AIが最適な内部リンク先を提案
サイト全体をAIが分析し、配置場所・アンカーテキストまで含めた具体的なリンク提案を自動生成します。
About
inSiteのAI内部リンク提案機能とは
inSiteのAI内部リンク提案機能とは、サイト内の全記事をEmbedding(意味ベクトル)化して類似度を算出し、発リンク・被リンクの両方向で「どこへ／どこからリンクすべきか」「どんなアンカーテキストで」「本文のどの位置に挿入するか」までを具体的に提案するAI内部リンク設計支援機能です。
inSite が毎日のクロールで取得した全記事の本文を Embeddingモデルで意味ベクトル化し、ベクトル間の類似度を算出。類似度スコア・提案理由・配置場所の提案・アンカーテキストの4要素をセットで生成します。
提案は発リンク提案（この記事からどこへ）と被リンク提案（どの記事からこの記事へ）の双方向で生成されるため、新規記事を既存文脈に組み込むケースと、ハブ記事を強化するケースの両方に対応できます。
さらに、現在貼られている既存リンクも分析対象。関連性が著しく低くなったリンクには「削除推奨(shouldRemove)」フラグが付くため、リンク評価の希薄化を防げます。追加だけでなく、整理まで含めた内部リンク設計の意思決定を、AIに任せられます。
Why it matters
なぜ「AI内部リンク提案」が大事なのか
内部リンクの設計は、頭の中の「自分が覚えている記事リスト」の範囲で決まってしまいがちです。本当はもっと関連性の高い記事があったのに、思い出せなかったという見落としは、サイト規模が大きくなるほど避けられません。
AIに全記事を横断分析させると、人間が見落とすリンク機会を網羅的に拾えます。さらに「貼った後」の整理まで含めて任せられるなら、内部リンク設計は属人化から解放されます。
人間の記憶では網羅できない
数百記事を書いたあと、自分の頭の中に全記事の関連性マップを持つのは不可能です。リンク候補は記憶に依存するため、最適なリンク先がいつも漏れます。
アンカーと位置の意思決定が重い
リンク先が見つかっても、そこからアンカーテキストを考えて、配置場所を決めるまでがまた時間。この意思決定の重さで、結局「こちら」で済ませてしまうのが現実です。
古いリンクは誰も整理しない
リライトで文脈が変わったあとの既存リンクは、ほとんどのチームで見直されません。関連性の低いリンクが積み上がると、サイト全体のリンク評価が薄まります。
What you can do
できること
発リンク + 被リンクの両方向で提案
「この記事からどこへリンクすべきか(発リンク提案)」と「どの記事からこの記事へリンクが集まるべきか(被リンク提案)」の2方向でAIが提案。ハブ記事を強化したい場合は被リンク提案、新規記事を文脈に組み込みたい場合は発リンク提案、と使い分けられます。
配置場所まで具体的に提案
提案は「リンク先」だけでなく、本文中のどの段落・どの文脈に挿入すると自然か(placementSuggestion)まで含めて生成。「貼る場所が決まらない」状態をなくします。
アンカーテキストも自然な文で生成
リンク先記事の文脈に合った自然なアンカーテキスト(anchorTextSuggestion)を生成。「こちら」「詳しくはこちら」のような SEO 価値の低い表現を避け、検索意図に合う言葉が手に入ります。
類似度スコア + 提案理由が表示される
各提案には類似度スコア(similarityScore)と提案理由(reason)が付与されます。AIの判断根拠が見えるので、採用するかどうかを文脈で判断できます。
既存リンクの分析 + 削除推奨
新しいリンクを提案するだけでなく、現在の既存リンクで関連性が低くなっているものを分析し、削除を推奨します(shouldRemove)。「貼り続ける価値があるリンク」だけが残るため、リンク評価の希薄化を防げます。
Embeddingベースの意味的分析
単純なキーワードマッチではなく、各記事の本文をEmbedding(意味ベクトル)化して類似度を算出。コンテンツの意図・文脈で関連性を判断します。
How it works
提案の仕組み
全記事をクロール + Embedding化
全ページのタイトル・見出し・本文を取得し、Embeddingモデルで意味ベクトル化。記事ごとの意味的な特徴を数値として保持します。
ベクトル間の類似度を算出
記事ペアごとに意味ベクトルの類似度を計算し、関連性を数値化します。キーワード一致ではなく、コンテンツの意図と文脈で関連性を判定します。
発リンク + 被リンクの双方向で候補生成
対象記事を起点に、「ここからどこへ(発リンク)」「どこからここへ(被リンク)」の両方向で候補ページをスコア順に抽出します。
アンカーテキスト + 配置場所をAIが生成
各候補について、リンク先記事の文脈に合った自然なアンカーテキストと、本文中のどの位置に挿入すると自然かをLLMが生成します。
既存リンクの削除推奨も並行で分析
現在貼られている内部リンクについて、リンク先との類似度を再評価。関連性が著しく低くなったリンクには「削除推奨」フラグを付けます。
類似度スコア + 提案理由 + 削除フラグを出力
採否を判断するための類似度スコア・提案理由・配置場所・アンカーテキスト・削除推奨フラグが、ユーザーが選択可能な候補リストとして表示されます。
Why we built it
なぜこの機能を作ったのか
内部リンクは「サイト規模が大きいほど効くのに、サイト規模が大きいほど人間には扱えなくなる」というジレンマを抱えた領域です。
僕自身、SEO の現場でこの矛盾と向き合っていました。記事を書きながら、頭の中で全記事の関連性マップを保持するのは、数百記事を超えた時点で破綻します。結局、思い出せた記事だけにリンクを張る、過去のリライトで文脈が変わったリンクは放置される、ハブにすべき記事に被リンクが集まっていない。
これは「真面目さの問題」ではなく、「人間の認知の限界」の問題でした。だから、AIに任せるしかないと思いました。
ただ、世の中の AI 提案ツールは、たいてい「関連記事のリストを並べるところで終わる」のがほとんどです。これだとリンク先は見つかっても、アンカーテキストの執筆と配置の意思決定が結局残ります。
だから、リンク先・アンカーテキスト・配置場所・既存リンクの整理まで、内部リンクに関する意思決定をまるごと任せられる仕組みを inSite の中に作りました。
Embedding ベースで全記事を意味的に分析し、発リンクと被リンクの両方向で候補を生成。各候補にはスコアと理由が付き、現在貼っているリンクも文脈変化を見て削除推奨を出す。
そして、ここで提案を受け入れて記事を更新すると、リライト記録機能がその後の検索パフォーマンス変化を Search Console データで自動追跡してくれる。「AI が提案 → 実装 → 効果測定」のサイクルが、inSite の中で繋がっています。
Problem & Solution
こんな課題を解決します
手動で関連記事を探してリンクを張る作業に時間がかかる
サイト規模が大きくなるほど、自分の頭の中だけで「どの記事と関連が深いか」を網羅するのは不可能になります。書きながら全件思い出すのは、人間には無理です。
AIが全ページを横断分析して双方向で提案
発リンク・被リンク両方向で、Embedding ベースの意味的分析による関連記事を自動提示。見落としをなくし、最適なリンク構造を効率的に構築できます。
アンカーテキストがいつも「こちら」になりがち
SEO 価値の低い汎用アンカーが続くと、内部リンク評価が弱まり、検索意図への適合度も下がります。書いている時間がないと、つい「こちら」で済ませてしまいます。
AIが文脈に合うアンカーテキストを自動生成
リンク先記事の検索意図に合った具体的な表現を提案するため、SEO上効果的なアンカーが手に入ります。コピペで済む状態まで提案します。
記事のどこにリンクを貼るべきか判断に時間がかかる
関連記事が見つかっても、本文のどの段落に挿入するのが自然か、見出しの近くか段落の中ほどかなど、配置の意思決定に時間がかかります。
挿入位置(段落)まで具体的に提案
記事内のどのセクションにリンクを置くべきか、AI が文脈を踏まえて配置場所まで提示します。実装の手戻りが減ります。
古い記事のリンクが文脈にそぐわなくなっている
リライトや記事の方向転換で、過去に張ったリンクが現在の文脈と合わなくなっていることがあります。一つ一つ見直すのは現実的でなく、放置されがちです。
既存リンクの削除推奨も自動判定
関連性が著しく低くなったリンクには「削除推奨」フラグが付くため、リンク評価の希薄化を防げます。新規追加だけでなく、整理も提案範囲です。
AI内部リンク提案の使い方
初回クロール完了を待つ
サイト規模により数分〜数時間で全記事の本文・構造情報の取得が完了し、Embedding 計算も自動で行われます。
対象記事を開いて「AI内部リンク提案」を起動
記事詳細画面または内部リンクマトリクスから対象記事を選び、AI 提案ボタンを押すと、その記事を起点にした発リンク提案・被リンク提案・既存リンク分析の結果が表示されます。
類似度スコア + 提案理由を確認 → 採用
各提案の類似度スコアと提案理由を見て、採用したいものを選択。アンカーテキストとリンク先URL、配置場所の提案を参考に、記事を更新します。
効果はリライト記録機能で自動追跡
リンクを追加した記事は、リライト記録機能が自動的にリライトとして検知し、その後のクリック・順位の変化を Search Console データで追跡します。
よくある質問
どんな AI モデルを使っていますか？
Claude をはじめとする最新の大規模言語モデル(LLM)と、文章の意味を数値ベクトルに変換するEmbeddingモデルを組み合わせて使用しています。単純なキーワードマッチではなく、コンテンツの意図と文脈で関連性を判断します。
発リンク提案と被リンク提案は何が違いますか？
発リンク提案は「いま開いている記事から、どこへリンクを張ると良いか」を提案します。新しく書いた記事を既存記事の文脈に組み込みたいときに役立ちます。
被リンク提案は「いま開いている記事に、どの記事からリンクを集めると良いか」を提案します。ハブ記事として強化したい記事や、内部被リンクが少ない記事をテコ入れするときに役立ちます。
既存リンクの「削除推奨」はどう判定されますか？
既存の内部リンクについて、リンク先記事との類似度スコアと現在の文脈を分析し、関連性が著しく低いと判定された場合に shouldRemove フラグを付けます。提案はあくまで参考なので、必ず最終判断はユーザー側で行ってください。古い記事のリンクや、文脈が変わってしまったリンクの整理に役立ちます。
提案はそのまま全て採用すべきですか？
いいえ。提案はあくまで候補リストです。類似度スコアと提案理由を確認しながら、本当に必要なリンクだけを採用してください。AI が高スコアと判断しても、サイトの文脈や戦略によっては採用しない方が良いケースもあります。
アンカーテキストもAIが提案しますか？
はい。各リンク提案には自然なアンカーテキスト(anchorTextSuggestion)がセットで生成されます。「こちら」「詳しくはこちら」のような SEO 価値の低い表現を避け、リンク先記事の検索意図に合う具体的な言葉を提案します。
何記事まで提案できますか？
プロジェクト内の全記事に対して提案を生成できます。2,000記事規模まで対応します。新規記事追加時にも、既存全記事との関連性を分析した上で発リンク・被リンクの両方向で提案が出ます。
AIに渡したデータはどう扱われますか？
提案生成にのみ使用し、AIモデルの学習には利用されません。サイトデータの取り扱いは inSite のプライバシーポリシーに準拠します。
提案を実装した後、効果はどう確認できますか？
内部リンクの追加は記事の更新として扱われ、リライト記録機能が自動的にその後の検索パフォーマンス変化を追跡します。「AI提案で内部リンクを追加 → リライト記録で効果測定」というサイクルで、リンク補強の効果を客観的に判定できます。
Let the AI do the linking
内部リンク設計を、
人間の記憶に頼らない
頭の中の記事リストの範囲でしか内部リンクが張れない状態は、サイトが大きくなるほど深刻な機会損失になります。「思い出せなかった関連記事」へのリンクが、本来取れたはずの順位を逃します。
inSite のAI内部リンク提案を使えば、全記事を Embedding 化して横断分析した結果が、発リンク・被リンク・既存リンクの削除推奨まで含めて手元に届きます。「人間が記憶している分」ではなく「サイトが本来持っている関連性のすべて」を扱えるようになります。
そして、AI 提案を受け入れて実装したリンクは、リライト記録機能が効果を自動追跡。「AI が見つける → 実装する → 結果を測る」のサイクルが、inSite の中で完結します。
内部リンク設計を、属人化させない。
その第一歩を、今日から始めてみませんか。
この機能を、まずは
無料で試してみませんか？
14日間すべての機能が無料。クレジットカード登録不要、自動課金もありません。
登録は3分で完了 · 自動課金なし · いつでも解約OK
