生成AIの学習データはどこから？
自社サイトが入る条件と、6記事の実測

AIが見ているのは「世の中」ではなく「ネットの一部」です

各社が公表している「学習データの出所」

学習データの出所は、各社が公開ページで説明しています。3社とも、中心は「ネット上で誰でも見られる情報」です。

※ 表は横スクロールできます

どのサイトを読んだかという個々の名前までは、3社とも書いていません。名前が出てくるのは、2020年にOpenAIが出したGPT-3の論文で、学習の約6割がCommon Crawl（ウェブを集めて公開しているデータ）、ほかに書籍2種やWikipediaなどでした。いまも同じ内訳とは限りません。

出典：上の3社の公開ページ（2026年9月25日に当社が原文を確認）／Brown ほか「Language Models are Few-Shot Learners」（arXiv:2005.14165・2020年）表2.2。

あなたがAIに入力した内容が学習に使われるかどうかは、各社の設定と契約で決まります。たとえばAnthropicは、利用者が「学習に使うことを許可した場合」に使うと説明しています（英語原文の当社訳）。設定の場所は、生成AIに入力してはいけない情報 の表3にまとめました。

この記事の話は、次の1枚がわかれば8割つかめます。AIがどこまで見えているのかを図にしました。

30秒でわかる、生成AIの動き

もう1枚だけ。AIが答えを返すまでに、何が起きているかを表にしました。詳しくは第3章でご説明しますので、いまはこの4行だけ眺めてください。

※ 表は横スクロールできます

ポイントは③です。AIは答えをどこかから探してくるのではなく、その場で書いています。だから、読んだ範囲に無いことを聞かれると——次の章で、その現場をお見せします。

「公開されている」と「ネットに載っている」は、別のことです

ここがいちばん多い誤解です。書店に並ぶ本も、図書館の本も、会社のパンフレットも、展示会での説明も、すべて「誰でも知ることができる」情報です。でも、インターネット上にはありません。

※ 表は横スクロールできます

本屋さんの棚を思い浮かべてください。背表紙は並んでいて、タイトルも著者名も見えます。でも、中身は開かなければ読めません。インターネットから見た世の中も、これとまったく同じです。

そして、あなたの会社も同じ状態にあります。サービスのこだわり、実績、社長の考え方。ネット上に書いていなければ、AIにとっては存在しないのと同じです。

——と、ここまでは理屈です。「本当にそうなの？」と思われるはずなので、実際にやってみた画面をお見せします。題材は、私自身の会社です。

実際に、3つのAIに自社を聞いてみました

2026年7月25日、実際にやってみた画面をそのままお見せします。質問は、わざと3つの層に分けて設計しました。

結果：見事に分かれました

※ 表は横スクロールできます

実施日：2026年7月25日。ChatGPT（無料版）／Gemini（Pro）／Claude（Opus）。それぞれ新しい会話を作り、1問ずつ独立して質問しました。正解は当社実際の記録によります。正解：設立＝2017年6月。

① 出している情報は、3つとも正確に答えました

事業内容、KPIが再生数ではなく問い合わせ数・採用応募数・売上であること、支援終了後の内製化がゴールであること。3つのAIとも、驚くほど正確でした。ここは素直にうれしい結果です。1,170本書いてきた甲斐がありました。

ただし、面白いことが起きました。挙げてきた実績が、3つとも違うのです。

※ 表は横スクロールできます

同じサイトを読んでいるのに、拾った場所が違う。AIは全部を等しく覚えているのではなく、それぞれが違う一部分を拾ってきているということです。「AIに聞けば、その会社のことが全部わかる」わけではありません。

② 社名を出さずに探させたら、結果が真っ二つになりました

ここは正直、いちばん怖い質問でした。お客様が実際に検索するのは、社名ではなく「愛知県で動画マーケティングを支援してくれる会社」のような聞き方だからです。

これは私にとって痛い結果ですが、同時にいちばん役に立つ結果でした。1,170本書いていても、「どこに出しているか」が違えば、AIによって見つけてもらえたり、もらえなかったりする。ChatGPTは地図情報を見て、Claudeは比較記事を見た。それだけの違いで、結果が真っ二つに分かれました。

③ そして、設立年で3つのAIの答えが割れました

いよいよ本命です。当社には会社概要ページがありません。設立年月は、プロフィールページの経歴欄に「2017年6月〜 ユーチューブビジネスサポート 開業」と書いてあるだけです。

結果はこうでした。

同じ日に、同じ質問を、同じ会社について投げた結果がこれです。片方は2008年、片方は2017年6月。どちらが正しいかを知っているのは、私だけでした。あなたの会社について今AIが語っている内容も、誰かが確かめない限り、これと同じ状態かもしれません。

従業員数については、3つとも「公開されていません」「確認できませんでした」と正直に答えました。ここは安心してよい部分です。どこにも書いていない情報については、AIも無理に作らないことがあります。

しかし設立年は違いました。「書いてはあるが、見つけにくい」情報について、ひとつのAIだけが、まったく別の数字をはめ込んだのです。なぜそうなったのか。原因は、ページの中に、数えられる形で残っていました。

なぜ間違えたのか／AIは「思い出して書いている」

ChatGPTが答えた「2008年」は、でたらめな数字ではありませんでした。私が2008年にYouTubeビジネス活用を始めた、その年です。結婚式専門チャンネルを開設した年で、会社の開業年（2017年6月）とは別のものです。

そこで、自分のプロフィールページの文字を数えてみました。

これは私のミスです。「2008年から100社以上を支援」を実績として繰り返し書いた結果、本当の開業年が埋もれました。AIは、私が書いたとおりに読んだだけです。

Claudeは、この誤解の構造を先に指摘していました

驚いたのは、Claudeの回答です。聞いてもいないのに、こう付け加えてきました。

AIの誤答は「AIが悪い」より、「情報の置き方が悪い」と考えたほうが正確です。

ここから見えてくる、3つの層

実験の結果を整理すると、情報は3つの層に分かれていました。これがこの記事の核心です。

※ 表は横スクロールできます

なぜこうなるのか——AIは「思い出して書いている」

ここで、生成AIがやっていることを整理します。3つだけです。

「知りません」と言わずに埋めてしまう理由

AIが事実でないことをもっともらしく答える現象を「ハルシネーション」と呼びます。AIは「もっともらしい続きを作る」仕組みなので、知識に空白があっても止まらずに埋めてしまいます。AIを作っている会社自身も、この性質を認めています。

AIを作った会社が、公式に認めている数字があります

OpenAIが2025年9月に公開した研究に、はっきりした数字が出ています。事実を短く答えさせるテストで、「わかりません」とほとんど言わないモデル（棄権率1%）は、誤答率が75%でした。一方、半分は「わかりません」と答えるモデル（棄権率52%）の誤答率は26%。

出典：OpenAI「Why Language Models Hallucinate」（2025年9月／SimpleQAベンチマークでの計測）。これは「ネット上にある一般的な事実」を短答で問うテストの結果で、日常のすべての質問に当てはまる数字ではありません。「答えようとすればするほど間違える」という傾向を示す例としてご覧ください。

これが今回の実験で起きたことの正体です。ChatGPTは「わかりません」と言う代わりに、近くにあった「2008年」を持ってきて、設立年の欄にはめ込みました。悪気はありません。そういう仕組みで動いているのです。

とくに疑うのは、人物・会社やサービス・日付・数字の4つです。ネットに正解が少ないか、似た情報が多くて混ざりやすい場面です。

対処法は、この3つで十分です

追記：この記事を公開した日に、同じことが起きました

この記事を公開した日、2つの生成AIに「この記事を評価してください」と、URLを渡して頼んでみました。結果は、こうでした。

公開したてで、まだAIに届いていない。そこで1つ目は黙り、2つ目は「近くにあった別のページ」で埋めました。

第2章の「2008年」と同じ構造です。目当てに届かなかったAIが、近くにあったそれらしい情報を持ってきました。

▶ 関連：AIに引用される記事の書き方｜一次情報・構造化データ・E-E-A-T（間違えられない書き方を、記事づくりの側から解説しています）

出しているのに、見つけてもらえなかった記事の話

もうひとつの実験：本の中身は読めるのか

同じ日に、もうひとつ試しました。私の2冊目の著書『経営戦略は動画が最強！』について「この本の内容を、国立国会図書館で調べて学習してきてください」と頼んでみたのです。国立国会図書館（NDL＝National Diet Library）は、日本で出版された本が納められる国内最大の図書館です。

ところが、同じ回答の中でAIはこう続けました。「代わりに、ytbs.jpの章別解説記事から内容を把握しました」——そして第1章・第4章・第5章・第6章の要点を、正確に挙げてきたのです。私が自社サイトに書いていた内容です。

本でも会社でも、起きていることは同じです。出していない部分は読めず、出している部分は読める。そして出しておいた分だけは、正確に伝わります。

ところが、あとで気づきました。

2章と3章が、抜けている。

6つの章すべてに解説記事を出しているのに、2つだけ読まれていませんでした。6本を1本ずつ実測しました。

※ 表は横スクロールできます

2026年7月25日、6本すべての本文文字数・内部リンク数・検索設定（robots）・正規URL（canonical）を実測。数値は当社の実データです。

いちばん長い2本が落ちて、いちばん短い1本が拾われました。「量が足りないから読まれなかった」ではありません。検索から外す設定もしていませんし、リンクの数も同じ。技術的な条件は、6本ともまったく同じでした。

残った違いは、たったひとつでした

6本のタイトルを並べてみて、はっきりしました。

「2章解説」というタイトルから、中身が何なのか、誰にもわかりません。私にもわかりません。本を持っている人だけが「ああ、あの章か」とわかる書き方です。

6本が同じ顔をしているので、AIから見ると区別がつかない。だから全部を読まずに、見つけた数本だけで答えを組み立てた——これが、いちばん説明のつく理由でした。

では、どうすれば見つけてもらえるのか

この経験から、ひとつの原則が出てきました。この記事でいちばんお持ち帰りいただきたい部分です。

※ 表は横スクロールできます

共通しているのは「外の人が見てわかる言葉になっているか」だけです。難しい技術は要りません。御社のホームページにも、心当たりのある見出しはありませんか。

数字で見る「ネットに出ていない情報」の多さ

日本最大の図書館でも、ネットで読めるのは約13%

ここで、数字を1つだけお見せします。国立国会図書館が公表している、デジタル化資料の提供状況です。

※ 表は横スクロールできます

出典：国立国会図書館「資料デジタル化について」（デジタル化資料提供状況・令和8年／2026年6月末時点）。割合は公表値からの筆者計算。各点数は万点単位に丸められているため、内訳の合計と総計は一致しません。

つまり、日本でいちばん本を持っている場所でさえ、自宅のパソコンから本文を読めるのは約13%。しかもこの516万点は「デジタル化が済んだ資料」の数です。まだデジタル化されていない蔵書は、この分母にすら入っていません。蔵書全体で見れば、ネットで読める割合はさらに下がります。

「日本企業のHP開設率は93.3%」——この数字には、穴があります

会社の情報についても見てみましょう。総務省の調査によると、企業のホームページ開設率は93.3%（令和7年／2025年8月末時点）。「なんだ、ほとんど出しているじゃないか」と思いますよね。

ところが、この調査の対象は「常用雇用者100人以上の企業」だけです。

出典：中小企業庁「中小企業・小規模企業者の数（2021年6月時点）」（総務省・経済産業省「令和3年経済センサス-活動調査」再編加工）／総務省「令和7年通信利用動向調査」報告書（企業編）。通信利用動向調査の対象は常用雇用者100人以上の企業（公務を除く）。

つまり、日本の会社の84.5%を占める小規模事業者は、この「93.3%」に最初から数えられていません。国の統計ですら、小さな会社の情報発信の実態を測れていないのです。

だから、こちらから準備する

「そのうちAIが見つけてくれるだろう」——この期待だけは、いま捨ててください。第4章でご覧いただいたとおり、同じ日に公開し、同じリンク構造で、検索から外す設定もしていない6本のうち、2本は読まれませんでした。放っておいて解決する問題ではありません。

やることは、多くありません。まず「出す」。次に「区別がつく形にする」。この2つだけです。

▶ すでに間違った情報を答えられている場合は、直す順番が決まっています。AIが自社の情報を間違える｜直し方の順番と、消えない誤りの正体に、誤りの4分類とAI4社の訂正窓口をまとめました。

ここまでで、いちばん大事な3つ

よくある質問（FAQ）

まとめ

生成AIは、世の中のすべてを知っているわけではありません。読めるのは、誰でも見られる形でネットに出ている分だけです（図1）。日本最大の図書館ですら、ネットで読めるのは約13%でした（表9）。

そして、穴があってもAIは止まりません。近くにあった別の情報で埋めて、もっともらしい答えを返します（図3）。当社も、設立年を9年ずれて答えられていました。

いちばん学びが大きかったのは、「出していても読まれないことがある」という実測です。6本のうち2本が落ち、しかも落ちたのはいちばん長い記事でした。差はタイトルだけでした。

AIは探しに来てくれません。こちらから、読める形にして出す。それが、いまできる唯一の準備です。

▶ 次に読む：AIが自社の情報を間違える｜直し方の順番／AI可視性チェックの調べ方／GEO対策のやり方｜AEO・SEO・LLMOとの違いと、6つの順番