AI 検索エンジンでの引用率を計測する LLMO 専用 SaaS が 2024-25 年に登場しました。本記事では主要 4 ツール + 自前実装の比較を行います。
1. 主要ツール一覧
| ツール | 対象 | 料金目安 | 強み |
|---|---|---|---|
| Profound | エンタープライズ | $500-/月 | 競合分析、引用源詳細、API 提供 |
| Otterly.ai | 中小規模 | $30-100/月 | シンプル UI、初学者向け |
| Peec AI | 中小規模 | $50-200/月 | ChatGPT 引用追跡に強い |
| Goodie AI | 新興 | $25-/月 | 若い、価格安め |
| 自前 (Python + API) | DIY | $20-100/月 (API 従量) | 完全カスタマイズ |
2. 共通機能
- ターゲットクエリ管理: 監視したいクエリを登録
- マルチ AI 横断: ChatGPT / Perplexity / Claude / Bing Copilot 等で同じクエリを実行
- 引用源の追跡: 自社が引用された場合、引用順位・引用文脈の記録
- 競合追跡: 同じクエリで競合他社の引用率もトラッキング
- 時系列ダッシュボード: 引用率の推移を週次/月次で可視化
- アラート: 順位変動・新規引用検出時の通知
3. Profound (エンタープライズ向け)
- 規模感: 大企業向け、最も機能が豊富
- 強み: 競合分析が深い、API 提供、SOC 2 対応
- 弱み: 高額 ($500-/月から)、UI がやや複雑
- 向いている: 大企業のマーケ部、エージェンシー
4. Otterly.ai (中小規模向け)
- 規模感: 中小〜中規模、コスパ重視
- 強み: UI シンプル、月 $30 から、無料トライアルあり
- 弱み: エンタープライズ機能なし、API なし
- 向いている: スタートアップ、個人事業主、自社マーケ担当
5. 自前実装 (Python)
シンプルな自前 LLMO トラッカー
Python
import anthropicimport openaiimport requestsimport datetime
# ターゲットクエリqueries = [ "GEO LLMO 入門", "AI 検索 SEO 違い", "ChatGPT 引用 サイト 対策",]
# 各 AI に問合せて引用源を抽出def query_perplexity(q): r = requests.post('https://api.perplexity.ai/chat/completions', headers={'Authorization': f'Bearer {PERPLEXITY_KEY}'}, json={'model': 'pplx-70b-online', 'messages': [ {'role': 'user', 'content': q} ]}) return r.json() # 引用 URL リストを含む
def query_claude(q): client = anthropic.Anthropic(api_key=ANTHROPIC_KEY) msg = client.messages.create( model='claude-3-5-sonnet-latest', max_tokens=1024, messages=[{'role': 'user', 'content': q}], ) return msg.content[0].text
# 結果を BigQuery / Sheets に保存for q in queries: result = query_perplexity(q) citations = extract_citations(result) save_to_db(date=datetime.date.today(), query=q, ai='perplexity', citations=citations) # ChatGPT, Claude も同様6. 自前 vs SaaS の損益分岐点
| 項目 | 自前 | SaaS |
|---|---|---|
| 初期コスト | 実装 1-2 週間 | 0 (アカウント作成のみ) |
| 運用コスト | API 従量 + 開発工数 | 月額固定 $30-500 |
| カスタマイズ性 | 完全自由 | ツール機能内 |
| 多 AI 対応 | 都度実装 | 標準対応 |
| 保守 | 自分で行う | SaaS 側が更新 |
| 損益分岐 | クエリ 100+ で安い | クエリ 100 以下なら SaaS が楽 |
7. ツール選びの実践フロー
- 1Step 1: ターゲットクエリ 10-30 件を定義
- 2Step 2: 1 ヶ月手動で月次計測 (Excel / Sheets で記録)
- 3Step 3: 効果が見えてきたら Otterly.ai 等の安い SaaS で自動化
- 4Step 4: クエリ数 100+ になったら Profound or 自前実装に移行
- 5Step 5: ダッシュボード化して経営層に報告
8. ふくふくの推奨スタック
中小規模で始めるなら
最初は手動 + Sheets で 1 ヶ月、効果実感したら Otterly.ai (月 $30) で自動化、組織が大きくなったら 自前 Python + BigQuery に移行、が現実的なステップ。1-3 まで合計 3 ヶ月で運用が回る状態に。
9. ここまでのまとめ
EP.01-06 で LLMO の理論 → llms.txt 実装 → 構造化データ → 著者シグナル → 業界別戦略 → ツール比較 という一連の流れを扱いました。本シリーズは読者リアクションに応じて、「ChatGPT search の挙動深掘り」、「Perplexity 専用最適化」、「Apple Intelligence 対応」 などの続編を随時追加していきます。
この記事の感想を教えてください
あなたの 1 クリックで、本当にこの記事は更新されます。「もっと詳しく」「続編希望」が一定数集まった記事は、 ふくふくが 実際に内容を拡充したり続編記事を公開 します。 送信したリアクションはお使いのブラウザに記録され、再カウントされません。