池松潤がやってる「AI向け辞書（正本）」の立ち位置と、他領域との違いを解説

池松潤のやってる「AI向け辞書（正本）」って何？
SEO・AIO・RAG・人物AI・データライセンスと何が違うのか？
の解説メモです。
ニッチでDeepなのと、聞かれることが多くなったのでnoteにまとめておきます。

私の立ち位置は、AI検索に「表示される」ためのAIO/GEOではなく、AIが回答を作る時に「正しく参照する」ためのAI向けの辞書／教科書（正本）設計です。

実は、これはAIが進化して発達するほど必要になります。
AIが社会の回答装置になるほど、誰の知識が、どの形で、どの根拠付きで参照されるかが重要になるからです。

これを一般ビジネスマン向けに言えば
「AI向けの辞書／教科書づくり」と言えます。
AI専門家向けには「参照可能性」の専門家です。
編集者・著者向けには「著作権対策のAI対策としての正本化」と言えます。
その他には「判断OS（判断基準）を出典付きでAIが回答させる事」と言えるでしょう。

AI領域で私がなにをやってるか？説明用noteを書いておきます。

🎬️サクッと解説動画はこちら

Poscast／Spotifyはこちら
電車の中やクルマでどうぞ

※内容は解説動画とちがいます

https://open.spotify.com/episode/5GE8YspDQdaw34maT1k3fz?si=UjtpbpYTTbuukgy4pg3c8A

1. ひとことで言うなら

AI向けの辞書・教科書づくりです。
いま企業や著者や専門家の情報をAIに読ませる動きが増えています。
しかし、AIは長い文章や動画文字起こしをそのまま読むと、重要な言葉や判断の違いを勝手に丸めてしまうことが多々あります。そこで、人間の文脈や判断を、AIが正しく読める（参照できる）形に整理します。これをAI向けの辞書と呼んでいます。

さらに手短に言うなら

SEOは、人間が検索した時に見つけてもらうための技術でした。
これからは、AIが答えを作る時に、どの情報を正しい教科書として参照するかが重要になります。だから、企業・著者・専門家の知識を、AIに誤読されない辞書（正本）として設計してます。

2. なぜ今、この仕事が必要なのか？

①：検索の主役が「リンク一覧」から「AIの回答」に移っている
GoogleはAI OverviewsやAI Modeのような生成AI機能を検索に組み込んでいる。
つまり、利用者はページ一覧を見るだけでなく、AIがまとめた回答を見る機会が増えてます。

②：AI検索対策だけでは足りない
Google自身は、AEOやGEOという言葉について、Google検索の生成AI機能においては従来のSEO品質システムの延長だと説明してます。これは「AI検索に出る対策」は重要だが、それだけでは独自ポジションになりにくいことを示してます。

③：企業や専門家の知識は、AIにそのまま渡すと誤読される
社内資料、動画文字起こし、書籍、記事は、人間が読む前提で作られてます。AIが参照する前提では、論点、前提、例外、用語の粒度を整理し直す必要があります。

④：権利ビジネスの視点だけに留まらない
国内では知られてませんが、世界では、AI企業と出版社・報道機関のライセンス契約は増加してます。しかし、使わせる権利と、AIが正しく参照できる中身を作ることは別問題です。AI向けにコンテンツライセンスするためには、AIが読みやすいように整理されたデータが必要になります。それがAI向けの辞書／教科書が必要になる理由です。

3. 立ち位置／隣接領域とのちがい

４. 独自のポジションについて

AIに見つけてもらうSEOではなく、
AIに正しく教えるための辞書／教科書を作っています。

著者・企業・専門家・YouTubeチャンネルの知識や判断構造を、AIが誤読せず参照できる「AI向け辞書（正本）」にしています。

手短に言えば
「AI Visibility」ではなく
「AI Referenceability」をやってます。

・AI Visibilityとは、
AI検索や生成AIの回答にブランドやコンテンツが表示されることを意味します。

・AI Referenceabilityとは、
AIが回答を作る時に、その情報を信頼できる参照元として到達し、誤読せず、使える状態にしておくことを意味します。

言語処理学会総会（NLP2026）で発表した論文では
RAG時代の言語資源を「人間が読む文章」ではなく
「AIが参照する仕様書」として設計し直す考え方を示しました。
論文の実験では、構造化メタデータのみの表現が本文のみの表現より高い検索性能を確認できました。

５. 一般ビジネスマン向けの説明

1. 問題提起：
   会社には、ベテランや創業者だけが知っている判断のコツがあります。
   

2. AI時代のリスク：
   その知識をそのままAIに読ませると、AIはわかりやすく要約する過程で、肝心な違いを丸めてしまいます。
   

3. 解決策：
   だから、人間向けの資料を、AIが参照しやすい教科書に作り直す必要があります。
   

4. 役割：
   編集者の文脈理解とAI時代の構造設計をつなぎ、AI向け辞書（正本）を作ってます。
   

5. 実績：
   言語処理学会総会（NLP2026）で
   構造化テキストによる参照可能性を実証した論文を発表しました。

著者・企業・専門家・動画チャンネルの知識や判断構造を、AIが誤読せず参照できる「AI向け正本」を作るAIナレッジエンジニアです。編集者としての文脈理解と、RAG時代の言語資源設計を紐づけて、AIに見つけてもらうためだけではなく、AIが正しく参照するための教科書を設計してます。

AI時代には、情報／コンテンツを持っているだけでは足りません。
AIが答えを作る時に、どの情報を正しい原本として参照するかが企業価値を左右します。企業・著者・専門家の知識を、AIに誤読されない「AI向け辞書（正本）」、構造化データを構築します。つまり検索・RAG・人物AI・ライセンス活用の基礎を作っています。

ただAI向けの辞書／教科書を作っているだけではありません。
その技術が、どのようにプロダクトに実装も行ってます。

自分AI（LINE版）：https://x.gd/3AY6n
AI孫氏（Eメール版）：https://x.gd/wmSzY

企業のEC対策などの具体的な方法もアドバイスしてます。

池松潤
https://lit.link/junikematsu

エビデンス資料一覧
[E1] Google Search Central: Google's Guide to Optimizing for Generative AI Features on Google Search
https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
[E2] Google Search Central: AI features and your website
https://developers.google.com/search/docs/appearance/ai-features
[E3] GEO: Generative Engine Optimization
https://arxiv.org/abs/2311.09735
[E4] Profound: Optimize Your Brand's Visibility in AI Search
https://www.tryprofound.com/
[E5] Scrunch: The AI Customer Experience Platform
https://scrunch.com/
[E6] AthenaHQ: Agents to Win on AI Search
https://athenahq.ai/
[E7] Kalicube: Knowledge Graphs
https://kalicube.com/entity/knowledge-graphs/
[E8] WordLift Developer Documentation: Knowledge Graph
https://docs.wordlift.io/
[E9] Diffbot: The Knowledge Graph of the Public Web
https://www.diffbot.com/products/knowledge-graph/
[E10] Palantir: Ontology
https://www.palantir.com/platforms/ontology/
[E11] llms.txt proposal
https://llmstxt.org/
[E12] Reuters: OpenAI signs content agreement with News Corp
https://www.reuters.com/technology/sam-altmans-openai-signs-content-agreement-with-news-corp-2024-05-22/
[E13] Associated Press: AP and OpenAI content / technology collaboration
https://www.ap.org/media-center/press-releases/2023/ap-open-ai-agree-to-share-select-news-content-and-technology-in-new-collaboration/
[E14] Cloudflare: Introducing Pay Per Crawl
https://blog.cloudflare.com/introducing-pay-per-crawl/
[E15] Really Simple Licensing standard
https://rslstandard.org/
[E16] Google Labs: Portraits experiment
https://blog.google/innovation-and-ai/models-and-research/google-labs/portraits/
[E17] Delphi.ai: Digitize your mind
https://www.delphi.ai/
[E18] Tavus: Digital twin technology
https://www.tavus.io/post/digital-twin
[E19] NLP2026 paper: RAG時代の言語資源設計原理
https://www.anlp.jp/proceedings/annual_meeting/2026/pdf_dir/Q5-8.pdf
[E20] NLP2026 program listing
https://www.anlp.jp/proceedings/annual_meeting/2026/
[E21] Metadata-Driven Retrieval-Augmented Generation for Financial Documents
https://arxiv.org/html/2510.24402v1
[E22] Enterprise Knowledge Retrieval: LLM-Generated Metadata to Enhance RAG Systems
https://arxiv.org/abs/2512.05411
[E23] Google Search Central: Introduction to structured data markup
https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data