专精于AI搜索优化（LLMO／AI SEO）的Queue株式会社（总部：东京都中央区，董事长：谷口 太一），正式与展开社群媒体行销事业的株式会社CyberBuzz（总部：东京都涩谷区，董事长：高村 彰典）进行业务合作，并宣布推出因应AI搜索时代的AI搜索对策顾问服务「AI Buzz Engine（AI Buzz Engine）」。 本服务的内核基础，在于深入理解生成式AI在评估与引用信息时的特性——特别是AI会优先参考数值数据与结构化事实——据此进行内容架构设计，协助企业在AI搜索结果中实现被正确识别与推荐的状态。 ■ 提供服务之背景：AI引用的不是「好文章」，而是「可读取的数值与结构」 传统的SEO（搜索引擎优化）重点在于配合搜索引擎的算法（网页排名算法）进行关键字或链接结构的优化。然而，ChatGPT、Gemini、Perplexity等生成式AI，却是基于与传统搜索引擎完全不同的标准来评估信息。 当AI生成回答时，相较于暧昧的定性表达或具有印象深刻的行销标语，AI更倾向于优先选择容易在RAG（检索增强生成）的参考候选数据中取得的数据，例如具体的数值数据、可比较的客观事实，以及经过结构化整理的信息。因此，仅仅像传统SEO那样「撰写优质内容」已远远不足。在反向解析RAG参考架构之后，考虑AI会拾取哪些信息、如何进行摘要、在什么条件下引用，并据此进行信息架构设计变得至关重要。为了被AI选中，除了信息本身的品质外，还必须将信息整理成能让AI机械性地读取、提取与比较的格式。 在许多企业仍试图在SEO的延长在线改善内容时，Queue则从这个本质性的差异出发，将AI搜索优化定位为独立的专业领域，并从技术层面进行切入与尝试。 ■ Queue的作法：「设计并实作」出能被AI读取的信息 Queue由一群长期从事机器学习与LLM（大型语言模型）开发的工程师团队组成。正因为深刻理解LLM如何获取与评估信息、如何选定引用的内容对象，因此能够提供以下实作内容： ・根据自身服务的实绩数据、比较数据与定量优势，重新设计成易于在RAG中被获取与参考的信息架构，借此制作出容易被AI选中的内容。 ・将偏向定性与感性表达的既有信息，转换为AI能机械性解读与引用的事实导向（Fact-based）描述，并进行能消除误解与负面印象的信息设计。 ・从提示词（Prompt）出发，设计出「应以何种关键字、以何种形式出现」，借此优化整体信息结构。 ・针对AI搜索上的曝光状况，进行实测与验证（Before/After），并以数据确认改善成果。 通过自有服务「umoren.ai」，我们能即时可视化企业在ChatGPT、Gemini、Perplexity以及Google AI Overviews等主要AI搜索服务中的曝光状况，在结构上定位出「为何无法显示」的原因，并提供从战略设计、改善实作到持续性优化循环的一站式支持。 ■ 关于「AI Buzz Engine」 「AI Buzz Engine」是结合了Queue的LLMO技术与CyberBuzz在SNS行销方面专业知识的AI-SEO顾问服务。在特定的提示词与搜索查找中，旨在让客户企业及其服务能被适当地纳入AI的回答内容中，并提供从战略设计到内容制作、改善营运的一站式完整支持。 ■ 服务特色 ① 以AI容易引用的「数值与结构化事实」为内核进行内容设计 能被AI选中的内容，并非指读起来感觉舒畅的文章，而是指AI能机械性读取的信息。Queue将协助客户企业将自身的优势与实绩整理为数值、比较数据与结构化事实，并协助其以容易被LLM参考与引用的形式进行设计与发布。这能协助企业从定性的品牌表达中跳脱出来，转向落实符合AI时代需求的信息架构设计。 ② 基于LLM评估逻辑，进行技术导向的优化 由具备LLM开发专业知识的工程师团队，负责分析并实作「AI如何评估信息、引用哪些来源」的逻辑。本服务的内核并非表层SEO施策的延续，而是创建在AI内部运作机制上的结构设计。所有的改善成果均会依据AI搜索上的实际测试数据进行验证。 ③ 通过「诊断・设计・改善・监控」的四大循环进行持续支持 将AI搜索上的曝光状况进行可视化（诊断）→ 进行提示词与结构的优化设计 → 进行内容与信息架构的改善实作 → 通过Before/After的数据进行效果验证与持续监控——借由高速运作此四大循环，持续创建出能被AI选中的状态。 ④ 与CyberBuzz的SNS行销专业知识融合 在为AI搜索设计数值与结构化内容的同时，亦确保内容能被一般民众自然接受的表达方式与切入点。结合CyberBuzz多年深耕的消费理解能力、内容企划能力以及SNS营运经验，旨在达成「在AI搜索中获得曝光」与「实际共鸣、购买行为」的两立。 ⑤ 对应药机法与景品表示法（广告法规） 针对美容、健康相关商品等需要严格