買い物客がランニングシューズの写真を撮り、ChatGPTに「これはマラソンに適していますか？」と尋ねます。開発者がエラーのスクリーンショットを貼り付け、Claudeに「これをどう修正すればいいですか？」と尋ねます。これらは検索であり、キーワードではなく画像を基に動作します。このガイドでは、GPT-4o、Gemini、Claudeのようなマルチモーダルモデルに視覚コンテンツを読み取らせ、競合他社ではなく自社の製品や図表が表示されるようにする方法を説明します。
最新のモデルはピクセルを認識できますが、意味を推測する段階にとどまっています。「青い靴」と認識することはできても、それが中立的なアーチサポート用に設計されたNike Pegasus 40であることは分かりません。あなたの役割は、ピクセルとエンティティの間のギャップを埋め、モデルが信頼できるテキストを提供することです。
重要なポイント
- マルチモーダルモデルはピクセルと周囲のテキストを読み取ります。altテキストは、もはやアクセシビリティだけでなく、エンティティの基盤を提供します。 - すべての重要な画像には、製品名、モデル、バージョン、使用事例を平易な言葉で記載した具体的なキャプションが必要です。 - `ImageObject`や`VideoObject`の構造化データは、AIに各アセットの機械可読ラベルを提供します。 - 動画や音声は、ページ上にクロール可能なテキストとして完全なトランスクリプトが存在する場合にのみ引用されます。 - ファイル名、寸法、ページの文脈はすべて、画像が質問に答えるものであるというモデルの信頼性を高めます。
ステップ1: エンティティ基盤のためにaltテキストを改訂する
以前のSEO用altテキストは外見を説明するものでした：「青いランニングシューズ」。これは、モデルがすでに視覚的に認識できる情報以上のものを提供しません。GEO用altテキストは、エンティティと文脈を特定し、モデルが画像を実際の事実に結びつけられるようにします。
誰が、何を、どのバージョンかを答えるaltテキストを書きましょう。比較例：
- 以前: `alt="blue running shoe"` - GEO: `alt="Nike Pegasus 40 running shoe in blue, 2025 model, neutral arch support for road running"`
約125文字以内に収め、具体的な名前から始め、キーワードの詰め込みを避けましょう。画像がチャートを示している場合は、そのチャートが証明している内容を説明してください：`alt="Bar chart showing AI referral traffic grew 7x year over year for Shopify stores"`。その文は回答にそのまま抽出される可能性があります。
ステップ2: 見えるキャプションと近接する文脈を追加する
Altテキストは役立ちますが、モデルは画像の周囲にある可視テキストを重視します。画像の直下にキャプションを追加し、さらに本文中でそれに言及する文を追加することで、画像と主張が関連付けられていることをモデルに伝えます。
キャプションは完全な文として書きましょう：「Pegasus 40のミッドソールはReactXフォームを使用しており、前モデルよりも13%多くのエネルギーを返します。」仕様は画像内に埋め込むのではなく、画像の近くに短いリストとして記載しましょう。画像内のテキストは信頼性の高い抽出が難しいためです。重要な仕様は、ページ上の実際のHTMLテキストとして存在するべきです。
ステップ3: 構造化データで画像と動画をマークアップする
構造化データはクローラーに明確なラベルを提供します。製品写真の場合は、`Product`スキーマ内に`ImageObject`を使用します。独立した画像には専用の`ImageObject`を使用します。
{ "@context": "https://schema.org", "@type": "ImageObject", "contentUrl": "https://yourdomain.com/img/pegasus-40-blue.jpg", "caption": "Nike Pegasus 40 in blue, 2025 model, neutral arch support", "creditText": "Your Brand", "creator": {"@type": "Organization", "name": "Your Brand"} }
動画の場合は、`VideoObject`に`name`、`description`、`thumbnailUrl`、`uploadDate`、そして重要な`transcript`を追加します。出荷前にGoogleのリッチリザルトテストで全てを検証してください。
ステップ4: 動画と音声のトランスクリプトを公開する
モデルは読めないものを引用することはできません。YouTube動画を埋め込むだけでは、テキストクローラーには見えません。プレイヤーの下にHTMLとして完全なトランスクリプトを公開し、タイムスタンプやスピーカーラベルを必要に応じて追加しましょう。
製品デモの場合、そのトランスクリプトは検索可能で引用可能な回答ソースになります。冒頭に短い要約（「この4分間のデモでは、セットアップ、最初の監査、AIGVRスコアの読み取りをカバーしています」）を追加することで、モデルが全体を解析せずに要点を抽出できるようにします。キャプションファイル（`.vtt`）はアクセシビリティに役立ちますが、引用を得るにはページ上のテキストが必要です。
ステップ5: ファイル名、サイズ、配信を修正する
小さなシグナルが積み重なります。ファイル名を説明的に命名しましょう：`pegasus-40-blue-marathon.jpg`、ではなく`IMG_4821.jpg`。最新フォーマット（WebPやAVIF）で提供し、画像を高速に読み込めるようにし、`robots.txt`でブロックされないようにしましょう。`GPTBot`、`OAI-SearchBot`、`Google-Extended`などのAIクローラーが画像ディレクトリにアクセスできることを確認してください。クローラーが取得できない画像は、altテキストがどれだけ優れていても理解されません。
