診断する側が、
自分のサイトで証明する。
自社運営メディア legacydram.com を診断し、提示した改善を実装しながら、その経過を公開で追跡するケーススタディです。先行指標の実測、施策ごとの結果、そして AI引用率 0% という不都合な数字も含めて、すべて実データで残します。効果がなかった施策も、そのまま公開します。
P1-2 実施: striking-distance の charles-doig 記事へ、既にDoigに言及していた3記事から内部リンクを集約（"charles doig" #10 の押し上げ狙い）。順位効果は lagging のため継続観測。
再計測（実測）: 一覧ページ総合 89→91（meta description 改善）。エンティティ強化のAI認識への効果は lagging のため継続観測。
P1実施: WebSite に @id を付与してエンティティ参照を解決、founder(Ken Imoto)に sameAs を追加（ブランド認識の強化）。一覧ページの description を sweet-spot に拡充。
再計測（実測）: 一覧ページ総合 72→89（jsonld 0→62）、トップ総合 93→96（llms.txt 90→100・linkCount 0→80）。
P0実施: 一覧ページに CollectionPage + ItemList + BreadcrumbList を付与。llms.txt を markdown リンク列形式（80記事）に修正。本番デプロイ。
パイロット観測ページを公開。npx llmo-checker で基板スコアの再現性を確認（93）。
初回診断を実施。サンプルレポート（16ページ）を公開。baseline 記録。
次のイベント（P0実施・再計測・被リンク施策…）をここに追記していきます
baseline が示す構造
技術基板は競合を上回るのに、AIには引用されていない——legacydram の baseline は、LLMOの本質を一言で表しています。
診断の全文（16ページ）は サンプルレポートPDF で公開しています。
先行指標（実測）
改善実装で早く動く指標を実測で追います。すべて測定値で、推定は含みません。
- 2026-06-12 93/100 診断baseline。競合4社中1位（競合平均50）
- 2026-06-14 96/100 P0実施（llms.txtリンク列）。llms-txt 90→100で総合+3
- 2026-06-12 72/100 JSON-LD皆無（0点）で減点
- 2026-06-14 91/100 P0(JSON-LD 0→62)+P1(description拡充でmeta 100)。72→89→91
- 2026-06-05 4 ローンチ直後・インデックス進行中
- 2026-06-12 53 公開76本中53本が表示対象に
- 2026-06-05 5
- 2026-06-12 458
- 2026-06-12 0% 専用記事を持つ2クエリで被引用ゼロ
※ インデックス数・表示回数の初期の伸び（6月初旬→6/12）は、ローンチ直後の自然なインデックス進行によるものです。診断改善の効果は baseline（2026-06-13）以降の変化として追記していきます。
AI引用率 — 想定と実測
AI引用率は権威性（被リンク）に依存し、動くまで数ヶ月かかります。下は改善ロードマップに基づく想定経路です。実測はまだ baseline の 0% 1点のみ。想定どおりに動いたか・外れたかも、実測が出たらそのまま並べて公開します。
※ これは実測ではなく、診断の改善ロードマップに基づく想定レンジです。実測値が出たら、この想定と実際の差もこのページで公開します。
施策ごとの結果
診断で提示した施策を一つずつ実装し、それぞれの効果を測って記録します。効果がなかった施策（効果なし）も、そのまま公開します。うまくいったものだけ見せるのは、検証とは呼べないからです。
数字は、誰でも再現できます。
このケースの LLMO基板スコアは、次のコマンドで今すぐ手元から再現できます（OSS・無料）。私たちが出している数字がブラックボックスでないことの担保です。
今後、Case #002 / #003 と公開ケースを追加していきます。