llms.txtは効果があるのか——30万ドメインのデータで判断する

llms.txtは効果があるのか——30万ドメインのデータで判断する

LLMO（ChatGPTやAI検索など、AI経由の情報接触を想定した最適化施策）のToDoリストに「llms.txtの設置」を入れるべきかどうか、迷っている担当者は少なくないはずです。設置自体はテキストファイルをルートに置くだけで、エンジニア工数もほぼかかりません。「とりあえずやっておいて損はない」という空気の中で導入が進んできました。

ですが、「コストがほぼゼロであること」と「効果が実証されていること」は別の話です。2025年後半から2026年前半にかけて、大規模なドメインを対象にした2つの調査が、この2つを混同しないよう促すデータを示しました。この記事では、その調査結果をもとに、llms.txtに工数を割くべきかどうかの判断基準を整理します。

30秒で要点

• SE Rankingが約30万ドメインを分析した結果、llms.txtの設置有無とAI引用頻度のあいだに統計的に意味のある関係は見られなかった（SE Ranking、分析公開日2025年11月7日）
• Ahrefsが13.7万ドメインを分析したところ、設置されたllms.txtファイルの97%が2026年5月中に一度も取得されていなかった（Ahrefs）
• 「効果が無いと証明された」わけではない。両調査とも相関分析であり、SE Ranking自身も「今のところは」という留保をつけている
• 設置コストの低さと効果の実証は別の判断軸であり、混同すると「流行っているから」という理由だけで工数が積み上がっていく

なぜ「設置しておいて損はない」という空気が生まれたのか

llms.txtが広まった背景には、SEO（検索エンジン最適化）におけるrobots.txtやsitemap.xmlの成功体験があります。これらは実際に検索エンジンのクロール・インデックスに影響を与える仕組みとして機能してきました。「AI版のrobots.txtのようなもの」という説明のされ方をすると、同じように効果があるはずだと直感的に感じやすくなります。

加えて、設置のハードルが極端に低いことも背景にあります。マークダウン形式のテキストファイル1つを置くだけで、エンジニアへの依頼も大がかりな検証も不要です。「効果があるかどうか分からないが、コストがほぼゼロなら試して損はない」という判断は、それ自体としては合理的です。問題は、この「試して損はない」という工数面の判断が、いつの間にか「効果がある」という前提にすり替わってしまうことです。

SE Rankingの調査が示したこと

SE Rankingは2025年11月、約30万ドメインを対象にllms.txtの設置有無とAI引用頻度の関係を分析しました。統計的な相関分析に加えて機械学習モデル（XGBoost）による予測も試みましたが、いずれの手法でも、llms.txtの設置有無とAI引用頻度のあいだに有意な関係は確認できませんでした。

より踏み込んだ結果として、予測モデルからllms.txtの変数を取り除いたほうが、モデル全体の精度が向上したという報告があります。これは、llms.txtという特徴量が予測に寄与しておらず、むしろノイズとして働いていたことを示しています。ある変数がノイズとして扱われるということは、その変数がモデルの説明力に対してほとんど情報を持っていない、つまり結果を左右する要因になっていない可能性が高いということです。

SE Ranking自身の結論は "doesn't seem to directly impact AI citation frequency. At least not yet."（AI引用頻度に直接影響しているようには見えない。少なくとも今のところは）という表現です。「今のところは」という留保が原文に明記されている点は見落とせません。

同じ調査では、llms.txtの採用率が全体で10.13%だったことも報告されています。低トラフィックサイトで9.88%、中トラフィックサイトで10.54%、高トラフィックサイトで8.27%と、サイト規模による差はほとんど無く、むしろ規模の大きいサイトのほうがわずかに低い結果でした。「大手サイトが率先して標準化を牽引している」という予想とは逆の傾向です（SE Ranking、Search Engine Journal）。

Ahrefsの調査が示したこと

Ahrefsは13.7万ドメインを対象に、Ahrefs Web Analyticsのデータを使って、設置されたllms.txtファイルが実際にどれだけアクセスされているかを調べました。結果は、97%のファイルが2026年5月中に一度もトラフィックを記録していなかったというものです。残り3%のうち、名前が判明しているAIツールからの取得は19.5%にとどまり、AI取得ボット全体でもリクエスト全体の1.1%にすぎませんでした（Ahrefs）。

ここで指標の定義を明確にしておく必要があります。この「取得」は、AIクローラーがそのファイルにアクセスしたリクエストの割合（分子）を、観測されたリクエスト全体（分母）で割ったものです。Ahrefsの原文も明示していますが、ボットがファイルを取得したという事実は、そのファイルの内容が何かの回答に使われたことの証明にはなりません。取得された事実しか示していないため、19.5%という数値もあくまで「利用されている可能性の上限値」として読む必要があります。実際に回答生成へ利用された比率は、これよりさらに低い可能性があります。

「効果が無い」と「証明されていない」を混同しない

ここまでの2つの調査結果から導けるのは、「llms.txtに効果が無いと証明された」という結論ではありません。両調査とも相関分析であり、無作為化比較試験のように因果関係を検証した設計ではないためです。相関が見られなかったことは、因果関係が無いことの直接的な証明にはなりません。

一方で、「証明されていないのだから、効果がある可能性も残っている」という受け止め方だけで終わらせるのも判断としては不十分です。30万ドメインという大規模なサンプルで相関すら検出できなかったという事実は、「効果があるという主張」の側にこそ、より強い根拠が必要であることを示しています。現状は、「効果があるとは言えないが、無いとも断言できない」というグレーな状態であり、この状態のまま工数を割くかどうかを判断する必要があります。

もう1つ分けて考えるべきなのは、時間軸です。SE Rankingの「今のところは」という留保が示すように、これは2025年11月時点の断面データです。AIプラットフォーム側の仕様が今後変われば、llms.txtの扱われ方が変わる可能性は否定できません。「今は効果が確認できない」と「将来も効果がない」は別の命題であり、混同すると「一度効果が無いと分かったから今後も見なくてよい」という誤った判断につながります。

判断に迷ったときの軸

以上を踏まえると、llms.txtへの対応は次のように整理できます。

• 「設置コストがほぼゼロだから、とりあえず置いておく」という判断は、それ自体として矛盾していません。害があるという報告も今回の調査には含まれていないためです
• 「効果が実証されているから、他の施策より優先して工数を割く」という判断は、現時点のデータでは根拠が見当たりません。むしろ設置した97%のファイルが一度も読まれていないという結果は、そこに時間をかけるより、コンテンツの構造化や既存記事の情報整合性など、引用される土台そのものを整える施策に工数を回すほうが理にかなっている可能性を示しています
• 「もう結論が出た」と考えて追跡をやめる判断も早計です。断面データである以上、プラットフォームの仕様変更があれば再評価が必要になります

自社で試せる最小の検証

大がかりな分析をしなくても、自社の状況に当てはめて確認できることがあります。現在実施している、あるいは検討中のLLMO施策を一覧にし、それぞれにかかる工数（設定時間・継続的な運用負荷）と、効果を裏付ける根拠の有無を並べて書き出してみてください。llms.txtの設置をその一覧に加えたとき、「工数はほぼゼロだが根拠も無い」という位置づけが、他の施策と比べてどのくらいの優先度になるかが見えてきます。判断が難しい場合は、まず根拠が明確な施策から着手し、llms.txtのような検証途上の施策は「様子見」として明示的に位置づけておくのも一つの整理の仕方です。

この記事で扱ったような、自社のLLMO施策の優先順位を整理したい場合は、無料診断ツールで状況を言語化するところから始めることができます。