Claude Code×Search Console｜SEO戦略・競合分析・記事生成の自動化を実務者が解説

Claude CodeからGoogle Search Console（以下GSC）のデータを直接取得できる仕組みを構築しました。「どのキーワードで検索されているか」「どの記事が伸びているか」をAIが自動で分析し、次に書くべきSEO記事の判断材料にしています。さらにそこからローカルSEOの競合分析、記事生成・CMS投稿までを一気通貫で自動化しています。今回はその全手順と活用法を、API設定の基礎から解説します。

なぜSearch ConsoleをClaude Codeに繋ぐのか

GSCは、自サイトがGoogle検索でどう表示されているかを確認できる無料ツールです。キーワードごとの表示回数・クリック数・掲載順位がわかります。

しかし、通常はブラウザで管理画面にログインして手動で確認します。これでは「毎日データを確認して、記事のリライトや新規記事のキーワードを選定する」という作業が続きません。

Claude Codeに繋げると、「GSCのデータを取得して、既存のキーワードリストと照合して、次に書くべき記事を提案して」という指示一つで完結します。実際に私のサイト（fyve.co.jp）では、この仕組みを使って以下のようなデータを自動取得しています。

• 「claude.md とは」 — 掲載順位1.0〜2.8。上位表示が始まっている
• 「claude code pricing 2026」 — インプレッション11回、掲載順位3.8。クリックが0なのでタイトル改善の余地あり
• 「meo対策 費用」 — 掲載順位42.1。まだ遠いが、インプレッションが出始めている

こうしたデータをClaude Codeが読み取ることで、「この記事はタイトルを変えればクリックが増える」「このキーワードは新規記事で狙うべき」といった判断をAIと一緒に行えます。

全体像 — 必要な設定と仕組み

仕組みは大きく3つのパートで成り立っています。

• Google Cloud側: APIの有効化と認証情報の作成（「誰がデータにアクセスするか」の設定）
• MCPサーバー: Claude CodeとGSCを橋渡しするプログラム（「どうやってデータを取得するか」の仕組み）
• Claude Code側: MCPサーバーの登録と活用（「データを使って何をするか」の部分）

一つずつ解説します。

ステップ1: Google Cloudの設定（APIと認証）

なぜGoogle Cloudの設定が必要なのか

GSCのデータをプログラムから取得するには、Google Search Console APIを使います。APIとは「プログラム同士がデータをやり取りするための窓口」です。ブラウザの管理画面で見ているのと同じデータを、プログラムから自動で取得できます。

ただし、Googleは誰でも自由にAPIを叩けるようにはしていません。「このプログラムは信頼できる」という証明書が必要です。それが「認証情報」で、Google Cloudで発行します。

Google Cloud Projectの作成

Google Cloud Consoleにアクセスし、新しいプロジェクトを作成します。プロジェクト名は自由です（例: 「mcp-gsc」）。これはAPIを管理するための箱のようなものです。

Search Console APIの有効化

作成したプロジェクト内で「APIとサービス」→「ライブラリ」から「Google Search Console API」を検索して有効化します。これで「このプロジェクトからGSCのデータにアクセスしていい」という許可が出ます。

サービスアカウントの作成（認証情報）

認証方式には「OAuth」と「サービスアカウント」の2種類があります。

• OAuth: ブラウザでGoogleにログインして認証。人間が操作するアプリ向け
• サービスアカウント: JSONファイルで認証。プログラムの自動実行向け

Claude Codeとの連携ではサービスアカウント一択です。ブラウザ認証が不要で、JSONファイルを置くだけで動きます。自動実行にも対応できます。

「APIとサービス」→「認証情報」→「認証情報を作成」→「サービスアカウント」で作成。名前を付けて完了すると、メールアドレス（xxx@project.iam.gserviceaccount.com）が発行されます。「鍵」タブからJSON形式でキーファイルをダウンロードします。

Search Consoleにサービスアカウントを追加

最後に、Google Search Consoleの対象サイト→「設定」→「ユーザーと権限」で、上記のサービスアカウントのメールアドレスをユーザーとして追加します。これで「このサービスアカウントは、このサイトのデータを読んでいい」という紐付けが完了します。

ステップ2: MCPサーバーの設定

MCPとは

MCP（Model Context Protocol）は、Claude Codeが外部サービスとデータをやり取りするための仕組みです。Claude Code単体ではGSCに直接アクセスできませんが、MCPサーバーを間に挟むことで、自然言語の指示でGSCのデータを取得できるようになります。

セットアップ手順

GSC用のMCPサーバーはオープンソースで公開されています（AminForou/mcp-gsc）。

セットアップは以下の流れです。

• リポジトリをクローンし、Python仮想環境を作成して依存パッケージをインストール
• ステップ1でダウンロードしたサービスアカウントのJSONファイルを配置
• Claude Codeにclaude mcp addコマンドでMCPサーバーを登録

登録時のポイントは、環境変数でGSC_SKIP_OAUTH=trueを指定すること。これでOAuth認証をスキップし、サービスアカウントのJSONだけで認証が通ります。

私はこのMCPをグローバル設定（-s user）で登録しています。プロジェクト単位ではなくユーザー単位で登録することで、どのプロジェクトからでもGSCのデータにアクセスできます。複数サイトを管理している場合、サービスアカウントを各サイトのSearch Consoleに追加するだけで対応できます。

ステップ3: データ収集の自動化

MCPが繋がれば、Claude Codeから「キーワード別のパフォーマンスを見せて」と言うだけでデータが返ってきます。しかし、SEOで本当に価値があるのは「推移」です。今日の順位だけ見ても判断できません。1週間前と比べて上がっているのか下がっているのかが重要です。

そこで、GSCデータを毎日CSVに保存する収集スクリプトを作りました。Search Console APIをPythonから直接叩き、キーワード別・ページ別のパフォーマンスをCSVファイルとして蓄積します。

保存されるデータ：

• 日次スナップショット（YYYY-MM-DD-queries.csv）: その日時点のキーワード別クリック数・表示回数・CTR・掲載順位
• 累積サマリー（gsc-summary.csv）: 全キーワードの最新値＋初出日。日々更新される
• ページ別パフォーマンス（YYYY-MM-DD-pages.csv）: 記事ごとの表示回数・クリック数

このデータが蓄積されることで、「先週は表示回数ゼロだったキーワードが今週10回表示されている」「この記事は掲載順位が8位から4位に上がった」といった変化を検出できます。

SEO記事の戦略にどう活かすか

蓄積したGSCデータは、SEO記事の執筆判断に直結します。具体的には以下の4パターンです。

1. インプレッションがあるのにクリックがないキーワード → タイトル改善

「claude code pricing 2026」は掲載順位3.8でインプレッション11回あるのに、クリックがゼロでした。検索結果に表示されているのに誰もクリックしない。つまりタイトルやメタディスクリプションが魅力的でない可能性があります。

2. 掲載順位が上がりかけているキーワード → 記事の強化

掲載順位が10〜20位のキーワードは、少しの改善で1ページ目に入れる可能性があります。該当する既存記事にコンテンツを追加したり、内部リンクを強化したりすることで順位を押し上げます。

3. 表示され始めた新しいキーワード → 新規記事の候補

まだ記事を書いていないのにインプレッションが出始めたキーワードは、Googleが「このサイトはこのテーマに関連がある」と判断し始めた証拠です。ここに専用の記事を当てれば、効率よく上位を狙えます。

4. キーワードCSVとの突き合わせ → 優先順位の決定

GSCのデータを、事前に用意してあるSEOキーワードリスト（検索ボリューム・競合性のデータ）と照合します。「検索ボリュームが大きい＋まだカバーしていない＋GSCで関連キーワードのインプレッションが出ている」キーワードが最優先の執筆対象です。

ローカルSEOの競合分析にも広げる

GSC連携の仕組みができると、同じClaude CodeからローカルSEO（MEO対策）の競合分析も一気通貫で回せるようになります。Google検索の46%はローカルな意図を持ち、検索後24時間以内に約60%が実際に店舗を訪問するというデータもあり、ローカルSEOは「いますぐ客」に直結する施策です。

介護施設のクライアントにMEO対策を提案したときも、Claude CodeにMCPで競合情報を取得させ、分析→レポート→改善案の提出→実行まで一気通貫で進めました。

GBPカテゴリ・属性の競合監査

ローカルSEOで最も即効性が高いのが、Googleビジネスプロフィール（GBP）のカテゴリと属性の最適化です。カテゴリが間違っていると、そもそも検索結果に表示されません。

Claude Codeに以下のようなプロンプトを投げるだけで、競合3社のGBPカテゴリを取得・比較できます。

以下の競合3社のGoogleビジネスプロフィールを調査してください。

競合A: [GBP URL]
競合B: [GBP URL]
競合C: [GBP URL]
自社: [GBP URL]

各社のプライマリカテゴリ、セカンダリカテゴリを抽出し、
以下の形式でスプレッドシートにまとめてください。

- 全競合が持っていて自社にないカテゴリ → 最優先で追加
- 2社が持っていて自社にないカテゴリ → 追加推奨
- 1社だけが持つカテゴリ → 差別化の機会

属性（veteran-owned, free estimates等）も同様に比較してください。

介護施設の競合に対してこの分析を行ったところ、セカンダリカテゴリの追加だけで新しい検索クエリでの表示が増えたケースがありました。設定を1つ変えるだけなので、最も費用対効果の高い施策です。

GBPの属性（「無料見積もり」「24時間対応」「バリアフリー」など）も、多くの事業者が設定し忘れています。競合が設定していて自社にない属性は、検索マッチングの機会損失になります。

レビュー感情分析で「顧客の本音」を抽出する

星の数よりも重要なのがレビューの中身と速度です。200件のレビューがあっても、180件が2年前のものなら、毎月15件ずつ増えている90件の競合の方が評価されます。

以下の競合GBPリストのレビューを分析してください。

[競合URL1]
[競合URL2]
[競合URL3]

各競合について以下を抽出:
1. 直近30日/60日/90日のレビュー件数（レビュー速度）
2. レビューで最も言及されるサービス名（上位5つ）
3. レビューで言及される地域名・地名（上位5つ）
4. 5つ星レビューに共通する感情的なキーワード
5. 低評価レビューに共通する不満点

最後に、自社のレビュー依頼時に顧客に伝えるべき
キーワード・フレーズのリストを作成してください。

この分析で得られる「顧客が実際に使う言葉」は、GBPの説明文やWebサイトのコピーライティングにそのまま使えます。競合の5つ星レビューに「急な対応にも関わらず丁寧だった」という表現が繰り返し出てくるなら、自社のGBP説明文にも「急なご依頼にも迅速に対応」といった表現を入れることで、検索マッチングとクリック率の両方を改善できます。

定期モニタリングで競合の変化を追い続ける

競合分析は一度やって終わりではありません。Claude Codeの/scheduleコマンドを使えば、定期的にデータを取得して変化を追い続けることができます。

• 日次: GSCから検索クエリ・掲載順位・CTRを自動取得→CSVに蓄積
• 週次: 蓄積データからトレンド変化を分析→キーワード戦略に反映
• 月次: 競合GBPの変化（新レビュー・カテゴリ変更等）を確認→レポート生成

この仕組みの良い点は、自分がPCの前にいなくてもデータが蓄積されることです。1人で事業を運営していると、分析作業に時間を割くのが難しい。定期実行にしておけば、データは勝手に溜まり、必要なときに「先週と比べてどう変わった？」と聞くだけで分析結果が返ってきます。

コンテンツ生成まで含めた全自動パイプライン

GSC分析と競合分析の結果を「どんな記事を書くべきか」の判断材料にした上で、記事執筆・画像生成・CMS投稿までを自動化できます。私はXのバズ記事収集から始まる5フェーズのパイプラインを構築し、/x-auto-articleのワンコマンドで起動できるようにしています。

5フェーズで動く自動パイプライン

• Phase 1: X記事の自動収集 — SocialData APIを使い、過去7日間でいいね500以上のAI・テック系バズ記事を一括取得
• Phase 2: DB照合 → テーマ自動選定 — 収集した記事を、自社の実績DB・AIツール知見DB・SEOキーワードCSV・既存記事リストと突き合わせ、「書ける＋検索ボリュームがある＋未カバー」のテーマを最大3件自動選定
• Phase 3: SEO記事の自動執筆 — 選定テーマに対し、DBから関連する実績・知見を自動抽出して2,000〜4,000文字のHTML記事を生成
• Phase 4: サムネイル・挿絵の自動生成 — サムネイルはGemini API、図解はHTML/CSS→Puppeteerスクリーンショットで生成
• Phase 5: MicroCMSへの下書き投稿 — 画像アップロード→記事投稿→既存記事CSVの自動更新まで完了

なぜXからの情報収集なのか

SEO記事のネタ探しには、キーワードツールで検索ボリュームを調べる方法が一般的です。しかし、それだけでは「今まさに話題になっているテーマ」を拾えません。

Xには、AI・テック業界の最先端の情報がリアルタイムで流れています。特にArticle機能（長文投稿）には、実務者が書いた深い知見が集まりやすい。バズっている＝読者の関心が高いことの証明なので、そこから着想を得て自社の実体験と組み合わせれば、検索需要とトレンドの両方を押さえた記事になります。

SocialData APIの利用コストは1リクエストあたり約0.03円。100件の記事を収集しても約3円です。

「自分しか書けない記事」をAIで書くための設計

ここが最も工夫したポイントです。AIに丸投げすると一般論しか出てきません。だから「何を読ませるか」を設計することが核心になります。

私は、日々のセッションで得た知見を2つのデータベースに蓄積しています。

• 実績・経験DB: 案件の課題・成果・エピソード。「この人しか書けない」要素の一覧
• AIツール知見DB: ツールの使用体験・比較・失敗談・活用哲学

自動パイプラインのPhase 2では、Xから収集した記事テーマに対して、これらDBから関連する素材を自動で引き当てます。「田嶋の実績に紐づく記事しか書かない」というルールをシステムに組み込むことで、AIが書いても一次情報ベースの記事が出てくる仕組みです。逆に、DBに素材がないテーマは自動的に除外され、一般論しか書けない記事は最初から生成しません。

画像生成も自動化する

記事の品質を左右するのはテキストだけではありません。サムネイル画像がないとクリック率が下がり、図解がないと離脱率が上がります。

サムネイルはGemini APIで生成しています。ダーク系単色背景に白テキストという統一フォーマットを決めておくことで、AIが毎回ブランドに沿った画像を出してくれます。記事内の図解（挿絵）は、HTML/CSSで作成してPuppeteerでスクリーンショットを撮る方式です。これなら生成コストはゼロで、テキストの視認性も高い。

定期実行で人間は公開判断だけに集中する

現在はこのパイプラインを手動で起動していますが、Claude Codeのloop機能を使えば定期実行が可能です。例えば毎朝PCを開いて/loop 24h /x-auto-articleと打てば、1日1回自動でXリサーチ→記事生成→下書き投稿が回ります。

私がやることは、MicroCMSの管理画面で下書きを確認し、公開ボタンを押すだけ。記事の「企画→制作→入稿」のすべてが自動化され、人間は「品質判断→公開」だけに集中できる状態です。

実運用で気づいた3つの注意点

1. トークン消費に注意する

大量のレビューデータや複数ページの分析を一度に走らせると、トークン消費が跳ね上がります。私はMax 5x（$100/月）プランを使っていますが、LP改修＋SEO記事14本を1セッションで並列処理したとき、一瞬で5時間制限に到達した経験があります。

対策としては、分析の粒度を意識すること。「競合3社のレビュー全件を一度に分析」よりも、「まずレビュー件数と速度だけ取得→深掘りが必要な競合だけ詳細分析」と段階を分けた方がトークン効率は良くなります。

2. AIの分析結果は必ず検証する

Claude Codeの分析精度は高いですが、GBPのカテゴリ情報やレビューの取得はWebスクレイピングに依存する部分もあります。提案をそのまま実行する前に、実際のGBP画面で事実確認する習慣をつけてください。特にカテゴリの追加・変更は、間違えると逆に順位が下がるリスクがあります。

3. ツールの使い分けを意識する

全ての作業をClaude Codeでやる必要はありません。私の場合、複雑な分析・レポート生成・Skills活用はClaude Code、単純なデータ整形やリファクタリングはCodex、画像生成はGeminiと使い分けています。特にSEO業務では、「分析→戦略立案」はClaude Code、「定型的な記事量産」は別ツールに委譲、という分担が効率的です。

まとめ — データ駆動のSEO運用

Search ConsoleをClaude Codeに接続する仕組みから、ローカルSEO競合分析、コンテンツ自動生成までをつないだ全体像をまとめます。

• Google Cloud設定: サービスアカウント方式ならJSONファイル一つでブラウザ認証不要
• MCP接続: グローバル登録で全プロジェクトからGSCデータにアクセス可能
• 日次CSV蓄積: 単発のデータではなく推移を蓄積することでSEO判断の精度が上がる
• 4つの活用パターン: タイトル改善・記事強化・新規記事・優先順位決定
• ローカルSEOへの拡張: GBPカテゴリ監査・レビュー感情分析・/scheduleによる定期モニタリング
• コンテンツ生成まで自動化: X収集→DB照合→記事執筆→画像生成→CMS投稿の5フェーズパイプライン
• 運用時の注意点: トークン消費・AI結果の検証・ツール使い分け

「感覚でキーワードを選ぶ」のではなく、実際の検索データに基づいて次の一手を決める。そしてその判断を記事生成・CMS投稿まで自動で流す。これがAI時代のSEO運用の基本形だと考えています。