自社がどれだけ「知られている」かを、研究と同じ指標で測ることはできません。 §5の研究はWikipediaのページビューで知られ具合を測りましたが、Wikipediaの記事が無い企業では、この指標を同じ形では使えません。回答の側から推し量ることになります。回答の側の測定で分かるのは、設計した問いに対して自社がどう扱われるかであって、検索回数や研究でいう知られ具合そのものではありません。

三つ目。情報を整えたとして、それがAIの回答に反映される時期は、この測定からは分かりません。 反映の時期は、クロール、インデックスの更新、検索の時の取得、製品の側の更新など、複数の要因に左右されえます。

ロングテールとロングクエリは、別の軸です。 ロングテールは検索回数の少なさ、ロングクエリは本稿群の整理では条件の多さを指します。長い問いは検索が少ないことが多いので重なりやすいものの、同じではありません。Ahrefs自身が、語数での定義を誤りと呼んでいます。

検索の中では、尾は長いが薄い。 Googleは毎日の検索の15%がそれまでに見たことのない問いだと書き、ベンダーの集計では語の件数の大半が検索の少ない語でした。ただし、ある分析では、その尾が検索の総量に占めたのは3.3%でした。そして少数の利用者からしか検索されていない問いは、Search Consoleの表に行として現れません。

語数の多い問いほど、GoogleのAIの要約が出やすかった。 米国の調査で、1〜2語では8%、10語以上では53%でした。これは長さの観測で、検索の少なさの観測ではありません。

AI Overviewsの引用元は、分布全体が広く散らばり、上位には大きなサイトもいます。 二つは矛盾しません。ほかのAI製品に同じ分布があることを示すものでもありません。

モデルの側には、対象の尾があります。 知られていない対象ほどモデルは覚えておらず、研究の設定では検索で補うと大きく改善しました。ただし検索が答えを誤らせることもありました。Web上で語られる量が少ない企業では、その場で拾われる情報が答えを左右しうる、というのは本記事の推論です。 研究が企業について言っているわけではありません。

反証も残っています。 ロングテール論には、需要はヒットに集中したという研究があり、Google自身がロングテールのキーワードを揃える必要はないと書いています。

自社が細かい問いの中でどう扱われるかは、回答の側から繰り返し観測できます。 頻度と条件の数の二つの軸で問いを組み、Web検索の有無で比べ、引用元と回答の原文を残す。ただし、それは検索回数や研究でいう知られ具合そのものを測るものではありません。見落とされやすいのは、短いけれど尾の側にある、自社の名前そのものです。

Q1. ロングテールとロングクエリは何が違うのですか。

ロングテールは、その問いが月にどれだけ少なく検索されるか、つまり頻度の低さの話です。ロングクエリは、本稿群では、ひとつの問いが抱える条件の多さの話として使っています。長い問いは検索が少ないことが多いので重なりやすいものの、同じではありません。SEOツールを提供するAhrefs自身が、ロングテールを語数で定義するのは大きな誤りだと書いています（§1）。

Q2. ロングテールのキーワードは、何回以下の検索を指すのですか。

決まった閾値はありません。Ahrefsは、決まった閾値は無く、比べる相手のヘッドの語によって変わると書いています。Backlinkoの分析は月1〜100回の語をロングテールとしており、Ahrefsは月10回未満の語の割合を示しています。線引きが違うので、二社の数字はそのまま比べられません（§1-1、§2-2）。

Q3. 検索のうち、ロングテールはどれくらいあるのですか。

語の件数で見るか、検索の量で見るかで大きく違います。Ahrefsの米国のデータベースでは、月10回未満の語がほぼ93%でした。Backlinkoの分析では、ロングテールの語はキーワードの件数の91.8%ですが、検索の総量では3.3%でした。どちらもベンダーの自社データです（§2-2）。

Q4. 「毎日の検索の15%は新しい」は、ロングテールが増えているという意味ですか。

いいえ、そこまでは言えません。Googleが書いているのは、毎日の検索の15%がそれまでに見たことのない問いだ、ということです。一度しか検索されないという意味ではありません。公表値は2019年も2022年も15%で、増加を示す証拠にもなりません（§2-1）。

Q5. 長い問いほど、AIの回答が出やすいのですか。

米国のGoogle検索については、そういう観測があります。Pew Research Centerの調査では、1語か2語の検索でAIの要約が表示されたのは8%、10語以上では53%でした。疑問の語で始まる検索では60%、名詞と動詞を含む文の形の検索では36%です。ただし、これは長さと形の観測で、検索の少なさの観測ではありません。日本語で同じ差があるかは確認できませんでした（§3）。

Q6. AIの回答のために、ロングテールのキーワードを揃えるべきですか。

Googleは、生成AI向けの最適化ガイドで、AIの仕組みは同義語や大まかな意味を理解できるので、ロングテールのキーワードが足りないと心配する必要はない、と書いています。また、検索の変形ごとに別々のコンテンツを作ることは、主として順位や生成AIの回答を操作する目的で行う場合、スパムの方針に違反すると明記しています（§3-1）。

Q7. AI Overviewsは、大きなサイトばかりを引用するのですか。

そうとは言えません。査読前の研究では、AI Overviewsの引用で上位5サイトが占めたのは20.0%で、同じ検索の1ページ目の39.1%より小さく、分布全体は広く散らばっていました。一方、Pewの調査では、Wikipedia、YouTube、Redditの三つがAIの要約の引用元の15%を占めました。通常の検索結果では17%です。二つは測っているものが違い、矛盾しません（§4）。

Q8. 社名の検索が少ない会社は、AIに知られていないのですか。

一般には言えません。研究で分かっているのは、Wikipediaのページビューで測って知られていない対象ほど、言語モデルが事実を覚えておらず、検索で補うと正答率が大きく改善した、ということです。Web上で語られる量が少ない企業ではその場で拾われる情報が答えを左右しうる、というのは本記事の推論で、研究が企業について主張したものではありません。自社については、社名だけで聞いて確かめられます（§5、§8-2）。

Q9. ロングテール論は、実証されているのですか。

反証があります。Elberseは音楽と映像ソフトの販売データで、ヒット作が以前にも増して市場を取ったと報告しました。Tan、Netessine、Hittは映画のレンタルのデータで、品揃えの拡大がむしろ需要の集中を強めうると報告しています。ただし、これらは販売とレンタルの研究で、検索の問いやAIの回答について調べたものではありません（§6）。

Q10. Search Consoleで、自社に来ているロングテールの問いを全部見られますか。

見られません。Googleは、2〜3か月のあいだに数十人を超える利用者から検索されていない問いを、プライバシーを守るために匿名化し、表に表示しないと説明しています。グラフの合計には含まれますが、どの問いだったかは分かりません。生成AIのパフォーマンスのレポートにも、問いの切り口はありません（§8-1）。

Q11. 細かい問いの中で自社がどう扱われるかは、どう測ればよいですか。

問いを、検索の多さと条件の多さの二つの軸で組み、片方の軸を固定してもう片方を動かす方法があります。最初に試すのは、検索の少ない社名や製品名だけで聞く問いです。同じ問いをWeb検索を使う設定と使わない設定で比べ、引用元と回答の原文を残し、条件を固定して繰り返します。これは本記事が示す一般的な手順です（§8-2〜§8-4）。

Q12. 検索で補えば、AIの答えは正確になりますか。

必ずしもそうではありません。研究では、よく知られた対象について検索で補うと、かえって成績が下がる場合がありました。ある分析では、問いの10%で、検索なしなら正しく答えられたのに、検索で補ったために誤答になっています。拾われた文書の質が低かったためと報告されています（§5-2）。

1. ベンダーによる解説。Tim Soulo「Long-tail Keywords: What They Are and How to Get Search Traffic From Them」Ahrefs、2026年5月27日更新。ロングテールのキーワードを月の検索回数が少ない検索語と定義し、決まった閾値は無いとしたうえで、語数で定義することを大きな誤りとする記述。自社の米国のキーワードのデータベースで、月10回未満の語がほぼ93%（約23億件）、月10万回を超える語が18,000件弱。データの時点の記載なし。ロングテールの種類として、AIの場で人が打つ問いを「conversational long-tail」とする分類。https://ahrefs.com/blog/long-tail-keywords/
2. ベンダーによる分析。Brian Dean「We Analyzed 306M Keywords. Here's What We Learned About Google Searches」Backlinko、2020年12月1日更新。米国のキーワード306百万件（DataForSEO）。月1〜100回の語をロングテールとし、キーワードの91.8%がロングテールで、検索の総量の3.3%を占める。分析対象全体の平均は1.9語、5語以上の語は1〜3語の語より平均で10分の1ほどしか検索されない、月間検索回数の中央値10・平均989、上位500語が総量の8.4%、上位2,000語が12.2%。https://backlinko.com/google-keyword-study
3. Pandu Nayak「Understanding searches better than ever before」Google、2019年10月25日。毎日の検索のうち15%が、それまでに見たことのない問いである旨。https://blog.google/products/search/search-language-understanding-bert/
4. Pandu Nayak「How AI powers great search results」Google、2022年2月3日。毎日の検索のうち15%がまったく新しい問いである旨。https://blog.google/products-and-platforms/products/search/how-ai-powers-great-search-results/
5. Google 広告 ヘルプ「Low search volume: Definition」。Google上で検索の履歴がほとんど無いキーワードに付く状態であること、検索が増えるまで広告の表示に使われないこと、過去12か月の世界全体の検索回数で判定すること、Keyword Plannerが過去12か月の検索の傾向を使うこと、新しいブランドや語や製品を広告する場合の選択肢。https://support.google.com/google-ads/answer/2616014?hl=en
6. Daniel Waisberg「A deep dive into Search Console performance data filtering and limits」Google Search Central Blog、2022年10月19日。匿名化されたクエリ（2〜3か月のあいだに数十人を超える利用者から検索されていない問い）は表に表示されないがグラフの合計には含まれること（問いで絞り込むと除かれる）、画面から書き出せるのは1,000行、Search Analytics APIでは1日あたりサイトと検索の種類ごとに50,000行が上限であること。https://developers.google.com/search/blog/2022/10/performance-data-deep-dive
7. Google Search Central「Optimizing your website for generative AI features on Google Search」最終更新2026年7月10日。「生成AI検索について、やらなくてよいこと」の節で、AIの仕組みは同義語や大まかな意味を理解できるため、ロングテールのキーワードの不足や探し方の変形をすべて押さえていないことを心配する必要はないとする記述。検索しうる変形ごとにコンテンツを作ることと大量生成によるスパムの方針の関係（主として順位や生成AIの回答の操作を目的とする場合）。https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
8. Pew Research Center「Google users are less likely to click on links when an AI summary appears in the results」2025年7月22日。米国の成人900名の2025年3月のブラウジング記録（Google検索68,879件、うちAIの要約が表示されたのは12,593件）。1語か2語の検索でAIの要約が表示されたのは8%、10語以上では53%、疑問の語で始まる検索では60%、名詞と動詞の両方を含む検索では36%。Wikipedia、YouTube、RedditがAIの要約の引用元の15%、通常の検索結果の17%を占めたこと。https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
9. 査読前のプレプリント。Haofei Xu, Umar Iqbal, Jacob M. Montgomery「Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact」arXiv:2605.14021、2026年5月13日投稿。米国向けのGoogleトレンドから取った検索（その時点で人気があるか、関心が急に高まっていた問い）55,393件、19カテゴリー、2026年3月13日〜4月21日。AI Overviewsの表示は13.7%。上位5サイトの占める割合がAI Overviewsの引用で20.0%・1ページ目で39.1%、上位100サイトで57.1%・71.1%。著者らが引用の分布を「heavily long-tailed」とする記述。最も多く引用されたサイトにYouTube（5.49%）、Wikipedia（4.39%）。https://arxiv.org/abs/2605.14021
10. Alex Mallen, Akari Asai, Victor Zhong, Rajarshi Das, Daniel Khashabi, Hannaneh Hajishirzi「When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories」Proceedings of ACL 2023（長論文）、pp. 9802–9822、2023年7月。PopQA（14,000問、Wikidataの16種類の関係）、知られ具合をWikipediaの月間ページビューで測ったこと、最も知られていない4,000問でGPT-j 6Bが16%・GPT-3 davinci-003が19%、検索器を組み合わせたGPT-neo 2.7BがGPT-3 davinci-003を上回ったこと、問いの10%で検索による補強が誤答を招き17%で正答を招いたこと、合成データセットに依拠するという限界の記述。https://aclanthology.org/2023.acl-long.546/（arXiv:2212.10511 https://arxiv.org/abs/2212.10511）
11. Nikhil Kandpal, Haikang Deng, Adam Roberts, Eric Wallace, Colin Raffel「Large Language Models Struggle to Learn Long-Tail Knowledge」ICML 2023、arXiv:2211.08411（2022年11月15日投稿／2023年7月27日改訂）。事前学習のデータにエンティティの結び付けを行い、問いと答えと同じエンティティを含む文書の件数を数えたこと、その件数と正答率との強い関係。検索による補強が事前学習のデータへの依存を減らしうること。https://arxiv.org/abs/2211.08411
12. Anthropic「Web search tool」開発者向けドキュメント。APIの呼び出しにWeb検索ツールを加えた場合にモデルが問いに応じて検索するかどうかを決めること、検索する場合の例に変わりうる特定の組織・人・製品についての情報が含まれ、確立した事実や創作では検索せずに答えること。https://platform.claude.com/docs/en/agents-and-tools/tool-use/web-search-tool
13. Anita Elberse「Should You Invest in the Long Tail?」Harvard Business Review、2008年7〜8月号。本文は有料のため、出版元の論文紹介で確認。アンダーソンが2006年の著書でニッチな品目の尾がより長く、より太く、より収益性の高いものになると論じたこと、Elberseが音楽と映像ソフトの販売データ（Nielsen SoundScan、Nielsen VideoScan、Rhapsody、Quickflix）を調べ、ヒット作が以前にも増して市場を取り、尾の側の消費者はニッチな品目をあまり好んでいないと示したこと。https://store.hbr.org/product/should-you-invest-in-the-long-tail/R0807H
14. Tom Fangyun Tan, Serguei Netessine, Lorin Hitt「Is Tom Cruise Threatened? An Empirical Study of the Impact of Product Variety on Demand Concentration」Information Systems Research 28(3), pp. 643–660、2017年（DOI: 10.1287/isre.2017.0712）。要旨はウォートン校Mack Instituteの紹介ページで確認。映画のレンタルのデータで、品揃えの拡大が需要の集中を強めうること、品目を1,000本増やすと上位1%のシェアが1.96%増え下位1%のシェアが21.29%減ったこと。https://mackinstitute.wharton.upenn.edu/2017/is-tom-cruise-threatened-an-empirical-study-of-the-impact-of-product-variety-on-demand-concentration/
15. Hillel Maoz, Moshe Samet「Introducing Search Generative AI performance reports in Search Console」Google Search Central Blog、2026年6月3日（2026年8月31日に全世界のサイトへ展開した旨の注記あり）。レポートが示すのは表示回数、ページ、国、デバイス、日付であること。https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports
16. Google Search Console ヘルプ「Generative AI performance report (Search)」。対象はAI OverviewsとAI Modeであること、表の切り口はページ、国、日付、デバイスであること、Search Labsの実験を含まないこと、2026年8月31日に全世界のサイトへ展開した旨。https://support.google.com/webmasters/answer/16984139?hl=en

本記事の出典1〜16は、2026年9月25日に一次情報で確認した。出典13は本文が有料のため出版元の論文紹介の範囲で、出典14は出版社のページの取得が拒否されたため大学の紹介ページと書誌情報の範囲で確認した。また、日本語の検索でロングテールの割合や、問いの長さとAIの要約の関係を測った一次のデータは、本記事の調査範囲では確認できなかった。