製造業ホームページが AI 検索で引用される方法｜実装コード付き 2026年版

ChatGPT に「切削加工 公差 ±0.01mm 対応 町工場」と聞いてみる。出てくるのは中国の Zhihu か、無関係な oshiete.goo.ne.jp の Q&A。日本語で同じスペックに対応できる町工場は、加工事例ページを 10 件持っていても、AI 検索の前にはまるで存在していないかのように扱われる。

理由は単純だ。加工事例が機械可読化されていないからである。

実測した中小製造業34社のうち、JSON-LD（構造化データ）を実装していたサイトは0社、OAI-SearchBotやClaude-SearchBotをrobots.txtで個別許可していたサイトも0社だった。一方で、73.5%のサイトは加工事例ページを持ち、17.6%はFAQページを持っている。視覚的な情報資産は既にあるのに、機械可読化の一手が抜けている状態である。

ここがポイント

• LLMO に「特別なスキーマ」は存在しない（Google公式：AI features and your website）。Organization／FAQPage／Product／Article／HowTo の JSON-LD を通常SEO要件と併せて実装する
• 中小製造業34社の JSON-LD 実装率は 0.0%（実測値）。実装することで、AI 検索が引用候補として認識する条件が揃う
• robots.txt で OAI-SearchBot ／ Claude-SearchBot ／ PerplexityBot ／ Google-Extended の4系統を明示許可しないと AI 検索の引用候補に入れない。実測34社で個別許可は 0 社

更新日：2026-05-01 ／ 執筆：DivAI Press 編集部 ／ 独自調査：上位 LLMO 記事 33 本＋実製造業 34 サイト実測（2026-04-21 取得）

---

製造業HPのLLMO実装の現状（2026年4月実測）

2026-04-21時点で、製造業HPのLLMO実装状況を確認した結果は次のとおりである。対象は中小製造業 34 サイト（切削 / 旋盤 15・板金 / 溶接 12・樹脂 / 精密 9）のトップページ HTML・robots.txt・llms.txt・sitemap.xml と、関連 KW（製造業 LLMO 対策／AIO／構造化データ／FAQPage スキーマ実装）の Google 上位記事 33 本である。

上位33記事の構造実測結果

LLMO 関連記事の多くは「LLMO とは何か」の解説層と「LLMO 対策会社ランキング」の比較層に集中しており、製造業文脈の実装コード例は薄い。

実製造業34サイトの Schema 実装実測結果

つまり、視覚的な FAQ や加工事例のコンテンツは 17-73% のサイトが既に持っている。一方で、構造化データとして機械可読にしているサイトは 0 だった。この非対称が、JSON-LD 実装の効果を高める根拠になる。

robots.txt の AI クローラ許可状況

OpenAI 公式（OAI-SearchBot）・Anthropic 公式（Claude-SearchBot）・Perplexity 公式（PerplexityBot ／ Perplexity-User）はいずれも「サイト側で明示許可されていることを前提に検索引用に使用する」旨を公開している。実測34社はほぼ全て「暗黙の default allow」状態であり、AI 検索の引用候補として認識される条件をまだ満たしていない。

---

LLMO ／ AIO とは何か（製造業文脈で）

定義

LLMO（Large Language Model Optimization）：ChatGPT・Claude・Gemini などの大規模言語モデルに基づく生成 AI が回答を作成する際に、自社の情報を引用候補として選ばせるための最適化。

AIO（AI Optimization／AI Overviews 対応）：Google AI Overviews（AI による概要）や Bing Copilot、Perplexity のような AI 検索エンジンが、質問に対する回答を生成する際に、自社ページを参照ソースとして提示させるための最適化。

2つは重なる概念で、実務では「LLMO／AIO」と併記する。

従来 SEO との違い

なぜ製造業 HP で LLMO ／ AIO が急務なのか

中小製造業の二代目・後継者（30-50 代、技術リテラシー中〜高）は、すでに次の動きを取り始めている：

• 海外バイヤーが日本の中小製造業を探す際、「切削加工 公差 ±0.01mm 対応 町工場」のようなロングテールクエリを ChatGPT や Perplexity に投げるケースが増加
• 従来の Google 上位対策では 指名検索（社名で検索） までは対応できても、未指名のロングテール引用（「どこか良い町工場ないか」質問型）に応えられない
• Bing 実測では、5 つの製造業ロングテールクエリの上位 10 件がすべて 中国 Zhihu または oshiete.goo.ne.jp（無関係な Q&A）に占拠されていた。とはいえ、Schema 実装した日本語製造業 HP は、当該ロングテールクエリでの引用候補として認識される条件を満たすことができる

Google 公式が明言した「LLMO の大前提」

Google Search Central 公式ドキュメント AI features and your website から原文引用：

"You don't need to create new machine readable files, AI text files, or markup to appear in these features. There's also no special schema.org structured data that you need to add."

"To be eligible to be shown as a supporting link in AI Overviews or AI Mode, a page must be indexed and eligible to be shown in Google Search with a snippet, fulfilling the Search technical requirements."

要旨は明確だ。「AI Overviews に載るための専用 Schema は存在しない。ただし通常の Google 検索でスニペット表示される資格が必須前提」。つまり、FAQPage・Organization・Product・Article・HowTo といった既存 Schema.org の一般的な JSON-LD を正しく設置することが、AI 検索引用の技術的土台となる。

---

製造業 HP LLMO 実装チェックリスト 32 項目

上位33記事実測と公式ドキュメント20本から抽出した32項目。5カテゴリで整理する。

カテゴリ A：構造化データ（JSON-LD）8 項

カテゴリ B：見出し・本文構造 7 項

カテゴリ C：ファイル・クローラ系 6 項

カテゴリ D：製造業特有コンテンツ 6 項

カテゴリ E：計測・運用 5 項

32項目を見ると分量に圧倒される。とはいえ実装の急所は3つだけだ。Organization（A-1）と robots.txt の AI クローラ4系統許可（C-1〜C-4）と加工事例の Product Schema（A-5＋D-1）──この3点が揃っていれば、AI 検索の引用候補に最低限入る状態になる。

---

製造業特有の論点：加工事例ページと Schema の両立

なぜ加工事例ページが LLMO の主戦場になるのか

実測した34社のうち 73.5% が加工事例ページを持っていた。一方で、0 社 が Product Schema を実装していなかった。つまり、AI 検索が「切削加工で公差 ±0.01mm 対応できる会社は？」と聞かれた時、日本語製造業の加工事例は機械可読な形で一切インデックスされていない。

これが意味するのは、Product Schema を実装することで、AI 検索が「公差±0.01mm 対応」「SUS304 切削」のような範囲指定クエリで、自社の加工事例ページを引用候補として認識できるようになる、ということだ。

顧客名伏字下での Schema 実装の勘所

中小製造業の加工事例は NDA・取引関係上、顧客名を出せないケースが 7-8 割。ところが、この制約下でも Product Schema は実装できる。

基本方針：Product の manufacturer（＝自社） と description（材質・加工法・公差） を必須とし、顧客特定情報（brand・offers.seller の顧客側）は省略または匿名化する。

具体的には次節の実コード例（パターン 2：加工事例 Product Schema）を参照。伏字運用でも gtin や sku の代わりに 社内管理番号（伏字化したもの） を identifier に入れることで、「この工場で実際に作られた案件」としての機械可読性を担保できる。

公差・材質・寸法の「具体数値記述」の重要性

AI 検索は「公差 ±0.01mm 以内」「SUS304 対応」「φ3mm〜φ200mm」のような範囲指定の具体数値でロングテール検索を受ける。Product Schema の description に以下のような構造で記述する：

• 材質：SUS304 / SUS316 / SS400 / A5052 / A7075 / C3604 / POM / MC ナイロン
• 加工法：NC 旋盤 / マシニングセンタ / ワイヤーカット / 研磨（鏡面仕上げ Ra0.4 まで）
• 公差：一般公差 JIS B 0405-m、精密加工時 ±0.005mm〜±0.01mm
• 寸法範囲：φ3mm〜φ200mm × 長さ 500mm まで
• 対応ロット：1 個〜 10,000 個

この範囲記述を Product の description と FAQPage の質問文両方に入れることで、AI の照合精度が高まる。

RFQ フォーム設計の LLMO 視点

補助軸 C で確認したとおり、「RFQ フォームの標準項目は？」というクエリは AI 検索で頻出する。製造業 HP の RFQ フォームに以下の項目を入れ、かつ HowTo Schema でフロー化することで、当該クエリの引用候補になれる：

1. 会社名・担当者・メール・電話
2. 図面（CAD データ：STEP / IGES / DXF / PDF）アップロード欄
3. 材質指定（ドロップダウン：SUS / アルミ / 鉄 / 樹脂 / その他）
4. 数量（1 個〜・ロット数）
5. 希望納期
6. 公差要求（一般公差 / 精密公差 ±0.01mm / その他）
7. 表面処理（めっき / 塗装 / アルマイト / 焼入れ / 指定なし）
8. 備考（用途・業界・特記事項）

この 8 項目を各社で共通化すると、AI が「RFQ 標準項目は？」に回答する際の引用候補になる。

---

JSON-LD 実装コード例（製造業向け 7 パターン）

以下7パターンはすべて Schema.org 仕様準拠＋ Google Search Central 推奨プロパティで構成。コピペで使用可能。

パターン 1：町工場 Organization Schema（全ページ共通 <head>）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://example-kousaku.co.jp/#organization",
  "name": "株式会社サンプル製作所",
  "url": "https://example-kousaku.co.jp/",
  "logo": "https://example-kousaku.co.jp/assets/logo.png",
  "foundingDate": "1978-04-01",
  "numberOfEmployees": {
    "@type": "QuantitativeValue",
    "value": 35
  },
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "○○町1-2-3",
    "addressLocality": "大田区",
    "addressRegion": "東京都",
    "postalCode": "144-0000",
    "addressCountry": "JP"
  },
  "telephone": "+81-3-1234-5678",
  "email": "info@example-kousaku.co.jp",
  "makesOffer": [
    { "@type": "Offer", "name": "NC旋盤加工" },
    { "@type": "Offer", "name": "マシニングセンタ加工" },
    { "@type": "Offer", "name": "ワイヤーカット加工" }
  ],
  "sameAs": [
    "https://twitter.com/example_kousaku",
    "https://www.facebook.com/example.kousaku"
  ]
}
</script>

パターン 2：加工事例 Product Schema（顧客名伏字対応、1 事例 1 ページ）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "精密シャフト部品（NC旋盤加工）",
  "image": [
    "https://example-kousaku.co.jp/works/shaft-001/image.jpg"
  ],
  "description": "SUS304製精密シャフト部品。公差±0.01mm、φ12mm×長さ150mm、小ロット10個から対応。表面処理は鏡面研磨Ra0.4。半導体製造装置用に納入。",
  "category": "切削加工／NC旋盤加工",
  "material": "SUS304",
  "manufacturer": {
    "@type": "Organization",
    "@id": "https://example-kousaku.co.jp/#organization"
  },
  "identifier": "CASE-2025-0142",
  "additionalProperty": [
    { "@type": "PropertyValue", "name": "公差", "value": "±0.01mm" },
    { "@type": "PropertyValue", "name": "加工法", "value": "NC旋盤加工＋研磨" },
    { "@type": "PropertyValue", "name": "対応ロット", "value": "10〜1000個" },
    { "@type": "PropertyValue", "name": "納期", "value": "標準2週間" }
  ]
}
</script>

ポイント：name に顧客名を入れない／manufacturer を Organization @id 参照で自社に固定／identifier は社内管理番号の伏字化。これで NDA 下でも機械可読性を担保できる。

パターン 3：FAQPage Schema（製造業 10 問テンプレ）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "対応可能な材質は何ですか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "鉄系（SS400、S45C）、ステンレス系（SUS304、SUS316）、アルミ系（A5052、A7075）、真鍮（C3604）、樹脂（POM、MCナイロン、PEEK）に対応しています。特殊材質も図面確認のうえ対応可能です。"
      }
    },
    {
      "@type": "Question",
      "name": "最小ロット1個から対応できますか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "はい、試作1個からの受注に対応しています。量産ロットは10〜10,000個まで一貫対応可能です。"
      }
    },
    {
      "@type": "Question",
      "name": "公差はどこまで対応できますか？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "一般公差はJIS B 0405-m。精密加工では±0.005mm〜±0.01mmまで対応可能です。機能・用途に応じて測定方法をご相談ください。"
      }
    }
  ]
}
</script>

（実装時は質問を 5〜10 問に拡張。各回答は 50〜150 字で具体数値を含む）

パターン 4：BreadcrumbList Schema（加工事例詳細ページ向け）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    { "@type": "ListItem", "position": 1, "name": "ホーム", "item": "https://example-kousaku.co.jp/" },
    { "@type": "ListItem", "position": 2, "name": "加工事例", "item": "https://example-kousaku.co.jp/works/" },
    { "@type": "ListItem", "position": 3, "name": "NC旋盤加工", "item": "https://example-kousaku.co.jp/works/nc-lathe/" },
    { "@type": "ListItem", "position": 4, "name": "精密シャフト部品" }
  ]
}
</script>

パターン 5：IndividualProduct Schema（量産ロットごとの実績ページ向け）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "IndividualProduct",
  "name": "薄肉アルミケース（量産500個実績）",
  "serialNumber": "CASE-2024-3210",
  "description": "A5052製、肉厚0.8mm、深絞りプレス加工。医療機器筐体用途で月産500個、累計3年12,000個の量産実績。公差±0.05mm、アルマイト処理対応。",
  "productionDate": "2024-06",
  "material": "A5052",
  "manufacturer": {
    "@type": "Organization",
    "@id": "https://example-kousaku.co.jp/#organization"
  },
  "isSimilarTo": {
    "@type": "Product",
    "name": "同素材・同加工法の類似案件",
    "url": "https://example-kousaku.co.jp/works/nc-lathe/"
  }
}
</script>

パターン 6：HowTo Schema（RFQ 入稿フロー 5 ステップ）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "HowTo",
  "name": "RFQ（見積もり依頼）の送り方",
  "totalTime": "PT10M",
  "estimatedCost": { "@type": "MonetaryAmount", "currency": "JPY", "value": 0 },
  "supply": [
    { "@type": "HowToSupply", "name": "図面（STEP／IGES／DXF／PDF）" },
    { "@type": "HowToSupply", "name": "仕様書（材質・公差・数量・納期）" }
  ],
  "step": [
    { "@type": "HowToStep", "position": 1, "name": "RFQフォームを開く", "url": "https://example-kousaku.co.jp/rfq/", "text": "当社RFQフォームにアクセスします。" },
    { "@type": "HowToStep", "position": 2, "name": "会社情報を入力", "text": "会社名、担当者、メール、電話を入力します。" },
    { "@type": "HowToStep", "position": 3, "name": "図面をアップロード", "text": "STEP／IGES／DXF／PDFのいずれかをアップロード。最大20MB。" },
    { "@type": "HowToStep", "position": 4, "name": "仕様を選択", "text": "材質・数量・希望納期・公差要求・表面処理をドロップダウンから選択します。" },
    { "@type": "HowToStep", "position": 5, "name": "送信", "text": "送信後、担当から原則24時間以内に受領連絡、標準3営業日で見積もり回答します。" }
  ]
}
</script>

パターン 7：@graph で全 Schema を 1 枚に統合（トップページ用）

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://example-kousaku.co.jp/#organization",
      "name": "株式会社サンプル製作所",
      "url": "https://example-kousaku.co.jp/",
      "logo": "https://example-kousaku.co.jp/assets/logo.png"
    },
    {
      "@type": "WebSite",
      "@id": "https://example-kousaku.co.jp/#website",
      "url": "https://example-kousaku.co.jp/",
      "name": "株式会社サンプル製作所 公式サイト",
      "publisher": { "@id": "https://example-kousaku.co.jp/#organization" }
    },
    {
      "@type": "WebPage",
      "@id": "https://example-kousaku.co.jp/#webpage",
      "url": "https://example-kousaku.co.jp/",
      "isPartOf": { "@id": "https://example-kousaku.co.jp/#website" },
      "about": { "@id": "https://example-kousaku.co.jp/#organization" }
    }
  ]
}
</script>

@graph でまとめると単一 <script> タグで複数 Schema を宣言でき、@id で相互参照できる。AI のパースも高速化する。

実装前 robots.txt 推奨テンプレ（C-1〜C-5 対応）

# AI検索引用を受ける（検索用ボット許可）
User-agent: OAI-SearchBot
Allow: /

User-agent: Claude-SearchBot
Allow: /

User-agent: Claude-User
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Perplexity-User
Allow: /

User-agent: Google-Extended
Allow: /

# 学習を拒否するなら以下を足す（検索引用は受ける分離運用）
# User-agent: GPTBot
# Disallow: /

# 一般クローラ
User-agent: *
Disallow: /wp-admin/
Allow: /wp-admin/admin-ajax.php

Sitemap: https://example-kousaku.co.jp/sitemap.xml

---

計測・検証フロー（デプロイ後のチェック手順）

デプロイ前（実装即日）

1. Rich Results Test（search.google.com/test/rich-results）に該当 URL を投入し、JSON-LD が正しく認識されるか確認
2. Schema.org Validator（validator.schema.org）でスキーマの厳格検証（Google 推奨プロパティ以外の誤記も検出）
3. ブラウザ DevTools で document.querySelectorAll('script[type="application/ld+json"]') を実行し、対象 Schema の数が想定通りか確認

デプロイ後 1 週間

1. Google Search Console → エンハンスメント 配下の「FAQ」「商品スニペット」「パンくずリスト」各レポートでエラー／警告がゼロか確認
2. Bing Webmaster Tools で構造化データ検証（Bing 側の独立検証）
3. サイトの robots.txt を https://example-kousaku.co.jp/robots.txt で直接確認

デプロイ後 1 ヶ月

1. Bing Webmaster Tools → AI Performance レポートで「Impressions in AI answers」「Citations」を確認（Copilot 引用計測が唯一の公式 KPI）
2. GA4 → 集客 → トラフィック獲得 で referral から chatgpt.com・perplexity.ai・copilot.microsoft.com の流入を確認
3. 実際に Perplexity / ChatGPT / Gemini で自社 KW を検索し、ソースカードに自社ページが出るか手動確認

継続運用（月次）

1. 新規加工事例ページ公開時に Product Schema 設置漏れを防ぐチェックリスト運用
2. GSC のエンハンスメント エラー増加時は 48 時間以内に修正
3. 四半期ごとに robots.txt の AI クローラ許可リストを更新（新規 bot 追加時）

---

よくある質問

llms.txt は必須か？

必須ではない。2026-04 時点で llms.txt は非公式仕様（llmstxt.org）で、Google・OpenAI・Anthropic いずれも公式には参照を表明していない。設置するコストは低いため「推奨」レベル。実測34社全てが未設置だった。

GPTBot は robots.txt でブロックすべきか？

学習させたくないなら GPTBot のみ Disallow: /。ただし OAI-SearchBot（SearchGPT 検索用）は許可しないと ChatGPT 検索の引用候補に入れない。OpenAI が学習用と検索用を分離している点を活用したい。

加工事例に Product Schema を貼るのは過剰ではないか？

Schema.org 公式の Product 定義は「offered product or service」でサービスも対象。加工事例は「提供可能な加工サービスの実証事例」として Product（特に IndividualProduct）で表現可能である。実測で製造業34社の Product Schema 実装率は 0% であり、実装することで AI 検索の機械可読性が大きく向上する。

顧客名伏字でも Product Schema を実装できるか？

可能だ。パターン 2 のとおり、name に顧客名を含めず、manufacturer を自社に固定、identifier を社内管理番号の伏字化（例：CASE-2025-0142）にすれば、NDA 下でも機械可読性を確保できる。

Schema 実装だけで AI 検索上位に出るか？

出ない。Google 公式（AI features and your website）は「AI Overviews 表示には通常 Google 検索でスニペット表示される資格が必須」と明言している。Schema は前提条件であり、E-E-A-T・被リンク・コンテンツの一次性（実験値・測定値・固有実績）との組み合わせが必要となる。

---

実装の優先順位 — Organization から始める

中小製造業のHPには、加工事例とFAQの素材が既に整備されている（実測34社中、加工事例73.5%、FAQ 17.6%）。これらを機械可読化することが、AI 検索引用の前提条件を満たす最短ルートになる。

32項目チェックリストと7パターンの JSON-LD 実コードは、そのまま自社 HP に適用可能な状態にしてある。実装の優先順位は次のとおり──Organization（A-1）→ robots.txt AI 許可（C-1〜C-4）→ 加工事例 1 事例 1 ページ化（D-1）＋ Product Schema（A-5）→ FAQPage（A-4）→ その他。

---

製造業 HP を LLMO 対応込みで、一人で全部やり切るのは大変

Organization の JSON-LD 設計、加工事例 1 事例 1 ページの情報設計、顧客名伏字下での Product Schema の書き方、robots.txt の 4 系統 AI クローラ許可、Bing Webmaster Tools の AI Performance 設定、継続運用のチェックリスト整備── これを自社だけでやり切るには、Web 担当者・技術担当者・品質担当者の横断稼働が 2-3 ヶ月かかる。

WebCreate（株式会社ドゥーファ提供）は、32項目チェックリスト＋7パターンの JSON-LD 実コードを全て適用した製造業 HP の制作に対応している。

サービス概要： 税込 ¥199,800 ／ 1 週間納品 ／ 30 日保証 ／ 買い切り型（月額保守不要）

「切削加工・板金溶接・樹脂精密加工の加工事例が、ChatGPT・Perplexity・Bing Copilot から引用される製造業 HP を、1 週間で手に入れる。」

---

参考資料（一次ソース）

Google Search Central

• AI features and your website
• FAQPage structured data
• Product snippet structured data
• Organization/Logo structured data
• Article structured data
• BreadcrumbList structured data
• Google-Extended（共通クローラ）
• Creating helpful, reliable, people-first content

Schema.org

• Organization / Product / IndividualProduct / FAQPage / HowTo

AI ベンダー公式

• OpenAI: GPTBot / OAI-SearchBot
• Anthropic: Claude クローラ ドキュメント
• Perplexity: PerplexityBot 仕様
• Bing Webmaster Tools: AI Performance

独自調査データ

• DivAI Press 編集部「上位 LLMO 記事 33 本・中小製造業 34 サイト Schema 実装実測」2026-04-21 取得

---

関連記事（このページを読んだ方向け）

• 「中小製造業のホームページ制作完全ガイド【2026 年版】」（準備中）
• 「製造業 HP の加工事例ページ書き方｜顧客名伏字 5 パターンと SEO 両立」（準備中）
• 「製造業 HP は『1 事例 1 ページ』が最強｜ニッチ KW 集客の定量効果」（準備中）

---

著者情報

DivAI Press 編集部

DivAI Press は株式会社ドゥーファが運営するメディアである。Webサイト制作サービス「WebCreate」の運用実務を踏まえ、中小製造業の LLMO ／ AIO 対応を HP 実装レベルに落とし込む観点で編集している。執筆時には類似トピック上位記事の横断実測や実サイトの構造化データ実測などのデスクリサーチを編集プロセスに組み込み、AI活用リサーチも併用している（AI活用ポリシー）。公開前には編集部による事実確認を行っている。

---

最終更新日：2026-05-01

---