情報利得

TL;DR — 情報利得とは、そのトピックについて検索者が他の検索結果ですでに見た内容を超えて、ページが加える新しい情報の量です。「良いコンテンツ」や「長いコンテンツ」と同じではありません。ページが入念でも新しいものを何も加えないことがあります。この名称はGoogleの特許に由来しますが、Googleはページの順位付けに実際に使っているとは一度も述べていません。平易な公式ガイダンスで述べているのは、すでにあるものを書き換えるだけではなく、独自の何かを加えることです。

情報利得とは何か

情報利得は、SEO担当者がよく使う情報理論および特許上の概念です。Googleは、この名称で普遍的なスコアを持つ公開ランキング要因を文書化していません。 Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google patent: Contextual estimation of link information gain Googleの有用なコンテンツに関するガイダンスは、コンテンツが独自の情報、報道、調査、分析を加えているかを尋ねています。 Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google: Helpful content guidance

あるトピックを調べている人を想像してください。最初の結果を開いて読み、次に2番目を開きます。2番目のページが最初のページの内容を、言い回しを変えただけで、すべて繰り返していたら、そこから新しく学ぶことはありません。新しいデータポイント、一次体験の話、または別の角度を示していれば、その人は情報を得たことになります。

考え方はそれだけです。情報利得は、検索者がすでに見た内容に対する新規性のことであり、単一ページがそれだけでどれほど洗練されているか、完全であるかのことではありません。上位10件の結果と同じコンセンサスの事実を丁寧に言い換えた4 000語の記事は、情報利得が低いでしょう。真に新しい数字を1つ含む短い投稿は、情報利得が高いことがあります。

この用語の由来

Googleには、2018年に出願され2022年に付与された「Contextual estimation of link information gain」という特許があります。これは、ユーザーがすでに見た文書を超えてどれだけ追加情報を含むかを文書についてスコア化し、そのスコアを次に何をランク付けまたは表示するかの判断に役立てる方法を説明しています。

次の2点を混同しないでください。

1. 特許は確認ではありません。 Googleは何千件もの特許を出願しています。1件あることが証明するのは、Googleが何かを実行できるということだけで、実行しているということではありません。Googleは、これをライブ検索のランキングで使っているとは一度も確認していません。
2. 「品質」の同義語ではありません。 この特許が扱うのは、一般的な良さではなく、あくまで新しさです。

今、重要性が増している理由

検索結果は、GoogleのAI Overviews、AI Mode、ChatGPTなどのAIによって答えられることが増えています。これらのシステムは、すでにあらゆる場所で公開されている内容を要約することに非常に長けています。したがって、ページが他の人と同じことだけを述べているなら、AIはそれを取り込んで、あなたのページなしに質問へ答えられます。

その状況でも残るのは、AIが単に言い換えられないコンテンツです。オリジナル調査、自分のデータ、一次体験、他の誰も持っていない専門家の引用などです。これが実務における情報利得です。

どう対応するか

• 公開前に、すでにランキングしているページにない、このページ独自の内容は何かと尋ねます。正直な答えが「何もない」なら、情報利得を加えていません。
• 自分だけが持つものを加えます。小規模な調査、実際のテストのスクリーンショット、実際にその仕事をしているチームメンバーの言葉などです。
• 「もっと」を追うのをやめます（単語数、サブトピック、FAQを増やすこと）。追うべきは新しさです。

特許の詳細、範囲に関する注意点、この考え方に通じるGoogleの公式文言、実践的なプレイブックを知りたい場合は、Advancedタブへ切り替えてください。

TL;DR — 情報利得は、検索者がトピックについてすでに見たコーパスに対する新規性です。包括性でも、E-E-A-Tでも、抽象的な意味での「品質」でもありません。この名称は、2018年に出願され2022年に付与されたGoogleの特許「Contextual estimation of link information gain」に由来し、文書が加える新情報の量を0,00〜1,00でスコア化し、そのスコアに基づいて一部の順位付けを行います。ただし、Googleはライブでの利用を確認していません。特許自体の枠組みは、ユーザーがいくつかの結果を見た後に次に何を示すかであり、最初のページではありません。また、目に見えるスコアもAPIも公開された計算式もありません。公式に確認できるのは、Googleの有用なコンテンツに関するガイダンスが「独自の情報、報道、調査、分析」を求めていることです。AI回答型SERPでは、LLMがコンセンサスを無料で合成するため、重要性が増します。AIに引用させるには、真に新しい情報だけが必要です。

情報利得の実際の意味（意味しないものも含む）

引用される特許は、特定の本番ランキングシステムがまさにその方法で動作しているという証拠ではなく、あり得る方法を説明したものです。 Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google patent: Contextual estimation of link information gain 独自価値に関するガイダンスは、測定可能なランキング保証ではなく、編集上の原則として使ってください。 Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google: Helpful content guidance

このトピックに関する多くの記事は、異なる3つのものをひそかに混同しています。分けて考えましょう。

• 情報利得 — 検索者がそのトピックですでに見た内容に対して、文書が加える限界的な新情報です。差分です。

• 包括性／トピカルな深さ — トピックについてすべてをカバーすることです。上位にランキングしているページのすべての事実がすでに存在していれば、ページが最大限に包括的でも情報利得はゼロになり得ます。

• E-E-A-T／コンテンツ品質 — 信頼、専門性、経験、権威性です。関連はしますが、別の判断です。疑いようのない専門家でも、新しいものを何も加えないページを公開することはあります。

• 真実性と正確性 — 新しいことと正しいことは同じではありません。ページが真に新しい主張を加えても、それが間違っていることはあります。新規性、正確性、信頼性は別々に判断し、独自性は公開判断の1つの材料として扱い、検証の代わりにしないでください。

このページから1つだけ持ち帰るなら、情報利得は差分そのものであり、深さでも信頼でもないということです。この区別こそ、ほぼすべての競合解説が曖昧にしている点です。

もう1つ、名前を挙げておく価値のある区別があります。SEOはこの用語を緩く借用しましたが、検索以外ではより古く、技術的な意味があります。情報理論では、Claude Shannonの1948年のエントロピーと情報量に関する研究にさかのぼります。これは信号が不確実性をどれだけ減らすかを数学的に扱うもので、検索順位とは関係ありません。情報検索の研究では、並行する考え方が新規性と多様性として現れます。Maximal Marginal Relevance（CarbonellとGoldstein、1998年）のような手法は、読者がすでに見た内容に対する重複を減らすため、結果を再順位付けまたは選択します。Googleの特許は、「すでに示されたものに対して新しい」という同じ基礎的な直感に依拠していますが、これらはいずれも互換的ではありません。SEO業界の「情報利得」は、特定の特許を基にした略称であり、Shannonの数学や公開されたIRの多様性アルゴリズムを直接適用したものではありません。3つに共通する直感（すでにあるものをただ繰り返さない）は響き合っていますが、それぞれは別のものです。

この用語の背景にあるGoogleの特許

特許の内容

この特許は「Contextual estimation of link information gain」です（US20200349181A1。2018年10月出願、2022年6月付与。発明者にはVictor CarbuneとPedro Gonnet Andersが含まれます）。特許からの中核定義を逐語的に示します。

“An information gain score for a given document is indicative of additional information that is included in the given document beyond information contained in other documents that were already presented to the user.” (翻訳)「ある文書の情報利得スコアは、ユーザーにすでに提示された他の文書に含まれていた情報を超えて、その文書に含まれる追加情報を示します。」 — Contextual estimation of link information gain.

これは、ユーザーがすでに閲覧した文書からのセマンティックベクトルと、新しい候補文書からのデータを受け取る機械学習モデルを説明しています。特許の言葉では、次のような出力です。

“a quantitative score between 0.00 and 1.00, with 0.00 indicating that no information gain is to be expected” (翻訳)「0,00は情報利得が期待されないことを示す、0,00から1,00までの定量的なスコア」

つまり、1,00は、すでに見た内容にはない情報だけを文書が含むことを意味します。その後、文書はそれぞれの情報利得スコアに少なくとも部分的に基づいて順位付けされる可能性があります。

特許が述べていないこと

ここはSEOコンテンツの多くが言い過ぎる部分なので、限界を正確に説明します。

• ライブでの利用は確認されていません。 付与された特許が示すのは、Googleがこれを導入できるということであって、導入しているということではありません。Googleは、この仕組みをランキングで使っているとも、使っていないとも確認していません。これが確認済みのランキング要因だと言う人は推測しています。
• 想定されるより狭い範囲です。 特許の枠組みは、次に表示する文書またはリンクを選ぶことを中心にしています。つまり、ユーザーがすでにいくつかの結果を見た後の会話型またはアシスタントのフォローアップであり、10件の青いリンクの最初のページではありません。Search Engine JournalのRoger Monttiによる分析はこの範囲をよく示しています。重点は自動アシスタントにあり、これらのスコアが最初の結果セットに適用されるとは説明されていません（SEJ）。
• 公開された計算式はありません。 特許は「セマンティックベクトル」と抽出された顕著な情報に触れていますが、重み、特徴量一覧、再現可能なスコアリング方法は開示していません。Googleがどう計算するかを正確な「方法」として示す記事を信用しないでください。作り物です。
• 1件の出願ではなく、特許ファミリーです。 Googleは同じファミリーで継続出願の特許を取得しています。US12013887B2で、同じタイトル、同じ譲受人（Google LLC）、優先日は元の2018年10月出願にさかのぼります。継続出願によってファミリー内で開示されたクレーム文言が増えることはあっても、導入について新しいことが確認されたわけではありません。付与特許とその継続出願が確立するのは、Googleが構築できると開示した内容だけであり、本番環境で稼働しているものではありません。

Go Fish Digitalに掲載されたBill Slawskiの初期分析は、多くの文書が同じトピックを扱うと似た情報を含むようになるという、Googleが解決しようとしている根本問題と、それに対処するため特許が情報利得スコアに基づく部分的な順位付けを提案していることを説明しています（Go Fish Digital）。

この考え方に通じるGoogleの公式ガイダンス

多くの解説が省く正直な点があります。Googleの公開検索ガイダンスで「information gain」という語を使っているGoogleの文書、ブログ記事、広報担当者の発言はありません。 この語は業界の略称です。しかし、Googleの実際の公式ガイダンスである「有用で信頼性の高い、ユーザー第一のコンテンツの作成」は、自己評価の質問で同じ基礎的な考え方を繰り返し説明しています。以下はそのページからの逐語引用です。

“Does the content provide original information, reporting, research, or analysis?” (翻訳)「そのコンテンツは、独自の情報、報道、調査、分析を提供していますか？」

“If the content draws on other sources, does it avoid simply copying or rewriting those sources, and instead provide substantial additional value and originality?” (翻訳)「そのコンテンツが他の情報源を利用する場合、それらを単にコピーまたは書き換えるのではなく、実質的な付加価値と独自性を提供していますか？」

“Does the content provide insightful analysis or interesting information that is beyond the obvious?” (翻訳)「そのコンテンツは、明白な範囲を超える洞察に富んだ分析または興味深い情報を提供していますか？」

“Does the content provide substantial value when compared to other pages in search results?” (翻訳)「そのコンテンツは、検索結果の他のページと比べて実質的な価値を提供していますか？」

最後の質問、つまり検索結果の他のページと比べた実質的な価値は、この用語を使わずに情報利得の概念に最も近づいたGoogleの公式文言です。これは、合法的に公式と言える最も強い関連付けであり、「情報利得」がGoogleの言葉ではないにもかかわらず、Googleが明らかに重視している現実の原則を表す便利な略称として定着した理由です。

Bingは情報利得を使っているか

私が調べた限りでは、そうではありません。確認した資料で、BingまたはMicrosoftの文書や広報担当者がこの語を使っているものはありません。Bingが公開しているランキング要因（サイトと著者の評判、コンテンツの完全性、意味的な関連性）は、似た方向（同業ページに対する深さと独自性）を示しますが、隣接する考え方であって、同じ主張でも同じ用語でもありません。Bingが文字どおり「information gain」と言ったと誰かが引用していたら、一次情報源を見るまで疑ってください。

AI回答中心のSERPで情報利得がより重要になる理由

ここが、情報利得を特許の豆知識以上のものにする部分です。

AIはインターネットを読みました。ChatGPT、Claude、Gemini、そしてGoogle自身のAI OverviewsとAI Modeは、Web全体にすでに存在するものを合成し、再パッケージするという1つのことに非常に長けています。AnimalzのNathan Wahlはこの主張を鋭く展開しています。これらのシステムは、公開済みのものをすべて言い直し、再パッケージできます。だからこそ、付加価値のないものをなぜ公開するのかが問題になります。Googleが回答を合成するときは複数の情報源から取り出します。Wahlの枠組みでは、コンテンツに巨大サイトにはない情報が含まれているなら、それらを上回る必要はありません（Animalz）。

これが仕組みです。ページがコンセンサスを言い換えるだけなら、AI Overviewはそれを取り込み、誰もあなたのページへ送らずに回答します。ページに自分だけが持つもの、つまり独自データ、実際の実験、専門家の一次的な見解があれば、AIシステムはその事実を含めるために、他の場所にあるものを言い換えるのではなく、あなたを参照する必要があります。ただし、これは保証ではありません。取得、モデルのコンテキストへの組み込み、生成、引用は別々の段階であり、独自性が1つを通過しても残りを通過するとは限りません。生成エンジンでの可視性に関する限定的な研究（Aggarwalらの「GEO: Generative Engine Optimization」）では、テストした環境において、コンテンツに情報源、統計、引用を加えるとAI生成回答での可視性が向上することが示されています。これは独自性が役立つ証拠ですが、引用、順位、トラフィックを保証する証拠ではありません。情報利得は、言い換えられるのではなく引用されるための前提条件であって、引用の約束ではありません。

ClearscopeのBernard HuangはこれをGoogleのKnowledge Graphに結び付け、Googleがトピックについてすでに「知っている」内容の周縁にある概念やエンティティをカバーするコンテンツを目指そうと述べています。LLMはコンセンサスが得意ですが、真の新規性は今でも人間が価値を加える場所です（Clearscope）。Search Engine LandでAmanda Kingが初期に示した枠組みでは、情報利得スコアは本質的に、コンテンツがコーパスの他の部分に対してどれだけユニークかの尺度です。同じ考えを別の言葉で述べただけなら、独自性がなく、コンテンツは降格されるおそれがあります（Search Engine Land）。Andrew Hollandは後にAI時代向けに全体を捉え直しました。この語は人によって意味が異なりますが、仕事は情報利得の速度を上げ続けることであり、GoogleだけでなくAIに向けて最適化することが増えています（Search Engine Land）。

私も逆方向からこれを見てきました。GoogleのAI Modeでコンテンツをランキングさせようとテストしたところ、私の見た限りでは、ランキングしたページより良く関連性も高かったにもかかわらず、コンテンツはランキングしませんでした。公開の場で挙げた可能性の1つは、記事に情報利得が欠けていたことです。コンテンツがWeb上にすでにあるものを上手に言い換えただけなら、システムが評価できるものは何もないのかもしれません（Xでの投稿）。

実際に情報利得を生むもの

情報源と私自身の経験をまとめると、本当に効果を動かすのは次のものです。

• オリジナル調査、アンケート、実験。 最も主張を裏付けやすい形です。調査を実施し、データを公開し、他者が引用できるようにします。Ahrefsでは、まさにこの理由から、成果の高いコンテンツはデータ調査に大きく偏っています。
• 独自／ファーストパーティーデータ。 他者が再現できない社内の製品または利用データです。データセットがあるなら、そのデータセット自体が情報利得です。
• 専門家インタビューと一次体験。 私がよく使う方法です。出所を示さない生成テキストを公開する代わりに、すでに連絡できる実在の分野専門家へ、Slack、メール、短いAI支援の通話などで、週に数回、鋭い質問を送ります。実際の話と経験を記録します。それは、あなたが公開するまでWeb上に存在しなかったオリジナル情報です。私はこれを、AhrefsのテクニカルSEOハブ（およそ160ページのAI生成ページ）を自分で再構築した際に適用し、専門家レビューと読者フィードバックを重ねることで、ページに焼き直されたコンセンサスを超える内容を持たせました。
• コンセンサスに対する反対意見または更新された見解。 広く繰り返される主張を検証し、実際に起きたことを報告するのは、「調査」が小規模でも情報利得です。
• 先行研究を土台にすること。 誰かが公開した調査を取り上げ、広げ、次のデータポイントを加えます。コーパスに加えるのであり、コピーするのではありません。

Ahrefs独自のコンテンツ品質ラダー（Si Quan Ongの「質の高いコンテンツを作る方法」）は、ここで役立つ地図です。単純なリスト記事から調査研究やオリジナルのアイデアまで上がっていきます。用語自体は使っていませんが、情報利得のラダーとして機能し、集約よりも一次データを重視しています。

自分のコンテンツの情報利得を評価する方法

Googleの有用なコンテンツに関する質問を、公開前の直感チェックに変えてみます。

• 目的のクエリで上位の結果を開きます。それぞれがすでに述べていることを一覧にします。
• 自分のドラフトで、その一覧にない事実、数字、角度、経験を加える**すべての文を強調表示します。**何も強調されないなら、それはリソースではなく書き換えです。
• すでにランキングしているページだけで、AIがクエリに完全に答えられるかを尋ねます。答えが「はい」なら、関連性を持つ唯一の道は、それらのページにないものを加えることです。
• 「検索結果の他のページと比べた価値」という質問を文字どおりに確認します。「これは良いか」ではなく、「これは付加的か」と考えます。

結論

情報利得は、確認されていない仕組みの上に成り立つ、現実的で役立つ概念です。調整できるスコアを持つGoogleの確認済みランキング要因として社内に売り込まないでください。それは真実ではなく、出典を尋ねられたときに信用を失います。AI中心のSERPで明らかに機能しているものとして、「すでにあるものをより最適化した版」の公開をやめ、自分だけが提供できるものを公開し始めることとして伝えてください。それが堀です。

このクラスターの関連記事として、エンティティSEO、AI向けの構造化データ、GEO、AEOがあります。コンテンツが実際に新しいことを言えるようになった後、どのように表示され引用されるかにつながります。

AI要約

Advanced版の要点をまとめます。

• 情報利得＝検索者がそのトピックですでに見た内容に対する新規性です。包括性でもE-E-A-Tでもなく、限界的な差分です。入念なページでも情報利得がゼロになることがあります。
• この名称は付与されたGoogleの特許に由来します。「Contextual estimation of link information gain」は2018年に出願され、2022年に付与されました。文書が加える新情報の量を0,00〜1,00でスコア化し、そのスコアに基づいて一部の順位付けを行います。
• Googleはライブでの利用を確認していません。 特許自体の枠組みは、ユーザーがいくつかの結果を見た後に次に何を表示するかであり、最初のページではありません。目に見えるスコアもAPIも公開された計算式もなく、ツールにある「情報利得スコア」は近似です。
• **公式なのは、**コンテンツが「独自の情報、報道、調査、分析」と「検索結果の他のページと比べた実質的な価値」を提供するかを尋ねるGoogleの有用なコンテンツに関するガイダンスです。語は違っても同じ考え方です。
• 今、重要な理由： AI OverviewsとAI Modeはコンセンサスのコンテンツを無料で合成します。真に新しい情報（オリジナル調査、独自データ、一次体験の専門知識）は、他の場所から言い換えるのではなく、AIシステムがあなたを参照して取り込む必要があるものです。ただし、引用、順位、トラフィックの保証ではありません（取得、組み込み、生成、引用は別々の段階です）。
• 新規性は正確性ではありません。 ページが真に新しい主張を加えても間違っていることがあります。独自性は公開判断の1つの材料とし、検証の代わりにしないでください。
• 情報利得を生むもの： オリジナル調査、ファーストパーティーデータ、専門家インタビューと一次体験、反対意見または更新された見解、他者の研究を広げることです。
• 作られた具体性に注意： 一次情報源のない「コアアップデートが情報利得を確認し、可視性が+X%になった」といった正確な数字は、データではなく神話のパターンです。

公式ドキュメント

一次情報源です。Googleのガイダンスは「information gain」という語を一度も使っていないことに注意してください。使っているのは特許ですが、特許は法的な出願であり、ライブランキングについての声明ではありません。

Google — 特許（「ガイダンス」ではない一次情報源）

• Contextual estimation of link information gain (US20200349181A1) — この用語の由来となった出願です。0,00〜1,00のスコアの説明と、「ユーザーにすでに提示された文書を超える追加情報」という定義があります。

Google — 有用なコンテンツに関する公式ガイダンス（用語ではなく概念を使う）

• 有用で信頼性の高い、ユーザー第一のコンテンツの作成 — 独自の情報／調査／分析と、他の結果と比べた実質的な価値についての自己評価の質問です。情報利得に最も近い公式文言です。

出典からの引用

記録に残る原文です。以下のGoogle関連項目は、一次情報源（特許とGoogleの有用なコンテンツのドキュメント）からの逐語引用です。業界関係者の発言は、元ページで正確性を独自に再確認できなかったため、記事本文では言い換えています。確認できない言葉を引用符で囲むことはしません。

Google — 特許（US20200349181A1）

• “An information gain score for a given document is indicative of additional information that is included in the given document beyond information contained in other documents that were already presented to the user.” (翻訳)「ある文書の情報利得スコアは、ユーザーにすでに提示された他の文書に含まれていた情報を超えて、その文書に含まれる追加情報を示します。」 — Contextual estimation of link information gain. 特許を読む
• “a quantitative score between 0.00 and 1.00, with 0.00 indicating that no information gain is to be expected” (翻訳)「0,00は情報利得が期待されないことを示す、0,00から1,00までの定量的なスコア」 — 特許が説明するスコア尺度です（1,00は、文書がまだ見られていない情報だけを含むことを意味します）。 特許を読む

Google — 有用なコンテンツに関するガイダンス（用語なしで概念を示す）

• “Does the content provide original information, reporting, research, or analysis?” (翻訳)「そのコンテンツは、独自の情報、報道、調査、分析を提供していますか？」 引用へ移動
• “If the content draws on other sources, does it avoid simply copying or rewriting those sources, and instead provide substantial additional value and originality?” (翻訳)「そのコンテンツが他の情報源を利用する場合、それらを単にコピーまたは書き換えるのではなく、実質的な付加価値と独自性を提供していますか？」 引用へ移動
• “Does the content provide insightful analysis or interesting information that is beyond the obvious?” (翻訳)「そのコンテンツは、明白な範囲を超える洞察に富んだ分析または興味深い情報を提供していますか？」 引用へ移動
• “Does the content provide substantial value when compared to other pages in search results?” (翻訳)「そのコンテンツは、検索結果の他のページと比べて実質的な価値を提供していますか？」 引用へ移動

プレイブック：本当の情報利得を加える

「Xについての、また別の記事」のドラフトを付加的なものに変える、再現可能なプロセスです。

1. まずコーパスを把握する。 目的のクエリで上位10件の結果を開きます。文書に、それぞれがすでに扱っている個別の主張、データポイント、角度を一覧にします。これが、検索者が「すでに見た」ことになる基準線です。

2. ギャップを見つける。 コンセンサスが薄い、古い、または検証されていないのはどこですか。ランキングページが提起しているのに答えていない質問は何ですか。そのギャップが目標です。

3. 新規性の源を選ぶ。 持続性のおおまかな順序は次のとおりです。

• 自分で実施するオリジナル調査／アンケート／実験。
• すでに持っているファーストパーティーまたは独自データ。
• 専門家インタビューと一次体験。
• 実際に裏付けられる、コンセンサスに対する反対意見または更新された見解。

4. 専門家インタビューのループ（私の標準手法）。 身近なところに、その分野の専門家がいることはほぼ確実です。週に数回、Slack、メール、短いAI支援の通話などで、数人に鋭い質問を送ります。話、数字、「実際には……」という細部を記録します。出典を示します。それは、あなたが公開するまでWeb上に存在しなかったオリジナル情報です。

5. すべてに出典を付ける。 主張の出典を示します。外部へリンクします。データを見せます。どこから来たかを示すコンテンツは付加的なものとして読まれます。出典のない生成テキストは埋め草に見え、ますますそのように扱われます。

6. 公開前チェック。 上位10ページのどれにもすでにないドラフトの文をすべて強調します。ほとんど強調されないなら、まだ公開しないでください。ステップ3に戻ります。

7. 投げ込むのではなく重ねる。 大規模にコンテンツを生成している場合も、生成で止めないでください。専門家レビュー、読者フィードバック、実例を重ね、各ページにコンセンサスを超えるものを持たせます。新規性のない量は、AIが無料で吸収するものです。

情報利得が間違った方向へ進むアンチパターン

調整できるスコアを持つ、確認済みのランキング要因として扱う。 これはGoogleがライブランキングで使っていると確認していない付与特許です。Search Consoleのフィールドも、ログのシグナルも、公開APIもありません。ツールにある「情報利得スコア」は、Googleのものではなく、そのツールの近似です。社内で確認済みの施策として売り込まないでください。出典を尋ねられたときに信用を失います。

出典のない、疑わしいほど正確な統計を繰り返す。 2026年の日付が付いた投稿の波が、「[日付]のコアアップデートで情報利得が支配的なシグナルだと確認され、オリジナルコンテンツの可視性が+15〜25 %、テンプレートコンテンツが−30〜50 %になった」などと主張しています。具体的なタイムスタンプにまで及びます。一次情報源で裏付けるものはありません。こうした内容は、バズワードに便乗した捏造または幻覚的な具体性に見えます。情報利得に関する統計に追跡可能な一次情報源がないなら、繰り返さないでください。

「もっと書く」と情報利得を混同する。 長さと包括性は情報利得ではありません。コンセンサスを焼き直した5 000語の記事は、新しいデータポイントを1つ含む400語の投稿より情報利得が少ないことがあります。FAQを詰め込む方法、つまりページに50個または100個のFAQを追加することは、最も分かりやすい例です。言葉は増えますが、新規性は増えず、効果もありません。

E-E-A-Tや「品質」と混同する。 関連はしますが別のものです。本物の専門家でも、コーパスに何も新しいものを加えないページを公開できます。情報利得は限界的な差分であり、信頼性や専門性の判断ではありません。

結果の最初のページに適用されると思い込む。 特許自体の枠組みは、ユーザーがいくつかの結果を見た後、アシスタントやフォローアップの文脈で、次に何を表示するかを中心にしています。最初の10件の青いリンクとは限りません。多くの解説がこの範囲の注意点を省いています。省かないでください。

GoogleまたはBingが「information gain」と言ったと主張する。 私が確認した公開ランキングガイダンスで、どちらもこの文字どおりの語を使っていません。これはGoogleの特許と一般的な有用なコンテンツの原則を基にした業界の略称です。GoogleまたはBingが「information gain」と言ったという引用は、一次情報源を見るまで疑ってください。

情報利得のレビュー用プロンプト

Compare my draft with these competing-page notes. Build a claim matrix with one row
per substantive point and columns for: already common in the corpus, genuinely new,
new only in wording, supported by first-hand evidence, source needed, and remove or
keep. Do not assign a fake information-gain score. Finish with the three strongest
original contributions and the evidence needed to publish each.

DRAFT:
[paste]

COMPETING-PAGE NOTES:
[paste]

Turn these raw first-party materials into an evidence plan, not finished prose.
Separate proprietary data, direct observation, expert experience, original examples,
and repeatable analysis. For each candidate contribution, state the claim it could
support, the minimum method disclosure, limitations, and what would make the claim too
weak to publish. Do not infer results that are absent.

[paste interview notes, dataset description, tests, or case documentation]

本当の情報利得を生み出すフレームワーク

コーパス・主張・証拠のフレームワーク

1. コーパス： 現在役立つページがすでに合意していることを要約します。
2. 主張： そのコンセンサスを超えてページが何を加えるのかを述べます。
3. 証拠： 新しい主張を防御可能にするデータ、観察、経験、または情報源を示します。
4. 境界： 証拠が一般化しない範囲を記録します。

主張が言い回しだけを変えたものなら、新しくありません。証拠が主張を支えられないなら、まだ準備ができていません。

新規性のラダー

• 言い換え： 同じ事実を別の言葉で述べる。
• 統合： 既存の事実を、役立つ新しい形でつなぐ。
• 適用： 既存の知識を特定の文脈で検証する。
• 観察： 他者が持っていない一次的な証拠。
• 発見： 読者が知っていることを変える、再現可能な発見。

このラダーは計画のモデルであり、Googleの隠れたスコアではありません。

情報利得チートシート

現実確認： Googleは公開された情報利得スコアも計算式も示していません。作り物の小数ではなく、貢献とその証拠を評価してください。

時間を使う価値のあるリソース

私の執筆と講演

• Does AI Search Traffic Convert Better Than Traditional Search?（Ahrefs）— AI検索の可視性を追う価値がある理由を示すデータであり、情報利得が商業的に重要な理由です。
• “GEO? AEO? LLMO? What’s With All This AI SEO Stuff?” — AI検索に関する私のAhrefs Evolve 2025の講演資料です。「自分だけが持つものを公開する」という主張があります。
• My AI Mode ranking-test post（X）— AI Modeでランキングしなかったコンテンツに情報利得が欠けていた可能性を示す自然実験です。
• Patrick Stox on Building in the GEO Era（Unscripted SEO Podcast）—「5人の実在する専門家にメッセージを送り、主張の出典を示す」戦術を説明しています。
• Cutting-Edge AEO Strategies with Patrick Stox（Marketing Speak）— Ahrefsのデータ調査に触れながら、情報利得を本当の堀と捉えるエピソードです。
• How to Create Quality Content（Ahrefs、Si Quan Ong）— 社内コンテンツです。リスト記事からオリジナル調査までの品質ラダーを示し、実質的に情報利得のラダーになっています。

業界の情報源

• Contextual estimation of link information gain (US20200349181A1) — 実際の特許です。誰かの要約を信じる前に原文を読んでください。
• 有用で信頼性の高い、ユーザー第一のコンテンツの作成（Google Search Central）— 用語なしで概念を説明する公式の自己評価質問です。
• Google’s Information Gain Patent For Ranking Web Pages（Roger Montti、Search Engine Journal）— 範囲を最も慎重に扱った記事です。アシスタント／フォローアップの文脈であり、最初のページではありません。
• What is information gain in SEO & why it matters（Amanda King、Search Engine Land）— 初期の主流定義です。
• Information gain: what this SEO “buzzword” really means（Andrew Holland、Search Engine Land）— AI時代向けの捉え直しです。
• Information Gain in SEO（Bernard Huang、Clearscope）— Knowledge Graphの枠組みと実践的な見解です。
• Information Gain: The SEO Theory that AI Made Mandatory（Nathan Wahl、Animalz）— AIの合成と複数情報源からの引用を結び付けた、なぜ今なのかについての最も強い主張です。
• Information Gain Scores（Bill Slawski、Go Fish Digital経由）— 特許の初期の技術的分析です。
• What Is Information Gain in SEO & Does Google Measure It?（Rachel Handley、Semrush）— 定義を補う堅実な解説です。

自分で試す：情報利得

情報利得とは何か、どこから来たのか、どう対応するかについての5つの簡単な質問です。それぞれの答えを選び、後で確認してください。

変更履歴