LLMO対策でFAQページを最大活用する完全ガイド——AIに直接引用される質問設計

LLMO FAQ（Large Language Model Optimization × FAQ）とは、ChatGPT・Claude・Gemini・Perplexityなど生成AIの回答に自社FAQコンテンツが直接引用されるよう最適化する手法です。AEO（Answer Engine Optimization）の中核をなす施策であり、AI検索 FAQ設計の原則に従って構築することで、AI Visibilityを飛躍的に高めます。

はじめに：FAQページがLLMO最重要コンテンツである理由

Growth Marshal（Semrush調査データより）の調査によると、AI経由のコンバージョン率はSEO経由比で4.4倍です[1]。さらにGartnerは、2026年までにオーガニック検索トラフィックが25%減少すると予測しています[2]。この2つのデータが示すのは明白です。AIに引用されることの価値が、従来の検索流入の価値を上回りつつあります。

この文脈において、FAQページは最も投資対効果が高いLLMOコンテンツ形式です。理由は構造的にシンプルです。ユーザーがChatGPTやPerplexityに投げかけるクエリは、ほぼ例外なく自然言語の疑問文形式をとります。FAQページはその構造——質問と回答のペア——を最初から備えた唯一のコンテンツ形式です。

本記事では、FAQページをLLMに直接引用されるコンテンツとして設計する方法論を体系的に解説します。RAGの技術的仕組みから、質問設計の5原則、Schema.org実装、業界別設計例、効果測定、改善チェックリストまで、実践に必要なすべてを網羅します。

1. LLMがFAQを引用する仕組み——RAGとチャンク分割の観点から

RAG（Retrieval-Augmented Generation）の動作原理

現代の主要LLMサービス——ChatGPT、Perplexity、Gemini、Claude——は、RAG（Retrieval-Augmented Generation）と呼ばれる仕組みでリアルタイムのWeb情報を参照します。RAGのプロセスは3段階で動作します。

第1段階：クエリのベクトル化

ユーザーの入力テキストを高次元の数値ベクトルに変換します。「FAQページのLLMO最適化はどうすればいいですか？」という入力は、その意味的な座標として表現されます。

第2段階：意味的近傍探索（Semantic Retrieval）

インデックス化されたWebコンテンツのチャンク（テキストブロック）の中から、クエリベクトルとコサイン類似度が高いチャンクを検索・取得します。この段階でFAQページは構造的な優位性を持ちます。FAQの質問文「FAQページのLLMO最適化方法は？」は、ユーザーが実際に入力するクエリと意味的に直結しています。一方、通常記事の見出し「2-3. コンテンツ最適化の方法論」は、意味的距離が相対的に大きいです。

第3段階：コンテキスト注入と回答生成

取得したチャンクをコンテキストとしてLLMに渡し、最終回答を生成します。このとき引用元URLがPerplexityのように明示されることもあれば、回答文の中に内容が溶け込む形で参照されることもあります。

チャンク分割とFAQの構造的整合性

RAGがコンテンツを取得する単位は「チャンク」と呼ばれる短いテキストブロックです。一般的なチャンクサイズは200〜500トークン（日本語で約300〜800字相当）に設定されます。

FAQの各Q&Aペアは、自然にこのチャンク単位と一致します。質問文が検索の「アンカー」となり、その直後の回答文がチャンクの主要コンテンツとなります。これはRAGのインデックス設計と完全に整合しています。対して、長文記事のコンテンツは恣意的な位置でチャンク分割されることが多く、質問文と回答が別チャンクに分割されてしまうリスクがあります。

FAQPageスキーマがLLMに与える構造的シグナル

Schema.orgのFAQPageスキーマは、HTML内にJSON-LDとして埋め込まれる構造化データであり、「このページのどの部分が質問で、どの部分が回答か」をLLMが明示的に解釈するためのラベルとして機能します。LLMがWebページを処理する際、QuestionエンティティとAnswerエンティティとして明示的にラベリングされたコンテンツは、非構造化テキストより優先的に参照されやすいです。エンティティ最適化の観点からも、スキーマ実装はAI Visibilityを高める基本施策です。

2. LLMに引用されるFAQと引用されないFAQの違い——比較表

3. 質問設計の5原則——Query Fan-out対応・直接回答型・網羅性

原則1：ユーザーの自然言語クエリをそのまま質問文にする

LLMが処理するクエリとFAQ質問文の意味的類似度を最大化することが、RAGによる取得確率を高める根本原則です。ユーザーがChatGPTに入力する言葉は短く、口語的で、主語を省略することが多いです。

NG: 「サービスの利用開始に際して必要な手続きは何ですか」

OK: 「すぐに使い始めるにはどうすればいいですか？」

質問文の設計は担当者の感覚ではなく、Google Search Consoleの検索クエリデータ、カスタマーサポートのログ、Google「他の人はこちらも質問（PAA）」ボックスの収集という客観的データに基づきます。

原則2：Query Fan-outに対応する質問バリエーションを設計する

Query Fan-outとは、LLMがユーザーの入力クエリを内部的に複数のサブクエリに展開して処理する仕組みです。「LLMOでFAQを活用する方法」というクエリは、LLM内部で「LLMO FAQ 最適化」「FAQページ AI引用」「FAQ設計 生成AI」等の複数クエリに展開されて検索されます。

この仕組みに対応するには、同一トピックについて複数の言い換え表現で質問を設計します。たとえば同一回答をカバーする質問として「FAQページはLLMに引用されますか？」「AIはFAQをどのように参照しますか？」「生成AIにFAQを引用させるにはどうすればいいですか？」という3問を用意することで、Query Fan-outで展開される複数のサブクエリをカバーできます。

原則3：直接回答型（Direct Answer Format）で回答する

回答の1文目で直接的な答えを述べるダイレクトアンサー形式を採用します。LLMはコンテンツを処理する際、最初の1〜2文を優先的に評価します。冒頭で直接回答することで、RAGによる取得精度と引用精度の両方が向上します。

NG: 「この点については、一般的にはさまざまな考え方がありますが、弊社としては...」

OK: 「導入期間の目安は最短3営業日です。初期設定は専任のカスタマーサクセス担当が無償でサポートします。」

原則4：自己完結性——チャンク単位で意味が通じる回答を書く

RAGはFAQのQ&Aペアをチャンク単位で取得します。取得されるのはそのQ&Aペアのみであり、ページの他の部分は参照されません。「上記のとおり」「前述の方法で」「これは」といった指示語や前提参照は、チャンク単位で取得された回答を無意味にします。各回答は必ず、その回答文だけで完全に意味が通じるように書きます。

NG: 「これを利用するには、上記の手順に従ってください。」

OK: 「〇〇（サービス名）を利用するには、公式サイト（https://example.com）からアカウント登録後、管理画面の『プラン設定』から有料プランを選択してください。」

原則5：網羅性——カスタマージャーニー全フェーズをカバーする

FAQの質問設計は、ユーザーのカスタマージャーニー全フェーズ——認知・比較・検討・購買・利用・解約——に対応する質問群を網羅的に設計する必要があります。LLMがユーザーの相談に応じる際、ユーザーのフェーズに合わせた回答を求めるため、特定フェーズの質問しかカバーしていないFAQは引用機会が限定されます。

4. FAQページの構造設計——Schema.org FAQPage実装付き

FAQページの推奨HTML構造

FAQページのHTML設計は、機械可読性と人間可読性の両立を目指します。以下の構造を基本テンプレートとして採用します。

```html

<article>

  <h1>よくある質問（FAQ）</h1>

  <section id="faq-pricing">

    <h2>料金・プランについて</h2>

    <div class="faq-item" id="faq-price">

      <h3>料金はいくらですか？</h3>

      <div class="faq-answer">

        <p>料金は月額9,800円（税込）から始まります。ベーシック・スタンダード・エンタープライズの3プランがあり、14日間の無料トライアルをご利用いただけます。詳細は<a href="https://example.com/pricing/">料金ページ</a>をご確認ください。</p>

      </div>

    </div>

    <div class="faq-item" id="faq-trial">

      <h3>無料トライアルにクレジットカードは必要ですか？</h3>

      <div class="faq-answer">

        <p>14日間の無料トライアルはクレジットカードなしで開始できます。トライアル終了後に有料プランへ移行する場合のみ、お支払い情報の登録が必要です。</p>

      </div>

    </div>

  </section>

</article>

```

Schema.org FAQPageスキーマの完全実装

以下は、LLMOとSEOの両方に最適化されたFAQPageスキーマの実装テンプレートです。<head>タグ内または<body>末尾に配置します。

```html

<script type="application/ld+json">

{

  "@context": "https://schema.org",

  "@type": "FAQPage",

  "name": "〇〇（サービス名）よくある質問",

  "description": "〇〇サービスに関するよくある質問と回答。料金・プラン・導入方法・サポート対応について詳しく解説します。",

  "url": "https://example.com/faq/",

  "dateModified": "2026-03-01",

  "publisher": {

    "@type": "Organization",

    "name": "組織名",

    "url": "https://example.com",

    "logo": {

      "@type": "ImageObject",

      "url": "https://example.com/logo.png"

    }

  },

  "mainEntity": [

    {

      "@type": "Question",

      "name": "料金はいくらですか？",

      "acceptedAnswer": {

        "@type": "Answer",

        "text": "料金は月額9,800円（税込）から始まります。ベーシック・スタンダード・エンタープライズの3プランがあり、14日間の無料トライアルをご利用いただけます。詳細はhttps://example.com/pricing/をご確認ください。",

        "dateCreated": "2026-01-15",

        "upvoteCount": 42

      }

    },

    {

      "@type": "Question",

      "name": "無料トライアルにクレジットカードは必要ですか？",

      "acceptedAnswer": {

        "@type": "Answer",

        "text": "14日間の無料トライアルはクレジットカードなしで開始できます。トライアル終了後に有料プランへ移行する場合のみ、お支払い情報の登録が必要です。",

        "dateCreated": "2026-01-15",

        "upvoteCount": 38

      }

    },

    {

      "@type": "Question",

      "name": "〇〇と競合サービスBの違いは何ですか？",

      "acceptedAnswer": {

        "@type": "Answer",

        "text": "〇〇は競合サービスBと比較して、〇〇機能が標準搭載されており、初期設定の工数が平均40%少ないことが特徴です。また、日本語サポートが24時間365日対応している点も主要な差別化要素です。",

        "dateCreated": "2026-02-01",

        "upvoteCount": 55

      }

    }

  ]

}

</script>

```

スキーマ実装時の4つの重要チェックポイント

1. dateModifiedの厳密な管理: スキーマのdateModifiedは実際の更新日と一致させます。古い日付のままにすると、LLMが情報の鮮度を評価する際にネガティブなシグナルになります。

2. text内のURLは絶対URLで記述: RAGがスキーマから直接テキストを取得する場合、相対URLは機能しません。回答文内のリンクはすべて絶対URLで記述します。

3. HTMLの表示内容とJSON-LDの完全一致: JSON-LDのQ&A内容と、HTMLの表示内容を完全に一致させます。不一致が生じると、Googleによるスキーマの無効化につながります。

4. upvoteCountの活用: Schema.orgのAnswerエンティティにはupvoteCountプロパティが存在します。実際のユーザー評価数を反映させることで、回答の信頼性スコアの向上が見込めます。

5. 業界別FAQ設計例——BtoB SaaS / 製造業 / 採用業界

BtoB SaaS業界のFAQ設計

BtoB SaaSのFAQで最も引用機会が高い質問カテゴリは「比較・差別化」「料金・契約」「セキュリティ・データ管理」「導入・インテグレーション」の4つです。

比較・差別化（引用機会が最も高い）:

• 「〇〇（ツール名）と〇〇（競合ツール名）の違いは何ですか？」

• 「〇〇を選ぶべきケースと、他社ツールを選ぶべきケースを教えてください」

• 「Salesforceとの連携は可能ですか？」

料金・契約:

• 「月払いと年払いではどちらが安いですか？」

• 「ユーザー数が増えた場合、プランを途中でアップグレードできますか？」

• 「解約はいつでもできますか？最低契約期間はありますか？」

セキュリティ・データ管理（BtoBで特に重視される）:

• 「データはどこに保存されていますか？国内サーバーですか？」

• 「SOC2認証やISO27001は取得していますか？」

• 「シングルサインオン（SSO）に対応していますか？」

BtoB SaaS FAQのLLMO設計指針: Perplexityのようなリサーチ特化型AIは、複数ツールの比較クエリに対して積極的に引用を行います。比較質問に対する回答は、自社の立場からの客観的な優劣の整理を数値ベースで行うことで引用率が上がります。

製造業のFAQ設計

製造業のFAQでLLMに引用されやすいのは、「技術仕様・スペック」「対応・カスタマイズ範囲」「納期・ロット」「品質管理・認証」の質問カテゴリです。

技術仕様・スペック:

• 「〇〇（素材名）の最大加工サイズを教えてください」

• 「公差の許容範囲はどのくらいですか？」

• 「〇〇（規格名）に準拠した製品の製造は可能ですか？」

対応・カスタマイズ範囲:

• 「1個からの少量生産に対応していますか？」

• 「図面がない段階でも相談できますか？」

• 「試作品の制作から量産まで一貫して対応していますか？」

納期・ロット:

• 「標準的な納期はどのくらいですか？急ぎの場合は対応できますか？」

• 「最小発注ロット（MOQ）はいくつですか？」

製造業FAQのLLMO設計指針: 製造業では、調達担当者がAIを使って「〇〇 製造 対応メーカー」「〇〇 加工 外注 費用」といったクエリを入力するケースが増えています。仕様・規格・対応可否を明確な数値と技術用語で回答するFAQは、AIによる専門的な調達支援クエリへの引用に直結します。

採用業界のFAQ設計

採用・HR関連のFAQでLLMに引用されやすいのは、「選考プロセス」「ポジション詳細」「働き方・待遇」「企業文化・特徴」の質問カテゴリです。

選考プロセス:

• 「応募から内定までどのくらいの期間がかかりますか？」

• 「面接は何回ありますか？オンライン面接は可能ですか？」

• 「職歴なしでも応募できますか？」

働き方・待遇:

• 「リモートワークは可能ですか？週何日まで在宅勤務できますか？」

• 「フレックスタイム制はありますか？コアタイムはどのくらいですか？」

• 「副業・兼業は認められていますか？」

企業文化・特徴（エンティティ最適化の観点で重要）:

• 「〇〇社の社風を一言で表すと？」

• 「中途入社の社員の割合はどのくらいですか？」

• 「入社後の研修制度はどのようなものがありますか？」

採用業界FAQのLLMO設計指針: 求職者はAIを使って「〇〇社 評判」「〇〇社 働き方」「〇〇社 年収 リアル」といったクエリを入力します。これらのクエリに対してLLMが引用できる公式情報源としてFAQを機能させることは、採用ブランディングとAI Visibilityの両立に直結します。

6. FAQページのLLM引用率計測方法

LLM引用率の計測は2026年現在も発展途上ですが、以下の5つの手法を組み合わせることで精度の高い評価が可能です。

手法1：主要AIへの定点クエリ観測

「〔サービス名〕 FAQ」「〔サービス名〕とは」「〔サービス名〕の料金」等のブランドクエリを、ChatGPT・Perplexity・Gemini・Claudeに月次で入力し、自社FAQページが引用・参照されているかを確認します。引用時のテキストが自社FAQ回答文と一致しているかも照合します。Ahrefs Brand Radarなどのツールを使うと半自動化できます。

手法2：Perplexity引用URLの追跡

Perplexityは引用URLを明示的に表示する仕様のため、自社FAQページのURLが引用されているケースを確認しやすいです。主要クエリパターン（20〜30クエリ）に対するPerplexityの回答をスクリーニングし、引用URLに自社FAQが含まれる頻度を月次で記録します。引用率（引用されたクエリ数÷総クエリ数）をKPIとして管理します。

手法3：AIリファーラルトラフィックの分析

Google Analytics 4でリファラートラフィックを分析し、perplexity.ai・chat.openai.com・gemini.google.com・claude.aiからの流入を確認します。FAQページへのAIリファーラル流入の増加傾向は、LLMOの効果が出ているサインです。月次でAIリファーラルセッション数とFAQページへの流入比率を記録します。

手法4：ブランドクエリに対するAI回答の正確性確認

「〔サービス名〕の料金は？」「〔サービス名〕はどんなサービスですか？」等のブランドクエリに対するAI回答が、自社FAQの記載内容と一致しているかを定期的に確認します。内容が古い、または不正確な場合は、FAQの更新とスキーマのdateModifiedの更新で対処します。

手法5：FAQページのオーガニック検索パフォーマンス

Google Search ConsoleでFAQページへの流入キーワードとインプレッション数を確認します。LLMOとSEOは密接に連動しており、FAQページのオーガニック検索パフォーマンスの向上はLLMによるインデックス強化にもつながります。リッチリザルト（FAQアコーディオン）の表示回数は、FAQスキーマの有効性を示す指標として活用できます。

7. 既存FAQのLLMO改善チェックリスト

既存のFAQページをLLMO観点で改善する際は、以下のチェックリストを順に確認します。

A. 質問文の品質チェック

• [ ] 質問文が口語・自然言語形式になっているか（「ご提供いただける〜」ではなく「〜できますか？」）

• [ ] 1つの質問文が1つの疑問に絞られているか（複数の疑問を詰め込んでいないか）

• [ ] 実際のユーザークエリ・サポートログ・PAAボックスに基づいて設計されているか

• [ ] 同一トピックについてQuery Fan-outに対応する複数バリエーションが存在するか

• [ ] カスタマージャーニー全フェーズの質問がカバーされているか

B. 回答文の品質チェック

• [ ] 回答の1文目で直接的な答えを述べているか

• [ ] 回答が80〜150字（2〜4文）の最適サイズ内に収まっているか

• [ ] 指示語・前提参照（「上記の〜」「これは〜」等）が使われていないか

• [ ] 具体的な数値・固有名詞・絶対URLが含まれているか

• [ ] 前後の文脈なしに、その回答文だけで意味が完全に通じるか

• [ ] 過度なプロモーション表現がなく、事実ベースで記述されているか

C. 技術・実装チェック

• [ ] FAQPageスキーマ（Schema.org）が正しく実装されているか

• [ ] JSON-LDのQ&A内容とHTMLの表示内容が完全に一致しているか

• [ ] dateModifiedが実際の更新日と一致しているか

• [ ] 各回答内のURLが絶対URLで記述されているか

• [ ] Google Search Consoleのリッチリザルトテストでエラーがないか

D. コンテンツ網羅性チェック

• [ ] サービス・製品の直近の仕様変更・価格変更が反映されているか

• [ ] 競合FAQページと比較して不足している質問トピックがないか

• [ ] カスタマーサポートの直近3ヶ月の問い合わせログから新規質問が追加されているか

• [ ] 更新頻度は月1回以上確保されているか

E. 効果計測チェック

• [ ] FAQページへのAIリファーラルトラフィックを追跡しているか

• [ ] 主要ブランドクエリに対するAI回答を月次で確認しているか

• [ ] Perplexityでの引用URL確認を定期的に実施しているか

8. よくある質問（Q&A）

Q1. FAQページのLLMOとは何ですか？

FAQページのLLMOとは、ChatGPT・Claude・Gemini・PerplexityなどのLLM（大規模言語モデル）が回答を生成する際に、自社FAQの内容を直接引用・参照するよう設計する手法です。RAG（Retrieval-Augmented Generation）の仕組みに沿った質問文・回答文の設計と、Schema.orgのFAQPageスキーマ実装が主要な施策となります。

Q2. FAQページに最低何問のQ&Aが必要ですか？

サイト全体FAQであれば最低20問、記事末尾のインラインFAQであれば最低5問を目安とします。ただし、質問数よりも「ユーザーが実際にAIに入力するクエリとの一致度」の方が重要です。10問であっても自然言語クエリに一致する質問文と自己完結した回答文があれば、LLMに引用される確率は高くなります。

Q3. FAQスキーマを実装しているのにGoogleのリッチリザルトに表示されません。LLMにも効果がありますか？

Googleのリッチリザルト表示はGoogleのアルゴリズムによる判断であり、スキーマが正しく実装されていても必ず表示されるわけではありません。ただし、スキーマの正しい実装はLLMによる機械的な構造データの読み取りには有効です。Google Search ConsoleのリッチリザルトテストでエラーがなければLLMのシグナルとして機能しています。

Q4. FAQページは独立ページにすべきですか？それとも記事内に埋め込むべきですか？

両方を実施することが最も効果的です。/faq/等の独立したFAQページはドメイン全体のFAQ権威性を高め、記事末尾のインラインFAQはその記事トピックに関するクエリへの引用確率を上げます。リソースが限られる場合は、トラフィックが多い主要ページへのインラインFAQから始めることを推奨します。

Q5. AEO（Answer Engine Optimization）とLLMOのFAQ最適化はどう違いますか？

AEOは検索エンジンのフィーチャードスニペット獲得を主目的とした手法であり、LLMOはChatGPT・Claude・GeminiなどのLLM回答への引用最適化を主目的とします。設計原則は多く共通しますが、LLMOではQuery Fan-outへの対応、RAGのチャンク分割を意識した自己完結性、エンティティ最適化の観点がより重要になります。現在はAEOとLLMOを統合した設計が実務的には最も効率的です。

Q6. FAQ回答の中で自社サービスの宣伝をしても問題ありませんか？

軽度の言及は問題ありませんが、過度なプロモーション表現はLLMに「広告コンテンツ」と判断されて引用されにくくなるリスクがあります。「〇〇なら弊社の〇〇が最高です！」ではなく、「〇〇の場合、〇〇（サービス名）は〇〇という特徴があります」と事実ベースで記述するスタイルが適切です。回答の中立性・客観性がLLMによる引用確率に直接影響します。

Q7. FAQページのLLMO効果はどのくらいで出ますか？

実装から効果確認までの目安は2〜4週間です。FAQPageスキーマを正しく実装し、ユーザークエリに一致する質問文と自己完結した回答文を備えた20問以上のFAQであれば、主要ブランドクエリに対するAI回答への引用が2〜4週間以内に確認できるケースが多いです。ただし、LLMのクロールタイミングやインデックス更新頻度によって差異があります。

9. まとめ

Growth Marshal（Semrush調査データより）のデータが示すように、AI経由のコンバージョン率はSEO比4.4倍と発表されています[1]。Gartnerが予測するように、2026年までにオーガニック検索トラフィックは25%減少すると発表されています[2]。この2つのトレンドから読み取れるように、AI Visibilityの確立が、デジタルマーケティングにおける最重要投資先になりました。

FAQページがLLMOにおいて最も投資対効果が高いコンテンツ形式である理由は、RAGの仕組みとの構造的な整合性にあります。自然言語クエリと意味的に直結する質問文、RAGのチャンク単位での取得に対応した自己完結型の回答文、そしてSchema.orgのFAQPageスキーマによる構造的シグナル——この3つが揃ったFAQページは、ChatGPT・Claude・Gemini・Perplexityの回答における引用源として機能します。

実践のファーストステップとして、まず既存の主要ページ5〜10本に記事末尾FAQを追加することを推奨します。5問×10ページで50問のFAQが生まれ、それぞれにFAQPageスキーマを実装すれば、2〜4週間でLLMの引用パターンに変化が現れます。その後、本記事のチェックリストを使って既存FAQの品質改善を行い、業界別設計例を参考に質問カバレッジを拡大します。

FAQページはSEO・LLMO・カスタマーサポート効率化の三方向に働く、最もROIが高いコンテンツ投資です。AI検索時代のFAQ設計を今日から開始することを強く推奨します。

LLMOのご相談はFourMにお任せ下さい

FourMは、テクノロジーとインテリジェンスを活用し、メディアビジネスの持続可能な成長を支援するメディアグロースカンパニーです。

「メディアファースト」を掲げ、これまでに1,900以上のメディアを支援してきました。

また、サイト運営者向けGoogle認定パートナー（GCPP）として、高度な運用実績に基づいた優先的なサポートと機能提供が可能です。平均150%以上の売上成長率と、99.5%という高い契約継続率が、顧客からの深い信頼の証です。（※2025年12月時点の当社メディア支援実績）

LLMO対策及びAI時代におけるメディアの収益化やブランド価値向上について、ぜひFourMにご相談ください。

お問い合わせはこちらから：https://corp.fourm.jp/contact　

本記事は2026年6月時点での公開データおよび業界調査をもとに執筆されています。AI検索市場は急速に変化しており、最新情報は各プラットフォームの公式発表をご確認ください。

[1] 参照：Growth Marshal「AI Search Traffic is 4.4x More Valuable Than Organic: Here is the Data」（2026年4月） 

URL：https://www.runmarshal.com/field-notes/ai-search-traffic-is-4x-more-valuable-than-organic

[2] 参照：Gartner「Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Virtual Agents」（2024年2月） 

URL：https://www.gartner.com/en/newsroom/press-releases/2024-02-19-gartner-predicts-search-engine-volume-will-drop-25-percent-by-2026-due-to-ai-chatbots-and-other-virtual-agents