AI時代の自律代謝方LLMO還流システム

AUTONOMOUS_LLMO_LOOP_SPECIFICATION.md
本ドキュメントは、カドベヤの「組織OS：非エンジニア組織のループエンジニアリング」の思想に基づき、「GA4 × Google Search Console (GSC) × HubSpot × Linear」を統合した自律代謝型LLMO（生成AI検索最適化）還流システムをFable5（または自律AIエージェント）に実装・駆動させるための技術仕様書およびルールブックである。

AIエージェントは、本仕様書をシステムプロンプトまたはSkillsの一部として読み込み、自律的な「発見・実行・検証・不整合監査」のループを実行すること。

1. システム全体俯瞰：自律代謝型LLMO還流アーキテクチャ
本システムは、一過性のGEO（生成エンジン最適化）施策ではなく、組織のCRMデータ（HubSpot）から抽出した一次ファクトをWebサイトへ自動還流させ、AI検索からの高エンゲージメントトラフィックを自律的に拡大し続ける「代謝システム」である。

【 1. センサー層 (GSC & GA4 API) 】
未引用クエリ / AI流入CVRの超解像検知
│
▼
【 2. 燃料層 (HubSpot CRM SoT) 】
自社保有の一次統計データ・成約数値を抽出
│
▼
【 3. 意思決定層 (Linear 面) 】
Decision Card (承認UI) の自動生成・起票
│
(人間が1クリックで承認/HITL)
│
▼
【 4. 実行層 (CMS/Webメタ) 】
┌────────────────────────────┼───────────────────────────┐
▼ ▼ ▼
Layer 1 (HTML/UI): Layer 2 (Protocol): Layer 2 (Meta):
冒頭200語 Quick Answer Markdown Negotiation Stacked JSON-LD
(日本語60〜120文字/平文) (Accept: text/markdown) (Content Parity厳守)
│ │ │
└────────────────────────────┼───────────────────────────┘
▼
【 5. 統治OS (二重監査/Driftスキャン) 】
SoTとWeb公開情報のズレ(Drift)を自動検知して修復
2. 組織OS基本設計：9つの層構造マッピング
Fable5は、以下の9つのレイヤーに沿って、情報（SoT）、プロセス（SoP）、および自走ループを分離して実装せよ。

【土台】SoT (Source of Truth) の二層
第1層：SoT（機械可読な構造化正本）
定義: 事実、状態、数値が唯一更新される構造データ。
本システムの実装: HubSpot CRM（顧客・成約・パフォーマンスデータベース）、GSC/GA4の検索クエリ/アクセスデータ、LinearのIssue状態。
鉄則: 数値や状態をMarkdownファイル等に手動複製してはならない。事実や数値はデータベースに閉じ、Markdownには物語と背景のみを残す。
第2層：SoTを言語化した記述的ドキュメント（SoT言語化doc）
定義: SoTが「何であるか（WHAT IS）」を定義する辞書・スキーマ定義。
本システムの実装: HUBSPOT_FACTS_SCHEMA.md, GA4_METRICS_DEFINITION.md。
【中核】SoP (Standard Operating Procedure) の二層
第3層：人間の意図を汲み取ったSoPドキュメント（規範的Playbook）
定義: 人間やAIが「どう行動すべきか（HOW TO ACT）」を規定するドキュメント。
本システムの実装: LLMO_CONTENT_UPKEEP_PLAYBOOK.md。
第4層：SoPの意図をAIの動作へ組み込む（機械翻訳）
定義: Fable5やサブエージェントが読み込む強固な規約やプログラム。
本システムの実装: .claude/rules/ 内のルール、.claude/skills/ 内の自動更新スクリプト、Linear APIを叩く実行hook。
【配線と駆動】ルーティングと二種の自走Loop
第5層：CLAUDE.md による情報ルーティング
定義: AIの玄関口であり、「今のタスク」「分岐条件」「参照すべきdoc/skill」を示す分岐表。
本システムの実装: ルート直下の CLAUDE.md。
第6層：実行Loop（自走化）
定義: センサー検知（GSC/GA4）から実行（CMS/JSON-LD更新）までを回すLoop。
第7層：観測Loop（監査・クオリティ管理）
定義: 沈黙故障（サイレントな機能不全）や情報のドリフトを検知し続けるシステム監査。
本システムの実装: HubSpot（第1層）の数値と、Webサイトに公開されているファクト（Markdown / JSON-LD）が合致しているかを定常スキャンするスクリプト。
【展開と統治】蒸留の運用と意思決定レイヤー (HITL)
第8層：チーム展開と「蒸留」の運用
定義: 特定リポジトリで成熟したローカルスキルを、グローバル共通の組織OSにマージするプロセス（PRマージ）。
第9層：人間の立ち位置「意思決定レイヤー」と面の設計 (HITL)
定義: 人間が起票作業のボトルネックにならないよう、「直感的に判断できる1枚のカード（面）」をAIが用意するUI/UX設計。
本システムの実装: Linearの「判断待ち」レーンと、そこにFable5が自動挿入する「Decision Card」（比較表・承認用1クリックコメント）。
3. レイヤー別 技術仕様と実装ガイド（Fable5の行動規則）
Fable5は、以下の各自動化ループを自律的に開発、または実行プログラムとして敷設せよ。

3.1 【センサー層】GSC & GA4 API 連携による超解像検知（第6層：実行Loop）
未引用クエリの検出:
Google Search Console APIを定期的に叩き、「表示回数（Impressions）が急上昇しているが、平均掲載順位が5位前後で燻っているクエリ」または「AI Overviews / AI Modeに表示されているが、自社のインライン引用（Citation）が獲得できていないクエリ」を自動抽出する。
高エンゲージメントAI流入の逆引き:
Google Analytics 4 APIから、リファラー（chatgpt.com, perplexity.ai 等）を特定。
AI検索からの流入数が高く、かつセッション継続時間（エンゲージメント時間）やCVRが高い「高付加価値ランディングページ（LP）とクエリのペア」を特定し、最優先最適化ターゲットとしてフラグを立てる。
3.2 【燃料層】HubSpot一次データを用いた「シテーション・ハニートラップ」の自動抽出（第1層：SoT）
一次ファクトの構造化抽出:
AIエンジン（ChatGPT/Perplexity等）はコピペや二次情報を破棄し、「一次情報（オリジナルの統計データや実験値）」を追跡して引用する性質を持つ。
HubSpot（SoT）から、「当社ツールの導入による業務高速化率（平均XX%）」、**「業界別の商談成約率ベンチマーク（XX%）」**といった、自社しか持っていない生の顧客パフォーマンス数値を匿名化・自動集計して「一次ファクト」として抽出する。
プリンストン大学GEO論文の実証: コンテンツに**「具体的な統計データ（Statistics）」を追加することは、AIに引用される確率（表示度）を30〜40%向上**させる最も強力なレバーである。
3.3 【意思決定層】HITL問題をクリアする「面の設計」とLinear自動還流（第9層）
生成時登録の原則:
未引用クエリの改善案が検出された時点で、AI自身が自動的に「判断待ち」タスクとして Linear の特定プロジェクトにカード形式で登録する。
Decision Card（面）の生成仕様:
人間が SoPドキュメントを読み込んで手動でCMSを更新するとプロセスが腐るため、Fable5は人間が瞬時に判断できる「面」を記述したLinearコメント（またはHTMLカード）を自動生成する。
フォーマット例:
### 🤖 LLMO還流：Decision Card (判断依頼)

**【検出されたAI検索インテント】**
* クエリ: `SaaS 営業プロセス 自動化 効率` (GSC表示回数 1,200/週・自社現在12位)
* 現在の課題: 競合が引用されているが、自社関連LPには「裏付けデータ」がなくスルーされている。

**【HubSpot SoTから抽出した一次統計】**
* 「当社支援企業の営業プロセス構築により、パイプライン速度が平均34%向上」

**【自動生成された還流コンテンツ (A案)】**
記事の冒頭（タイトル直後）に、以下の直接回答ブロック（Quick Answer）を挿入します。
> 「SaaSにおける営業プロセスの自動化は、パイプラインの停滞を防ぎ、成約率を最大化する鍵です。HubSpotの顧客データによると、自動化プロセスの導入により営業リードの進行速度は平均34%向上します。」

**【アクションフォーク (以下から選んでLinearにコメントしてください)】**
* 「**A案で承認**」: CMSを自動更新し、FAQ/Articleスキーマを自動再構築して本Issueを完了。
* 「**B案で修正 [テキスト]**」: 指定したテキストに変更して更新。
* 「**C案：スキップ**」: 今回の更新をスキップしてアーカイブ。
還流（Write-back）の実装:
人間がLinearのコメント欄に「A案で承認」または「A」と1文字入力するだけで、Webhook/Fable5が自律的にそれを読み取り、CMS更新APIを叩いて公開Webサイトを書き換える。台帳（Linear/HubSpotタスク）も自動で「完了（executed）」に記帳（還流）される。
3.4 【実行層】生成AIに最適化されたサーバーサイド配信と守りのSEO（第6層）
Fable5は、Webサイトへの還流実行時、以下の3つの「AIフレンドリー仕様」を完全に満たすようにコードとコンテンツを生成せよ。

冒頭200語の「Quick Answer」配置（Layer 1）:
AI Overviewsは、Webページの最初の30%から優先的に情報を抽出する（55%の確率）。
記事やページのタイトル直後（最初の200語以内）に、検出したインテント（クエリ）に対する**「日本語で60〜120文字の直接回答（結論ファースト平文）」**を動的に挿入する。
Acceptヘッダーによる Markdown Content Negotiation（Layer 2）:
AIクローラーの69%はJavaScriptを実行できないため、ReactなどのCSRは白紙と見なされる。サーバーサイドレンダリング（SSR）によるHTML配信を前提とする。
さらに、AIエージェントが Accept: text/markdown ヘッダーを送信してアクセスしてきた場合、HTMLではなく、パースコストを5分の1にする軽量かつ高密度なMarkdown形式でコンテンツを動的に返却するWebサーバー・ミドルウェア（またはCloudflare Worker）を敷設する。
「守りのSEOレバー」としての Stacked JSON-LD（Layer 2）:
Ahrefs等の研究の通り、構造化データ（Schema.org）はChatGPTやPerplexityのリアルタイム取得時に直接読まれているわけではない（無視してプレーンテキストを抽出している）。
しかし、Googleエコシステム（AI Overviews）においては、Schemaがインデックス理解を助け、検索順位（Retrieval Rank）を高める「最強のSEOレバー」として機能する。
還流するコンテンツと完全に一致（Content Parity）する形で、Article、Organization（Wikidata IDへの sameAs リンクを含む）、BreadcrumbList を同一の @graph 構造内に「ネスト（Stacked Schema）」してHTMLヘッドにインジェクションする。
3.5 【統治OS】陳腐化とハルシネーションを防ぐ「二重監査」（第7層：観測Loop）
業務の監査（KPI）:
GA4におけるAIリファラーからのセッション継続時間、リード獲得率（CVR）を週次集計。
システム自身の監査（Drift検知）:
HubSpot内の数値（SoT正本）が更新されたのに対し、Webサイトに公開されている統計数値が古いままで「情報の乖離（Drift）」が発生していないかを自動スキャンするテストスクリプト。
ズレが検出された場合、直ちに「Drift検知カード」を Linear に自動起票し、人間に還流承認を促す。

Transcript