TL;DR
- AI検索（AI Overviews / Perplexity）は 著者の専門性・経験 を引用判断に使う
Personschema +Articleのauthorフィールドが 機械可読な著者シグナル になる- バイライン・プロフィールページ・外部引用の3点セットが E-E-A-T 強化の最小構成
- 著者シグナルは コンテンツの信頼性評価 に直結し、AI引用率を左右する
- 実装はフロントマター→JSON-LD→プロフィールページの順で段階的に整備できる
GEO×SEO統合シリーズ：本記事はGEO×SEO統合戦略シリーズの個別解説です。各施策を統合した全体ワークフローとKPI設計の全体像は統合戦略のハブ記事にまとめています。
この記事の目的と成功基準
- 目的: AI検索に著者の専門性・権威・信頼を伝えるE-E-A-T実装手順をコード例付きで提供する
- 想定読者: GEO対応を進めるコンテンツエンジニア・編集責任者
- 成功基準: 「E-E-A-T AI検索」「著者シグナル GEO」クエリでの流入、GEO vs SEOへの回遊
なぜAI検索でE-E-A-Tが重要か
Google の Helpful Content ガイドライン（公式）は、著者の Experience（経験）・Expertise（専門性）・Authoritativeness（権威性）・Trustworthiness（信頼性） をコンテンツ評価の中核に置く。
AI Overviews や Perplexity などの生成AI検索エンジンは、回答生成の引用元を選ぶ際に次の問いに答えようとする（経験則）：
- この主張を書いたのは誰か
- その人はこのトピックの専門家か
- その専門性は機械可読な形で確認できるか
従来のSEOでは「被リンク数」が権威性の代理指標だったが、AI検索では 構造化データによる著者シグナル が直接的な評価要素になる。測定指標の観点から詳しくは measuring-llm-citations を参照。
E-E-A-T の4要素とAI検索での対応
| 要素 | 意味 | AI向け実装 |
|---|---|---|
| Experience | 実体験・一次情報 | 「〜を実際に試した」記述 + 日付明記 |
| Expertise | 専門知識 | Person schema の hasCredential / jobTitle |
| Authoritativeness | 業界での認知 | 外部サイトからの言及・引用リンク |
| Trustworthiness | 情報の正確性 | 出典リンク・最終更新日・著者プロフィール |
Person schema の実装
Person schema（schema.org/Person、公式）は著者の属性を機械可読に記述する。
基本構造
{
"@context": "https://schema.org",
"@type": "Person",
"@id": "https://example.com/authors/taro-yamada",
"name": "山田太郎",
"jobTitle": "AIシステムエンジニア",
"description": "生成AI・LLM導入支援を専門とするエンジニア。GPT-4/Claude実装経験5年以上。",
"url": "https://example.com/authors/taro-yamada",
"sameAs": [
"https://github.com/taro-yamada",
"https://linkedin.com/in/taro-yamada",
"https://zenn.dev/taro-yamada"
],
"hasCredential": {
"@type": "EducationalOccupationalCredential",
"name": "AWS Certified Machine Learning – Specialty"
},
"knowsAbout": ["生成AI", "LLM", "RAG", "GEO", "コンテンツ設計"]
}
フィールド解説
| フィールド | 役割 | E-E-A-T への貢献 |
|---|---|---|
@id | 著者の一意識別子（URI） | エンティティの同一性確認 |
jobTitle | 現職・役職 | Expertise の機械可読化 |
description | 経歴・専門領域の短文 | AI の著者理解を補助 |
sameAs | 外部プロフィール（GitHub/LinkedIn等） | Authoritativeness の根拠 |
hasCredential | 資格・認定 | Expertise の裏付け |
knowsAbout | 専門トピックリスト | トピック親和性の明示 |
Article schema への author フィールド埋め込み
Google の構造化データガイド（公式）では、Article schema に author を含めることを推奨している。
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "AI検索時代のE-E-A-T：著者シグナルをAIエンジンに伝える実装",
"datePublished": "2026-07-04T09:00:00+09:00",
"dateModified": "2026-07-04T09:00:00+09:00",
"author": {
"@type": "Person",
"@id": "https://example.com/authors/taro-yamada",
"name": "山田太郎",
"url": "https://example.com/authors/taro-yamada"
},
"publisher": {
"@type": "Organization",
"name": "Example Tech Blog",
"url": "https://example.com"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://example.com/posts/eeat-for-ai-search"
}
}
author の @id を Person schema の @id と一致させることで、AIが「この記事の著者は同一人物」と判断できる（エンティティ連結）。
フロントマターの author フィールド
Next.js / Markdown ベースのブログでは、フロントマターに著者情報を記述してJSON-LD生成に使う。
---
title: "AI検索時代のE-E-A-T：著者シグナルをAIエンジンに伝える実装"
slug: "eeat-for-ai-search"
date: "2026-07-04T09:00:00+09:00"
author:
name: "山田太郎"
id: "https://example.com/authors/taro-yamada"
url: "https://example.com/authors/taro-yamada"
jobTitle: "AIシステムエンジニア"
---
フロントマター → JSON-LD 変換ロジックの例（TypeScript）：
function buildArticleSchema(frontmatter: ArticleFrontmatter): WithContext<Article> {
return {
"@context": "https://schema.org",
"@type": "Article",
"headline": frontmatter.title,
"datePublished": frontmatter.date,
"author": {
"@type": "Person",
"@id": frontmatter.author.id,
"name": frontmatter.author.name,
"url": frontmatter.author.url,
"jobTitle": frontmatter.author.jobTitle,
},
};
}
バイライン設計：本文表示の最適化
構造化データだけでなく、本文上部のバイライン表示 も E-E-A-T に貢献する。AIが本文を読む際、著者情報が視覚的に明示されていると、テキスト抽出時にも著者文脈を保持しやすい（経験則）。
推奨バイライン構成
**著者**: 山田太郎（AIシステムエンジニア）— [プロフィール](https://example.com/authors/taro-yamada)
**最終更新**: 2026-07-04 | **初回公開**: 2026-07-04
**専門性根拠**: AWS ML Specialty 取得 / LLM 導入支援 50社以上（社内データ）
| 要素 | E-E-A-T軸 | 効果 |
|---|---|---|
| 著者名 + 肩書き | Expertise | AI が著者を識別 |
| プロフィールリンク | Authoritativeness | 詳細根拠へのナビ |
| 最終更新日 | Trustworthiness | 情報鮮度の明示 |
| 専門性根拠 | Experience / Expertise | 主張の裏付け |
著者プロフィールページの構成
著者ページは E-E-A-T の ランディングポイント になる。Google AI Overviews の最適化 でも著者プロフィールページの充実が推奨されている。
著者ページに必要な要素
- プロフィール写真（alt テキストに氏名 + 専門領域）
- 専門領域の具体的記述（「生成AI導入支援、GPT-4 / Claude 実装」）
- 実績・資格（資格名・取得年、経験社数等）
- 外部引用・登壇実績（メディア掲載、カンファレンス登壇）
- 著作一覧（
sameAsでリンクする記事リスト） - 連絡先 / SNS（GitHub / LinkedIn / X）
著者ページ自体にも Person schema を埋め込む：
{
"@context": "https://schema.org",
"@type": "ProfilePage",
"mainEntity": {
"@type": "Person",
"@id": "https://example.com/authors/taro-yamada",
"name": "山田太郎",
"jobTitle": "AIシステムエンジニア",
"description": "生成AI・LLM導入支援専門。AWS ML Specialty保有。",
"sameAs": [
"https://github.com/taro-yamada",
"https://zenn.dev/taro-yamada"
]
}
}
外部引用の獲得：Authoritativeness の強化
Person schema だけでは権威性の「根拠」は自己申告に過ぎない。AI検索エンジンは外部サイトからの言及・引用を Authoritativeness の客観的根拠として参照する（経験則）。
外部シグナル獲得のアプローチ
| アプローチ | 難易度 | E-E-A-T貢献 |
|---|---|---|
| 技術系メディア（Zenn/Qiita）への転載 | 低 | Authoritativeness |
| カンファレンス登壇（資料公開） | 中 | Experience + Authority |
| 他ブログ・メディアからの言及 | 中 | Authoritativeness |
| 学術・業界レポートへの引用 | 高 | 最大効果 |
構造化データの詳細設計は structured-data-for-ai-citation で扱っている。
GEO実装チェックリスト
以下のチェックリストを使って E-E-A-T 実装の完成度を確認する：
□ Person schema に @id（URI）を設定した
□ Article schema の author フィールドに Person @id を連結した
□ sameAs に GitHub / LinkedIn / Zenn 等を最低2つ設定した
□ hasCredential に保有資格を記述した
□ knowsAbout に専門トピックを3つ以上列挙した
□ フロントマターに author フィールドを追加した
□ 本文上部にバイラインを表示している
□ 著者プロフィールページが存在し、Person schema を含む
□ 著者ページから本人著作の記事一覧にリンクしている
□ 外部サイト（Zenn/Qiita/GitHub等）から著者ページへの参照がある
LLMs.txt との連携
LLMs.txtガイド で解説しているように、/llms.txt に著者情報を記述することでクローラー段階での著者認識を強化できる。
# Authors
## Taro Yamada
- Role: AIシステムエンジニア
- Expertise: 生成AI, LLM, RAG, GEO
- Profile: https://example.com/authors/taro-yamada
LLMs.txt → Person schema → Article author の3層で著者シグナルを統一すると、AIが異なる文脈（クロール/ページ読み込み/構造化データ）で同じ著者を同一エンティティと認識できる。
FAQ
Q. 著者が匿名・複数の場合はどう対応するか
組織アカウント（@type: Organization）を author として設定する。個人を特定できる場合は Person schema を優先する。複数著者の場合は author を配列にして全員の Person schema を含める。
Q. Person schema の @id には何を使えばいいか
自社ドメインの著者プロフィールページURLが理想（例: https://example.com/authors/taro）。外部サービスのURL（LinkedIn等）は sameAs に使い、@id は自社管理のURLにする。
Q. 著者プロフィールページがない場合でも効果があるか
Person schema の最低限の実装（name + jobTitle + sameAs）だけでも効果はある（経験則）。ただし著者プロフィールページがあると、AIが詳細情報を取得できるため Authoritativeness への寄与が高くなる。
Q. E-E-A-T はSEOとAI検索で同じ扱いか
基本的な考え方は同じだが、AI検索では構造化データによる機械可読性の比重が高い。Googleの従来SEOは被リンクなどの外部シグナルが主だったが、AI検索は本文・メタデータから直接著者情報を抽出しようとする点が異なる（経験則）。
Q. 実装効果はどう測定するか
LLM引用の測定方法は measuring-llm-citations を参照。著者名や専門領域キーワードを含むプロンプトでのAI回答における引用率をモニタリングする。
まとめ
AI検索時代のE-E-A-T実装は、3つのレイヤーで構成される：
- 構造化データ（Person schema + Article author）: 著者属性を機械可読化
- コンテンツ表示（バイライン + プロフィールページ）: 人間とAI両方への信頼性提示
- 外部シグナル（sameAs + 外部引用）: 自己申告を超えた権威性の根拠
いずれか一つだけでは E-E-A-T は不完全だ。3レイヤーを揃えることで、AIが「このコンテンツは信頼できる専門家が書いた」と判断し、回答での引用確率が上がる。
Person schema の @id を一貫して使い、著者プロフィールページと記事群を エンティティとして統一 することが、AI検索への最も効果的なシグナル送信になる。
