LLMOのペルソナ設計｜広告用ペルソナが機能しない理由と立場別の設計手順

なぜ今、AI検索でペルソナ設計を見直す必要があるのか

理由は、ユーザーの「調べ方」そのものが変わったからです。従来の検索では、ユーザーは頭の中の疑問を「LLMO ペルソナ 設計」のようなキーワードの組み合わせに変換して入力していました。一方、ChatGPTやGemini、AI OverviewsといったAI検索では、ユーザーは悩みや比較条件を"文章"のままAIに相談することが増えています。

たとえば「LLMO対策を外注すべきか、社内でやるべきか。予算は月30万円、担当者は1名で兼務」のような、状況と制約を含んだ相談です。キーワードなら1つの検索語に集約されていた意図が、AI検索では立場や状況によってまったく違う文章になって現れます。

つまり、対策の起点となる「誰の、どんな質問に応えるか」の設計、すなわちペルソナ設計の考え方を、AI検索の前提に合わせて更新する必要があるということです。

広告運用のペルソナ設計とLLMOのペルソナ設計は何が違うか

最大の違いは、絞り込む軸が「属性」から「立場と判断」に変わることです。

広告運用のペルソナは、配信対象を決めるためのものです。「35歳・都内在住・マーケティング職・世帯年収900万円」のように属性で絞り込むほど、配信精度が上がる設計になっています。ターゲティングという仕組みの上では、この細かさに意味がありました。

一方、LLMOには「配信」がありません。AIがどのユーザーの質問に対して自社を引用するかを、属性でコントロールすることはできません。少なくとも外部検索や引用を伴う場面では、ユーザーの質問（プロンプト）と、その質問に答えられる情報源の適合性が重要になります。だからLLMOのペルソナで問うべきは「その人が何歳でどこに住んでいるか」ではなく、「その人はどんな立場で、何を判断するために、AIへどんな質問を打つのか」になります。

比較項目	広告運用のペルソナ	LLMOのペルソナ
目的	配信対象を絞り込む	応えるべき質問を定義する
主な軸	年齢・性別・地域・年収などの属性	立場・判断事項・質問の仕方
数	代表的な1〜2人に集約しがち	意思決定に関わる立場ごとに複数
成果物	ペルソナシート（人物像）	立場別のプロンプト群

LLMOのペルソナを定義する4つの問い

LLMOのペルソナは、次の4つの問いに答える形で定義します。人物像を細かく描き込むのではなく、この4点が埋まれば十分です。

1. 誰が：どの部門・役割の人か（例：マーケティング部門、情報システム部門、経営企画）
2. どんな立場で：意思決定者か、実行者か、評価・監督する側か
3. 何を判断するために：導入可否か、進め方か、リスク評価か、比較選定か
4. AIへどう質問するか：その判断のために、実際にどんな文章でAIに相談するか

ポイントは4つ目です。1〜3で立場と判断事項を定めたら、必ず「実際に打たれるプロンプト」の文章まで書き出します。ここまで落とし込んで初めて、自社サイトがその質問に答えられる情報を持っているかを検証できる状態になります。プロンプト単位で対策を考える理由はAI検索はプロンプト単位で動くで詳しく解説しています。

立場が変わればプロンプトは変わる

同じ会社・同じサービスに関する質問でも、質問者の立場が変わればプロンプトはまったく別物になります。BtoBの意思決定に関わる代表的な4つの立場で例を示します。

立場	判断したいこと	AIに打つプロンプトの例
経営層	導入すべきか	「LLMO対策に投資する価値はあるか。費用対効果と、やらない場合のリスクを整理して」
実務担当者	どう進めるか	「LLMO対策を社内リソースだけで始めたい。優先順位と最初の3ヶ月のステップを教えて」
法務・管理部門	リスクはないか	「AIが自社について誤った情報を回答するリスクと、企業側でできる対策は」
採用候補者	どんな会社か	「この会社の事業内容と強み、働く環境について教えて」

この4つの質問は、求める答えも、AIの回答で参照されやすい情報源も変わります。「代表的なペルソナを1人に絞る」という広告運用の発想でこのどれかに寄せてしまうと、残りの立場からの質問には応えられなくなります。だからLLMOのペルソナは、1つに絞り込むのではなく、意思決定に関わる立場ごとに多面的に設計します。

「絞りすぎ」も「広げすぎ」も機能しない理由

多面的に設計すると言っても、無限に広げればいいわけではありません。絞りすぎと広げすぎ、どちらにも明確な失敗パターンがあります。

絞りすぎると、質問の広がりを取りこぼします。とくにGoogleのAI ModeやAI Overviewsでは、ユーザーの1つの質問を内部で複数のサブトピックや関連クエリに分解し、並列で情報を集めて統合する場合があります（クエリファンアウトと呼ばれる仕組みです）。「実務担当者の進め方の質問」だけに最適化したサイトは、経営層の質問から分解されたサブクエリや、リスク観点のサブクエリで参照される機会を、最初から狭めてしまう可能性があります。

広げすぎると、引用されにくくなります。あらゆる立場に応えようとして総花的なコンテンツにすると、どの質問に対しても「一番的確な情報源」ではなくなります。AIは質問に対して関連性が高いと判断した情報源を参照することがあり、そのため、汎用的な解説だけでは、より専門的で具体的な情報源に負けやすくなります。

もうひとつ、見落とされがちな前提があります。立場別の質問に応えるには、それぞれの問いに対する答えがサイト上で「抽出できる形」になっている必要がありますが、SEGO診断でAI検索対応の項目を評価した2,273件の診断データでは、SEGOの評価基準上、回答を結論から書く構成（answer_first）の合格率は5.4%、FAQの構造化は13.3%にとどまりました。ペルソナを何面に設計しても、答えを抽出できる情報構造がなければ、引用されにくくなります。ペルソナ設計と情報構造の整備は、セットで進める必要があります。

実践ステップ：立場ごとにプロンプト群を洗い出す手順

大企業のLLMO支援やAI活用プロジェクトでは、意思決定に関わる立場が多くなります。まずは5〜6程度の立場に分け、それぞれが実際に打つプロンプトまで落とし込むと整理しやすくなります。手順は次の5ステップです。

1. 意思決定に関わる立場を洗い出す：自社の商材について「調べる可能性のある立場」を挙げます。BtoBなら経営層・実務担当・情報システム・法務・調達・（企業選びの文脈では）採用候補者など、5〜6程度になることが多いです。ここで「よく会う担当者」だけを思い浮かべると、稟議を止める権限を持つ立場（情報システムや法務）が抜け落ちがちなので、購買プロセスに登場する全員を洗い出すのがコツです。
2. 立場ごとに4つの問いを埋める：前述の「誰が・立場・判断・質問の仕方」を、立場ごとに1枚に整理します。同じ商材でも、実務担当が知りたいのは「進め方」、経営層が知りたいのは「投資判断」というように、判断事項が食い違うことがこの段階で可視化されます。
3. 立場ごとにプロンプト群を書き出す：各立場につき5〜10個、実際にAIへ打ち込まれそうな文章を書き出します。社内の営業やカスタマーサポートに「顧客から実際に聞かれる質問」をヒアリングすると、机上では出てこないプロンプトが集まります。たとえば実務担当の想定質問には、公開情報にはない「他社は移行にどれくらいかけたか」といった、現場の生の関心が含まれることがあります。
4. 実際にAIへ入力し、現状を記録する：書き出したプロンプトをChatGPT・Gemini・Perplexityに入力し、自社が引用・言及されるか、競合はどう扱われているかを記録します。同じプロンプトでも数回試すと回答が揺れるため、1回の結果で判断せず、複数回・複数AIで傾向を見ます。確認手順はAI検索で自社が表示されているかの確認方法を参照してください。
5. 結果から仮説を立て、優先順位をつける：「経営層向けの質問では競合が引用されるのに自社が出ない」「リスク系の質問には誰も答えられていない」といった結果を分析し、どの立場×どのプロンプト群から対策するかを決めます。判断基準は、事業インパクトの大きさと、現状の情報構造で勝てる余地の2軸です。全立場を同時に狙うのではなく、勝ち筋のある1〜2の立場から着手すると、成果も検証もしやすくなります。

この手順を通すと、対策を始める前に「どの質問で勝ちにいくか」が言語化されます。実務では、洗い出したプロンプト群をそのまま効果測定の観測対象に流用できる点も利点です。プロンプト群が定まれば、その後のコンテンツ整備も効果測定も、すべて同じ基準で回せるようになります。効果測定の具体的な進め方はLLMOの効果測定のやり方で解説しています。

なお、この設計は一度作って終わりではありません。生成AIの仕様も、競合の情報発信も変わっていくため、少なくとも四半期に一度は同じプロンプト群でAIの回答を取り直し、立場ごとの現在地を更新していくことをおすすめします。

まとめ：ペルソナは「人物像」ではなく「質問の設計図」

LLMOのペルソナ設計の要点を整理します。

• デモグラ属性で絞り込む広告型のペルソナは、配信の仕組みがないAI検索では機能しにくい
• 「誰が・どんな立場で・何を判断するために・AIへどう質問するか」の4点で定義する
• 立場が変わればプロンプトは変わる。1つに絞らず、意思決定の立場ごとに多面的に設計する
• 絞りすぎは質問の広がりを取りこぼし、広げすぎは引用されにくくなる。立場ごとの具体性を保つ
• プロンプト群への回答をサイトから抽出できる情報構造（結論ファースト・FAQ構造化）まで含めて、初めて機能する

LLMOという言葉の整理や対策の全体像はLLMO対策の全体ガイドを、GEO・AIOとの用語の違いはGEOとSEOの違いの記事をあわせてご覧ください。

そして、立場別のプロンプト群を洗い出したら、次に確認すべきは「その質問に答えられる情報構造が自社サイトにあるか」です。結論ファースト構成や構造化データなどの土台が整っているかは、SEGOの無料診断で確認できます。

SEGOで無料診断を試す