問題提起（ユーザーの質問）に対して、先に結論を述べる書き方をすると、わかりやすくなりLLMに引用される可能性が高まります。

これは、テキストの書き方を設計するテクニックです。LLMに引用されるために、最初に結論のテキストを示す構成です。その後に、理由や詳細情報を加筆していくことになります。

この背景には、LLMの基盤となるTransformerという仕組みが関係しています。Transformerは、「次に来るトークン（単語）を予測する」という性質を持ちます（※参考：Attention Is All You Need）。ゆえに、結論が明確なテキストが好まれます。たとえば、次のようなテキストを含むページがあるとします。

                            <p>カップ麺を過剰摂取すると、体に悪影響を及ぼします。</p>

                            <p>その理由は、カップ麺には、塩分が多く含まれていて、ビタミン等の栄養素が含まれていないためです。そのため、塩分過多や栄養バランスの崩れが懸念されます。過剰摂取に気をつけ、栄養バランスを考慮した食事を摂ることが大切です。</p>
                        

事例のコンテンツでは、テキストの先頭で「条件付きで体に悪い」という明確な答えを示しています。このように、先に結論を提示するテキストは、次に来る単語をLLMに予測されやすく、AIの回答の情報源に採用されます。

記事内の情報を見出し（hタグ）やFAQ（よくある質問）で区切ると、LLMに引用される可能性が高まります。これはページの構成を設計する考え方です。

LLMは、引用ページを探す際に、WEBページのなかから引用すべきテキストを局所的に選びます。そのため、見出しやFAQで情報を区切られた、わかりやすいページ構成が使われやすくなります。

見出しやFAQは、問いと答えを明確にわける役割を担っています。さらに、問い（見出し）に対して、すぐに答えを提示する書き方をすることで、AIに好まれるコンテンツに仕上がります。

このうち、FAQの書き方の一例をご紹介します。

                            <h2>Q:カップ麺は体に悪いですか？</h2>

                            <p>A:カップ麺を過剰摂取すると、体に悪影響を及ぼします。</p>
                        

LLMとしては、問いと答えの内容をキャッチしやすく、そのままAIの回答に使えます。なお、FAQを設置する場合の補足ですが、構造化データと呼ばれる技術を導入することで、AIクローラーに好影響を与えられます。

箇条書き（listタグ）や表組み（tableタグ）を用いると、LLMに引用されやすい記事に仕上がります。これは、伝えるべき情報の表現を変えて設計する手法です。

箇条書きや表組みは、情報を整理して視覚的に伝える効果を持ちます。そして、検索ユーザーだけでなく、LLMにも情報が伝わりやすい表現です。LLMとしては、「規則的に並べられたテキスト」と認識しますので、AIの回答に使われやすくなります。

箇条書きや表組みのように、情報を整理するためのHTMLのタグの一例を挙げると、

• リスト表記（ulタグ、liタグ）
• 番号付きリスト表記（olタグ、liタグ）
• 説明リスト表記（dlタグ、dtタグ、ddタグ）
• テーブル表記（tableタグ、trタグ、thタグ、tdタグ）

といったものがあります。このうち、番号付きリストを事例にすると、HTMLファイル内で、次のように記述します。

                            <ol>

                                <li>最初の手順</li>

                                <li>次の手順</li>

                                <li>最後の手順</li>

                            </ol>
                        

このタグがWEBページとして出力されると、次のように表示されます。

1. 最初の手順
2. 次の手順
3. 最後の手順