GMO 互联网集团旗下的 GMO TECH 股份有限公司（代表取缔役社长：铃木亮一，以下简称 GMO TECH）分析了 ChatGPT 和 Google AI Mode（※1）中 41,264 笔日语比较型 AI 回复，并发布了一份调查报告，总结了生成式 AI 向用户推荐产品和服务时的趋势。 这项调查显示，生成式 AI 并非只提出「一个」答案，而是平均会根据不同条件提出 4.15 个选项。这代表着一个重大转变，让用户无需自行从大量信息中进行比较，更容易找到适合自己的选择。 （※1）Google AI Mode：Google 搜索中的 AI 摘要与生成回复功能。 【调查背景】 生成式 AI 的普及，让人们「查找数据」的方式变得极为便利。过去，用户需要自行逐一打开搜索结果中的众多网站进行比较和考虑。但现在，AI 会代为摘要和比较信息，用户直接参考这些回复的情况越来越多。 伴随这项变化，对企业而言，不仅是「搜索排名」，连「在 AI 回复中，是以何种条件和情境被介绍或推荐」也作为新的能见度指针，重要性日益增加。 GMO TECH 针对这种新的信息收集形式，从实际数据中归纳分析 AI 是根据何种标准找出「最适合你」的「结构」，并将其系统化。 【调查摘要】 ■ AI 不只推荐「一个」，平均提出 4.15 个符合用户条件的选项 对於单一问题，AI 会提出多个选项，平均 4.15 个，例如「如果你要 A，就选 X；如果你重视 B，就选 Y」。这让用户能轻松找到最适合自己状况的选项。对企业而言，寻找能进入这些条件分支（推荐清单中的一行）的机会变得至关重要。 ■ 推荐的主轴模式是「适合谁」×「擅长什么」 AI 提案时的主要切入点是「用途特化（出现率 37.0%）」，说明信息是为谁准备的，以及「功能特化（34.8%）」，说明其优势所在。此外，在 5.0% 的案例中观察到「初心者・犹豫不决 × 用途特化 × 功能特化」这三轴组合，显示 AI 倾向于根据用户的层级和目的，聪明地选择并构成最能发挥优势的产品。 ■ 「适合○○的人」这种贴近用户属性的模式，多于「大品牌就是安心」 AI 基于「大企业」、「老字号」、「知名度」等传统权威诉求进行推荐的案例，仅占整体的 7.1%。取而代之的是，贴近用户属性和使用场景（23.8%）的提案，例如「适合初学者」、「经典款」、「适合○○的人」，其数量约为前者的 3.4 倍。这个趋势在化妆品、护发、时尚等个人喜好差异较大的类别中尤为明显，凸显了无论企业规模大小，将「适合谁」具体化的重要性。 ■ ChatGPT 与 Google AI Mode 的回复结构存在差异 不同平台之间的回复结构也存在差异。Google AI Mode 即使对于简短问题，也倾向于使用多个小标题和比较表，平均提供 4.58 个选项，范围广泛且全面。相比之下，ChatGPT 的回复结构更容易根据问题的具体性而变化，平均提供 3.83 个选项。因此，企业在设计内容时，采用能同时针对两个平台的结构是有效的，即在开头提出明确结论，而内文则按类别和用途展开。 ■ 搜索的类别不同，AI 的推荐标准也会改变 分析 35 个类别的结果显示，AI 重视的重点（推荐模式）因行业而异。 • 金融服务：经济圈、点数回馈、风险 • 化妆品：肌肤困扰、用户属性、外观 • 通信服务：数据量、经济圈 • SaaS（※2）：费用结构、合约条件、使用人数 （※2）SaaS（Software as a Service）：通过网络使用的软件提供形式。 【报告概要】 报告名称：品牌在 AI 搜索中如何被推荐：分析约 4 万笔日本 AI 搜索所发现的「推荐文法」 页数：52 页 发布日期：2026 年 6 月 5 日（星期五） 报告网址：https://gmotech.jp/semlabo/seo/blog/ai-search-grammar/ ※报告页面公开了调查结果的概要。内含 35 个类别分析和详细数据的白皮书（免费）可从页面内下载。 【调查概要】 • 调查对象：ChatGPT、Google AI Mode 的日语 AI 回复 • 目标查找：包含「推荐」、「比较」、「费用」、「评价」、「缺点」等比较意图的问题 • 分析件数：41,264 件 • 分析对象类别：35 个类别 • 分析项目：34 种推荐切入点（推荐轴） • 数据源：Ahrefs Brand Radar API（※3） • 分析时间点：2026 年 5 月 （※3）API（Application Programming Interface）：连接不同系统的机制。 【未来展望】 在用户使用 AI 高效寻找适合自己产品的时代，企业不仅需要「单纯瞄准搜索结果顶端」，更必须基于「如何让 AI 将其产品说明并推荐给特定类型的人」来进行全面