Google独占禁止法裁判で判明！検索ランキングの真実とSEO戦略への影響

近年のSEO情報でたびたび語られる「ユーザー行動が順位を左右する」という説。これは長らく推測の域を出ませんでしたが、2025年に決着した米国のGoogle独占禁止法裁判で、その多くが一次資料として裏付けられました。

本記事では、2025年9月に公開された判決文（United States v. Google LLC, Memorandum Opinion, Document 1436）をもとに、Google検索のランキングを支える主要な仕組みを整理します。あわせて、判明した事実から導ける具体的なSEO・GEO（生成AI検索最適化）のアクションまで落とし込みます。

この記事でわかることは次のとおりです。

• 判決文で明らかになったランキングシグナルの全体像と二層構造
• Navboost・Glue・RankEmbed・Quality・Popularityそれぞれの役割
• AI Overviews（AIによる概要）を生成するMAGIT・FastSearchの仕組みとGEOへの影響
• 明日から実践できるSEO・コンテンツ設計のチェックリスト

推測ではなく、公開された一次資料に立脚して「これからのSEOで何をすべきか」を明確にすることが本記事のゴールです。

裁判で明らかになったGoogle検索アルゴリズムの全体像

👉 このパートをまとめると！

• 判決文（Document 1436）で複数シグナルの組み合わせによる順位決定が公開された
• Googleは100超の「生シグナル」を束ねて「トップレベルシグナル」を構成する二層構造
• PageRankは補助的な一要素、ユーザー行動データが中核という力関係が判明

今回の情報源は、米国コロンビア特別区連邦地方裁判所（U.S. District Court for the District of Columbia）が2025年9月2日付でエイミット・メータ判事（Judge Amit P. Mehta）名義により公開した判決文（Memorandum Opinion, Document 1436）です。独占禁止法（反トラスト法）訴訟の是正措置を示す文書ですが、その過程でGoogle検索の内部構造が異例の詳しさで記録されました。

まず押さえるべき大原則は、Google検索の順位が「単一の指標」ではなく「多数のシグナルの組み合わせ」で決まる、という点です。古典的なPageRankから、後述する最新のAIモデルまでが層状に働いています。

判決文の解説で重要なのが、シグナルが二層構造になっている点です。Googleは100を超える「生シグナル（raw signals）」を持ち、それらを集約して「トップレベルシグナル（top-level signals）」を構成します（原文では「Top-level signals are aggregates of other signals, called raw signals」と記述）。キーワード・リンク・クリックといった個々の生シグナルが束ねられ、最終的な順位計算に使われる上位の指標になる、という設計です。

各Webページは内部的に固有の識別子（ドキュメントID）で管理され、そこに品質・権威・クロール・スパムなどのスコアがひも付く形で処理されます。SEO担当者が意識すべきは、こうしたシグナルの中で「ユーザー行動データ」が中核を占め、PageRankは補助的な一要素へと相対的に位置づけが下がった、という力関係です。以降のセクションで、主要なシグナルを一つずつ見ていきます。

Quality Signals（品質アルゴリズムの仕組み）

👉 このパートをまとめると！

• 品質評価はリンク依存型から「Webページそのもの」の評価へ移行
• PageRankは「既知の良質ソースからの距離」を示す一入力にすぎない
• E-E-A-T（経験・専門性・権威性・信頼性）に沿った内容づくりが中心

Quality Signals（品質シグナル）は、ページの信頼性や質を測る仕組みです。判決文からは、従来のリンク依存型の評価から、「Webページそのもの」の品質を評価する方向へ移行していることが読み取れます。

PageRank

PageRankは、Webページ間のリンク構造から重要度を算出する古典的な指標です。判決文では、PageRankが「既知の良質なソースからの距離（distance from a known good source）」を示す単一のシグナルとして扱われている点が明らかになりました。

重要なのは、PageRankが品質スコアを構成する数ある入力の一つにすぎず、以前ほど中心的な役割を担っていないことです。被リンクが無意味になったわけではありませんが、「被リンクを集めれば上がる」という単純な図式は成立しにくくなっています。

推奨される施策は、正規のHTMLでリンクを設置すること、関連ページ同士を内部リンクで整理すること、文脈に合ったアンカーテキストを使うことです。

コンテンツ品質とE-E-A-T

品質評価の中心は、E-E-A-T（Experience・Expertise・Authoritativeness・Trustworthiness＝経験・専門性・権威性・信頼性）に沿ったコンテンツづくりへと移っています。

実装者が取り組むべきは、一次情報や実体験にもとづく独自性のある内容、著者や運営者の専門性が伝わる情報設計、出典を明示した信頼できる記述です。小手先のキーワード詰め込みではなく、「その分野の専門家が書いた、信頼できるページ」と評価される構造を目指すことが、Quality Signals対策の本質です。

Popularity Signals（人気度を評価するアルゴリズム）

👉 このパートをまとめると！

• 人気度はChrome訪問データとアンカー数（リンク構造）で構成される
• ユーザーの利用頻度や参照のされ方が順位に反映される
• リピーターを増やす体験改善が人気度シグナルの底上げにつながる

Popularity Signals（人気度シグナル）は、サイトやページがどれだけ利用・参照されているかを評価する仕組みです。判決文からは、主に「Chrome訪問データ」と「アンカー数」で構成されることが判明しました。

Chrome訪問データ

GoogleはブラウザChromeから得られる訪問データを人気度の判断に用いています。ユーザーがどれだけそのサイトを訪れ、利用しているかが、ランキングに反映される仕組みです。

具体的な計算方法は公開されていませんが、モバイル対応やページ表示速度の改善、繰り返し訪れたくなる有益なコンテンツの提供によってリピーターを増やすことが、人気度の底上げに有効と考えられます。

アンカー数（リンク構造）

もう一つの構成要素が、外部から張られるリンク（アンカー）の数です。多くの信頼できるサイトから参照されているページは、人気度が高いと評価されやすくなります。

ただし前述のとおり、単なるリンク数の多さだけで順位が決まるわけではありません。関連性の高い文脈で自然に参照されること、そしてそのリンクをたどったユーザーが満足する体験を得ることが重要です。

Glueによるユーザーインタラクションデータの活用

👉 このパートをまとめると！

• GlueはSERP上のクリック・ホバー・スクロール等を集約する統合ログ
• 約13か月分を保持し、季節変動も含めて順位判断に反映
• Glue＝統合行動ログ、Navboost＝クリックに特化した満足度推定、と役割が異なる

Glue（グルー）は、検索結果ページ（SERP）上でのユーザーインタラクション情報を集約するシステムです。判決文では「super query log（スーパークエリログ）」とも呼ばれ、クリック・ホバー（マウスを重ねる操作）・スクロール・スペル修正といった幅広い行動データを統合的に記録します。

注目すべきは保持期間です。Glueは約13か月分のデータを保持しており、これは季節による検索傾向の変動をシグナルに織り込むためと考えられています。つまり、一時的な操作でユーザー行動を歪めても、13か月というスパンで平準化されるため、短期的な小細工が効きにくい設計になっています。

ここで整理しておきたいのが、後述するNavboostとの棲み分けです。Glueが「SERP全体での多様な行動を統合したログ」であるのに対し、Navboostは「クエリと結果へのクリック行動」に特化して満足度を推定する仕組みです。両者は重なりつつも役割が異なります。

推奨される施策は、CTR（クリック率）を高めるタイトルタグ・メタディスクリプションの最適化、検索意図への即時応答、クリック後に離脱されない見出し・デザインの設計です。各行動指標の重み付けは公開されていませんが、「クリックされ、かつ満足される」状態を作ることが対策の軸になります。

Navboost｜Googleが認めた”最強クラス”のランキング要素

👉 このパートをまとめると！

• Navboostは判決文がGoogleの「中核的なランキングモデルの一つ」と記述した仕組み
• クエリ×クリック行動を約13か月分、地域・デバイス別に記録して順位に反映
• 「良いクリック／悪いクリック／最も長く閲覧されたクリック」で満足度を推定する

Navboost（ナブースト）は、今回の判決文で最も注目された仕組みの一つです。判決文はNavboostを「Googleの中核的なランキングモデルの一つ（one of Google’s core ranking models）」と記述しており、Pandu Nayak氏も証言で「私たちが持つ重要なシグナルの一つ」と認めました。ユーザー行動データがランキングの中核であることを裏付ける最大の根拠です。

Navboostの仕組みと13か月の記憶

Navboostは、Pandu Nayak氏（Google検索担当の元幹部）の証言で明らかになったもので、その起源は2005年頃までさかのぼるとされています。仕組みとしては、「あるクエリに対して、どの結果がどれだけクリックされたか」という行動データを、地域やデバイスの種類ごとに約13か月分記録し、類似する検索での順位改善に反映します。

元Googleのエリック・リーマン氏（Eric Lehman）は、Navboostを「機械学習システムではなく、ただの巨大なテーブル（just a big table）」と表現しました。クエリと結果の組み合わせごとにクリック数を集計する、いわば集合的なユーザー投票の記録装置というわけです。この13か月という保持期間が、短期的なクリック操作では順位を動かしにくい理由になっています。

良いクリック・悪いクリック・最も長く閲覧されたクリック

Navboostが満足度を推定する際に用いるのが、クリックの「質」の分類です。Navboostが用いるクリックの「質」の分類は、2024年に流出したGoogleの社内ドキュメント（Content Warehouse APIリーク）で具体的なフィールド名が確認されています。主に次の指標です。

• 良いクリック（good clicks）：結果をクリックし、そのページに十分な時間とどまる、あるいは目的の行動を完了したクリック。満足のサインとされます。
• 悪いクリック（bad clicks）：クリック後すぐに検索結果へ戻ってしまう（直帰する）クリック。不満のサインとされます。
• 最も長く閲覧されたクリック（last longest click）：一連の検索セッションの中で、ユーザーが最終的に最も長くとどまったページ。最も価値を提供したページと推定されます。

Navboostはこれらの行動から満足度を推定し、ページの順位を上げる・下げる・維持する判断に用います。SEOの観点で言えば、「クリックを集めること」以上に「クリック後に満足され、長く読まれること」が決定的に重要だと、一次資料が示していることになります。この着地後の体験づくりについては、後半の実装セクションで具体化します。

RankEmbedBERTによるAIランキングモデル

👉 このパートをまとめると！

• RankEmbed（BERT活用の深層学習モデル、通称RankEmbedBERT）はロングテール検索に強い
• 約70日分の検索ログと品質評価者のスコアを学習データに用いる
• クエリと文書を意味ベクトルに変換し、言語的な意図の近さで関連性を判断する

RankEmbed（ランクエンベッド）は、Googleの主要なAIランキングシグナルの一つで、BERT（自然言語処理の深層学習モデル）を活用していることから、通称RankEmbedBERTとも呼ばれます。判決文では、特にロングテールクエリ（検索数の少ない複雑な検索）において言語理解が重要になる、という位置づけが示されました。

学習データ：約70日分のログと品質評価者スコア

RankEmbedの特徴は、その学習データにあります。DOJ裁判資料の分析によれば、RankEmbedは約70日分の検索ログ（実際のユーザー行動やクエリのパターン）と、人間の品質評価者（human rater）による品質スコアを学習に用いています。

Navboostが約13か月という長期のクリックログを扱うのに対し、RankEmbedは約70日というより短い期間のログで学習する点が対照的です。「実際のユーザー行動」と「人間が付けた品質ラベル」の両方を教師データにすることで、単なるクリック数だけでなく、質の高いコンテンツとは何かをモデルに学習させています。

意味理解によるロングテール対応

RankEmbedは、クエリと文書をそれぞれ意味的な特徴を持つベクトル（数値の並び）に変換し、その近さで関連性を判断する仕組み（デュアルエンコーダモデル）とされています。これにより、キーワードが完全一致しなくても、意図が近いページを関連性が高いと判断できます。

実装者が取り組むべきは、検索意図への文脈的な応答、FAQ形式やロングテールに対応したページの作成、そして構造化データの活用です。他のシグナルとの重み付けは非公開ですが、「言葉の表面ではなく意図に応える」設計が、このモデルへの最適化につながります。

AI Overviews時代のランキングとGEO｜Project MAGI・MAGIT・FastSearch

👉 このパートをまとめると！

• AI Overviews（AIによる概要）はMAGIT（AI要約特化のカスタムGeminiモデル）が生成する
• グラウンディング用のFastSearchは「速度優先ゆえ品質が低い」と判決文が示唆
• 従来SEOに加え、AI要約に引用されやすい構造化・簡潔化（GEO）が重要になる

判決文では、検索結果に表示されるAI Overviews（AIによる概要）の裏側についても言及されています。これは従来のSEOに加えて、GEO（生成AI検索最適化）を考えるうえで欠かせない情報です。

Project MAGIとMAGITの役割

判決文の解説によれば、生成AIをGoogle検索へ統合する社内プロジェクトの総称が「Project MAGI」です。その中で、AI Overviews向けに検索データをもとに自然な文章を生成する中核が「MAGIT」と呼ばれるモデルです。MAGITは、Geminiの基盤モデルを検索向けのAI要約用に最適化したカスタムモデルと位置づけられています。

FastSearchと「品質が低い」という認定

AI Overviewsが回答を生成する際、その根拠となるWebページを高速で集める仕組みが「FastSearch」です。FastSearchは前述のRankEmbed由来のシグナルを使い、短く要約された順位付きの結果を素早く返します。

ここで重要なのが、判決文の解説でFastSearchが「速度を優先するため、通常の検索結果よりも品質が低くなりやすい（スパムの影響を受けやすい）」と指摘されている点です。この速度優先の設計が、AI Overviewsと通常の検索結果とで品質に差が生じる一因と考えられています。裏を返せば、AI要約に引用されるには、FastSearchが素早く拾いやすい明快な構造でコンテンツを設計することが有効だと示唆されます。

GEO：AI要約に引用されやすい構造へ

これらを踏まえると、これからのコンテンツには2つの最適化が求められます。一つは従来どおり、ユーザー行動シグナルで評価される「満足される」コンテンツづくり。もう一つが、AI要約に引用されやすい「構造化・簡潔化」です。

具体的には、結論を先に述べる、要点を箇条書きで整理する、見出しで論点を明確に区切る、といった設計がGEOに効きます。AIが素早く理解・抽出できる形にしておくことが、AI Overviews時代の露出を左右します。

ユーザー行動データはランキング以外にも使われる

もう一点、判決文で明確になったのが、ユーザー行動データの用途の広さです。クロールの優先順位付け、インデックスの鮮度管理、順位調整、プロダクト評価など、Googleの検索プロセスの多くでユーザー行動データが継続的に使われていることが読み取れます。

つまりユーザー行動は、順位だけでなく「どれだけ頻繁にクロールされ、新しい情報として扱われるか」にも波及します。ユーザーに支持されるサイトほど、クロール・インデックスの面でも優遇されやすい、という循環構造がある点は押さえておくべきです。

ランキングシグナルの相対的重要度と不明点

👉 このパートをまとめると！

• 最重要はユーザー行動データ（Navboost）、PageRankは補助的な一要素という力関係
• 各シグナルの正確な比重や内部計算はいまも非公開
• 「シグナルの大半は人手で調整される」という証言もあり、機械任せではない

ここまで見てきたシグナルの力関係を整理します。判決文が示す結論として最も重要なのは、ユーザー行動データ（Navboostに代表されるクリック・満足度シグナル）が中核であり、PageRankは「既知の良質ソースからの距離」を示す補助的な一要素へと相対的に位置づけが下がった、という点です。RankEmbedはロングテール対応で強く影響します。

一方で、明かされていない点も少なくありません。各シグナルの正確な比重（どれがどれだけ順位に効くか）や、内部の計算方法は依然として非公開です。また、Googleのエンジニアであるエイチジェイ・キム氏（HJ Kim）は「シグナルの大半は人手で作り込まれている（The vast majority of signals are hand-crafted）」と証言しており、すべてが機械学習に委ねられているわけではないことも分かっています。

確実に言えるのは、次の3点です。第一に、PageRank（被リンク）は今も使われるが中心ではないこと。第二に、ユーザー行動データがランキングの中核を担うこと。第三に、RankEmbedのようなAIモデルがロングテールの意味理解を支えていること。この力関係を前提に、次のセクションで具体的な打ち手へ落とし込みます。

判明したシグナルから導く、これからのSEO・コンテンツ設計

👉 このパートをまとめると！

• 「クリックを取る」だけでなく着地後の「タスク完了感」設計が決定的
• 要点先出し・内部導線・FAQ整備で満足度と回遊性を同時に高める
• 被リンクは有効だが単独では不十分、ユーザー体験とAI引用対応を並行する

判明した事実を、明日からのSEO・コンテンツ設計に翻訳します。ポイントは、Navboostが示すとおり「クリックを取ること」だけでなく、着地後にユーザーが目的を果たす「タスク完了感」を設計することです。

「タスク完了感」を設計する

良いクリック・最も長く閲覧されたクリックを増やすには、訪れたユーザーが「知りたいことにすぐたどり着き、満足して読み終える」状態を作る必要があります。情報到達までの経路を短くし（要点先出し）、途中で離脱される要素を減らすことが、直帰（悪いクリック）を防ぎます。

明日から実践できるSEO・コンテンツ設計チェックリスト

初中級のSEO担当者がすぐ着手できる打ち手を、チェックリストにまとめます。

• 結論・要点を冒頭で先出しする：ユーザーが答えに最短で到達でき、良いクリックにつながる。AI要約への引用（GEO）にも有効。
• 見出しで論点を明確に区切る：拾い読みしやすく、離脱を防ぐ。構造が明快だとFastSearchにも拾われやすい。
• FAQを整備する：ロングテールの検索意図に応え、RankEmbedが評価する「意図への応答」を強化する。
• 内部導線（関連リンク）を最適化する：セッション内で次の情報へ回遊させ、最も長く閲覧されたクリックを自サイト内で発生させる。
• 手順はステップ化する：やり方系の内容は番号付きで整理し、タスク完了までの迷いをなくす。
• 表示速度とモバイル対応を改善する：Chrome訪問データ（人気度）とユーザー満足度の双方に効く。
• 文脈に合った被リンクと内部リンクを整える：被リンクは有効だが単独では不十分。関連性と着地後の満足をセットで考える。

これらは「Navboost・Glueで測られる満足度」と「RankEmbedが評価する意図応答」、そして「AI Overviewsに拾われる構造」を同時に満たす設計です。ユーザー行動シグナルの改善は、コンテンツ品質そのものの改善と表裏一体であり、腰を据えた取り組みが求められます。

自社サイトの現状を診断し、こうした施策の優先順位を整理したい場合は、GMO TECHのSEOコンサルティングをご活用ください。ユーザー行動データを軸としたコンテンツ品質改善から、AI Overviews時代を見据えたGEO（生成AI検索最適化）支援まで、一次資料の知見にもとづいてご支援します。

まとめ

👉 このパートをまとめると！

• 2025年の判決文で「ユーザー行動が順位の中核」という長年の説が裏付けられた
• 被リンク偏重から、満足度・意図応答・AI引用対応への転換が必要
• まずは要点先出し・FAQ・内部導線・回遊設計から着手するのが近道

2025年に公開された判決文（Document 1436）は、これまで推測でしかなかった「ユーザー行動がランキングの中核である」という事実を、一次資料として裏付けました。2023〜2024年時点の旧資料と異なり、本記事は最新の判決文に立脚しています。

明日からのSEOで意識すべき要点は、次のとおりです。

• 被リンク偏重から脱却する：PageRankは補助的な一要素。リンクは文脈と着地後の満足とセットで考える。
• 満足されるコンテンツを作る：Navboost・Glueは「良いクリック」「長く読まれること」を評価する。要点先出しと回遊設計で満足度を高める。
• 意図に応える：RankEmbedはロングテールの意味理解を担う。FAQやロングテール対応で意図に文脈的に応える。
• AI Overviewsに備える：MAGIT・FastSearchの仕組みを踏まえ、構造化・簡潔化（GEO）でAI要約に引用されやすくする。

まずは、既存コンテンツの「要点先出し」「FAQ整備」「内部導線の見直し」から着手するのが近道です。さらに詳しい実装手順を知りたい方は、後述のSEOチェックリストもあわせてご覧ください。