投稿者 投稿日: カテゴリー EC×AI活用
ハルシネーションとは、AIが事実でない情報を事実のように書く現象のことです。
同じ「渡した文書を要約するだけ」というタスクで、モデル間のハルシネーション率が1.8%から24.2%まで、13倍以上ひらいています。これはVectara Hallucination Leaderboardの2026年5月11日更新版に並んだ実測値で、上位にも下位にもオープンモデルが混在しているのが2026年の実情です。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）の現場知見にもとづいて解説します。「オープンモデルは危ないから触らない」でも「無料だから全部任せる」でもなく、商品説明という業務のどこに検証工程を挿し込むかを設計するのが本題です。
ハルシネーション率が1.8%から24.2%までひらいた2026年のオープンLLM
結論として、2026年時点で「オープンモデルだからハルシネーションが多い」という一括りは成り立ちません。理由は単純で、公開されている実測ベンチの上位にも下位にもオープンモデルが並んでいるからです。上記リーダーボード（2026年5月11日更新）では、Llama-3.3-70B-Instruct-Turbo が4.1%、gemma-3-12b-it が4.4%、mistral-large-2411 が4.5%、qwen3-8b が4.8%。いずれも同じ表のなかで、商用フラッグシップより低い位置にいます。
一方で同じ表の下側には、ministral-3-3b-2512 の24.2%、Phi-4-mini-instruct の23.5%、mistral-medium-2508 の22.7% が並びます。オープンか商用かではなく、モデル個体の差がそのまま出ている状態です。無料だから雑なのでもなく、オープンだから安心なのでもない。ここを取り違えると、検証にかける工数の見積もりから狂います。中間帯も押さえておくと選定が楽になります。DeepSeek-V3.2-Exp は5.3%、qwen3-32b は5.9%、GLM-4.6 は9.5%、Kimi-K2.5 は14.2%。同じオープンモデルという括りのなかに、率が3倍近く違う組み合わせが普通に同居しています。どのモデルをEC業務の土台に置くかという選定そのものは、Qwen・Mistral・DeepSeekのEC向け比較で別途整理しました。
このベンチが商品説明の話に直結する理由は、測っているタスクの形にあります。Vectaraの解説記事によれば、評価は7,700本超の記事をモデルに渡し、「渡された文章の情報だけで要約せよ、推論するな、内部知識を使うな」と指示したうえで、生成結果が原文と矛盾していないかを判定する設計です。温度は0固定。つまり測っているのは物知りかどうかではなく、与えた資料の外に踏み出さない能力です。商品説明の生成は、商品マスタとスペック表を渡して「この情報だけで魅力的に書いて」と頼む作業ですから、評価タスクの形がほぼ重なります。
読むときの落とし穴が1つあります。回答率（answer rate）です。Phi-4 のハルシネーション率は3.7%と低いのですが、回答率は80.7%。gemma-3-4b-it は6.4%に対して回答率67.3%です。要約を拒否した分は率の計算から外れる設計なので、難しい題材で黙るモデルは数字の上では優等生に見えます。商品説明の現場で黙られては仕事になりませんから、率と回答率はセットで読むのが実務的な作法です。
同じ調査から、商品説明の運用に直結する傾向がもう1つ読み取れます。題材の複雑さと長さです。Vectaraのデータセットは低複雑度3,792本・高複雑度3,939本のほぼ半々で構成されており、高複雑度の題材ではハルシネーション率が一貫して高いという結果が出ています。文章の長さでも傾向は同じで、長い記事ほど率が上がります。商品説明に置き換えるなら、仕様が入り組んだ商材ほど、そして説明文の枠が長いほど、事実の取り違えが起きやすいという話になります。家電やPC周辺機器のように仕様項目が10を超えるジャンルは、この意味で最初から難易度の高い領域です。
注意点をもう1つ添えます。このリーダーボードの更新時点は2026年5月11日で、Claude Opus 5（2026年7月24日リリース）、Gemini 3.6 Flash（同年7月21日）、GPT-5.6ファミリーといった直近世代はまだ収録されていません。最新モデルの数値は現時点では要確認です。自社で使う候補が表に載っていないときは、公開値を待つより、次章以降の検証工程を自前で回して手元の商品データで比べたほうが早い、というのが現場での判断です。
商品説明で事故るのは文章の巧拙ではなく属性の穴埋め
商品説明で誤記載が出るとき、その起点はほぼ「渡していない属性をモデルが埋めた」瞬間です。日本語としての巧拙はまったく関係がありません。むしろ文章が滑らかなモデルほど、空欄を自然な言葉で埋めてしまうので、目視で気づきにくくなります。
具体的にはこうなります。商品マスタに「素材：綿」としか書いていないのに、生成文には「上質なオーガニック認証コットンを使用」。原産地欄が「国内製造」だけなのに「北海道産の原料を厳選」。保証年数をどこにも渡していないのに「メーカー保証3年付き」。受賞歴の入力がないのに「品評会受賞」。容量が「200g」なのに、比較用の一文として「一般的な製品の1.5倍」。直近の支援案件で観測したのは、こうした埋め草が1商品あたり1〜2箇所ずつ、しかも文中に散らばって混ざるという挙動でした。まとめて先頭に出てくれるなら発見も楽なのですが、実際は本文の中盤に自然な語り口で埋まっています。
リスクの重さはジャンルで大きく違います。食品は原材料とアレルゲン、それに原料原産地が絡みます。加工食品の原料原産地表示については消費者庁が制度の解説ページを出しており、表示欄と商品説明文で産地の書き方が食い違えば、問い合わせの火種になります。化粧品やサプリメントは効能表現が薬機法の領域に触れます。家電は対応規格・消費電力・保証年数のような数値そのものが購入判断の根拠で、しかも数値は生成AIが最も気軽に埋める対象です。アパレルは素材混率とサイズ表記で、綿のみの製品と、ポリウレタンを5パーセント含む製品を取り違えたら返品対応になります。
表示のルール面では、一般論として消費者庁の景品表示法が問題になりえます。実際より著しく優良だと消費者に誤認させる表示は同法で規制されており、生成AIが勝手に足した「産地」「受賞」「配合率」は、そのまま誤認の材料になりえます。書き手が意図していなかった、モデルが勝手に書いた、という事情が免責になるかどうかは個別事案の判断ですから、最終的な線引きは顧問弁護士や専門家に確認してください。ここでは「AIに書かせた文章も、出した以上は自社の表示である」という前提だけ共有しておきます。
枠の広さも効いてきます。楽天RMSのPC用商品説明文は半角10,240文字（全角換算5,120文字）、スマートフォン用商品説明文は半角2,560文字（全角換算1,280文字）まで入ります。埋められる枠が広いほど、モデルは埋めようとします。5,000社支援のなかで何度も再現したパターンとして、「短い枠のときは事故らないのに、長い枠に切り替えた途端に属性の捏造が増える」という現象があります。文字数の指定は、品質だけでなく安全側の設計変数でもあるわけです。
モールごとの枠の性質も押さえておくと設計が楽になります。Amazon.co.jpは商品説明が半角2,000文字以内、箇条書きは最大5項目で、短いぶん1項目あたりの情報密度が高くなります。密度が高い箇所ほど属性が凝縮されるので、捏造が1つ混ざったときの見え方は深刻です。Shopifyは商品説明がHTMLで上限を持たないため、逆に長さの制御を自社で決める必要があります。枠の広さと事故率は連動する、という前提でジャンルごとに上限文字数を決めておくのが、安全側に寄せた設計です。
与えた情報だけで書かせるプロンプト6本
ここからは実装です。設計の要は「書かせる工程」ではなく「書かせない工程」を先に作ることにあります。以下、用途の異なるプロンプトを6本置きます。ChatGPT・Claude・Geminiのいずれでも動く書き方にしてありますし、オープンモデルをローカルやAPIで動かす場合も同じ文面が使えます。
まず入口です。属性を明示的にロックし、渡していない項目は書かせず、空欄として返させます。空欄が返ってくること自体が検品の合図になるので、埋めてしまうモデルより扱いやすくなります。
プロンプト1：属性ロック型の商品説明生成（不明項目は空欄で返させる）
あなたは日本のEC向け商品説明ライターです。
以下の「確定情報」だけを根拠に、商品説明文を{文字数}字以内で作成してください。
厳守事項：
1. 確定情報に書かれていない属性（原産地・素材比率・成分・保証年数・受賞歴・認証・容量・対応規格）は一切書かない
2. 書きたいが情報が足りない項目は、本文に含めず、末尾の「【未確認項目】」に箇条書きで列挙する
3. 推測・一般論・類似商品の知識で補完しない
4. 数値は確定情報に書かれた数値をそのまま使い、単位を変換しない
5. 効能・効果を断定する表現、最上級表現は使わない
確定情報：
- 商品ジャンル：{ジャンル}
- 商品名：{商品名}
- 素材/原材料：{値}
- 原産地/製造国：{値}
- 容量/サイズ：{値}
- 価格：{値}
- 保証・アフター：{値}
- その他マスタ記載事項：{値}
出力フォーマット：
本文／改行／【未確認項目】の箇条書き
次が検品側の中核です。生成された本文と商品マスタを並べて、マスタに存在しない主張を機械的に洗い出させます。人間が読むより速く、しかも見落としの傾向が人間と違うので、二重チェックとして噛み合います。
プロンプト2：商品マスタ突合による未裏付け表現の抽出
あなたは表示チェック担当者です。
以下の「商品マスタ」と「生成された商品説明文」を突き合わせ、
マスタに根拠がない記述をすべて抜き出してください。
判定ルール：
- マスタに記載がない属性・数値・産地・認証・受賞・比較主張は「未裏付け」とする
- マスタと矛盾する記述は「矛盾」とする
- マスタから直接読み取れる言い換えのみ「裏付けあり」とする
- 判断に迷うものは「要確認」に入れ、勝手に裏付けありへ倒さない
商品マスタ：
{マスタの全項目をそのまま貼る}
生成された商品説明文：
{本文}
出力フォーマット：
該当箇所の引用／区分（未裏付け・矛盾・要確認）／理由／推奨対応（削除・マスタ確認・表現修正）
数値は事故率が高いわりに、目視での照合が最も退屈な領域です。単位換算や桁の取り違えを含めて、抽出と照合だけを担当させます。
プロンプト3：数値・単位の抽出と照合
以下の商品説明文から、数値を含む記述をすべて抽出してください。
対象：容量・重量・寸法・入数・価格・年数・パーセント・温度・時間・規格番号
各数値について、下記を出力してください。
1. 本文中の記述（原文のまま引用）
2. 単位
3. 「商品マスタ」に同じ数値が存在するか（存在／不一致／マスタに記載なし）
4. 単位換算が行われている場合、その換算が正しいか
商品マスタ：{マスタの数値項目}
商品説明文：{本文}
数値が1つも見つからない場合は「該当なし」とだけ返してください。
推測での補完は行わないでください。
表現面のスクリーニングです。ジャンルによって当たる法令が変わるので、ジャンル指定を変数にしてあります。判定はあくまで一次スクリーニングで、最終判断は社内の薬事担当や専門家に回す前提で使ってください。表現チェックの運用そのものは薬機法・景表法の表現チェックで手順化しています。
プロンプト4：ジャンル別の表現スクリーニング（一次判定）
あなたは日本のEC表示チェックの一次スクリーニング担当です。
以下の商品説明文について、リスクのある表現を洗い出してください。
商品ジャンル：{ジャンル}
想定する主な論点：
- 化粧品・サプリの場合：効能効果を断定する表現、身体の変化を約束する表現
- 食品の場合：健康維持を超えた表現、原産地・原材料の言い切り
- 家電・日用品の場合：性能の最上級表現、比較優位の根拠なし主張
- 全ジャンル共通：最上級表現、根拠のない比較、体験談の一般化
出力フォーマット：
該当表現の引用／リスク区分（高・中・低）／なぜ問題になりうるか／代替表現案
判定は一次スクリーニングであり、法的な結論ではないことを冒頭に明記してください。
グレーと判断したものは「低」に倒さず「中」以上に置いてください。
商品説明文：{本文}
ジャンルごとに「渡すべき属性」が決まっていないと、そもそも入口のロックが機能しません。棚卸しを先に済ませておくためのプロンプトです。
プロンプト5：ジャンル別の必須属性チェックリスト生成
日本のECで{ジャンル}を販売する際、商品説明文に書く可能性が高い属性を洗い出してください。
各属性について下記を出力してください。
1. 属性名
2. 誤記載したときに起きうる実害（返品・問い合わせ・表示上の問題など）
3. 商品マスタのどの項目から取得すべきか
4. マスタに無い場合、誰に確認すべきか（仕入先・製造元・社内の担当部署など）
重要度の高い順に並べ、生成AIが勝手に補完しやすい属性には「補完注意」と付記してください。
一般論としての整理で構いませんが、断定的な法解釈は書かないでください。
最後は事故が表に出たあとです。修正だけでなく、社内共有と顧客対応の文面まで一気に組み立てます。慌てているときほど手が止まるので、型を持っておくと復旧が速くなります。
プロンプト6：誤記載発覚後のリカバリ文面と修正指示の生成
商品説明文に誤記載が見つかりました。以下を作成してください。
1. 該当箇所の修正案（正しい情報に置き換えた本文）
2. 同じ誤りが混入している可能性が高い商品の絞り込み条件（ジャンル・生成時期・使用モデル・テンプレート）
3. すでに購入した顧客への連絡文（事実関係と対応方針を簡潔に、言い訳を書かない）
4. 社内共有用のインシデント記録（発生日時・検知経路・原因・再発防止策）
誤記載の内容：{何を、どう間違えたか}
正しい情報：{マスタの記載}
影響範囲の把握状況：{分かっている範囲}
過度な謝罪表現や過度な補償の約束は入れず、事実と対応の記述に徹してください。
「安いから任せた」で崩れた3つのパターン
失敗は再現性が高く、だいたい3つのどれかです。
1つ目は、CSV一括生成で同じ誤りが数百SKUに複製されるパターンです。プロンプトを1本作って全商品に流すので、そのプロンプトが属性ロックを欠いていると、モデルの癖がそのまま横並びで出ます。ある食品ジャンルの中規模店舗の事例では、テンプレートに「産地の魅力を一言添えて」と書いてあったせいで、産地情報を渡していない商品にも産地の描写が入りました。回避策は単純で、一括流しの前に20〜30SKUの試験ロットを回し、プロンプト2の突合で未裏付け表現がゼロになるまでテンプレートを直すことです。
2つ目は、日本語の自然さで検品を通してしまうパターンです。オープンモデルの日本語は2026年時点でかなり滑らかになっており、読んで違和感がありません。人間の目視は「文として変か」を見るので、事実の穴には反応しにくい。回避策は、目視の前に機械照合を挟むこと。順番が逆だと、目視で合格が出た文章を機械に流す気力がなくなります。
3つ目は、モデルを差し替えたときに検証工程も一緒に外してしまうパターンです。安いモデルに切り替えるときは検証を厚くするのが筋なのに、実際には「コスト削減」の文脈で工程ごと軽くなりがちです。オープンモデルを自社環境で回す場合の設計上の注意はオープンモデル自社運用の防御3原則にまとめてあります。モデル差し替えは、検証を減らす理由ではなく、検証をやり直す理由だと考えてください。乗り換え直後の1週間は、突合で拾った未裏付け表現の件数を日次で数えておくと、そのモデルの癖が早い段階で見えてきます。癖が分かれば、プロンプト側の禁止事項を1〜2行足すだけで抑えられるケースが多く、工程そのものを増やさずに済みます。
どこまでオープンで回し、どこから上位モデルに切り替えるか
判断軸は「その一文が事実を主張しているか」の一点です。事実を主張しない文はオープンモデルで十分、事実を主張する文は上位モデルと人間の確認を通す。この線引きが、費用と安全の両立点になります。
商品説明を分解すると、事実を主張しない部分がかなりの割合を占めます。使用シーンの描写、贈答用途の提案、読みやすい導入文、キャッチの候補出し。ここは誤記載のリスクが構造的に低いので、小型のオープンモデルでも実用に耐えます。逆に、素材・原産地・成分・容量・保証・規格・認証・受賞歴を含む一文は、そのまま表示上の主張になります。ここだけを切り出して上位モデルに通し、さらにプロンプト2と3の突合を欠かさず走らせる。工程を分けるだけで、上位モデルに流すトークン量は大きく減ります。
費用感を1つだけ具体で置きます。AnthropicのClaude Opus 5 は2026年7月24日にリリースされ、入力100万トークンあたり5米ドル、出力100万トークンあたり25米ドルです。商品説明1本の生成に入力2,000トークン・出力1,000トークンを使うとして、全文を上位モデルで書けば1本あたりおよそ0.035米ドル。これに対し、事実を含む1割だけを上位モデルの検証に通す設計にすれば、同じ品質担保をより少ないコストで維持できます。オープンモデルをセルフホストする場合はGPUの固定費が別途かかるため、月間の生成本数が少ないうちは従量課金のほうが安くなるケースが多い、というのが現場感覚です。実際の分岐点は自社の本数次第なので、ここは試算をおすすめします。タスク別にモデルを振り分ける設計の考え方はタスク別モデルルーティング設計で詳述しました。
工数のほうも見ておきます。属性ロック付きの生成と機械照合を組んだ場合、1SKUあたりの人間の確認時間は、目視だけで検品していたときの3分の1程度まで下がるのが目安です。減った時間の一部は、プロンプトの整備とチェックリストの棚卸しに戻ってきますが、これは初期に集中する費用なので、SKU数が増えるほど回収が早くなります。長いコンテキストを一度に扱えるモデルを検品側に置く構成については、Kimi K3をEC業務で使う方法も参考になります。
誤記載が表に出たあとに効いてくる回収コスト
誤記載の本当のコストは、修正作業そのものではなく、修正が世界に反映されるまでの時間差にあります。ここは2026年に入って明確に悪化した論点です。
自社サイトなら本文を直せば即時に反映されます。モール側はそこまで単純ではありません。商品情報の更新から検索インデックスや各種の一覧表示に反映されるまでにはタイムラグがあり、その間は古い表示が残ります。さらに厄介なのが、生成AI経由の露出です。AI検索や購買支援のアシスタントは、商品ページの記述を読み取って要約し、ユーザーに提示します。誤った素材や産地が一度そこに取り込まれると、元ページを直しても、AI側の要約が更新されるまでの間は誤情報が流通し続けます。従来の「ページを直せば終わり」という感覚が通用しない部分です。
もう一段深い問題もあります。誤記載を含む商品説明文が、他社の比較記事やまとめサイトに引用されたり、そのまま学習データとして流通したりする経路です。ここまで来ると自社では回収できません。だからこそ、公開前の検証工程にコストをかけるほうが、事後の回収より圧倒的に安いという構図になります。
実務上の備えは3つです。第一に、生成に使ったモデル名・プロンプトのバージョン・生成日時をSKU単位で記録しておくこと。誤りの傾向が分かった瞬間に、同条件で生成した商品を一括で絞り込めます。第二に、修正の反映を待つあいだの問い合わせ想定文を先に用意しておくこと。第三に、修正履歴を残すこと。事実関係の確認を求められたときに、いつ何をどう直したかを示せる状態にしておくのは、一般論として説明責任の面で意味があります。
越境展開をしている店舗には、もう1つ固有の論点があります。多言語化です。日本語の商品説明を生成AIや機械翻訳で英語・中国語に展開すると、元の日本語に含まれていた誤りがそのまま横に広がります。それだけでなく、翻訳工程でモデルが属性を足すことがあり、日本語版には無かった産地表現が英語版にだけ残る、という状態も起きます。多言語化の前に日本語版の検証を終わらせる、という順序は崩さないでください。逆順にすると、検証すべき対象が言語の数だけ増えます。
今後の見通しも書いておきます。オープンモデルの品質は上がり続けており、リーダーボードの上位帯にオープンモデルが並ぶ状況は今後も続くと見ています。ただし、上がるのは「与えた資料の外に踏み出さない能力」の平均値であって、分散が消えるわけではありません。1%の確率で産地を捏造するモデルでも、1万SKUを流せば100件の誤記載になります。確率が下がるほど、検証工程を外したくなる誘惑も強まるので、そこで工程を残せるかどうかが分かれ目になると考えています。
よくある質問
オープンLLMのハルシネーション率はどこで確認できますか
Vectara Hallucination Leaderboardが実務で使いやすい一次情報です。渡した文書を要約させ、原文と矛盾しない割合を測る設計なので、商品説明の生成に近い形で比較できます。2026年5月11日時点の更新では1.8%から24.2%まで幅があり、オープンモデルも商用モデルも同じ表に並んでいます。掲載されていない最新世代の数値は要確認です。
無料のオープンモデルで商品説明を書くのは危険ですか
いいえ、危険なのはモデルの種別ではなく検証工程の有無です。同じリーダーボードでLlama-3.3-70Bは4.1%、qwen3-8bは4.8%と、商用フラッグシップより低い数値のオープンモデルもあります。属性をロックしたプロンプトと、商品マスタとの機械照合を挟めば、オープンモデルでも実務に乗ります。逆に、上位モデルでも検証なしで一括生成すれば誤記載は出ます。
ハルシネーションを完全になくす方法はありますか
現時点でゼロにする手段は確認されていません。実務での目標は発生率をゼロにすることではなく、公開前に検知して落とす確率を上げることです。属性ロック・機械照合・人間の最終確認という三段構えにすると、単独の目視検品より検知率が上がります。誤記載が出た場合に素早く絞り込める記録の仕組みも、同じくらい重要です。
商品説明でとくに事故りやすい属性はどれですか
原産地・素材比率・成分・保証年数・受賞歴・認証の6つが上位です。いずれも商品マスタに空欄が生じやすく、かつ文章として自然に補完できてしまう属性だからです。数値では容量と入数、対応規格の取り違えが目立ちます。ジャンル別に必須属性のチェックリストを作り、マスタ側で空欄を潰しておくのが先手になります。
生成した商品説明のチェックはどのAIに任せるべきですか
生成と検証で別のモデルを使うのが基本です。同じモデルに自分の出力を検証させると、同じ埋め合わせの癖が両方に出て見逃しが起きます。生成をオープンモデル、検証をChatGPTやGemini、Claudeなど別系統の上位モデルに振る構成が扱いやすく、費用も抑えられます。最終確認は人間が担当してください。
誤記載が見つかったとき最初に何をすべきですか
公開中の該当ページを止めるか該当箇所を修正し、同条件で生成した他商品の絞り込みを並行して始めます。生成に使ったモデル名・プロンプト・生成日時をSKU単位で記録していれば、この絞り込みが数分で終わります。モール側の表示更新にはタイムラグがあるため、問い合わせ対応の文面も同時に準備しておくと復旧が滑らかになります。
参考文献
- Vectara Hallucination Leaderboard（GitHub）
- Vectara「Introducing the Next Generation of Vectara’s Hallucination Leaderboard」
- Vectara Hallucination Evaluation Model（HHEM）Hugging Face
- 消費者庁「景品表示法」
- 消費者庁「新たな加工食品の原料原産地表示制度に関する情報」
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
