Google Discoverからのトラフィックが爆発的に急増した翌日、まるで潮が引くように数字が落ち込んでいく。
「なぜあの記事は掲載され、自信作だったこの記事は無視されたのか？」
多くのメディア編集長やマーケティング責任者が、この「再現性のなさ」に頭を抱えています。現場では「もっと高画質の画像を使おう」「トレンドを追おう」といった議論が繰り返されていますが、Google Search Centralのドキュメントを読み込んでも、そこにあるのは「ユーザーの興味関心に基づき表示される」という抽象的な説明ばかり。これでは、お守り程度の気休めにしかなりませんよね。
正直に申し上げましょう。人間の直感だけでDiscoverのアルゴリズムを攻略しようとするのは、目隠しをしてダーツを投げるようなものです。長年の開発現場で培った知見から言えることですが、人間の「勘」ほど当てにならないものはありません。特に、数千の変数が絡み合うアルゴリズム相手にはなおさらです。
しかし、ここで希望をお伝えしたいと思います。Discover対策こそ、まさにAIが最も得意とする「予測とパターン認識」の領域なのです。GoogleのAIが選ぶコンテンツを攻略するには、こちらもAIを使って対抗するしかありません。
本記事では、ブラックボックスと言われるDiscoverの掲載基準を、AIというレンズを通して「科学」する方法についてお話しします。運任せの運用から脱却し、エンジニアリングされた戦略へとシフトするためのヒントを持ち帰ってください。
なぜ「Discover掲載」はこれまで再現性が低かったのか？
多くのマーケターがSEO（検索エンジン最適化）の延長線上でDiscoverを捉えていますが、根本的なメカニズムが異なります。SEOが「検索クエリ（顕在ニーズ）」に対する応答であるのに対し、Discoverは「興味関心グラフ（潜在ニーズ）」へのプッシュ型配信だからです。
ブラックボックス化されたアルゴリズムの壁
Google Discoverのアルゴリズムは、ユーザーの検索履歴、閲覧履歴、位置情報、アプリ使用状況など、膨大なシグナルを複合的に処理しています。これらはGoogleが提唱する「Topic Layer」や「Knowledge Graph」といった技術基盤の上で成り立っており、人間が手動で分析できる変数の数を遥かに超えています。
従来のアプローチが通用しないのは、変数が多すぎて相関関係が見えにくいからです。「文字数が多いから」「画像が綺麗だから」といった単純な因果関係では説明がつかない現象が多発します。複雑系システムにおいては、たった一つの変数の変化が結果を大きく左右することもあれば、全く影響しないこともあります。
「人間による推測」の限界とバイアス
編集会議でよくある光景ですが、「このタイトルの方がキャッチーだ」「この写真の方がエモい」というベテラン編集者の勘は、しばしばバイアスを含んでいます。人間は自分の興味や過去の成功体験（生存バイアス）に引きずられがちだからです。
一方、GoogleのAIは冷徹に「エンゲージメントの確率」だけを見ています。人間が「面白い」と感じる記事と、アルゴリズムが「ユーザーがタップする確率が高い」と判断する記事には、明確な乖離が存在します。このズレこそが、再現性を阻む最大の要因です。
AIが変える「運任せ」からの脱却
ここでAIの出番です。AI、特にディープラーニング（深層学習）モデルは、人間には知覚できない数百、数千の特徴量（Feature）の中から、成功に寄与する非線形なパターンを見つけ出します。
例えば、記事の公開時間、タイトルのセンチメント（感情極性）、サムネイル画像の色相分布、本文中のエンティティ（固有表現）の密度。これらを統合的に分析し、「この記事がDiscoverに掲載される確率は78%」といった予測スコアを算出することは、適切なデータサイエンスのアプローチを用いれば十分に実現可能です。
かつては予測モデルの構築に高度な機械学習の専門知識が必要でしたが、現在ではGoogle CloudのVertex AIなどのプラットフォームを活用することで、そのハードルは大きく下がっています。特にAI開発環境は急速に進化しており、従来のAutoML機能に依存したアプローチから、より高度な推論能力を持つマルチモーダルAIへの移行が進んでいます。
具体的な移行ステップとして、Vertex AI Studioを通じてGemini 3.1 Pro（高精度な推論向け）やGemini 3 Flash（処理速度重視）といった最新モデルを選択し、Gemini API経由でシステムに組み込む手法が現在の推奨アプローチです。これにより、単なる数値予測にとどまらず、サムネイル画像の視覚的な推論やテキストの文脈理解を統合的に行うことが可能になります。さらに、Grounding（外部知識のグラウンディング）やRAG（検索拡張生成）を用いて自社の過去の配信データやエンゲージメント指標を補強すれば、より自社に特化した精度の高い予測ループを構築できます。
もはやDiscover掲載は「神頼み」ではなく、最新のAIアーキテクチャを用いた「データサイエンス」の問題なのです。では、具体的にどのような指標をAIで評価すべきなのか、まずは最も視覚的な要素である「画像」から掘り下げていきましょう。
参考リンク
1. 画像選定の「感覚」をAIスコアで「数値」に変える
Discoverにおいて、画像はタイトル以上に強力な「フック」です。Google検索セントラルの公式ドキュメントでも、幅1200ピクセル以上の高画質画像を使用し、max-image-preview:large 設定を行うことが推奨されています。Googleの公式ブログによれば、これにより「Discoverカードのクリック率が5%、ページの閲覧時間が3%、ユーザー満足度が3%向上した」というデータも示されています。
しかし、これはあくまで「最低条件」に過ぎません。
高解像度だけでは不十分な理由
重要なのは、その画像がユーザーの視線を止め、タップさせる力（Attention & Clickability）を持っているかです。しかし、多くの現場ではデザイナーや編集者の主観で画像が選ばれています。「なんとなくカッコいいから」という理由で選ばれた画像が、実はAIの目から見ると「主題が不明瞭」と判定され、機会損失を生んでいる可能性が高いのです。
人間が見て美しい画像と、フィードの中で目立つ画像は違います。例えば、人物の視線がカメラを向いているか、背景とのコントラスト比は適切か、主要な被写体が中央に配置されているか。これらはCTR（クリック率）に直結する要素です。
AIによるCTR予測と「視覚的魅力」の定量化
最新のコンピュータービジョン（画像解析AI）を用いれば、画像の「顕著性マップ（Saliency Map）」を作成し、ユーザーが画像のどこに注目するかをシミュレーションできます。
さらに、過去にDiscoverで高いCTRを記録した数万枚の画像データを学習させたモデルを使えば、候補となる画像に対して「予測CTRスコア」を付与できます。実務の現場で行われるPoC（概念実証）では、一般的に以下のような傾向が見られます。
- 画像A（風景メインの美しい写真）: 予測CTRスコア 低
- 画像B（人物アップ＋感情表現のある写真）: 予測CTRスコア 高
このように数値化されれば、議論の余地はありません。AIは、色彩心理学や構図の黄金比といった理論だけでなく、実際のユーザー行動データに基づいて「勝てる画像」を選び出します。
サムネイルのA/BテストをAI上でシミュレーションする
実際に記事を公開してA/Bテストを行うには時間がかかり、Discoverのような短命なフィード（記事の寿命は通常2〜3日）では、テストが終わる頃には露出が終わっていることもあります。
AIを使えば、公開前に仮想的なA/Bテストが可能です。複数の画像候補をAIモデルに入力し、最もパフォーマンスが高いと予測されるものを初手から採用する。これにより、初速のトラフィックを最大化し、Discoverのアルゴリズムに「この記事は人気がある」と早期に認識させることができるのです。まずは動くプロトタイプで仮説を即座に検証する、まさにアジャイルなアプローチと言えます。
画像でユーザーの目を止めたら、次はタップさせるための「言葉」が必要です。しかし、ここにもAIでなければ見極められない落とし穴があります。
2. 「釣り」と「魅力」の境界線をAI感情分析で見極める
タイトルは諸刃の剣です。クリックされたい一心で煽りすぎれば「クリックベイト（釣り記事）」としてペナルティを受け、地味すぎればスルーされます。この絶妙な境界線を、人間の感覚だけで渡り歩くのは至難の業です。
ポリシー違反のリスクとクリック率のジレンマ
Googleは「誤解を招く」「誇張しすぎている」タイトルを明確に嫌います。Discoverのポリシーにも「釣り見出しを避ける」旨が明記されています。しかし、ユーザーは感情を揺さぶる言葉に反応します。このジレンマを解消するために、高度な自然言語処理（NLP）技術や、文脈理解に優れた最新のAIモデルを活用します。
かつては特定のモデル（BERT等）が主流でしたが、現在はより進化したLLM（大規模言語モデル）が、単語の意味だけでなく、文脈に含まれる「煽りのニュアンス」まで検知できるようになっています。
AIが判定する「感情刺激度」の適正ライン
感情分析AIは、タイトルに含まれる言葉の「感情極性（ポジティブ/ネガティブ）」と「強度」を測定できます。
- ケース1: 「衝撃の結末！これを見ないと人生終わる」
- → 感情強度: 過剰（リスク判定: 高 / Clickbait Probability: 85%）
- ケース2: 「〇〇の意外な活用法3選：業務効率が劇的に変わる理由」
- → 感情強度: 適正（好奇心喚起 / Clickbait Probability: 15%）
AIは、過去にペナルティを受けた記事と、健全にエンゲージメントを獲得した記事の言語パターンを学習しています。これから公開しようとするタイトルが「危険ゾーン」に入っていないか、あるいは「退屈ゾーン」に埋没していないかを、客観的な数値として可視化してくれます。
煽らずに惹きつけるタイトルの自動生成アプローチ
AIに「ポリシーを遵守した範囲内で、最大級の好奇心を刺激するタイトル案」を生成させるアプローチが有効です。
プロンプトエンジニアリングを駆使し、記事の本文から「意外性（Gap）」や「具体性（Specifics）」を抽出させます。「煽る」のではなく「情報の価値を正しく、かつ魅力的に伝える」表現をAIに探索させるのです。これにより、安全性とパフォーマンスを両立させたタイトル設計が可能になります。
魅力的な画像とタイトルで記事を公開した後、次に問題になるのは「いつまでその記事が有効か」という点です。
3. リライトのタイミングを「期間」ではなく「情報の陳腐化」で判断する
多くのメディアでは「3ヶ月に1回リライトする」といった期間ベースの運用が行われていますが、これはエンジニアリングの観点から言えば非効率極まりないルールです。情報は生き物であり、トピックによって腐る速度は異なります。
「3ヶ月に1回」というルールの無意味さ
技術トレンドの記事（例：AIツール紹介）なら2週間で古くなるかもしれませんし、歴史の解説記事なら1年経っても価値が変わらないかもしれません。一律のルールで管理するのは、リソースの無駄遣いであり、深刻なチャンスロスでもあります。
AIが検知するトピックの鮮度と競合状況
AIクローラーを使えば、特定のトピックに関するWeb上の言説をリアルタイムで監視できます。GoogleのQDF（Query Deserves Freshness）アルゴリズムと同様の視点を持つことが重要です。
例えば、「生成AI」というキーワードの記事において、新しいモデルが発表された瞬間、過去の記事は「情報不足」となります。AIは、競合サイトが新しい情報を追加したことや、SNSでの話題がシフトしたことを検知し、「この記事は情報の鮮度が落ちました（陳腐化スコア: 高）」とアラートを出します。
パフォーマンス低下を予知して先手を打つ
重要なのは、アクセスが落ちてからリライトするのではなく、落ちる前に予兆を察知することです。
「競合記事のエンティティ数が増加している」「関連する検索クエリのトレンドが変化している」といったシグナルをAIが分析し、先回りしてリライトを提案する。これこそが「予測的メンテナンス（Predictive Maintenance）」です。工場の機械が壊れる前に部品を交換するように、記事の価値が下がる前に情報を補強することで、Discoverでの露出を維持し続けることができます。
情報の鮮度を保つだけでなく、その中身が「誰に向けたものか」をAIで精密に調整することも、Discover攻略の鍵です。
4. ユーザーの「興味関心グラフ」と記事の「エンティティ」を同期させる
ここが最もテクニカルかつ、Discover攻略の核心となるポイントです。Discoverはキーワードマッチングではなく、エンティティ（実体）ベースのマッチングを行っています。
キーワード含有率よりも重要な「エンティティ」の網羅性
従来のSEOでは「キーワード出現率」を気にしていましたが、AI時代のコンテンツ評価は「意味の網羅性」です。記事の中に、トピックに関連する重要な人物、場所、組織、概念（これらをエンティティと呼びます）が適切に含まれているかが鍵となります。
GoogleのKnowledge Graphは、これらのエンティティ同士の関係性を理解しています。「iPhone」という記事なら、「Apple」「iOS」「Tim Cook」「Siri」といった関連エンティティが含まれていることで、記事の文脈（Context）が明確になり、E-E-A-T（経験、専門性、権威性、信頼性）の評価も高まります。
ターゲット読者の興味領域をAIでマッピングする
自社メディアの読者層が、他にどのようなトピックに興味を持っているか（インタレストグラフ）をAIで分析します。
例えば、B2Bマーケティングメディアの読者データを分析するケースでは、彼らが「SaaS」だけでなく「マインドフルネス」や「ガジェット」にも高い関心を示していることが判明することがあります。AIを使って、ターゲット読者の興味クラスターを可視化し、記事の中にそれらの要素を自然な文脈で織り交ぜることで、Discoverのレコメンデーションエンジンに「この読者層にマッチする記事だ」と認識させやすくします。
「この記事も好きかも」をAI精度で狙い撃つ
リライトの際、AIに「この記事のメイントピックと関連性が高く、かつターゲット読者が関心を持ちそうなサブトピック（エンティティ）」を提案させます。
単に情報を増やすのではなく、読者の興味関心グラフと記事のエンティティ構成を「同期（Sync）」させるのです。これにより、Discoverのフィード上で、ユーザーの指を止めさせる確率が格段に上がります。
ここまでの技術は汎用的なものですが、さらに一歩進んで「自社メディアだけの勝ちパターン」を見つける方法があります。
5. 過去の「負けパターン」からAIが学習する自社独自の成功法則
他社の成功事例を真似てもうまくいかないのは、ドメインパワーや読者属性、そしてサイトが持つ「エンティティの権威性」が異なるからです。最強の教科書は、自社メディアの「過去データ」の中にあります。
一般的なベストプラクティスが自社に合わない理由
ニュースサイトと専門ブログでは、好まれるトーン＆マナーが全く違います。一般的なAIモデル（汎用LLM）は「平均的な正解」しか出しませんが、ビジネスで必要なのは「自社にとっての正解」です。
自社メディアの過去データが最大の資産
これまでにDiscoverに掲載された記事と、されなかった記事。この両方のデータをAIに学習させることで、自社特有の傾向が見えてきます。
- 「技術的な詳細を書いた方が伸びる傾向がある」
- 「朝8時に公開すると掲載率が高い」
- 「青系のサムネイル画像はCTRが低い」
人間が気づかないような微細なパターンを、機械学習モデルは逃しません。実際に自社データを学習させた結果、「特定のライターが書いた記事は、特定のカテゴリでDiscover掲載率が3倍高い」という事実が判明するケースもあります。これは文体や構成のクセが、そのカテゴリの読者層とマッチしていたためです。
AIモデルのファインチューニングによる精度向上
高度なAIプラットフォームでは、自社データを活用してAIモデルをファインチューニング（微調整）することが可能です。
これにより、「一般的な良い記事」ではなく、「自社メディアでDiscoverに載る確率が高い記事」を生成・提案する専用のアシスタントが誕生します。負けパターンを学習しているからこそ、同じ失敗を繰り返さず、確実性の高い一手を打てるようになるのです。
まとめ：AIを「執筆者」ではなく「敏腕アナリスト」として迎える
ここまで解説してきたように、AI活用の本質は、単に文章を自動生成することではありません。膨大なデータを処理し、人間には見えない法則を見つけ出し、未来の結果を予測することにあります。
- 画像: 人間の感性ではなく、予測CTRスコアで選ぶ。
- タイトル: 煽りではなく、感情分析で適正ラインを狙う。
- リライト: 期間ではなく、情報の陳腐化スコアで判断する。
- 内容: キーワードではなく、エンティティマッチングで最適化する。
これらはすべて、編集者の仕事を奪うものではなく、編集者の「勘」を「確信」に変えるためのプロセスです。
「本当にAIでそこまで予測できるのか？」と疑問に思う方もいるでしょう。しかし、実際にデータドリブンな運用に切り替えた企業は、Discoverからの流入を「偶発的なボーナス」から「安定的なチャネル」へと変貌させています。
まずは、自社サイトの現状をAIの目で診断してみることをおすすめします。最新のAIツールを活用すれば、既存の記事URLを入力するだけで、AIが改善点を即座にスコアリングし、パフォーマンス予測やエンティティ分析を行うことが可能です。
ブラックボックスの手探り状態から抜け出し、データに基づいた鮮明な視界を手に入れる。その第一歩を、ぜひ体験してみてください。
コメント