「採用サイトはあるのに、良い候補者からの応募が増えない」。その一因が、いま静かに進んでいます。求職者はまず検索エンジンではなく、生成AIに「〇〇な会社を教えて」「この会社ってどう？」と聞く。AIの回答に自社が出てこなければ、候補者の選択肢にすら入らない——面接どころか、認知の手前で消えているのです。
この“見えない取りこぼし”を防ぐのが採用LLMO（LLM Optimization＝大規模言語モデル最適化）。ChatGPT や AI検索が回答を組み立てるときに、自社の求人・カルチャー・制度を正しく参照させ、候補者に届くようにする一連の設計を指します。
01なぜ今、採用LLMOなのか
採用広報の主戦場が、静かに移りつつあります。求職者の情報収集は「検索して自分で読む」から「AIに要約させて判断する」へ。ここで起きるのが、サイレント辞退——候補者が誰にも接触しないまま、AIの回答段階で他社に流れていく現象です。
AIは、テキストの雰囲気ではなく機械が読める形で明示された事実を優先して拾います。募集要項・給与レンジ・勤務地・福利厚生・評価制度が構造化されていない採用サイトは、AIから見ると「内容が曖昧な会社」。逆に言えば、ここを整えるだけで、まだ多くの企業が手をつけていない今こそ差がつきます。
02採用LLMOでやること（3本柱）
やることは、奇をてらったものではありません。AIが誤解しようがないくらい、事実を構造化して明示する——これに尽きます。
- 構造化データで“事実”を機械可読にする求人は JobPosting、よくある質問は FAQPage、会社情報は Organization。人間向けの本文とは別に、AIとGoogleが確実に読めるデータを埋め込みます（下に実装例）。
- 一次情報を、結論ファーストで書く他社サイトの焼き直しではなく、自社にしかない事実（制度・数字・社員の実像）を、AIが引用しやすい「結論→根拠」の順で。表や箇条書きは文脈把握を助けます。
- AIが実行できる形で返す（SSR／静的HTML）AIクローラは JavaScript の実行が不安定。SPAで本文が後から描画されるサイトは中身が空に見えることがあります。マークアップはサーバー側で返すのが安全です。
03実装例：そのまま使える構造化データ
最初の一歩は、求人ページへの JobPosting 構造化データです。<head> 内、または本文末に <script type="application/ld+json"> として設置します。
<script type="application/ld+json">
{
"@context": "https://schema.org/",
"@type": "JobPosting",
"title": "Webエンジニア（自社サービス開発）",
"description": "<p>仕事内容・必須要件・歓迎要件をHTMLで記載</p>",
"datePosted": "2026-07-01",
"employmentType": "FULL_TIME",
"hiringOrganization": {
"@type": "Organization",
"name": "株式会社サンプル",
"sameAs": "https://example.com"
},
"jobLocation": {
"@type": "Place",
"address": {
"@type": "PostalAddress",
"addressLocality": "大阪市",
"addressRegion": "大阪府",
"addressCountry": "JP"
}
},
"baseSalary": {
"@type": "MonetaryAmount",
"currency": "JPY",
"value": {
"@type": "QuantitativeValue",
"minValue": 4000000,
"maxValue": 7000000,
"unitText": "YEAR"
}
}
}
</script>
baseSalary（給与レンジ）と jobLocation は、AIが最も聞かれる項目です。省略せず埋めることで Google しごと検索（Google for Jobs）への掲載も同時に狙えます。必須・推奨プロパティやリモート求人の書き方、検証手順まで含めた実装は、JobPosting実装ガイド（コピペ雛形つき）で詳しく解説しています。
<script type="application/ld+json">
{
"@context": "https://schema.org/",
"@type": "FAQPage",
"mainEntity": [{
"@type": "Question",
"name": "未経験でも応募できますか？",
"acceptedAnswer": {
"@type": "Answer",
"text": "はい。入社後3か月のオンボーディング研修があります。"
}
}]
}
</script>
候補者の疑問（残業・リモート可否・選考フロー・キャリアパス）を FAQ にして構造化すると、AIが「その会社ってどう？」への回答にそのまま使えるようになります。
04SEO と 採用LLMO は何が違う？
| 観点 | SEO（検索エンジン最適化） | 採用LLMO（AI最適化） |
|---|---|---|
| 相手 | 人間（検索結果を自分で読む） | AI（回答を生成して提示する） |
| ゴール | 検索順位で上位に出る | AIの回答に引用・推薦される |
| 効くもの | キーワード・被リンク・内部リンク | 構造化データ・一次情報・明快な事実 |
| 評価の場 | Google検索 | ChatGPT等のAI／AI検索の要約 |
両者は対立しません。土台は共通で、採用LLMOはそこに「機械可読な事実」の層を足すもの。SEOで積み上げた信頼が、AI時代にも効き続けるように設計し直す作業だと考えてください。
ツールではなく、ノウハウごと実装します
採用LLMOは「タグを入れれば終わり」ではありません。“AIに選ばれる言葉”を設計し、組織の実像を伝わる形に整える——ここに2つの実地ノウハウを掛け合わせるのが、ゼロリクの差です。
「選ばれる」「刺さる」を作る言語化力。検索・AI対策も、候補者に届く文面設計も、本質はマーケの仕事。
採用の先の定着・戦力化まで。伝えるべき“会社の中身”を、組織人事の知見で言語化する。