何十年もの間、 企業の評判 主にメディア、検索エンジン、ソーシャルネットワークの3つの領域で運営されてきました。 ChatGPT、Gemini、Perplexity、AI Overviews、その他の会話モデルの拡張により、4 番目の領域が追加されました。 人工知能が提供する答え ユーザーが情報を検索するとき、代替案を比較するとき、または直接推奨を求めるとき。
この問題は、IT 部門に新たな複雑さをもたらします。 コミュニケーション。ブランドは頻繁に登場するにもかかわらず、推奨されない場合があります。あるモデルでは目立ちますが、別のモデルではほとんど目立たなくなります。あるいは、AI の評判を築くための情報が、企業がほとんど管理していない情報源から来ていることを発見することもあります。
ブランドは、AI がその評判を築くために使用した情報が、自社が管理していない情報源からのものであることに気づくかもしれません
これは、Buzz の創設者兼イノベーション責任者である Eduard Corral が、モデルにおけるブランドの存在感を 3 つのレベルで区別することによって、AIBC 2026 イベント中にすでに取り上げた現実です。 思い出す、推論する そして おすすめ。 1 つ目は、モデルがそのカテゴリーについて尋ねられたときにブランドを思い出すことです。 2 つ目は、それを中心にどのような属性と関連性を構築するかです。 3 つ目は、最も価値のあるもので、ユーザーが事前に言及することなく、最初のオプションとして推奨されることです。 “現れる” したがって、それは関連する地位を占めることと同等ではありません。 「量ではなく、どのようにするかが重要だ。」コラル氏は説明し、モデルの動作が異なるため、ChatGPT だけを測定したり、Gemini だけを測定したりするのは間違いであるとも指摘しました。
正確に 断片化、の欠如 方法論 そして理解することの難しさ 情報源 これらは現在、Asesores と Good Rebels によって作成された最初の「LLM に関する取締役の懸念事項の 10 節」に含まれる主要な懸念事項の 1 つに含まれています。
この文書は、6月末から7月初めにかけて30人のコミュニケーションディレクターとメディアリレーションマネージャーが参加して開催された2つのフォーカスグループに基づいている。彼らの結論は、次の 4 つの分野別分析と対比されています。 銀行、保険、ホテル、通信 ChatGPT、Gemini、Perplexity、および AI 概要からの 40,000 を超える応答に基づいて作成され、モデルごとに 10,000 を超えるプロンプトが含まれます。
LLM に関する Dircom の 10 の懸念事項
この十章は、コミュニケーションを担当する人々の関心が、メンションを獲得することをはるかに超えていることを示しています。それは、メディアの選択や情報の有効期限から、有料コンテンツ、レビュー、または新たな投資を正当化する能力にまで及びます。
1. 実証済みの方法論がない。 モデルは応答をどのように構築するかに関して依然として不透明であり、言及の中で早期の位置を達成するための統合された方法論はありません。さらに、今日学んだことは数か月後には変わる可能性があります。
2. PR、SEO、GEO を風評リスクなしで統合します。 これらの分野をどのように調整するか、そして戦略で何を決定する必要があるかという問題が生じます。 Dircoms は、商業モデルや目的を重視した過剰な最適化が、結果的に世界的な企業の評判を傷つけることになるのではないかと懸念しています。
3. 関連するメディアのマップを再定義します。 分析の結果、二次的と考えられている一部のメディアが回答に大きな比重を占めている一方、特定の参照見出しがほとんど表示されないケースもあることが判明しました。このため、私たちはメディアとの関係を優先する従来の基準を見直す必要に迫られています。
4. メッセージの一貫性と有効性を維持します。 古いコンテンツ（独自のコンテンツとサードパーティが公開したコンテンツの両方）では、不正確または古い回答がフィードされ続ける可能性があります。したがって、評判管理では、現在何を公開するかだけでなく、どのような過去の情報がまだ入手可能であるかを考える必要があります。
5. モデル間の断片化。 各 LLM は、ソースの参照、引用、リンクの方法が異なります。ブランドは、ある分野では先頭に立っても、別の分野ではほとんど目立たない可能性があるため、リソースをどこに、どのような期間で集中するかという問題が生じます。
6. 報道のパラドックス。 広範囲にわたる報道を行っても、優位な立場が保証されるわけではありません。ブランドは影響力を蓄積し、言及が遅れたり希薄化する可能性がありますが、専門性の高い企業は、対象範囲が少なくても特定の地域での関連性を獲得できます。
7. 独自のチャネルの制限された重み。 分野に応じて、企業 Web サイトは、分析されたクエリで使用されるソースの 2% ～ 25% を占める場合があります。したがって、当社が管理していないコンパレータ、アグリゲータ、およびサードパーティの重要性がますます高まっています。
8. 有料コンテンツの不透明度。 レポートによると、知られている限り、モデルは、フラグが設定されていないスポンサー付きコンテンツを検出しません。ディルコムは、戦術的なチャンスの可能性があると見ているが、その規制の持続可能性やメディアがそれをどのように管理するかについては不確実性もある。
9. 重要かつ脆弱な前線としてのレビュー。 このモデルはユーザーの意見を重視しているため、偽のレビュー、組織的な否定的なレビュー キャンペーン、およびこの新たな風評リスクに対する内部責任について疑問が生じます。
10. 依然として不確実な ROI に直面した予算の制限。 方法論の対比が不十分であり、改善が特定のアクションによるものであると判断することは依然として困難です。テストして学習する仕組みが必要になりますが、実績がないと予算を正当化することも難しくなります。
「取締役たちは、私たちに大きな懸念と非常に大きな判断の必要性を伝えています。彼らは、AI への対応において自社の評判がすでに危機に瀕していることを承知しており、リソースをどこに投資するかをデータに基づいて決定したいと考えています。」Asesores のパートナー兼ビジネス開発ディレクターである Carlos Hergueta 氏は次のように説明します。
エルゲタにとって、このシナリオは広報における歴史的な傾向も裏付けています。 「信頼性はサードパーティを通じて構築されますが、今後は機械で読み取れるようにも構築する必要があります。」
この点は、AIBC 中にコラルが提起した別のアイデアとつながります。コーポレートサイトには価値があり続けるが、 企業の主張を外部情報源と対比させるモデル。 「モデルはあなたのウェブサイトを読み取りますが、あなたが伝えたことを確認します。」と説明してくれました。したがって、すべてのコンテンツが同じ価値を持つわけではありません。次のような一般的なステートメント 「私たちが最初です」 どちらか 「私たちは最高です」 検証できない場合、提供される情報はほとんどありません。一方、ステートメントの検証を可能にするデータ、数値、認識、外部参照およびコンテンツは、モデルによって使用される可能性が高い資料を提供します。
LLM にとってメディアは他の情報源に比べてほぼ 2 倍の影響力を持つ可能性があります
Asesores と Good Rebels からの新しいレポートは、この問題に関するデータを提供します。その主な発見は、 メディア LLM にとって、他の情報源に比べてほぼ 2 倍の影響力を持つ可能性があります。したがって、メディアがソースとして表示されると、ブランドへの言及は銀行では 1.78 倍、保険では 1.64 倍になります。ホテルではその倍率は 1.38 に達し、電気通信では 1.05 に達し、Web サイトやコンパレーターと同等の重みを持ちます。
コンパレータ しかし、それらの存在感は特に高く、ブランドについて言及した回答の 70% から 90% がそれらについて言及しています。それらの普及率が高いということは、レポートではそれらが必要な条件であると考えられているが、必ずしも差別的な条件ではないと考えていることを意味します。
で 銀行業、分析では、独自の Web サイト、3 つまたは 4 つの比較サイト、および 1 つまたは 2 つの編集上の参考資料を組み合わせた 6 ～ 8 つの多様なソースで構成されるアーキテクチャにより、言及率が 61% ～ 68% を超えることも示されています。
この結果は、AIBC 中にも提起されたアイデアの 1 つを裏付けるものです。つまり、クエリが具体的になると、一般的な悪名が推奨を保証するわけではありません。次に、コラル氏はスポーツ シューズの例を挙げました。一般的な質問ではナイキやアディダスが上位に来る可能性がありますが、ユーザーがランニングに関する具体的な質問をすると、アシックスやホカなどの専門ブランドが上位に現れる可能性があります。ブランド向け 挑戦者、 これにより、次のような機会が開かれます 権威を築く 特定の地域で。
ブランドがどの程度表示されているかを測定するだけではもはや十分ではありません
変身も影響する メトリクス。企業の出現頻度を観察できる Share of Voice と比較して、Buzz は次のことも提案しています。 推奨シェア、最初の推奨が何倍を占めているかを分析します。これに、言及の深さ、意味論的なトーン、使用された出典などの問題が加わります。
この区別はコミュニケーション部門に特に関係します。あるブランドは応答に繰り返し表示され、常に二次的な位置に表示されますが、別のブランドは言及の回数は少ないものの、特定のニーズに対して優先的に推奨される場合があります。
Advisors と Good Rebels は、この点に関して 4 つの推奨事項を提案しています。
- 各モデルの特徴を理解する
- 多様なフォント アーキテクチャを構築する
- 編集コンテンツを差別化要素にする
- ブランドの存在感を継続的に監視し、調整する
Asesores はまた、 アルゴリズムによる評判手法 7 つのフェーズで構成されており、各タイプの情報源の重みを特定し、ブランドの引用可能性を競合他社と比較することから始まります。次に、応答を構成する手段が分離され、繰り返し発生するパターンとアプローチが検出され、コミュニケーション領域が定義され、これらの学習が PR 戦略に組み込まれ、アクションを調整するために測定が定期的に繰り返されます。
この提案は、AIBC でコラル氏が提案した 5 つのステップ (情報源の測定、診断、引用可能なコンテンツの作成、それらの情報源への影響、定期的な監視) とほぼ一致しています。
そして、LLM における評判は、ブランドに新しい技術シナリオを提示し、したがって、従来の仕事の拡張を意味します。 コミュニケーション、 これには、AI がブランドについて何を記憶しているのか、ブランドについてどのように推論しているのか、その認識を構築するためにどのようなソースを使用しているのか、そして最終的にはどのような状況でそのブランドを推奨するかを判断することも含まれています。
