その資料PDF、AIには読まれていないかもしれない｜公開資料の設計

結論から書きます。IR資料・製品カタログ・ホワイトペーパーなどの重要な公開資料を「PDFだけ」で置いている場合、AI検索（ChatGPT・Perplexity・Gemini・Claude など）ではその内容が回答に使われない、あるいは不正確に使われる可能性があります。 Google検索がPDFをインデックスできることは公式ドキュメントで確認できますが、AI検索側の各クローラの公式ドキュメントには「PDFをどこまで解釈できるか」の仕様が明記されていません。読まれる前提ではなく、検証する前提で設計を見直すべきです。

具体的には、次の3点を実施してください。

• 自社の公開PDFが「テキスト抽出できる状態か」をコピー＆ペーストと pdftotext で確認する
• 問い合わせ・比較検討につながる重要資料は、PDFに加えて同内容のHTMLページを併載する
• サーバーログでAIクローラが実際にPDFを取得しているかを確認する

本記事では、公式情報で確認できる事実と仮説を明確に分けたうえで、HTML併載の判断基準・実装チェックリスト・失敗例までを整理します。なお、本記事はファイル形式（PDFかHTMLか）の話に限定します。schema.orgマークアップの設計は構造化データとAI検索の解説記事を参照してください。

「PDFがAIに読まれる」とは何か｜取得・抽出・利用の3段階

「PDFがAIに読まれる」とは、公開したPDFファイルが (1) AIクローラ・フェッチャーに取得され、(2) 本文テキストが機械的に抽出され、(3) AI検索の回答生成時に内容が利用・引用されうる状態を指します。この3段階のどれか1つでも欠けると、人間には閲覧できる資料でも、AI検索上は「存在しない資料」と同じ扱いになりえます。

3段階を分けて考える理由は、対策がそれぞれ異なるからです。

Google検索の文脈では段階1と2はおおむねGoogle側が吸収してくれます。AI検索の文脈では、段階2と3の保証がないというのが本記事の出発点です。

公式情報で確認できる事実と、確認できないこと

事実確認から始めます。憶測でPDFを危険視するのではなく、「何が公式に確認でき、何が非公開なのか」を切り分けます。

事実1：Google検索はPDFをインデックスできる

Google検索セントラルの公式ドキュメント「Googleによるインデックス登録が可能なファイル形式」には、Adobe Portable Document Format（.pdf）が「サポートされているエンコード済みファイル形式」として明記されています。同ドキュメントは、これらを「人間が読めるテキストを抽出するために特定のパーサーを必要とするバイナリファイル」と説明しており、ファイル形式の判定はクロール時の Content-Type HTTPヘッダーで行われるとしています。

つまり、従来のGoogle検索（10本のリンクが並ぶ検索結果）に関しては、PDFは正式にインデックス対象です。「PDFはSEOに絶対不利」という言い方は正確ではありません。

事実2：AI検索各社のクローラは公式に公開されているが、PDF解釈の仕様は明記されていない

OpenAI・Perplexity・Anthropicの3社は、自社クローラの種類と役割を公式ドキュメントで公開しています。

重要なのは、これらの公式ドキュメントはいずれもrobots.txtによる制御方法やIPレンジは説明している一方、「PDFをどのようにパースするか」「どのファイル形式をどこまでサポートするか」は明記していないという点です（2026年7月時点、各社ドキュメントを確認）。Googleが対応ファイル形式の一覧を公開しているのと対照的です。

ここから導ける実務上の結論

確認できた事実を組み合わせると、こう整理できます。

• Google検索経由の流入だけを考えるなら、PDF公開でも最低限インデックスはされる
• AI検索については、PDFがどの程度読まれるかを保証する公式情報が存在しない
• したがって、AI経由の認知・引用を期待する重要資料を「PDFのみ」に依存させるのは、仕様が非公開の挙動に事業上の露出を賭けている状態である

「AIはPDFを読めない」と断定するのも、「読めるから大丈夫」と楽観するのも、どちらも根拠不足です。実務的な答えは「重要資料はHTMLでも読める状態にしておき、PDF側の取得状況はログで検証する」になります。

PDFがAI検索で不利になりやすい6つの構造的理由

次に、PDFという形式そのものが持つ、機械可読性上の弱点を整理します。1と5はファイル形式の仕様として確認できる事実、それ以外はPDFパース一般の既知の課題に基づく実務上の仮説として読んでください。

1. テキストレイヤーがないPDFは、そもそもテキストが存在しない（事実）

紙資料をスキャンしただけのPDFは、中身が画像データであり、テキストレイヤーを持ちません。この場合、OCR（光学文字認識）処理を挟まない限り、どんなパーサーでもテキストは抽出できません。AI検索側のフェッチャーが取得時にOCRを行うかどうかは公開されておらず、行われない前提で備えるべきです。判定は簡単で、PDFを開いて本文をコピー＆ペーストできなければテキストレイヤーがありません。

2. 2段組・複雑レイアウトは読み順が崩れやすい（仮説）

PDFは「紙に印刷したときの見た目」を再現する形式であり、文書の論理構造（見出し・段落・読み順）を必ず持つわけではありません。2段組のIR資料や、テキストボックスを多用したカタログは、機械的に抽出すると左右の段の文章が交互に混ざるなど、読み順が崩れることがあります。人間には整然と見える資料が、抽出テキストでは意味の通らない文字列になっている場合があります。

3. 表・グラフが画像として埋め込まれている（仮説）

決算説明資料の業績グラフ、カタログのスペック比較表がデザインツールから画像として貼り込まれている場合、その中の数値はテキストとして存在しません。企業資料でもっとも引用価値が高いのは具体的な数値や仕様であり、その部分が画像だと、資料の核心がAIに渡らないことになります。

4. ファイルサイズ・ページ数が大きい（仮説）

数十MB・100ページ超の総合カタログのような巨大ファイルは、取得タイムアウトや処理上限にかかる可能性があります。ユーザーの質問に応じてリアルタイムでページを取得するフェッチャー（ChatGPT-User、Perplexity-User など）は応答時間の制約下で動くため、巨大PDFの全文を毎回処理できるとは考えにくい、というのが実務上の想定です。

5. ファイル名・文書プロパティが整備されていない（事実として確認可能）

document_final_v3.pdf のようなファイル名や、文書プロパティのタイトルが空欄・作成ツール名のままのPDFは、ファイル単体では「何の資料か」を示す手がかりがありません。HTMLページの title 要素や見出しに相当する情報が欠けている状態です。これは自社PDFのプロパティを開けば今すぐ確認できます。

6. サイト構造から孤立している（仮説）

PDFはサイト内の他ページへリンクを張り返さず、パンくずやナビゲーションも持ちません。どの事業のどの製品に関する資料なのかという文脈は、PDFへリンクしている周辺のHTMLページが与えます。「ダウンロードはこちら」というアンカーテキストだけでPDFに飛ばしている場合、文脈情報はほぼゼロです。内部リンクと文脈設計の考え方はLLMOにおける内部リンク設計で詳しく扱っています。

判断表：HTML併載すべき資料、PDFのままでよい資料

すべてのPDFをHTML化する必要はありません。工数対効果で判断します。判断軸は「その資料の内容が、AI検索での回答・比較・推薦に使われてほしいか」です。

迷ったら「この資料の内容をAIに間違って説明されたら困るか」で判断してください。困る資料ほど、自社発のHTMLという「正しい情報源」を用意する価値があります。AIが自社を誤って説明するケースの対処はAIが会社情報を間違えるときの修正方法にまとめています。

実装チェックリスト：公開PDFの機械可読性を点検する

既存の公開PDFに対して、上から順に確認してください。1〜4はPDF単体の改善、5〜8はHTML側の設計、9〜10は検証です。

サイト全体の点検項目はLLMO対策セルフ監査チェックリストも併せて使ってください。

検証：AIクローラは自社のPDFを取得しているか

推測で終わらせず、自社サーバーのアクセスログで確認します。各社が公式にユーザーエージェント文字列を公開しているため、ログを検索すれば「取得されているか」までは事実として確認できます。

<pre><code># アクセスログからAIクローラによるPDF取得を抽出する例 grep -Ei "GPTBot|OAI-SearchBot|ChatGPT-User|PerplexityBot|Perplexity-User|ClaudeBot|Claude-SearchBot|Claude-User" access.log | grep -i "\.pdf"</code></pre>

見方はシンプルです。

• HTMLページへのアクセスはあるが、PDFへのアクセスがない：PDF内の情報はAI側に渡っていない可能性が高い。HTML併載の優先度を上げる
• PDFへのアクセスがある：取得はされている。ただし取得＝正しく抽出・利用されたではないため、チェックリスト1〜4のPDF品質を確認する
• どちらへのアクセスもない：ブロック設定またはサイト自体の発見性の問題。robots.txt・WAF設定から確認する

ユーザーエージェントは偽装されうるため、厳密に確認する場合は各社が公開しているIPレンジ（openai.com、perplexity.com の公開JSON等）との突合が必要です。ログ分析の手順全体はAIクローラーのログ分析方法で解説しています。

よくある失敗例

実際の企業サイトで起こりがちなパターンを3つ挙げます。

失敗例1：正本がスキャンPDFのまま

紙で作成した会社案内やIR資料をスキャンしてそのまま公開しているケース。人間には問題なく読めるため誰も異常に気づきませんが、テキストレイヤーがなく、機械的には1文字も抽出できません。「自社名で聞いてもAIが古い情報しか答えない」という相談で調べると、最新情報がスキャンPDFにしか存在しなかった、という構図です。元データ（PowerPoint・Word等）からPDFを書き出し直すだけで解消します。

失敗例2：HTML併載したが、中身が「ダウンロードボタンだけ」

「ホワイトペーパー公開中！今すぐダウンロード」という1行とフォームだけのページを作り、HTML併載したつもりになっているケース。これではHTML側に引用されうる情報が何もありません。少なくとも、資料の目次・要点サマリー・主要な結論はHTML本文として書き、そのうえでダウンロード導線を置くべきです。引用されやすい記述の作り方はAI検索で引用されるコンテンツの条件を参照してください。

失敗例3：改訂のたびにPDFのURLが変わる

catalog_202607.pdf のように日付入りファイル名で改訂ごとに新URLで公開し、旧ファイルを削除するケース。外部サイトやAI側が把握しているURLがリンク切れになり、参照の蓄積がリセットされ続けます。恒久URL（例：/catalog/latest.pdf や固定のHTML紹介ページ）を維持し、中身だけ差し替える運用に変えるのが安全です。旧版を残す必要がある場合は、旧版側に最新版への誘導を明記します。

よくある質問

Q. PDFをやめて、すべてHTMLにすべきですか？

いいえ。判断表で示したとおり、約款・法定開示書類・印刷前提の資料はPDFのままで合理的です。目的は「PDF廃止」ではなく、AI検索での回答・比較に使われてほしい情報が機械可読なHTMLとしても存在する状態を作ることです。

Q. HTML版とPDF版で内容が重複すると、SEO上の重複コンテンツになりませんか？

Google検索の文脈では、同一内容のHTMLとPDFが両方インデックスされる場合、正規化（どちらを代表として扱うか）の対象になりえます。HTML側を優先させたい場合は、HTML側をサイト構造・内部リンクの主役に置き、PDFは資料ダウンロードとして位置づけるのが基本です。重複を恐れてHTML併載をやめるのは本末転倒で、要点サマリー型のHTMLにすれば内容も完全一致にはなりません。

Q. llms.txtにPDFのURLを載せれば読まれますか？

llms.txtは提案段階の仕様であり、掲載したファイルをAI各社がどう扱うかは保証されていません。掲載自体のコストは低いため試す価値はありますが、「載せたから読まれる」とは考えず、本記事のHTML併載を主、llms.txtを補助と位置づけてください。詳細はllms.txtの解説記事を参照してください。

Q. PDFに構造化データ（schema.org）を付けられますか？

HTMLページのようにJSON-LDを埋め込むことはできません。構造化データはPDFを紹介するHTMLページ側に実装します。ファイル形式の話（本記事）と構造化データの話は対策レイヤーが別なので、構造化データとAI検索の記事と併せて設計してください。

Q. 効果はどう測ればいいですか？

第一段階はログでの取得確認（本記事の検証節）、第二段階は主要なAIチャットに自社資料の内容を質問して回答の変化を定点観測することです。ただし回答の再現性は低いため、単発の結果で一喜一憂しないことが重要です。計測設計はLLMOのKPI設計と計測方法で扱っています。

まとめ：資料公開の初期設定を「PDF+HTML」に変える

本記事の要点を再掲します。

• Google検索はPDFをインデックスできる（公式ドキュメントで確認できる事実）
• AI検索各社のクローラ仕様にはPDF解釈の記載がなく、読まれる保証はない（2026年7月時点）
• スキャンPDF・複雑レイアウト・画像化された表は、形式的にテキスト抽出を阻害する
• 比較・推薦・価格の文脈で使われてほしい資料は、要点以上をHTMLで併載する
• 取得状況はサーバーログで検証でき、推測で議論を終わらせる必要はない

もっとも重要なのは、新規資料の公開フローの初期設定を「PDFをアップして終わり」から「HTMLページを作り、PDFを添える」に変えることです。既存資料は判断表の優先度が高いものから順に対応すれば十分です。

自社の公開資料がAIにどう扱われているか、クローラの取得状況やHTML化の優先順位を第三者視点で確認したい場合は、LLMO診断（AI検索診断）で現状の棚卸しから始められます。まずは本記事のチェックリスト1〜4だけでも、今日実施してみてください。