ある中規模 EC セラーは、広告費を上げても流入が伸びなくなった。
買い物アシスタント AI に「雨の日の通勤で使える防水バッグ」を尋ねると
競合商品は推薦の上位に並ぶのに、自社の商品ページは候補にすら入っていなかった。
商品力では負けていない。違いは、競合が「価格・在庫・レビュー・用途」を機械に読める形で揃え、
外部のレビューサイトや比較記事にも商品名を残していたことだった。
自社のページは丁寧で美しかったが、AI から見ると「判断材料が足りないページ」だった。
少しずつ、こういう話が現場で起き始めている。
2026年4月、Gartner は「2026年末までに企業アプリケーションの 40% に AI エージェントが組み込まれる」と予測した。同じ時期に、commercetools などの EC プラットフォームは「Agentic Commerce」というキーワードで、買い物を AI エージェントが代行する未来を真顔で語り始めている。
これまで物販セラーが意識してきたのは、検索エンジン（Google）と、その先にいる「人間の買い手」だった。ところがここから先の数年で、買い物の意思決定の一部は AI エージェントに移る。「3万円以下の防水ワイヤレスイヤホン、運動中にも使えるやつ、ChatGPT おすすめ」と語りかければ、AI が複数 EC を回り、商品を比較し、レビューを要約し、最後の購入ボタンだけ人間に押させる──そんなふうになる。
この変化に、いま意識して動いているセラーは少ない。
海外では GEO（Generative Engine Optimization）、AEO（Answer Engine Optimization）と呼ばれて議論が始まっているが、物販文脈に落とし込んだ日本語の記事はほぼ存在しない。
本稿は、これから AI エージェント時代を生きる物販セラー向けに、商品ページを「AI に選ばれる」設計へとアップデートするための5つの要件を整理する。手前味噌だが、当社は自社で物販ツールを開発しながら、Amazon・eBay・メルカリでの実務もこなしている。机上の話ではなく、現場と開発の二刀流から見える景色をそのまま書いた。
経営者の視点で見るべきは「どこに投資し、どこを現場に任せるか」。AI を魔法の販路として扱うのではなく、商品データの整備、公開情報の統制、外部での見え方の管理を揃えた店だけが、推薦候補に残る。これは経営課題そのものだ。
1. ブランド文脈：AI に「誰の店か」を伝える
最初に向き合うべきは、ブランドの信頼シグナルだ。AI は単品スペックだけを読むわけではなく、「この販売者はどの領域に強いのか」「どんな顧客に売っているのか」を横断的に読みに行く。
冒頭のセラーのページでは、会社概要、検品基準、返品方針、仕入れ背景が断片的だった。人間ならページの雰囲気で行間を補えるが、AI は曖昧な雰囲気を信用材料にしない。「うちはこういう客に、こういう商品を売る」という文脈を平文で残しているかどうかで、AI の認知が決まる。
これは広告代理店に丸投げしにくい領域だ。ブランド文脈は経営の言語だからだ。「なぜこのカテゴリを扱うのか」「安さ以外で何を守るのか」「どんな顧客には向かないのか」を、About ページ・商品ページ・ブログに同じ温度で揃える。
ここで大事なのは、ブランド文脈は商品ページの中だけでなく、ブログ・SNS・プレスリリース・公式ストーリーなどブランドが発信するすべての場所に分散して蓄積される、ということだ。AI はそれらを横断的に読みに行く。
米国や EU では、Shopify ストア・Google Merchant Center・レビューサイト・Reddit・比較記事がつながっていて、AI 購買の判断材料が厚くなっている。日本の中小 EC はモール内の説明文だけで完結しがちなので、ここに先行余地が大きい。
おそらくMCPに接続、APIを提供などなにかしらの動きは出てくるだろうと思う
具体的に意識的に取り組むなら:
- 公式サイトの「About」を充実させる（誰が、なぜ、どんな客に売っているか）
- 商品開発の裏話を、定期的にブログや note に書く
- 顧客の声を、ストーリー形式で残す
- ブランドの理念・行動指針を平文で公開する
20年前から言われてきた正攻法のブランディングを、AI が読みやすいフォーマットで残す──ただそれだけの話だ。まずは売上上位・粗利上位・比較されやすい商品から手をつけたほうが、費用対効果は高い。
2. 構造化データ：「飾り」から「必須」へ
次に来るのは、商品ページの構造化データ（schema.org の Product / Offer / Review 等）の扱いだ。
これまで構造化データは、検索結果のリッチスニペット表示（★評価や価格表示）のために追加する
「飾り」のような位置づけだった。実装していなくても致命傷ではなかった。
ところが AI エージェントは、商品ページの見た目を解釈するのではなく、機械可読データを直接読みに行く。HTML の中に Product schema が埋め込まれていれば、商品名・価格・在庫・カテゴリ・レビュー数を1回で取得できる。schema が無ければ、AI は文章を自然言語処理で解析するという余計なコストを払うことになり、結果的に「分かりやすく構造化されているページ」を優先するようになる。
最低限実装したい schema:
- Product: 商品名、ブランド、カテゴリ、説明、画像
- Offer: 価格、通貨、在庫状態、配送可能エリア
- AggregateRating: レビューの平均評価と件数
- Review: 個別レビューのテキストと評価
Amazon や楽天のような大手プラットフォームではある程度自動付与されるが、自社サイトや Shopify ストアを持っているセラーは自前で実装する必要がある。Shopify や WooCommerce にはプラグインで自動付与する仕組みもあるので、独自実装の負担は思ったほど大きくない。schema.org の公式ドキュメントと Google の Rich Results Test を組み合わせれば、コードを書ける人なら半日で対応できる範囲だ。
経営者が決めるのは優先順位だ。独自 EC なら、開発者に「上位 SKU から Product / Offer schema 実装」と切って依頼する。見た目は人間向け、schema は AI 向けの営業資料──そう割り切ると、社内に通しやすい。
ここで一つ大事な視点を挟む。AI エージェントは現時点では「学習データに含まれていた情報」と「リアルタイム取得した情報」を組み合わせて回答する。学習データが古ければ古いほど、リアルタイム取得（クロールや API）の重みが上がる。つまり、クローラに易しく構造化されたページほど、AI に選ばれやすくなる。
3. 商品名のセマンティック化：「キーワード羅列」から「文脈型」へ
これまでの EC 商品名は、検索アルゴリズム対策で「ブランド ＋ カテゴリ ＋ 主要機能 ＋ サイズ ＋ 色」のキーワード羅列が定石だった。たとえば「Anker ワイヤレスイヤホン 防水 IPX7 高音質 ノイズキャンセリング ブラック」のような形式だ。
これは人間の検索意図（キーワードクエリ）に最適化された書き方で、Google や Amazon の検索結果に出すために有効だった。ところが AI エージェントが買い手になると、評価軸が変わる。
AI エージェントはユーザーから「ランニング中に外音も取り込めて、汗にも強い、コードがないイヤホン」のような自然文で依頼を受ける。そして商品ページを読みに行ったとき、「キーワード羅列の商品名」と「文脈で書かれた商品名」のどちらが、ユーザー意図に合致するかを判定する。
つまり、これからの商品名は「○○な人向けの △△」というユースケース文脈型に寄せていく価値がある:
- ✗ 「Anker ワイヤレスイヤホン 防水 IPX7 高音質 ノイキャン」
- ◎ 「ランニング中に外音取り込みもできる、防水ワイヤレスイヤホン by Anker（IPX7 / 8時間再生）」
完全に切り替えるとプラットフォーム検索（Amazon・楽天）には不利になる可能性もあるので、商品タイトル本体はキーワード型、商品説明文（description）の冒頭1〜2行をユースケース文脈型にする、というハイブリッドが現実解だ。AEO の観点では、答えとして抜き出される文章を先に置くことが効く。
この作業は現場に任せやすい一方、テンプレートだけ渡すと全商品が同じ文章になりがちだ。経営者は「誰が、どんな状況で、なぜこの商品を選ぶのか」を商品登録担当に答えさせる運用に変える。テンプレ流し込みではなく、商品ごとに固有の文脈を引き出す仕組みにしないと、ペルソナ別の刺さりが消える。
4. 第三者の言及：AI に最も効く Authority Signal
AI 言語モデルは、ひとつの商品を評価するときに、自社サイトだけを見るわけではない。むしろ複数ソースを横断して評価する傾向が強い。
具体的にはこういう情報源を横断的に重み付けする:
- 公式商品ページの説明
- レビューサイト（価格.com、@cosme、e-Bargain など）の評価
- 個人ブログのレビュー記事
- Reddit、Quora、Yahoo!知恵袋のような Q&A コミュニティ
- 比較記事（「○○ vs △△」「2026年 おすすめ防水イヤホン」など）
- YouTube レビュー動画のメタデータと文字起こし
このうち、ChatGPT や Claude の回答に最も強く影響することが分かってきているのは、Reddit や比較記事だ。Reddit は AI の学習データに大量に組み込まれていて、コミュニティ内の評判が AI の認知を作る。比較記事は、「ある商品が何との対比で語られたか」という構造を提供してくれるため、AI が「カテゴリ内のどの位置にあるか」を把握しやすい。
米国では Reddit や専門レビューサイト、EU では比較・評価コンテンツも購買判断に深く関わっている。日本ではこの領域が薄く、比較記事の設計と情報提供だけで差がつく。
中小セラーが今からできる対策は、自社で対応できる Authority Signals を増やすことだ:
- 比較記事に取り上げてもらう（プレスリリース、レビューサンプル提供）
- Reddit や 5ch、X のコミュニティで、ステマにならない形で自社商品が話題になる土台を作る
- 公式とは別に「使ってみた」「○○比較レビュー」型の独立ブログ記事を持つ
- YouTube レビューに商品提供（小規模 YouTuber でも効果がある）
ただし、自作自演レビューは絶対に避ける。短期露出を取りに行くより、ブランド毀損と規約違反のリスクが大きく、Agentic Commerce 時代には長く尾を引く。広告費の一部を「実使用レビュー」「比較メディアへの情報提供」「一次データ公開」に振り替えるほうが、結果的には効く。
ここで自社の経験を一つ挟む。自社ツールを開発したとき、当初は公式サイトと PR だけで露出を試みた。反応は薄かった。ところが、note という日本のブログ型プラットフォームに第三者視点で「使ってみた」を書いたら、ChatGPT Search 経由でツール本文まで読まれるようになった。AI の認知資産は、自社ドメインの外側で作られていく──これは現場で実感した事実だ。
5. 価格・在庫の機械可読化：鮮度が落ちた瞬間に消える
AI エージェントが買い物を代行するなら、最新の価格と在庫を即座に取得できることは決定的に重要だ。
AI は「いま買えるかどうか」を確認できなければ、推薦リストに入れにくくなる。
人間なら、ページを開いて在庫切れに気づいてもブラウザバックして他の商品を探せる。
しかし AI は、在庫切れや価格不明の商品を最初から避ける可能性が高い。
この観点で、以下のいずれかを公開しているセラーが優位になる:
- 商品 JSON フィード（Google Merchant Center や Bing Merchant Center 向け）
- 自社 API（在庫・価格を返す Public エンドポイント）
- Product schema の
availabilityとpriceSpecificationを常に最新に保つ - Amazon SP-API、楽天 RMS API などプラットフォーム標準 API で商品情報を外部に流通可能にする
ここは「人間向けの SEO」と決定的に違うところだ。検索エンジンはクロール頻度が低くても影響が小さい（順位が遅れて反映される程度）が、AI エージェントは「在庫切れの商品を推薦しない」という極めて厳格なフィルタを持つ。鮮度が落ちた瞬間、その商品は AI の選択肢から消える。
中小セラーで API を一から作るのは負担が大きいので、現実的には次の順序で対応するのが筋:
- まず Google Merchant Center に商品フィードを登録（Shopify は自動連携あり、無料）
- 商品ページの Offer schema を JavaScript で動的更新（在庫切れ時に
OutOfStockに切り替え） - プラットフォーム標準 API にチャネル開放
- 余裕があれば自社 API を Public 公開
ここは現場運用とシステムの境目だ。
手入力に頼ると、セールや欠品のたびに必ずズレる。価格と在庫だけは機械連携を優先する判断が要る。
そして経営者が握っておきたいのが、新しい KPI だ。GEO/AEO 時代の物販で見るべき短期 KPI は「売上」ではなく:
- schema エラー率
- 商品フィード承認率
- 在庫更新の遅延時間
- 外部での商品名言及数
これらは売上に先行する指標であり、AI に選ばれるための地盤の固さを示す。
売上だけ見ていると、3〜6ヶ月の仕込みが必要な施策が後回しになる。
経営者が90日でやるべきこと
5つの要件を「全部いっぺんに」やるのは負荷が高い。実装は3ヶ月のロードマップで段階展開するのが現実的だ。
Month 1：上位 SKU を診断する
売上上位 10 SKU を選び、商品名・冒頭説明・価格・在庫・レビューを棚卸しする。
Google の Rich Results Test で Product と Offer の不足を洗い出す。
成果物は、修正済みの商品ページ 10 本と商品説明テンプレートだ。
テンプレートには「用途」「選ばれる理由」「買わないほうがいい人」まで書くと、
過剰な売り文句を避けられて AI からも信頼されやすくなる。
費用ゼロ、必要なのは時間と判断だけ。最低限ここまでは1ヶ月以内に終わらせたい。
Month 2：外部に語られる導線を作る
レビュー依頼先、比較記事候補、小規模レビュアー、関連コミュニティをリスト化する。
提供や貸出を行う場合も、評価内容は指定せず、事実情報だけを渡す（自作自演を避ける鉄則）。
同時に、公式ブログで開発背景、検品基準、用途別の選び方を公開する。
第三者視点のレビューコンテンツを、自社の管轄外メディア（note、はてなブログ、独立ドメインブログ）に増やしていく。※OEMをやっている場合、こういう記事が今後活きてくる
ここから少しずつ Authority Signals が積まれていく。即効性はないが、この月を飛ばすと AI に「外側からも語られているか」が伝わらないままになる。
Month 3：価格・在庫の鮮度を上げる
商品フィード、Merchant Center、モール API、在庫管理ツールの更新頻度を確認する。手入力が残る場合は、価格と在庫だけでも自動連携または日次チェックに切り替える。
最後に、ChatGPT・Claude・Gemini・Perplexity の各 AI に「用途＋カテゴリ」で質問を投げ、競合と自社商品の出方を記録する。出てこない場合は、商品名・外部言及・schema に戻って直す。
ここまで来れば、最初の「AI 推薦に乗らない」状態から、明確な改善の手応えを得られる段階に入る。
FAQ
Q1. Amazon や楽天は、セラーが何もしなくても対応してくれる？
大手プラットフォームは構造化データの自動付与や商品データ API の整備を進めている。だが AI に「選ばれる」かどうかは、商品ページの中身（商品名、説明文、レビュー）で決まる。プラットフォームに任せるのは「基盤」だけ、AI に語りかける「中身」はセラーが整える必要がある。
Q2. 個人セラーやメルカリ出品者にも関係ある？
メルカリやヤフオク等の C2C マーケットプレイスは、現時点では構造化データの整備が遅れている。だがメルカリも独自に AI 内製化を進めていて、商品名・説明文の自然言語化（文脈型ライティング）は確実に効いてくる。今から「ユースケース文脈型」の説明を心がけるだけで、将来的な差別化になる。
Q3. GEO の効果は、どれくらいで出る？
即効性はない。AI モデルは数ヶ月単位で再学習・再評価されるため、3〜6ヶ月の仕込みを経て徐々に効いてくる。逆に言えば、3ヶ月後に効くタネを今まかなければ、半年後の AI 推薦競争では負ける。30日で機械可読性、60日で外部言及、90日で AI 上の見え方を確認する──このペースが現実的だ。
Q4. 大手と中小、どちらが有利？
中小のほうが、ブランド文脈の蓄積と独自ストーリーの構築が早い。大手は商品 SKU が多すぎて「全商品の文脈整備」がコスト的に難しい。ニッチ商品 × 強いブランドストーリーを持つ中小セラーには、AI エージェント時代は逆風どころか追い風になる可能性が高い。
Q5. SEO はもう不要？
不要ではない。当面の数年は、人間検索（Google）と AI 検索（ChatGPT・Claude・Perplexity）が共存する。SEO と GEO は「対立する施策」ではなく、重なる施策で、両方を意識する必要がある。差は「商品ページが構造化されているか」「文脈で語られているか」「第三者言及があるか」の3つで、これは SEO にも GEO にも同時に効く。
結び：人間に売る SEO は終わり、AI に語る GEO が始まる
10年前、「モバイル対応していないサイトは死ぬ」と言われた時代があった。
そして実際、対応が遅れたサイトは検索順位が落ちた。
これから数年、同じことが「AI 対応していない商品ページ」で起きる。
違いは、相手が人間ではなく AI エージェントだということ。AI は感情で買わないし、デザインの綺麗さでは選ばない。AI は、機械可読データの精度、文脈の明確さ、第三者言及の厚みで選ぶ。
幸い、これらは全部、いま地味に積めば積めることばかりだ。
schema markup、文脈型ライティング、第三者レビューの確保、商品データの公開、ブランド文脈の蓄積──
どれも一晩で結果が出るものではないが、地道に積む人と積まない人で、3〜6ヶ月後に明確に差がつく。
日本市場には、まだ空白がある。米国や EU が先行している領域でも、日本語の物販文脈に翻訳した実装事例はほとんどない。90日で直せる足元から手をつけるほうが、いきなり巨額の AI 投資を考えるよりも堅実だ。
気が向いたら次回では、ChatGPT Atlas のような AI ブラウザの登場が物販現場に何をもたらすかを、もう少し具体的な事例ベースで掘り下げる構想だ。AI が商品ページを「読みに来る」時代から、AI が「買い物そのものを代行する」時代へ──変化の波の中で、現場で動ける仕掛けを考えていきたい。
これは自社の取り組みの実践でもある。
