為了被 AI 引用的施策，是否有學術上的佐證？——在醫療脈絡下解讀 GEO 研究

關於「讓自己更容易被 AI 引用的施策」，以實測為基礎的學術研究已經存在。本文整理兩項代表性研究的見解，並探討在醫療機構資訊發布的脈絡下該如何解讀。

GEO（生成式引擎最佳化）是一種最佳化的思路，目標是讓生成式 AI 在產生回答時，能正確地引用、參照自己的資訊。

作為第一項系統性研究而為人所知的，是提出 GEO 這一概念的研究（Aggarwal et al., KDD 2024）。該研究透過實驗報告指出：在網頁上加入明確的引用、統計與出處，能提升在生成式引擎上的可見度；另一方面，關鍵字堆砌之類的傳統型 SEO 手法則效果甚微。

較新的大規模比較研究（Koudas, 2025）跨多個業種與語言，比較了 AI 搜尋與傳統 Google 搜尋如何選取資訊來源，並報告了以下差異。第一，AI 搜尋在系統上優先採用 Earned media——由第三方所做出的權威性言及——更甚於品牌自身的網站或社群媒體。第二，各 AI 搜尋服務之間，在參照網域的多樣性、資訊的新鮮度、跨語言的穩定性，以及對提問文句措辭的敏感度上，有著很大的差異。第三，存在著偏袒大型品牌的偏誤，利基型業者則需要能跨越此偏誤的策略。

若將這些見解轉譯到醫療機構的脈絡，可以如下解讀。

「具備統計與出處的頁面較容易被引用」這項見解，在醫療上意味著「明示公共資料與一次資訊」。相較於效果或優越性的主張，把可驗證的事實附上出處加以呈現，其方向也與醫療廣告指南的思路一致。

對 Earned media 的優先，暗示了僅充實貴診所自身的網站是不夠的。所受檢驗的，是貴診所的資訊是否在學會與公家機關的名冊、地區的醫療資訊，以及第三方媒體上被正確記載。

引擎之間、語言之間的差異，以及對措辭的敏感度，意味著無法憑單次的提問來判斷「在 AI 眼中看起來如何」。需要跨多個模型、多種提問模式、以及變換時點的觀測。這也是本網站作為驗證前提的思路。

作為對抗大型品牌偏誤之道，利基型業者所剩下的，是大型業者所不具備的一次資料與專業特化。根植於地區與診療領域、可驗證資訊的累積，被認為是彌補規模劣勢為數不多的路徑之一。

最後也一併載明侷限。這些研究主要是英語圈環境下的實驗，在日語醫療領域是否成立相同的效果量尚未驗證。而這項驗證，正是本網站今後將以實測加以填補的領域。