noteのAIレコメンドに「読ませる」記事構造5つの原則【2026年版】

noteで記事を書いているのに読まれない人へ。2026年2月のレコメンドエンジン刷新で何が変わったのかを、AIリテラシーの視点から分解する。
この記事を読めば、「Geminiに正しく分類される記事」の設計方法が手に入る。

結論から言う。noteの新アルゴリズムが最も重視しているのは、キーワードではなく「記事の構造そのもの」だ。

これはnote攻略の話ではない。AIリテラシーの話だ

最初に、この記事の立ち位置をはっきりさせておく。
世の中には「noteで伸びる方法」を書いた記事が山ほどある。投稿時間を工夫しろ、ハッシュタグを5個つけろ、毎日更新しろ。そういうノウハウだ。
否定はしない。だが、そこだけ見ていると本質を見落とす。

2026年2月、noteのレコメンドエンジンがGeminiベースに全面刷新された。これは「AIがあなたの文章を読んで、評価して、届け先を決める」という構造への転換を意味する。
つまり今、noteで記事を書くという行為は「AIとのコミュニケーション」を含んでいる。
検索エンジンにSEOがあったように、LLMにはLLMO（Large Language Model Optimization）がある。SEOが「Googleに正しく評価される技術」なら、LLMOは「LLMに正しく読ませ、正しく届けさせる技術」だ。
これを知っているかどうかで、同じ文章力でも到達する読者数が変わる。知ってるだけじゃ1円にもならない。でも、知らなければスタートラインにすら立てない。情報格差とはそういうものだ。

noteのレコメンドエンジンはどう動いているのか ── 読解→分類→マッチングの3段階

仕組みを知らずに対策はできない。まず、noteのGeminiベースエンジンが記事をどう処理しているかを押さえる。

Geminiが記事を「読む」とはどういうことか

第1段階は「読解」。LLMが記事の全文を読み、「何について、どの視点で、誰向けに書いているか」を判定する。
ここで重要なのは、従来のキーワードマッチとはまったく違うということだ。単語の出現頻度ではなく、文脈レベルで意味を理解する。だから「AI」という単語を50回入れても意味がない。記事全体が何を言っているかを、文章構造から把握しにくる。

53カテゴリ × サブトピック、自動タグ付けの仕組み

第2段階は「分類」。読解した記事を、noteの53カテゴリとサブトピックに自動タグ付けする。
人間が設定したハッシュタグも参照はされる。だが最終判定を支配するのは本文そのものの意味だ。タグに「#AI活用」と入れても、本文がダイエットの話なら、AIカテゴリには置かれない。当然だ。
逆に言えば、本文がテーマに沿って一貫していれば、タグが多少ずれていても正しく分類される。
第3段階は「マッチング」。読者の行動履歴（閲覧・スキ・コメント・滞在時間）から興味を推定し、分類された記事を個別最適化で表示する。
つまり構造は「記事の質を評価するAI」と「読者の興味を推定するAI」の掛け算だ。書き手がコントロールできるのは前者。記事をどう設計するか、だけだ。
（参照：note公式CEO・PdMインタビュー https://note.jp/n/nf016d2c0bc2f）

Geminiに正しく読ませる文章設計5つの原則

仕組みがわかったところで、具体的な設計技術に入る。「AIに読ませる」というと特殊に聞こえるが、実はやっていることは「わかりやすく書く」の延長線上にある。ただし、「何をわかりやすくするか」の解像度が違う。

原則1：1記事1テーマ ── 雑記が推されない構造的な理由

テーマが混在すると、Geminiは分類に迷う。迷ったAIはタグを分散させる。結果、どのカテゴリにも強く置かれず、どの読者にも表示されない。
kotobashira氏の検証では、テーマを1つに絞った記事のカテゴリページ露出率が雑記の3倍以上と報告されている（参照：https://note.com/kotobashira/n/n77819988ec97）。

具体的にはタイトルでテーマを固定する。
「最近思うこと」はNG。Geminiが記事の内容を推測できない。「noteのAIレコメンドに読ませる記事構造5つの原則」なら、テーマ・対象・形式が一発で伝わる。
これはAI対策であると同時に、読者に対する誠実さでもある。タイトルで中身がわからない記事を、あなたは最後まで読むだろうか。

原則2：冒頭3行で勝負がつく ── LLMが最も重視する情報位置

LLMは冒頭のテキストを、記事全体の要約手がかりとして最も重視する。
日記風の前置きはノイズだ。「今日はいい天気ですね」から始まる記事を、Geminiは「天気の話」と誤認する可能性がある。極端に聞こえるかもしれないが、LLMの読み方とはそういうものだ。
冒頭3行のテンプレートはこうなる。

• 1行目：対象読者＋テーマ名

• 2行目：この記事で得られること

• 3行目：核心の結論、または挑発的な問い

この記事の冒頭を見返してほしい。まさにこのテンプレで書いている。テーマを即座に伝え、読む理由を示し、結論で引き込む。AIにも人間にも効く構造だ。

原則3：見出し・数値・チャンク ── 構造で意味を伝える技術

LLMは見出しの階層構造から、記事の論理展開を読み取る。
H2で大テーマを切り、H3で小テーマに分ける。各見出しには具体的なキーワードを含める。「ポイント①」ではなく「読了率：最後まで読まれるほど評価が上がる」と書く。
守るべきルールは3つ。

• 見出しの直下に必ず本文を置く。H2の直後にH3が来る「空見出し」はLLMが構造を誤認する原因になる

• 1文は60〜80文字以内。3行以上の塊は壁になって読了率が落ちる

• 箇条書き・表は「要点の整理」に使う。装飾目的の乱用はしない

LLMはリスト形式の情報を要点として拾いやすい。これはnote内レコメンドだけでなく、PerplexityやGoogle AI Overviewに引用される際にも有利に働く。

原則4：事実と意見を分離する

「最近伸びた気がする」は分類の材料にならない。LLMが一次情報として認識しやすいのは、「いつ・どこで・何を・どう動いた」の4要素がある文章だ。
「公開後48時間でカテゴリ経由アクセスが通常の1.8倍になった」と書けば、それは検証可能な事実になる。「なんか伸びた」は感想でしかない。
事実を書き、そのあとに自分の解釈を加える。この順番が大事だ。逆にすると、LLMも読者も「これは根拠のある話なのか、ただの感想なのか」を判別できなくなる。

原則5：一次情報を入れる ── 代替不可能性の源泉

ここが最も重要で、最も難しい原則だ。
AI時代に「まとめ記事」の価値は急速に落ちている。情報の整理はAIのほうがうまいからだ。人間が書く意味があるのは、AIがアクセスできない情報を持っているときだけだ。
一次情報とは、自分が体験した事実。自分が計測した数値。自分の目で見た現場。これだけはAIに代替できない。
だからこの記事は、記事自体を実験台にしている。この原則をすべて適用した状態で公開し、数値を追記で公開する。理論は検証してこそ実学になる。

レコメンドに乗るための4つのシグナル ── 読了率・スキ率・初速・カテゴリ一致

文章の構造とは別に、noteのアルゴリズムが見ている「行動シグナル」がある。確度別に整理する。

公式発言から確認できる「確度高」のシグナル

読了率が最重要シグナルだ。note Pro分析でもKPIとして提供されており、創作大賞の選考基準にも明記されている。最後まで読まれる記事は、途中離脱される記事より圧倒的に推される。
スキ率（スキ数÷ビュー数）も確度が高い。note公式が有料記事50選の選定基準として言及している。ビュー数が多くてもスキ率が低ければ「届いたが刺さらなかった」と判定される。
初速エンゲージメント。公開後1〜2時間のスキ・コメント・シェアの密度が、その後のレコメンド露出に影響する。初動で反応が薄いと、カテゴリページへの掲載が後回しになる。
カテゴリ・トピック一致度。ここが構造設計と直結する。先に述べた5原則を守ることで、Geminiの自動分類精度が上がり、結果としてマッチングの精度も上がる。

外部流入とGoogle Discoverの関係（仮説段階）

確度中の情報として、外部流入が多い記事は公式ランキング上位に来る傾向がある。Google検索やSNSからの流入が読了率の高さを伴う場合、新アルゴリズムに有利に働くという仮説がある（参照：中野英仁氏 https://note.com/hidehito_n/n/n6e0440ba42ed）。
ただし、これは仮説だ。「外部流入が多い→推される」なのか「質が高い→外部流入も増えるし推されもする」なのかは、因果関係が確定していない。

note記事が外部AI検索にも引用される ── LLMO対策との共通構造

ここからが、この記事の芯になる話だ。
noteの内部レコメンドに最適化された記事は、同時にPerplexity・ChatGPT Search・Google AI Overviewにも引用されやすくなる。理由は単純で、どちらも「LLMが読みやすい構造」を要求しているからだ。

Perplexity・AI Overviewに拾われる記事の条件

外部AI検索が引用する記事の条件は、noteのレコメンド対策とほぼ重なる。
冒頭に結論がある。見出し階層が明確。事実と意見が分離されている。一次情報がある。出典が明記されている。
これは偶然の一致ではない。LLMという技術が「読みやすい」と判断する構造は、モデルが違っても共通している。Geminiに伝わる構造は、GPT-4にもClaudeにも伝わる。
つまりnoteの記事設計を本気でやることは、自分のコンテンツをすべてのAIに正しく届ける力を鍛えることと同義だ。これが「AIリテラシーとしてのLLMO」の意味だ。

noteでできるLLMO対策・できないLLMO対策

一般的なLLMO対策の中で、noteで使えるものと使えないものを切り分けておく。
できるできない（プラットフォーム制約）結論を冒頭に配置JSON-LDの設置一次情報・独自データの記載llms.txtの設置FAQ形式セクションの追加メタデータの直接編集H2/H3の階層構造サイトマップの制御プロフィール充実（E-E-A-T強化）ページ表示速度の最適化引用元の明記
できないことを嘆いても仕方がない。noteではJSON-LDもllms.txtも使えない。だからこそ、テキスト構造そのものをチャンク化することがnoteにおけるLLMO対策の本丸になる。制約があるほうが、本質に集中できる。

明日から使える実践チェックリスト ── 次の1記事をこう設計する

理論はここまでだ。あとは手を動かすだけだ。次に記事を書くとき、以下のチェックリストを使ってほしい。

設計・冒頭・構造・中身・タグ・初速の6ステップ

【設計】

• 1記事1テーマに絞ったか

• noteの53カテゴリのうち、どこに置かれたいか決めたか

• タイトルにトピック名＋独自要素（体験・数字・視点）を入れたか

【冒頭】

• 最初の3行で「誰に・何を・結論」を言い切ったか

• 1行目にテーマ名を含めたか

【構造】

• H2/H3の階層が明確か。見出し直下に本文があるか

• 各見出しに具体キーワードがあるか

• 1文60〜80字以内。3行以上の壁を作っていないか

【中身】

• いつ・どこで・何を・どう動いたか（一次情報4要素）があるか

• 事実と意見が分離されているか

【タグ】

• 関連性の高いタグ3〜5個に絞ったか

• 公式お題タグを確認したか

【初速】

• 投稿時間を7-9時 or 19-22時に設定したか

• 公開直後のSNS告知を準備したか

最初の3本を同一テーマで出す理由

これから本格的にnoteを運用するなら、最初の3本は同じテーマで7日以内に出すことを勧める。
理由は明快だ。Geminiはアカウント単位でも「この人は何の専門家か」を判定している。1本目がAI活用、2本目が料理、3本目が旅行だと、どのカテゴリの書き手かが定まらない。結果、どの記事も弱い推薦に留まる。
3本を同一テーマで揃えれば、Geminiは「この人はこのカテゴリの発信者だ」と認識しやすくなる。内部回遊の導線も強くなる。
棚の位置を先に決める。中身はあとから充実させればいい。

よくある疑問（FAQ）

Q. 文字数は多いほうが有利？
文字数そのものは決定的なシグナルではない。2,000〜5,000字が一つの目安だが、構造の一貫性と読了率のほうが重要だ。5,000字の散漫な記事より、2,500字で構造が明確な記事のほうが推される。
Q. タグは多いほうがいい？
逆だ。関連性の低いタグをつけると、Geminiの分類が分散する。本文の内容と一致するタグを3〜5個に絞るのが最適解。
Q. 毎日更新しないとレコメンドされない？
更新頻度よりも1記事あたりの質と構造が優先される。週2〜3本でも、テーマが一貫し構造が整った記事のほうが、毎日更新の雑記より推されやすい。

この記事は、ここに書いた原則をすべて適用して設計・執筆している。
1記事1テーマ。冒頭3行で結論。見出し階層は明確。事実と意見は分離。一次情報は「この記事自体の実験」として設計した。

あなたの次の1記事を、構造から設計してみてほしい。やってみて、もし数値が動いたら、ぜひコメントで教えてください。

この記事を書いた人