E-E-A-Tは“祈り”から“採点”へ──測る・直す・出す【CMSEO2025】

セッションタイトル: E-E-A-T Isn’t Just A Checklist: How To Audit, Measure & Actually Improve It In 2025 登壇者: Tom Winter (トム・ウィンター) 氏 / SEOwind 創設者

導入：E-E-A-Tは、もはや「お祈り」ではない

会場の熱気は最高潮。満員のSuthep Hall 3で、MCが「私もE-E-A-T（イーイーエーティー）と連呼するのはウンザリだ！」とジョークを飛ばす中、セッションは始まった。

「誰もがE-E-A-Tを実装しなければならない。Googleもそう言っている。だが、誰もその『やり方』を知らない。本当に効果があるのか？ 今日、この30分で、その疑問はすべて解消される。E-E-A-Tを『測定』し『実装』する正確な方法を、彼が教えてくれる」

紹介を受け登壇したのは、SEOwindの創設者であり、自らを「半開発者、半マーケター」と称するトム・ウィンター氏。彼は日々コンテンツに触れ、そして何より「コンテンツを測定している」人物だ。

彼のセッションは、200回以上のミーティング、5つ以上のカンファレンス登壇、そして「軽い実存的危機」を経て学んだ、3つの厳しい現実（Hard Truths）から始まった。

【LIFTEC編集部】予習フェーズとの照合

事前の予習フェーズで、我々はトム氏のセッションの核心を「E-E-A-Tという曖昧な概念の『定量化』と『スコア化』」にあると仮説を立てた。

彼はSaaSツールの創設者であり、単なる感覚論ではなく、AIを活用した「反復可能なワークフロー（Repeatable Workflow）」を提示するはずだ。

このセッションは、彼の口からその具体的な「プロンプト」と「スコアリングシステム」が明かされる、まさにその瞬間である。

第1部：3つの「不都合な真実」 – なぜE-E-A-Tは機能しないのか

トム氏は、E-E-A-Tの具体的な改善策に入る前に、まず業界が抱える根本的な問題を3つの「不都合な真実」として提示した。

真実1：誰も「良いコンテンツ」を定義できない

「誰もがE-E-A-Tについて語るが、誰もそれを『定義』できない」。 トム氏がクライアント（代理店オーナーやマーケティング責任者）に「あなたにとって『良いコンテンツ』とは何か？」と尋ねても、ほとんどの人間が答えられないという。

「彼らに『では、良いと思うコンテンツを1つ見せてほしい』と頼んでも、2週間待たされることさえある。『良い』の定義がなければ、目的地を知らずに飛行機に飛び乗るようなものだ」。

E-E-A-T対策は「巨大なチェックリスト」を埋める作業になり、改善に3時間かけた記事が本当に良くなったかの判断基準は「直感（Intuition）」になってしまっている。これが最大の問題だと彼は指摘する。

真実2：「定義」の代わりに「自動化」に逃げている

「良い」を定義する難しい決断を避け、我々はChatGPTやClaudeといった「友人」にその判断を委ねている。

悪いプロセス × AI ＝ より速い、悪い結果

AIは常に「最もそれらしい（Plausible）」答えを出すが、それは毎回異なる。人間なら10回中8回は同じ答えを出すべきタスクでも、AIは毎回違う答えを出す。「これはギャンブルだ」とトム氏は断言する。

「AIをスロットマシンにしてはいけない。AIカンファレンスでは『創造性』の話ばかりだが、本当に必要なのは『予測可能性（Predictability）』だ」。

真実3：AIによる「手抜き」は既に（あなたの会社で）起きている

経営層が「AI戦略」を半年議論している間、予算と納期に追われる現場の従業員は、すでにAIを導入している。しかし、それは「最も簡単な方法」でだ。

ChatGPTに「アウトラインを書いて」「記事を書いて」「E-E-A-Tをやって」と丸投げする。プロセスがないため、出来上がるのは「AIの指紋（AI Fingerprints）」がベッタリついた、価値のない浅いコンテンツだ。

「そして、そのコンテンツが『人間が作りました』という顔をして納品される。**魔神（Genie）はもう壺から出てしまった。**ならば、それ（AI）を最大限に活用する『システム』を構築するしかない」。

第2部：E-E-A-Tを「測定」する – AIスコアリングの技術

問題提起を経て、セッションは核心である「E-E-A-Tの測定方法」に移る。 トム氏が重視するのは「速く、一貫性があり、偏見のない」評価だ。

ダメな方法 vs 正しい方法

ダメな方法: ChatGPTに「この記事のE-E-A-Tを1～10で評価して」と頼むこと。 なぜダメか？ 「良い」の定義（＝キャリブレーション）がされていないため、AIは毎回異なる評価軸で答えてしまい、比較不能な結果が返ってくる。

正しい方法（トム氏のフレームワーク）: 彼のプロンプトは「RTF（Role, Task, Format）」の原則に基づき、非常に長く、詳細に定義されている。（※この後、QRコードで全プロンプトが公開された）

この「E-E-A-T測定プロンプト」は、以下のプロセスで実行される。

  1. コンテキスト（文脈）の定義: 記事の「タイプ、ニッチ、目的」をまずAIに定義させる。なぜなら、「ブルーベリーの育て方（ガーデニング）」の記事に期待するE-E-A-Tと、「SaaSの金融記事」に期待するE-E-A-Tは全く異なるからだ。（例：ガーデニング記事に統計データは不要）
  2. 4つの柱の評価: Experience（経験）、Expertise（専門性）、Authoritativeness（権威性）、Trustworthiness（信頼性）の4つを評価する。 重要なのは、これらが「意見（Opinion）」ではなく「証拠（Evidence）」に基づいていることだ。
  3. 各柱の定義（例：Experience）: 例えば「経験」は「“Googled”（ググった）ではなく “Lived”（生きた）」ものと定義する。 AIは記事中から「一次情報（First-hand examples）」「ケーススタディ」「データ」「スクリーンショット」「エッジケース」といった具体的な証拠を探す。
  4. スコアリング・ルーブリック（採点基準）の適用: これが最も重要だ。「“1点”がどのような状態か」「“10点”がどのような状態か」を、各柱（E, E, A, T）とコンテキスト（ニッチ、目的）別に、AIに対して明確に定義する。（キャリブレーション）
  5. JSON形式での出力: 最後に出力をJSON形式に指定する。これは、Make.comやn8nのような自動化ツールに直接連携し、ワークフローに組み込むためだ。

なぜこのシステムは機能するのか？

「このシステムは**主観性（Subjectivity）**を排除するからだ」とトム氏は語る。 彼は友人のリクルーティングの話を引き合いに出した。「300本の応募記事を人間のチームで評価すると言う友人に『なぜAIを使わない？』と聞いた。彼は『AIは客観的じゃない、人間のほうが上だ』と言ったが、冗談じゃない。私なら10本読んだら吐き気がするし、15本目には絶対に客観的ではいられない」。

AIは文句も言わず、疲れもせず、定義されたルーブリックに基づいて評価をスケールさせることができる。

【LIFTEC編集部】スコアリングの核心

やはり予習通りの展開だ。トム氏の強みは、開発者視点で「キャリブレーション（採点基準の定義）」をプロンプトに組み込み、AIの「ゆらぎ」を徹底的に排除しようとしている点にある。

多くのSEOツールが提供する「コンテンツスコア」は、競合のキーワード出現頻度（TF-IDFなど）に基づく「キーワードスタッフィング・グレーダー」に過ぎないと彼は暗に批判している。

対して彼のE-E-A-Tスコアは、「証拠（Evidence）」の有無に基づいている。これは、Googleの品質評価ガイドラインの本来の目的に、より忠実なアプローチと言える。

第3部：E-E-A-Tを「改善」する – AIによる批評と品質ゲート

スコア化はゴールではない。トム氏は「スコアを顧客へのレポートに使って『9点でした』と報告するためだけに使ってほしくない」と釘を刺す。スコアは「改善」のためにある。

AIを「批評ステージ（Critique Stage）」で使え

では、どう改善するか？ トム氏は「なぜそのスコアになったのか？」「どうすれば改善できるか？」を、評価を下したAI自身に尋ねることを推奨する。

▼ 簡易的な改善プロンプト例:

「この記事について、以下の点を分析してください：

  1. 強み（Strengths）は何か？
  2. 主要な改善領域（Weaknesses）は何か？
  3. 改善のための具体的な行動ステップ（Action Steps）を提示せよ。
  4. （ボーナス）不足しているデータを補うため、Perplexity AIで検索すべきプロンプトを作成せよ。」

実践：サイボーグ・メソッドと品質ゲート

このプロセスを、彼は「サイボーグ・メソッド（Cyborg Method）」と呼ぶ。人間とAIが敵対するのではなく、互いのスーパーパワーを活かし合う。

▼ アップデートワークフローの例 （例：Xero.comの「キャッシュフロー管理」の記事が現在7位だとする）

  1. 現状スコア測定: 現行記事をAIでスコア化する。（例：4.3点）
  2. 競合分析: 1位～3位の記事を分析する（Skyscraper）。
  3. AIによる批評: 上記の「批評ステージ」プロンプトを実行し、弱点（例：自社製品への言及がない、データがない）を特定する。
  4. サイボーグ・メソッド: AIが特定した弱点に対し、人間（プロダクトチーム、営業、Cレベル）が持つ「生きた経験（Lived Experience）」や「社内データ」をインプットする。
  5. コンテンツ更新: AIと人間の知見を統合して記事をリライトする。
  6. 再スコア測定: 更新した記事を再度スコア化する。（例：8.3点）
  7. 品質ゲート（Quality Gate）: このスコア（8.3点）が公開基準を満たしているか判定する。満たしていなければ、再度イテレーション（改善）に戻す。

この「品質ゲート」を設けることで、勘に頼らない、反復可能なコンテンツ改善プロセスが完成する。

第4部：未来とマニフェスト – 記憶に残るために書け

セッションの最後、トム氏は「次に何が来るか」を語り、彼の「マニフェスト（宣言）」で締めくくった。

＜What’s Next?＞

  • GoogleとLLMは、信頼シグナルのないコンテンツを無視し始める。これは（Forbesのような）巨大ブランドよりも、信頼を証明できる小規模ブランドにとって追い風だ。
  • AIが信頼するのは「信頼できるクラスター」だけになる。

＜Tom’s Manifesto＞

  1. 信頼を「主張」するな。「証明」せよ。 (Don’t claim trust; prove it.)
  2. 構造化し、スコア化し、追跡せよ。 (Structure it, score it, and track it.)
  3. ユーザーとAIは「クソ（Bullshit）」を見抜く。 (Users and AI sniff out bullshit.)
  4. 自問せよ：あなたのコンテンツが明日消えたら、誰か気づくか？ 誰か泣くか？
  5. ただ書くな。記憶に残るために書け。 (Don’t just write; write to be remembered.)

第5部：質疑応答（10分）

セッション後、会場からは多数の質問が寄せられた。特に注目すべき問答をLIFTEC編集部が抜粋する。

Q. 競合他社のE-E-A-Tを測定する簡単な方法は？ A. 私が今日シェアしたプロンプトをそのまま競合の記事に使えばいい。そしてAIに「この記事と私の記事を比較して、違いを説明して」と尋ねればいい。

Q. AIによるコンテンツスコアリングの一貫性について。昨日A判定だった記事が今日4点になることがあるが？ A. それは、あなたが使っている「コンテンツグレーダー（採点ツール）」が問題だ。 それらのツールは、Googleの検索結果（SERPs）をスクレイピングし、キーワードやエンティティを抽出してスコア化している。だが、SERPsは1週間で変わる。SERPsが変わればエンティティも変わり、スコアも変わる。それは「正確」とは言えない。 私のアプローチは、Googleの検索結果ではなく、記事そのものが持つ「価値（Value）」に基づいている。データ、証拠、専門性といった「価値」は一夜にして変わらない。だから一貫性がある。

Q. 予算の少ないクライアントに高品質なコンテンツをアドバイスするには？ A. 外部に丸投げするな。まずクライアント自身が「良いコンテンツ」を定義すること。そして、（SEOwindのような）単なるChatGPTのラッパー（記事生成に3分しかかからないような安物）ではなく、**論理エンジン（Logical Engine）**としてAIを活用できるツールを内部で使うべきだ。

Q. 大企業（巨人）にE-E-A-Tで勝つには？ A. 大企業に勝つのは簡単だ。 Forbesを見ればわかるように、多くの巨大企業はE-E-A-Tがひどい。GoogleはAIコンテンツを禁止しているのではなく、スパムを禁止している。AIが生成したスパムも、人間が生成したスパムも、同じくスパムだ。 プロセス（ワークフロー）を持ち、AIと人間の共同作業で（1〜2時間で）作成された高品質なコンテンツは、すでにGoogleとLLMに評価されている。

Q. iGaming（オンラインカジノなど）のサイトでも、同じE-E-A-Tの原則は使えるか？ A. どのニッチ（分野）かは関係ない。読者は人間であり、人間は常に（価値の証明となる）特定の事柄を探している。だからこそ、私たちはニッチごとにロジック（評価基準）を少し変えて適用している。

Q. （最後の質問）YouTubeの動画（スクリプト）にもE-E-A-Tは適用・測定できるか？ A. 素晴らしい質問だ。専門ではないが、絶対に価値があると信じている。 E-E-A-Tの全ての要因は「人間の注意（Human Attention）」に焦点を当てている。YouTubeのコンテンツ内にE-E-A-Tの要因（証拠や経験）を盛り込むことは、YouTubeのアルゴリズムを駆動させる助けになると確信している。

【LIFTEC編集部】総括

「E-E-A-Tを“信じる”から、“証明・採点・量産”へ。」コンテンツ運用をエンジニアリングに戻す

Tom Winter 氏のセッションは、曖昧な標語になりがちな E-E-A-T を定義→測定→改善のサイクルに落とす“運用エンジニアリング”でした。要は、

  • 主観（直感）をルーブリック化し、
  • AIを“採点器”と“批評家”に固定配役し、
  • 品質ゲートで公開を制御する。
    日本の現場に最も足りないのは、まさにこの「キャリブレーション（採点基準の明文化）」です。

日本で“主流ではないが秀逸”なポイント（評価）

  1. 「良い」を先に定義
    • 記事タイプ×ニッチ×目的ごとに**期待する証拠（一次体験・データ・事例・スクショ・エッジケース等）**を明記。
    • “チェックリスト埋め”ではなく、エビデンス密度で評価する姿勢は国内に希薄。
  2. AIの役割固定：“創作”より“採点と批評”
    • 「スコア付け→なぜその点か→改善アクション抽出」を同じプロンプト体系で反復。
    • “毎回ちがう答え”問題をRTF（Role/Task/Format）＋JSON出力で封じる設計が実務的。
  3. 品質ゲートの導入
    • スコアが**公開基準（例：各柱7.5点以上／総合8.0以上）**に満たない限り、出さない。
    • これをワークフローの必須ステップにし、精神論を排除。

即実装プレイブック（60日）

Phase 1｜定義（Day 1–10）

  • 主要3カテゴリ（例：YMYL/レビュー/ハウツー）に対し、E/E/A/Tの期待証拠リストを1枚で定義。
  • スコア範囲ルーブリックを作成（1/4/7/9点の状態を文章で）。
  • ガバナンス：公開基準と例外承認フローを決める。

Phase 2｜測定（Day 11–25）

  • 既存記事をサンプル30本抽出し、AIスコアリング（JSON）→スプレッドシート連携。
  • ばらつき検証（再採点の一致率＞90%）とニッチ別重みの微調整。

Phase 3｜改善（Day 26–45）

  • 批評ステージプロンプトで「強み/弱み/改善アクション」を抽出。
  • サイボーグ法：不足証拠を社内から調達（PM、CS、法務、データ）。
  • 改稿→再スコア→品質ゲート通過までイテレーション。

Phase 4｜運用固定化（Day 46–60）

  • CMSに**“E-E-A-Tチェック→採点→承認”**の必須タスクを実装。
  • Looker Studioでダッシュボード（平均点推移、柱別弱点、公開率、SERP影響）。

サンプル設計（使いまわせる最小セット）

1) 期待証拠（例：レビュー記事）

  • Experience：実機写真／操作動画／独自計測（速度/音/耐久）／失敗談
  • Expertise：比較表の評価軸と根拠／専門用語の正確な定義
  • Authoritativeness：著者プロフィール（実務年数・過去検証数）／第三者引用
  • Trust：計測条件の開示／ステマ回避表示／更新履歴

2) 公開基準（例）

  • 各柱 ≥7.5、総合 ≥8.0、欠落証拠ゼロ、出典整合100%
  • YMYLは Authoritativeness と Trust の最低点を+0.5上乗せ

3) KPI（束ねて見る）

  • 品質：平均総合点／柱別点／再採点一致率
  • 速度：初稿→公開までの平均イテレーション回数
  • 事業：E-E-A-T 8.0以上記事の自然CVR／平均掲載順位の推移
  • 運用：公開基準未達率／品質ゲート差し戻し率

現場プロンプト（要点だけ）

  • 採点：Role=E-E-A-T Auditor / Task=Score with rubric / Format=JSON
    • 入力：記事URL/本文、ニッチ、目的、期待証拠リスト、ルーブリック
    • 出力：{experience: {score, evidence_found}, expertise: ..., total_score, missing_evidence, risks}
  • 批評：同じ文脈で、Strengths / Weaknesses / ActionSteps（箇条書き）/ Needed-Data-Sources を返す

リスクと線引き（日本向け）

  • YMYL：医療・金融・法律は一次情報の厳格性と監修表記を必須。
  • 生成痕跡：AIテキストの“指紋”回避は目的化しない。証拠の充実で自然に解消。
  • 引用と権利：スクショ・図版は出典・許諾・キャプションを徹底。
  • 計測の再現性：検証系は条件・機材・手順をテンプレで固定。

総括（編集部見解）

E-E-A-Tは祈りでも“雰囲気”でもなく、定義→採点→改善→公開の制御可能な工程です。
“よさそう”をやめ、証拠の密度と再現性で戦う。
Write to be remembered を、Prove to be trustedに接続する運用へ。
LIFTECはこのフレームを国内標準のオペレーションとして実装し、クライアントの「記憶されるコンテンツ」を量産していきます。

コメント

タイトルとURLをコピーしました