衝撃の発見：業種間で5.5倍の格差

調査の第一結果は、事前仮説をはるかに超えるものだった。

この数字が意味すること

不動産では10回の問い合わせのうち約10回、AIが特定ブランドを推薦した。士業では10回のうち1.5回しか推薦が起きなかった。不動産と士業の差は約5.5倍。

AI検索において、業種によって競争の「ルール」そのものが異なる。不動産会社はすでに「AIに推薦される土俵」に乗っており、競合との争いはその上で起きている。歯科・士業の多くは、その土俵にさえ立てていない可能性がある。

なぜ今、この調査を行ったのか

「最近、ChatGPTで業者を調べてから問い合わせてくる人が増えたと現場が言っていて…」

2024年後半から、支援先企業でこの声が複数聞かれ始めた。当初は個別の現象として処理していたが、2025年に入り業種を超えた構造的変化である可能性が浮かびあがってきた。顧客の意思決定プロセスに、AIという新しい「情報の中継者」が加わっていた。

問いの設定

AI検索の登場により、すべての業種が均等に影響を受けるわけではないとの仮説を立てた。比較しやすい情報構造を持つ業種はAIに推薦されやすく、そうでない業種はAIに「保留」されるのではないか。

この問いへの答えを出すために、5業種横断の調査を設計した。

調査の3つの目的

調査設計と方法論

対象業種と選定理由

「推薦が起きやすい業種」と「起きにくい業種」を意図的に混在させ、差異の構造を明確にする設計とした。

データ収集設計

測定指標

一次調査：Claude Sonnet（Claude 3.5 Sonnet）。クロス検証：ChatGPT・Gemini・Perplexity。クエリ形式：「〇〇でおすすめの△△を教えて」など自然言語形式。本調査はAIモデルのアップデートにより結果が変動しうることを前提とする。

不動産：勝者は「個別店舗」ではなかった

不動産業界では、AIがほぼすべてのクエリで特定ブランドを推薦した。しかし内容を分析すると、予想外のパターンが浮かんだ。

推薦されたのは「業界インフラ」だった

本調査で浮かびあがった核心的仮説

この仮説は、歯科・士業の低い推薦率とも整合する。業界横断的な比較インフラが未整備な業種ほど、AIが推薦の根拠を持ちにくく、推薦を回避する傾向があった。

フィットネス・美容：集中と依存の構造

フィットネス（推薦率 82.2%）― 特定ブランドへの極端な集中

zen place pilatesが高い推薦率を持つ構造的理由：体験予約の無料化と予約フォームの整備（AIが「次のステップ」を提示しやすい）、全国展開による信頼シグナルの量的優位、料金・クラス数・インストラクター情報の定量的整理。

美容・サロン（推薦率 64.7%）― プラットフォーム依存の明暗

美容業界で推薦されたのは、個別サロンよりもホットペッパービューティーなどの予約プラットフォームが中心だった。個店のブランド名が推薦されるケースは少なかった。

歯科・士業：AIが「推薦を保留」した理由

歯科（17.8%）・士業（15.6%）では、AIが特定企業を推薦することを回避する傾向が顕著だった。AIが実際に返した典型的な回答：

なぜAIは推薦を保留するのか

逆説的示唆：最も改善余地が大きい業種でもある

需要が高い（患者・クライアントのAI相談ニーズが高い）にもかかわらず推薦率が低いということは、整備することへの投資対効果が最も高い業種でもある。

4AI クロス検証：推薦率一致マトリクス

一次調査（Claude Sonnet・231件）で浮かんだパターンを、ChatGPT・Gemini・Perplexityでクロス検証した。以下は5業種・各AIのブランド推薦率と、4AI間の一致率を集計したものだ。

マトリクスから読み取れる3つの知見

ARIの知識構造：Evidence から Benchmark へ

Agent Readiness Indexは、コンサルタントの直感や業界慣習から設計されたフレームワークではない。調査データ（Evidence）を起点に、Principles・Framework・Methodology・Benchmarkへと積み上げた、証拠駆動の評価体系だ。

なぜ差がついたのか：3つの構造的要因

調査データを横断的に分析した結果、AI推薦率の高低を説明する3つの構造的要因が特定された。

要因① 情報がAIの「読み方」に対応しているか

人間が「読みやすいサイト」とAIが「処理しやすいサイト」は別物だ。AIは以下を優先的に参照する。

要因② 「推薦の根拠」をAIに渡せているか

AIが企業を推薦するとき、必ず根拠が必要だ。根拠のない推薦はリスクとして回避される。

要因③ AIが「次のアクション」を提示できるか

予約フォーム・料金情報・問い合わせ先が明確に整備されている企業はAIが「推薦→行動」の流れを完結させやすく、結果として推薦されやすい。「詳しくはお問い合わせください」で終わる情報設計は、AIが次のステップを案内できず、推薦の優先度が下がる傾向がある。

業界別ARI現在地マップ

本調査データと診断実績をもとに、主要業界のARI成熟度を整理した。現在地を知ることが改善の出発点だ。

※ 推定値。個社の状況・Web制作状況・GBP対応により大きく異なる。無料診断で個社の現在地を確認できる。

Research Update：バージョン管理と今後の調査計画

ARIフレームワーク バージョン履歴

Research Update ログ（ニュースとは別枠で管理）

Research Updateはプレスリリース（ニュース）とは独立した学術的記録として管理する。readiness.coaretail.com/research/updates/ にて随時公開。

あなたの会社は、どのレベルですか？

以下は本調査（2026年7月時点）の業種別AIブランド推薦率をベースにした参照値です。個社のスコアは無料診断で確認できます。

SEOとAgent Readiness：何が根本的に違うか

本調査でSEO評価とAI推薦率の相関を検証した結果、両者に明確な正の相関は見られなかった。SEOで上位表示されているが、AI検索で推薦されにくいパターンが複数の業種で観察された。

理由は単純だ。SEOとAgent Readinessは、最適化の「相手」が根本的に異なるからだ。

Agent Readinessとは何か

一言で説明する

3段階のプロセスで理解する

なぜ今なのか：2024〜2025年の3つの転換点

DRAモデル：3つの評価軸の全体像

Agent Readiness Index™（ARI）は、3軸で企業のAI対応度を評価する。各軸は独立しているが、順序依存性がある。

※ウェイトは現行v1モデルの設定値。評価データの蓄積に応じて定期的に更新予定。

ARIスコアの4段階分類

Discovery（発見可能性）の詳細

Discoveryとは、AIエージェントが企業を正確に認識・処理できる状態を指す。SEOの「クロール可能性」に近い概念だが、評価される要素が根本的に異なる。

Discoveryを構成する4要素

① Entity情報の整合性

企業名・住所・電話番号・営業時間・サービス内容が、公式サイト・Googleビジネスプロフィール（GBP）・SNSで一致しているか。不整合はAIが誤情報を生成するリスクを高める。

チェック例：「〇〇市の歯科医院」でAIに聞いたとき、正確な営業時間・電話番号・所在地が返ってくるか実際に確認してみてください。

② Schema Markup（構造化データ）の実装

LocalBusiness・Service・Review・FAQPageスキーマをJSON-LD形式で実装しているか。これがあるとAIが情報を機械的に正確に読み取れる。Googleのリッチリザルト対応と重なる部分が多く、SEO効果も副次的に得られる。

③ AI要約適合コンテンツ

ページ冒頭200文字以内に企業・サービスの核心情報があるか。AIは冒頭部分から要約可能なコンテンツを優先的に処理する。「ようこそ〇〇のウェブサイトへ」で始まるページは、この点でスコアが低くなる。

④ FAQコンテンツの充実

Q&A形式のコンテンツはAIの引用率を大幅に高める。「料金はいくらですか」「初回相談は無料ですか」等、ユーザーが自然言語で問う形式に対応した回答構造が整備されているか。

業界別Discovery成熟度（推定）

Recommendation（推薦可能性）の詳細

AIが企業を推薦するとき、必ず「なぜこの企業を推薦するか」の根拠が必要だ。根拠のない推薦はリスクとして回避される。Recommendationは、AIが推薦の根拠を持てる環境整備の状態を評価する。

Recommendationを構成する4要素

① 実績・受賞歴の定量化と公開

「実績豊富」ではAIは引用しない。「設立18年・累積顧客4,200社・継続率94%（2025年度実績）」のように数値化・公開されていれば、AIが根拠として使える。年数・件数の具体的な数値化が重要だ。

② 口コミ・レビューの質と量

Googleレビューの件数・評点・内容の具体性がすべて影響する。「良かったです」より「〇〇という課題を持って相談し、△△という提案で解決できた」という体験記述が信頼シグナルとして機能する。口コミ10件・評点3.8と、口コミ150件・評点4.6では、AI推薦における信頼シグナルに大きな差が生まれる。

③ 比較情報の構造化

「他社と何が違うか」「なぜ選ぶべきか」という問いへの答えが、サイト上で明示的に構造化されているか。AIが「なぜこの企業を推薦するか」を説明するための根拠データが、見つけやすい形で存在しているかが核心だ。

④ 専門性・権威性の明示

代表者・スタッフの資格・経歴・登壇実績が整備されているか。E-E-A-T（Experience, Expertise, Authoritativeness, Trustworthiness）の考え方はAI推薦評価でも有効に機能している。「取得資格：〇〇資格（登録番号：XXXXX）・登壇実績：〇〇学会2024年大会」のように具体的であるほど良い。

Action（実行可能性）の詳細

Actionabilityとは、AIエージェントが実際に「予約・問い合わせ・比較」を代行できるインフラの整備状況を測る軸だ。2025年以降、AIはユーザーの代わりに行動を代行するケースが増えており、この軸の重要性は今後急速に高まる。

Actionabilityを構成する4要素

① 予約・申込導線のデジタル化

電話のみの予約受付は、AIエージェントが代行できない。URLから直接アクセスできる予約フォーム・Webからの申込フォームがあることが最低条件だ。Googleカレンダー連携・Calendly・自社予約システム等の活用が有効な第一歩となる。

② 問い合わせ導線の複線化

フォーム・LINE・メールなど、複数の接点を持つことでAIが「次のステップ」を具体的に提示しやすくなる。reCAPTCHAや複数ページにまたがる手動入力が必要な設計は、AIが導線を提示しにくくなる要因だ。

③ 料金・サービス・キャンセルポリシーの明文化

料金・サービス内容・キャンセル条件がサイト上に明記されているか。AIはユーザーに代わって条件を確認してから推薦するため、これらが不明瞭な企業は推薦後の実行が中断されるリスクがある。

④ API・Webhook対応（中長期視点）

将来のAIエージェント接続（MCPサーバー等）に備えた設計。現時点では多くの企業が未整備だが、2027年以降を見据えた投資として、予約システムのAPI対応を検討しておくことが推奨される。

3フェーズ改善ロードマップ

Agent Readinessの改善は段階的に進めることが重要だ。Phase 1を飛ばしてPhase 3から始めても、基盤なき施策への投資になり成果が出にくい。

改善シナリオ：3業種のBefore/After

以下はARI改善の効果を説明するためのシナリオです。実際の変化は企業の現状・既存スコア・業界競合状況により異なります。

2027年の競争地図：ゼロクリック予約時代

MCP（Model Context Protocol）の普及とAIエージェントの実用化により、2027年には「AIが予約まで自律実行する」Agent Booking Readiness（ABR）時代が到来すると予測される。

2027年の顧客行動シナリオ（予測）

Agent Booking Readiness（ABR）の3要素

先行者が得るもの

業界内でARI・ABRの整備を早期に完了した企業は、競合が追いつくまでの期間、AI推薦での優位を持ちやすい。Googleマップで最初に口コミを集めた店舗が今も優位に立っているように、この窓は時間とともに閉まる。

Agent Readiness 認証制度

ARIの評価結果は4段階の認証グレードとして付与される。取得企業はAI時代の信頼性シグナルとして、サイト・営業資料・メディアで活用できる。

認証取得プロセス

認証はAI環境の変化に応じてスコア基準を定期改訂。取得後も継続的な維持監査が必要。

5AI横断調査：残る10問のキーファインディング

本ページはAgent Readiness Research（5業種・30問・5AI）の残り10問のエビデンスを収録する。各ページの関連セクションに配置した20問と合わせて、計30問の5AI横断データが本ハンドブックに統合されている。