Schema markupとAI引用の相関｜SSRN論文検証

「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、SNSやセミナーで見た方も多いのではないでしょうか。この主張の根拠としてしばしば参照されるのが、2026年2月にSSRNで公開されたKurt Fischman氏の論文です。AIO Journal 編集部が原典を読み込み、単純な相関と、交絡要因を補正した後の結果を分けて解説します。

01研究の結論(3行)

結論から言うと、この論文は「スキーマを追加すればAI引用が増える」という単純な因果関係を支持していません。730件のAI引用データを分析した初期集計では、スキーマの有無とAI引用の間に負の相関が見られました。しかしこの負の相関は、Googleの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。統計的に確定しているのは、汎用スキーマが無実装より引用率を下げることであり、属性豊富なスキーマの正の効果は証明されていません。

02原典情報

• 論文名: Does Schema Markup Predict AI Citation? A Cross-Platform Empirical Study of Structured Data and Generative Engine Optimization
• 著者・所属: Kurt Fischman氏(AI検索最適化を手がける企業Growth Marshalの創業者・CEO)による単著です
• 掲載先: SSRNで2026年2月下旬に公開されました(プレプリントミラーのaiXiv版は2月22日)。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)としての公開です。Zenodo・aiXivにも同時公開されています
• リンク: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6284518
• 関連ページ: runmarshal.com(Growth Marshal社のサイト)にも著者本人による研究解説ページが公開されています。著者が自社サイトで公開している解説であり、独立した第三者によるレビューではありません

03研究手法の平易な解説

Fischman氏は、ChatGPT(GPT-4oのWeb検索機能)とGemini(1.5 Pro)に、75件の商業的な検索クエリを投げました。対象カテゴリは、SaaS・医療・金融保険・専門サービス・How-To(ハウツー)の5分野です。AIの回答内で引用されたページを収集し、比較対象として同じクエリでのGoogle検索上位10件もあわせて取得しています。

収集できたAI引用は730件でした。AI引用ページと非引用ページを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。ここまでが、以降の統計分析の土台となるデータセットです。

引用されやすい定義文

Schema markupとAI引用の相関とは、構造化データとAIが回答内で引用する確率との統計的な関連性を指します。

04主要な発見(データ付き)

論文の分析は2段階に分かれています。全体をまとめて集計した初期分析と、交絡要因を補正した分析です。まず初期分析の結果を見ていきます。

初期分析で見られた負の相関(OR=0.546)は、交絡要因を補正すると統計的に消えました。論文は、この見かけ上の負の相関を「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。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。そのため比較対象の非引用ページ群で、スキーマの割合が実際より高く見えていた、という理屈です。

補正後の分析で統計的に有意な差が残ったのは、スキーマの「種類」による違いです。価格・評価・仕様など具体的な属性を含むスキーマを、本記事では「属性豊富なスキーマ」と呼びます。スキーマなし(未実装)を基準に3群を比較すると、汎用スキーマ(Article・Organizationなど)を実装したページの引用率は、無実装より有意に低い結果でした。

統計的に確定しているのは「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(61.7%)はスキーマなし(59.8%)と統計的に同等で、著者も「属性豊富はベースライン回復、汎用はそれを下回る」と留保しています(p=.71)。属性豊富と汎用(41.6%)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。

なお、補正後モデルでもっとも強い予測因子だったのは、スキーマではなく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引用のオッズが約24%低下しています(OR=0.762、p<.001)。順位1位のページの引用率は43%、順位7位では5%まで下がりました。

05限界と注意点

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。

AIO Journal 編集部として、次の3点も踏まえて読む必要があると考えます。第一に、著者のFischman氏はAI検索最適化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。

06日本市場・実務への示唆

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スキーマなど、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。むしろ汎用スキーマだけを入れると、無実装より引用率が下がる点に注意が必要です。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。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。

07追試・検証の視点(WEBMARKSならこう検証する)

WEBMARKSは、AI検索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ます。両者を比較し、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。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。

08FAQ

09この分野を体系的に学ぶ