投稿者 投稿日: カテゴリー Gemini
Gemini 3.5 Proの200万トークンとは、約数百万語を一度に読ませて横断分析できる文脈窓のことです。
商品マスタ、レビュー、問い合わせログ、競合ページ。これまでは1ファイルずつ小分けにしてAIに食わせ、要約を継ぎ合わせるしかありませんでした。2026年5月19日のGoogle I/Oで発表されたGemini 3.5 Proは、最大200万トークンという文脈窓を掲げています。全商品データをまとめて1回の対話で投げ込み、横断的に分析するという運用が現実味を帯びてきました。本記事では、その200万トークンをEC事業者がどう実装に落とすか、プロンプト5本と具体的な手順、注意点を整理します。
200万トークンで「分割せずに丸ごと読ませる」が変わる理由
トークンとは、AIがテキストを処理する最小単位です。英語ではおおむね1単語が1〜2トークン、日本語は1文字あたり1〜2トークン前後になることが多く、200万トークンはおよそ140万〜200万文字規模のテキストに相当する目安です。これは新書数十冊分の分量であり、中規模ECの商品マスタ、直近1年のレビュー、問い合わせ履歴を合算しても収まるケースが少なくありません。
Gemini 3.5 ProはGoogle I/O 2026で発表され、200万トークンのコンテキストと、回答前に内部で熟考する「Deep Think」推論モードを掲げています。一般提供（GA）は2026年6月予定とされていますが、2026年6月時点では限定プレビューおよびエンタープライズ中心の段階で、広範なGAは順次提供中という状況です（要確認）。自社のアカウントで利用可能かは、Google AI StudioやVertex AIのコンソールで実際にモデル一覧を開いて確かめるのが確実です。
同時にGoogleは、軽量で高速なGemini 3.5 Flashを2026年5月20日に提供開始しました。Geminiアプリ、検索のAI Mode、Vertex AIのデフォルトモデルに採用され、料金は入力100万トークンあたり1.50米ドル、出力100万トークンあたり9米ドルと公表されています。日常的な大量処理はFlash、腰を据えた横断分析はPro、という二段構えが現場で組みやすい構成になりました。
なぜ「分割せずに丸ごと読ませる」ことがそこまで効くのか。直近の支援案件で観測したのは、分割要約を積み上げる方式だと、AIがファイルをまたいだ関係を見落とすという問題です。たとえば「夏に売れた商品のレビューに共通する不満」を知りたいとき、売上データとレビューを別々に要約してから人間が突き合わせると、相関の発見が属人化します。200万トークンに両方を同時に乗せれば、AI自身がファイルの境界をまたいで照合できます。ここが小分け運用との決定的な差です。
文脈窓が狭かった時代の運用を思い出すと、差はもっとはっきりします。数万トークンしか入らない頃は、レビューを100件ずつブロックに割り、各ブロックの要約を別のシートに書き出し、最後にその要約群をもう一度AIに読ませて統合する、という三段構えが必要でした。この方式には2つの弱点があります。1つは、ブロックの切れ目をまたぐ論点が消えること。もう1つは、要約の要約を作る過程で、元レビューの具体的な言葉が失われ、改善アクションに落とせない抽象論だけが残ることです。200万トークンは、この中間処理そのものを不要にします。元データの粒度を保ったまま、AISが全体を一度に見渡せるからです。
もう1つの変化点は、Deep Think推論モードとの組み合わせです。Deep Thinkは回答を出す前に内部で複数の筋道を検討する仕組みとされており、単純な抽出ではなく、データ間の関係を推論する用途に向きます。大量の商品データを読ませたうえで「このカテゴリの売上が落ちた要因を、レビューと問い合わせの両方から3つに絞って」と問うと、表面的な集計ではなく、要因の優先順位づけまで踏み込んだ回答が返りやすくなります。文脈の広さと推論の深さがそろって初めて、商品データの一括分析が実務に耐える水準になりました。
商品マスタ・レビュー・問い合わせを一度に乗せる実装手順
利用経路は主に3つあります。手早く試すならGeminiアプリ、ファイルやAPIキーを扱うならGoogle AI Studio、業務システムへ組み込むならVertex APIです。まずはAI Studioで小さく検証し、効果が出た処理だけをVertex経由で自動化するのが、現場で詰まりにくい順序でした。
最初の関門はデータの形です。楽天RMSの商品ダウンロード機能やAmazon Seller Centralの在庫レポート、Shopify Adminの商品エクスポートからCSVを書き出し、AIが読みやすいよう列名を日本語の見出しに整えておきます。商品管理番号、商品名、価格、カテゴリ、在庫、月間販売数といった列を、1行1商品で並べた素直なCSVが扱いやすい形式です。レビューは「商品管理番号、評価点、本文、投稿日」の4列、問い合わせは「日付、商品、種別、本文」の4列に揃えると、AI側がファイルをまたいで突き合わせやすくなります。
200万トークンといっても、無制限ではありません。文字数の目安として、商品3,000点のマスタ（1点あたり全角200文字なら約60万文字）、レビュー5,000件（1件平均100文字で約50万文字）、問い合わせ2,000件（同200文字で約40万文字）を足すと約150万文字となり、トークン換算でおおむね上限に近づきます。すべてを乗せきれない場合は、分析したいテーマに関係する列だけに絞る、期間を直近1年に限定する、といった前処理で収めます。店舗運営の現場感覚では、全列を投げるより、目的の問いに必要な列だけを選んだほうが回答の精度も上がりました。
CSVを整える際の細かなコツも、結果に効いてきます。1つは、カテゴリ名や属性値の表記ゆれを先に揃えておくことです。同じ「メンズ」が「men’s」「紳士」と混在していると、AISがカテゴリ集計を誤ります。もう1つは、空欄に「未設定」など明示的な値を入れておくこと。空セルが連続すると、AIが列の対応をずらして読むことがあります。食品ギフトの店舗で試したケースでは、賞味期限や原産地の列を整えてから渡すと、ギフト需要期の在庫提案の精度が目に見えて上がりました。整形の手間は、回答品質への投資だと考えると割に合います。
マルチモーダルである点も見逃せません。Gemini 3.5 Proはテキストに加えて画像も同時に読みます。商品画像のサムネイル群をまとめて渡し、「背景が白抜きでない商品」「文字入れ画像が多すぎる商品」を洗い出す、といった画像横断の点検も同じ文脈窓の中でこなせます。アパレル系の単一店舗で試したケースでは、数百点のサムネイルをまとめて点検させ、トーンの浮いた画像だけを商品管理番号つきで抽出させたところ、撮り直しの優先順位づけが半日で固まりました。商品データの数値と画像の見た目を1回の対話で照合できるのは、テキスト専用ツールには出せない強みでした。
ここからは具体的なプロンプトを5本紹介します。いずれもChatGPTやClaudeでも近い指示で動きますが、200万トークンという大容量の文脈を前提にしている点がGemini 3.5 Proならではの使いどころです。
（用途タイトル：全商品の売上とレビューの相関分析）
最初のプロンプトは、売上データとレビューを同時に読ませ、両者をまたいだ示唆を引き出すものです。分割要約では見えにくい「売れているのに不満が溜まっている商品」を浮かび上がらせます。
あなたは日本のEC運営に精通したデータアナリストです。
添付した2つのファイルを同時に分析してください。
ファイルA：商品マスタ（商品管理番号、商品名、カテゴリ、価格、月間販売数）
ファイルB：レビュー一覧（商品管理番号、評価点、本文、投稿日）
商品管理番号をキーに両ファイルを突き合わせ、以下を出力してください。
1. 月間販売数が上位20%なのに、平均評価点が3.5未満の商品（「売れているが不満が多い」候補）
2. 各候補について、レビュー本文から不満の要因を3つに分類し、代表的な原文を1文引用
3. それぞれの改善優先度（高・中・低）と、改善した場合に想定される影響の方向性
数値の根拠がデータにない推測は「推測」と明記してください。
対象ジャンル：{ジャンル}
（用途タイトル：問い合わせログから商品ページ改善点を抽出）
次は、問い合わせログを丸ごと読ませて、商品ページに先回りで書くべき情報を洗い出すプロンプトです。FAQに昇格させる候補が、件数の多い順に見えてきます。
あなたはカスタマーサポートと商品ページ改善の両方に詳しいECコンサルタントです。
添付した問い合わせログ（日付、商品、種別、本文）をすべて読み、以下を出力してください。
1. 問い合わせ内容を10前後のテーマに分類し、件数の多い順に並べる
2. 各テーマについて、商品ページやFAQに事前記載すれば問い合わせを減らせる文面案を1つ提示
3. 特定商品に集中しているテーマがあれば、その商品管理番号を明示
サイズ・在庫・配送・使い方など、よくある軸で機械的に分けず、本文から実際の困りごとを読み取って分類してください。
対象期間：{期間}
（用途タイトル：競合ページとの差分から訴求の穴を発見）
3本目は、自社の商品説明文と競合の説明文をまとめて読ませ、自社に欠けている訴求軸を見つけるものです。競合ページのテキストは、自分で閲覧してコピーした範囲だけを使い、無断での大量取得はしないという前提で運用します。
あなたは日本のEC市場の商品訴求に精通したコピー設計の専門家です。
添付した2種類のテキストを比較分析してください。
A：自社の商品説明文（商品管理番号つき、複数点）
B：同カテゴリの競合商品の説明文（出典メモつき、複数点）
以下を出力してください。
1. 競合が共通して訴求しているが、自社の説明文に欠けている要素を5つ
2. 逆に自社だけが訴求できている独自要素を3つ
3. 欠けている要素のうち、薬機法・景表法に抵触しない範囲で追記できる文面案
最大級表現（最高・No.1・絶対・即効など）は提案に含めないでください。
対象ジャンル：{ジャンル}
（用途タイトル：季節・カテゴリ横断の売れ筋傾向の要約）
4本目は、1年分の販売データを乗せて、季節とカテゴリをまたいだ傾向を要約させるものです。仕入れや特集ページの企画に使えます。
あなたはEC事業の需要予測に詳しいアナリストです。
添付した直近12か月の月次販売データ（年月、商品管理番号、カテゴリ、販売数、売上）を分析してください。
1. カテゴリごとに、販売数がピークになる月とボトムになる月を特定
2. 前年同月と比較できる場合は、伸びているカテゴリと縮んでいるカテゴリを区別
3. 季節要因が強い商品群と、通年で安定している商品群に分類
4. 来季に向けた特集ページの企画テーマを3つ、根拠データとともに提案
データにない要因（天候・流行など）を理由にする場合は「推測」と明記してください。
（用途タイトル：商品画像の品質を横断点検）
5本目は、マルチモーダルを使って商品画像を一括点検するプロンプトです。サムネイルの統一感がない、文字入れが過剰といった見た目の問題を、人手で1枚ずつ確認せずに洗い出せます。
あなたはEC商品画像のガイドライン審査に詳しい担当者です。
添付した複数の商品画像（ファイル名に商品管理番号を含む）を1枚ずつ確認し、以下を出力してください。
1. 背景が白抜きでない、または背景が雑然としている画像の商品管理番号
2. 文字情報が画像面積の半分以上を占める、過度な文字入れ画像の商品管理番号
3. 同一カテゴリ内で見た目のトーンが浮いている画像の指摘
4. 各指摘について、撮り直しか加工修正かの推奨対応
見た目から判断できない情報は推測せず、画像から読み取れる範囲のみで答えてください。
これら5本は、いずれも複数のデータソースを1つの文脈窓に同時に乗せることを前提にしています。AIモデルの使い分け全般はChatGPT・Claude・Geminiの使い分けガイドで詳しく整理していますので、Pro以外の選択肢も含めて検討したい場合はあわせて読んでください。
大容量文脈で起きがちな失敗と回避策
最初の失敗は、データを詰め込みすぎて回答がぼやけるパターンです。200万トークンに全列・全期間を投げると、AISが「何を中心に答えるべきか」を見失い、当たり障りのない要約に終わることがあります。回避策は、1回の対話で問う論点を1つに絞り、その問いに必要な列だけを残してCSVをスリム化することです。全部入れれば賢くなるわけではなく、問いの設計が精度を決めます。
次に多いのが、機微情報の混入です。問い合わせログや会員データには氏名、住所、電話番号、注文番号が含まれます。これらを無加工でクラウドのAIに投げるのは個人情報の取り扱い上のリスクになります。アップロード前に個人情報の列を削除またはマスキングし、商品管理番号や匿名IDだけで分析が成立するよう設計しておくのが基本です。Vertex AIなどエンタープライズ向けの経路でデータの取り扱い条件を確認することも、社内規程との整合を取るうえで重要でした。
3つ目は、AIの出力を検証せずにそのまま使ってしまう失敗です。大量データを読ませると、もっともらしい数字や相関が返ってきますが、元データに存在しない値を生成する場合があります。プロンプト内で「データにない推測は推測と明記」と指示したうえで、重要な数字は必ず元CSVで突き合わせて裏取りする運用を徹底します。AIの役割は仮説の高速生成であり、最終判断は人間が握るという線引きが、現場で破綻しないコツでした。
4つ目に挙げたいのが、薬機法・景表法への配慮です。商品説明文の改善案を出させると、AIが「効果」「改善」「最高」といった、健康食品や化粧品で問題になりやすい表現を提案に紛れ込ませることがあります。サプリや化粧品ジャンルでは、プロンプトの段階で禁止ワードを明示し、出てきた文面案を必ず社内の表現チェックに通してから採用します。AIは法令の境界を完璧には判断しません。最終的な表現責任は出店者側にあるという前提を崩さないことが、トラブルを避ける土台でした。
なお、楽天市場の商品を扱う場合は、改善案の中に楽天市場外への誘導が混じらないかも確認します。AIは一般論として「自社サイトやSNSへ誘導しましょう」と提案しがちですが、楽天R-Mailや商品ページでの外部誘導は店舗運営規約に抵触します。楽天系のデータを分析するときは、施策提案を楽天市場内で完結する形に限定するよう、プロンプトで条件を付けておくと安全でした。
費用とモデル選びの目安
料金体系で公表されているのはGemini 3.5 Flashの値で、入力100万トークンあたり1.50米ドル、出力100万トークンあたり9米ドルです。仮に150万トークンの商品データを1回読ませる場合、入力だけで約2.25米ドルが目安になります（為替や課金単位は要確認）。Gemini 3.5 Proの正式な従量料金は2026年6月時点で順次案内が進んでいる段階のため、利用前にVertex AIの料金ページで最新値を確認してください。
個人や小規模で試すなら、Geminiアプリの有料プラン（月20米ドル前後が一般的な目安、要確認）から始め、業務に組み込む段階でAPI従量課金へ移行する流れが無理がありません。日々の大量処理は安価なFlash、月次の腰を据えた横断分析はPro、という役割分担にすれば、コストを抑えつつ精度の必要な場面だけ重いモデルを使えます。
工数の観点では、これまで担当者が数日かけて手作業で突き合わせていたレビュー分析や問い合わせ分類が、データ整形さえ済めば1回の対話で初稿が出ます。5,000社支援の中で何度も再現したパターンとして、AIが出した分類を人間が30分から1時間で検証・修正する形にすると、分析の初動が大きく短縮されました。削減できるのは分析そのものより、ゼロから論点を立ち上げる時間です。
費用対効果を見積もるときは、削減した工数を時給換算して比べると判断しやすくなります。月1回、担当者が丸2日かけていた分析が半日に縮むなら、月あたり1.5人日前後の余力が生まれる計算です。API利用料が1回数米ドル規模で収まるなら、人件費の削減幅のほうがはるかに大きい場面が多いでしょう。ただし、データ整形の初期負担は最初の1〜2回に集中します。CSVの書き出しと列の整理をテンプレート化し、2回目以降は同じ手順を回せる状態にしておくと、回を重ねるほど費用対効果が改善します。
逆に、コストが膨らみやすいのは試行錯誤の段階です。プロンプトを詰め切れていないと、同じデータを何度も投げ直すことになり、入力トークン課金がかさみます。最初の検証は安価なFlashで行い、プロンプトの骨格が固まってから本番データをProに流す、という順序にすると、無駄な大容量入力を抑えられました。月20米ドル前後の有料プランで挙動を確かめ、定型化できた処理だけをAPIへ移すと、コストの予測も立てやすくなります。
AIエージェント時代に向けた商品データ運用の備え
200万トークンの文脈窓は、単発の分析だけでなく、AIエージェントが店舗運営を継続的に支援する将来への布石でもあります。Googleは検索のAI Modeを軸に、AIが情報を横断して回答する方向を強めています。EC側でこの流れに備える視点はAI ModeのEC戦略解説でも触れていますので、検索側の変化とあわせて押さえておくと、自社データの整備方針が立てやすくなります。
ここで効いてくるのが、データの構造化です。商品管理番号をキーに、マスタ・レビュー・問い合わせ・画像が紐づいた状態を社内に持っておくと、どのAIモデルが主流になっても同じ資産を使い回せます。逆に、データが部署ごとにバラバラのExcelで散らばっていると、文脈窓がいくら広がっても投げ込む準備に時間を取られます。大容量文脈の恩恵を受けられるかどうかは、AIの性能よりも自社データの整い方で決まる、というのが現場の実感でした。
モデルの選定は、長く同じものを使い続けるより、半年単位で見直す前提で考えるのが現実的です。フラッグシップは猛烈な速度で更新され、価格も性能も変わります。GPT-5.5とClaudeの比較はGPT-5.5とClaudeのEC活用比較で、開発系ツールの選び方はAIコーディングツール比較で整理しています。複数モデルを比べたうえで、自社の処理量とデータ機密性に合うものを選ぶ姿勢が、過度な乗り換えコストを避ける近道です。
AI Overviewや生成AI経由の流入が増えるなかで、自社コンテンツがAIに引用される設計も無視できません。基礎はAIO（AI最適化）の基本にまとめてあります。商品データの内部分析と、対外的な引用獲得は別物に見えて、どちらも「構造の整ったテキスト資産」という同じ土台に乗っています。
最後に、200万トークンという数字に振り回されない視点も添えておきます。文脈窓は確かに広がりましたが、広ければ広いほど良い結果が出るわけではありません。本当に効くのは、何を問い、どの列を渡すかという設計の質です。楽天/Amazonの両方を回している店舗で観測されたのは、商品データを丁寧に整え、問いを1つに絞った小さな分析を積み重ねた店舗のほうが、巨大な文脈に全部を放り込んだ店舗よりも、改善アクションに結びつく示唆を多く得られたという傾向でした。大容量文脈は道具であり、成果を決めるのは使い手の問いの立て方です。この前提を押さえておけば、モデルがさらに進化しても、自社の運用は揺らがずに済みます。
よくある質問
Gemini 3.5 Proは2026年6月時点で誰でも使えますか
発表は2026年5月19日のGoogle I/Oで、一般提供は2026年6月予定とされています。ただし6月時点では限定プレビューやエンタープライズ中心の段階で、広範なGAは順次進行中という状況です（要確認）。自社で使えるかはGoogle AI StudioやVertex AIのモデル一覧で実際に確認してください。
200万トークンに本当に全商品データが入りますか
分量しだいです。200万トークンはおよそ140万〜200万文字規模の目安で、中規模ECの商品マスタ・レビュー・問い合わせを合算すると上限に近づくことが多いです。収まらない場合は列を絞る、期間を直近1年に限定するといった前処理で対応します。
ChatGPTやClaudeではなくGeminiを選ぶ理由は何ですか
最大の理由は文脈窓の広さと、テキストと画像を同時に扱えるマルチモーダル性です。大量データを分割せず丸ごと読ませたい用途ではProが向きます。一方で、用途によっては他モデルが適することもあるため、使い分けの考え方は関連記事を参照してください。
個人情報を含むデータを投げても大丈夫ですか
無加工での投入は避けてください。氏名・住所・電話番号などはアップロード前に削除またはマスキングし、商品管理番号や匿名IDで分析が成立するよう設計します。エンタープライズ経路でデータ取り扱い条件を確認することも重要です。
無料で試す方法はありますか
Google AI Studioでは一定の範囲で無料での試用が可能な場合があります（提供条件は変動するため要確認）。まず小さなデータで挙動を確かめ、効果が出た処理だけをAPI従量課金へ移すと、コストを抑えながら検証できます。
Flashとの使い分けはどう考えればよいですか
日々の大量処理や軽い要約はFlash、月次の腰を据えた横断分析や複雑な推論が要る場面はPro、という役割分担が現実的です。FlashはGeminiアプリや検索のAI Mode、Vertex AIのデフォルトに採用されており、コスト効率に優れます。
導入の最初の一歩は何をすべきですか
まず商品マスタ・レビュー・問い合わせのCSVを商品管理番号でつながる形に整えることです。データの整形さえ済めば、本記事のプロンプトをそのまま試せます。データがバラバラのままだと文脈窓の広さを活かしきれません。
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
