レリバンスエンジニアリングによるモダン SEO 実装ガイド【実践編】

Mike King（iPullRank）提唱 “Relevance Engineering” を Next.js × AI 技術 で段階的に落とし込んだ開発ノート。 理論 ▶ 設計 ▶ コード ▶ 測定まで、データ駆動型の関連性最適化 を網羅します。

---

概要

• 生成 AI 型検索（Google AI Overview / Bing Copilot）の台頭で “引用される確率” が新 KPI に
• キーワード＆被リンク頼みの旧 SEO から エンティティ中心・AI 検索適合 へシフト
• 本記事は 3 フェーズ／実装総工数 ≒ 3 時間 の PoC 手順を共有

---

1. レリバンスエンジニアリングとは？

1-1. 基本比較

1-2. 4 つの原則

1. 定量化可能な関連性
2. エンジニアリング思考（再現性 & 自動化）
3. 継続的改善（データ → フィードバック → 改善）
4. AI 検索対応（生成回答に“引用”される設計）

---

2. 段階的実装アプローチ

Phase 1 – SSR 基盤 + メタデータ最適化（約 1 時間）

2-1-1. サーバ／クライアント分離

// app/service/page.tsx
import ServicePageServer from './ServicePageServer';
import ServicePageClient from './ServicePageClient';
import structuredData from './structured-data';

export default function ServicePage() {
  return (
    <main>
      <script
        type="application/ld+json"
        dangerouslySetInnerHTML={{ __html: JSON.stringify(structuredData) }}
      />
      <ServicePageServer />
      <Suspense fallback={<span>Loading…</span>}>
        <ServicePageClient />
      </Suspense>
    </main>
  );
}

2-1-2. 包括メタデータ

// app/service/metadata.ts
export const metadata = {
  title: 'AI 相談サービス | 24 時間専門サポート',
  description:
    '専門家監修の AI 技術で即回答。法務・技術など 13 分野をカバー。',
  keywords: [
    'AI 相談',
    '専門サポート',
    '24 時間対応',
    '法務 AI',
    '技術 AI',
    'リアルタイム相談'
  ].join(','),
  openGraph: {
    type: 'website',
    title: 'AI 相談サービス',
    images: [{ url: '/og/ai-consult.jpg', width: 1200, height: 630 }]
  },
  other: {
    'entity:organization': 'AI 相談テック',
    'service:availability': '24/365',
    'quality:supervision': '専門家監修'
  }
};

---

Phase 2 – セマンティック構造 + エンティティ強化（約 2 時間）

2-2-1. セマンティックトリプル

const triples = [
  { s: 'AI相談サービス', p: '提供する', o: '専門的アドバイス' },
  { s: '専門家',        p: '監修する', o: 'AI回答システム' },
  { s: 'ユーザー',      p: '受け取る', o: '即時回答' }
];

2-2-2. JSON-LD（抜粋）

export default {
  '@context': 'https://schema.org',
  '@graph': [
    {
      '@type': 'WebPage',
      name: 'AI相談サービス',
      mainEntity: { '@id': '#ai-service' }
    },
    {
      '@type': 'Service',
      '@id': '#ai-service',
      name: 'AI相談サービス',
      provider: { '@id': '#org' },
      serviceType: 'AI相談',
      areaServed: 'JP'
    },
    { '@type': 'Organization', '@id': '#org', name: 'AI 相談テック' }
  ]
};

---

Phase 3 – データ駆動型最適化（予告）

• pgvector × Embedding で Semantic Search
• リアルタイム AB リライト
• 多言語展開（i18n + hreflang + 翻訳品質管理）

---

3. Google AI 検索モード最適化

---

4. パフォーマンス測定 & コンテンツプルーニング

4-1. 関連性スコア

class RelevanceEngineer {
  calcOverall({ semAlign, entityRel, engagement, tech }) {
    return semAlign * 0.35 + entityRel * 0.25 + engagement * 0.25 + tech * 0.15;
  }
}

4-2. 低パフォーマンス統合

pruneList
  .filter(c => c.relevance < 0.3)
  .forEach(c => console.log('統合候補:', c.id));

---

5. 実装結果（サンプル）

※AI Overview 引用率の測定方法 2025-06 現在、Search Console には専用タブは未実装。 AI 検索経由のトラフィックは従来の「Search」に合算されるため、総合クリックの増減 と Google API ログを併用して推定。 Google は「将来的に分類指標を追加予定」と告知済み。

---

6. まとめ — 成功の鍵

1. 技術基盤：SSR & メタデータ完全実装
2. 意味構造：JSON-LD / エンティティ トリプル
3. ガードレール：AI 量産制限・人間レビュー・ステージング
4. 測定 → 改善：関連性スコアと AI 検索露出を KPI 化

レリバンスエンジニアリングは“検索で読ませる”から“AI に引用させる”への最短ルート。 小さな PoC を走らせ、データを見ながら段階拡大――それがモダン SEO の王道です。