AI記事リライトの実務ワークフロー｜ChatGPTで既存記事を改善する方法

#ai seo #リライト #ChatGPT #GSC
💡ポイント

この記事を読むとわかること

  • リライトがAI活用に最も向いている理由と、新規執筆との違い
  • GSCデータで「どの記事を直すべきか」を機械的に特定する方法
  • 競合SERPから差分を抽出し、1次情報とE-E-A-Tで上書きする実務手順
  • AIに任せる範囲と人間が必ず確認すべき境界線

この記事で避けたいこと

  • ChatGPTに「この記事をリライトして」と丸投げして一般論で塗り直してしまうこと
  • リライト後に順位が逆に下がる、いわゆる「改悪リライト」を起こすこと
  • 1次情報のないAI生成文を既存記事に継ぎ足して、記事全体の説得力を薄めてしまうこと

結論の先取り: リライトはAIが最も活きる領域です。ただし成果を出すには、GSCでの対象特定 → 競合差分抽出 → 1次情報追加 → E-E-A-T追補 → 人間レビューという5段階のワークフローで回す必要があります。

はじめに：リライトこそAIの本領

ChatGPTをSEO業務に組み込むなら、まず取り組むべきは新規記事の執筆ではなくリライトです。新規執筆は、対象読者の設定・検索意図の解像度・自社の立ち位置など、ゼロから決めなければならない変数が多すぎて、AIだけで精度を出し切るのが難しい領域です。一方リライトは、すでに公開された記事という明確な起点があり、GSCに順位やクリック率という数値シグナルが溜まっています。つまり「何を直すか」が外部データから逆算しやすく、AIに渡すコンテキストも具体的になりやすいのです。

実際、海外のSEOメディアでも「AIは新規執筆より既存コンテンツの改善で成果が出やすい」という論調が広がっています。既存記事には過去の流入実績・内部リンク・被リンクといった蓄積があり、リライトはそれらの資産を壊さずに底上げする行為だからです。ゼロから書く記事がインデックスされて評価されるまで数ヶ月かかるのに対し、リライトは早ければ2〜4週間で順位変動が見える点も大きな利点です。

ただし、AIに記事を丸ごと渡して「もっと良くして」と指示しても、返ってくるのは一般論で塗り直された平均的な文章です。そこには競合との差分も、1次情報も、E-E-A-Tの裏付けもありません。リライトで成果を出すには、AIに渡すコンテキストを人間側で設計する必要があります。本記事では、その設計をそのまま実務に落とせる5段階のワークフローとして解説します。

ステップ1: GSCで対象記事を特定する

リライトの第一歩は「どの記事に手を入れるか」を感覚ではなくデータで決めることです。Google Search Console（以下GSC）の検索パフォーマンスレポートを使い、以下の3つのシグナルで対象候補を洗い出します。

  • 順位11〜30位帯のクエリを持つ記事: 1位〜10位は伸びしろが小さく、30位以下は記事構造そのものの作り直しが必要になりやすい領域です。11〜30位帯は「構成と情報量を底上げすれば10位以内に届く可能性がある層」で、リライトの費用対効果が最も高くなります。
  • インプレッションは維持しているのにCTRが期待値より低い記事: 順位帯ごとの平均CTRを下回っている場合、titleやmeta description、導入文の訴求が競合に負けている可能性が高いです。
  • 直近3ヶ月でインプレッションが減少傾向にある記事: 情報の鮮度が落ちているか、競合の新記事に上書きされたシグナルです。特に統計数値や年号を含む記事は情報更新だけでも順位が戻ることが多いです。

この3シグナルで絞り込んだ記事に対し、GSCのクエリタブで「対象記事が実際に獲得しているクエリ」を全件エクスポートしておきます。ここで取得したクエリリストは、あとでAIにリライト指示を出す際の必須コンテキストになります。target_keywordとして設定していたキーワードと、実際に流入しているクエリの間にはズレがあることが多く、そのズレこそがリライトで埋めるべき情報ギャップです。

実務Tips: GSCのクエリを「検索意図タイプ別」に分類しておくと、後続のAI指示が精密になります。情報収集型・比較型・購買型のどれが多いかで、リライトの方向性（網羅性強化 or 比較表追加 or CTA強化）が変わります。

ステップ2: 競合SERP分析で上位記事の構成を把握する

対象記事が定まったら、次は「なぜその順位で止まっているのか」を競合との比較で明らかにします。やることはシンプルで、ターゲットキーワードで実際にGoogle検索し、上位1〜10位の記事を順に開いて以下を手元にメモします。

この作業は地道ですが、AIに競合記事を直接読ませずに自分の目で構造を掴んでおくことが重要です。AIは記事要約は得意ですが、「上位記事群に共通する構成パターン」と「自社記事に欠けている要素」を見抜く作業は、人間が主導したほうが精度が出ます。上位記事3本と自社記事の見出しをスプレッドシートに並べるだけで、不足している見出しや、逆に不要な冗長セクションがはっきり見えてきます。

ステップ3: AIで差分抽出する

競合構成と自社記事の差分が目で見えたら、ここで初めてAIを投入します。目的は「自社記事に追加すべき論点の言語化」と「既存段落のどこを残し、どこを書き換えるか」の仕分けです。

以下は実務で使えるプロンプトのテンプレートです。

�GMASK4�
あなたはSEOエディターです。以下の既存記事を、競合上位記事との差分を埋める形でリライトする設計をしてください。

�GMASK5�
[メインKW] / [サブKW1] / [サブKW2]

�GMASK6�
- [クエリ1]
- [クエリ2]
- [クエリ3]
...

�GMASK7�
H2: ...
  H3: ...
H2: ...

�GMASK8�
【1位】
H2: ...
【2位】
H2: ...
【3位】
H2: ...

�GMASK9�
1. 既存記事に不足している論点（競合にあって自社にないもの）を重要度順にリスト
2. 既存見出しのうち、残す／書き換える／削除するの仕分け
3. 新設すべきH2見出し案と、その下に入れるべき論点のメモ
4. GSCクエリから推測される検索意図のズレがあれば指摘

�GMASK10�
- 一般論の追加提案はしない
- 元記事にない断定（「最新調査では〜」等の出典不明の数字）を生成しない

このプロンプトのポイントは、AIにリライト本文を書かせていないことです。この段階では「設計図」だけを出力させ、実際の本文生成はステップ4〜6で、1次情報を注入した状態で行います。最初から本文を書かせてしまうと、1次情報の入る余地がなくなり、結局一般論に塗り替わってしまいます。

ステップ4: 1次情報を追加してExperience要素を強化する

ステップ3でAIが出してくれた「新設すべき論点」を眺めながら、ここで人間が手を動かすべきなのが1次情報の注入です。Googleの評価軸であるE-E-A-Tの最初のE、Experience（経験）は、AIが決して自力で生成できない要素です。

1次情報として注入できるものには以下のような種類があります。

  • 自社サービスの運用実績・数値データ: 「自社顧客○社を○ヶ月運用した結果、平均でこうなった」という類の内部データ。
  • 社内で行った検証実験の結果: ツール比較・プロンプト比較・設定パターン比較など、時間をかけて手を動かさないと出てこない情報。
  • 顧客ヒアリングから得た定性的知見: 実際の利用者がどこで詰まったか、どんな表現で質問してくるか。
  • 社内担当者の失敗談とリカバリー手順: 成功事例より失敗事例の方がExperienceとしての独自性が高いケースが多いです。
  • スクリーンショット・管理画面キャプチャ: 実際に触っている証拠として機能し、AIでは再現不可能な1次情報です。

これらを記事のどこに差し込むかは、ステップ3でAIが出した「新設すべきH2」の配下が第一候補です。特に「実務での使い方」「よくある失敗」「運用のコツ」系の見出しは、1次情報を流し込むのに最適な受け皿になります。

逆に言えば、1次情報の持ち札がないテーマでのリライトは、ChatGPTをいくら使っても競合との差分が埋まりません。その場合は別の自社が強いテーマにリソースを振り直すほうが、サイト全体のROIは高くなります。

ステップ5: E-E-A-T要素を追補する

1次情報の注入と並行して、記事単位のE-E-A-Tシグナルも見直します。検索品質評価ガイドラインが改訂を重ねるごとに、Googleは「誰が書いたのか」「何を根拠にしているのか」「いつの情報なのか」を重視する方向へ進んでいます。リライト時にまとめてチェックすべきは次の5点です。

  • 著者情報の明示: 記事末尾または冒頭に、実在する執筆者名と簡単な経歴・専門領域を記載しているか。
  • 監修者・編集体制の記載: 必要に応じて監修者プロフィールへのリンクを配置。
  • 出典リンクの整備: 引用した統計や見解には必ず一次ソースへのリンクを張る。AIが吐いた数字は必ず元ソースで裏を取る。
  • 公開日と更新日の両方を表示: 更新日だけだと古い記事を強引に新しく見せている印象を与え、公開日だけだと鮮度が疑われます。両方を併記し、更新内容が分かる場合は変更履歴も添えます。
  • 関連記事・内部リンクの再配置: リライトで追加したトピックから、自サイト内の関連する詳しい記事に内部リンクを張り、トピッククラスターとしての整合性を保ちます。

E-E-A-Tの追補作業は機械的なチェックに近いので、リライト作業のチェックリストとして毎回同じ流れで通すのがおすすめです。ここを飛ばすとAI生成文が目立ちやすくなり、ペナルティリスクにも近づきます。

ステップ6: リライト実行と人間レビューの境界

設計図（ステップ3）と1次情報（ステップ4）とE-E-A-Tチェックリスト（ステップ5）が揃ったら、ようやくリライト本文の生成に進みます。ここで大事なのは、AIに任せる範囲と人間が必ず手を入れる範囲の境界を事前に決めておくことです。

AIに任せていい作業は次のようなものです。

逆に、AIに任せてはいけない作業もはっきりしています。

この境界を守らずに「全部AIに任せて後で直す」スタイルで進めると、チェック工数がむしろ増え、ハルシネーションを見逃した部分が本番公開されるリスクも上がります。最初から境界を決めて、AI出力を受け取った直後に「ここから先は人間の手入れ」と意識しておくほうが、結果的に早く・安全に仕上がります。

人間レビューで最後に確認したい3点

  1. 追加した1次情報が元資料と一致しているか（数値・固有名詞の転記ミスを拾う）
  2. 既存記事にあった内部リンクが新構成でも生きているか（リンク切れ・リンク先ズレの確認）
  3. title・meta descriptionがリライト後の内容と整合しているか

1次情報をリライトに注入する設計思想とツールによる実装例

ここまでのワークフローの肝は、繰り返し書いたように「1次情報をいかに記事に流し込むか」です。この設計思想そのものは、特別なツールがなくても人間の手作業＋ChatGPTで成立します。ただし運用本数が増えてくると、1次情報の保管場所・AIへの渡し方・リライト履歴の管理が煩雑になり、属人化しやすくなります。

この課題への実装例として、弊社が運営しているケンランSEOというSEO運用プラットフォームに、サイトナレッジ注入機能とリライト提案機能（L4_rewrite_proposal エージェント）が実装されています。事実ベースで機能を紹介すると以下のようになります。

このような「1次情報をプラットフォーム側に貯めてAIに渡す」設計は、Semrush や Ahrefs など大手ツールでも近い機能が登場し始めている領域です。ケンランSEOの位置付けは、中小企業向け価格帯（月額¥2,480〜）で同等の設計思想を使える点にあります。ツールを使うか使わないかは別として、「1次情報をどこに貯めて、どう渡すか」を運用ルールとして決めておくこと自体は、AIリライトを継続的に回すうえでほぼ必須になります。

💡ポイント

ツールを使わない場合の代替案: 1次情報はGoogle Docs か Notion に「サイトナレッジ.md」のような形で集約し、リライトの度にプロンプトへコピペで貼り付ける運用でも同じ効果が得られます。重要なのは「1次情報を毎回新しく思い出すのではなく、一度書き出して蓄積する」という習慣のほうです。

まとめ：リライトはAI×1次情報×人間レビューの三角形で回す

AIを使ったリライトは、新規執筆よりも成果が出やすい領域です。ただし「ChatGPTにそのまま投げる」運用では一般論で塗り直されるだけで、競合との差分は埋まりません。本記事で解説した5段階＋人間レビューのワークフローは、どの段階でAIを使い、どの段階で人間が手を動かすかを明確に分担するための設計図です。

GSCで対象を特定し、競合SERPで差分を可視化し、AIに設計図だけを描かせ、1次情報とE-E-A-Tを人間が流し込み、最後にAIで清書して人間がレビューする。この流れを1サイクル回すと、リライトの精度と速度が両立し、属人化せずにチームで展開できるようになります。

AI SEO全体像の中でリライトがどう位置付けられるか、ChatGPTをSEO業務全般でどう使い分けるか、AI検索時代のSEO戦略がどう変化しているかは、以下の関連記事でさらに掘り下げています。

シェア: X Facebook はてブ
ケ

ケンランSEO編集部

著者