投稿者 投稿日: カテゴリー EC×AI活用
AIコマース対応度とは、AIが商品を読める状態かを示す指標のことです。
米国の大手小売1,000社を対象にした最初の測定結果は、平均41.9点（100点満点）でした。上位20社しか60点を超えていません。売上規模で814位の会社が対応度では1位という結果も出ています。つまり、この領域はまだ誰も勝ち切っていません。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、この新しい指標を日本のEC事業者の自己診断にどう落とすかを整理します。読み終えたら、自社の商品データのどこから手を付けるか順序が決まります。
米国Top1000を測った新指標が示したもの
先に結論を書きます。AIコマース対応度は、売上規模とはほとんど連動しません。Digital Commerce 360 と ReFiBuy が2026年7月15日に公開した AI Commerce Rankings は、米国のオンライン小売Top1000を0から100点で採点した四半期ベンチマークです。第1回の結果は、平均41.9点、中央値44.1点、最高点は72点でした。
順位の顔ぶれが象徴的です。1位のOnline Labelsは、オンライン売上順位では814位です。2位のNixonは722位、3位のFashionphileは826位。売上上位の巨大小売の多くは、対応度では下半分に沈みました。データ上、規模の大きさは対応度を保証しません。むしろ、カタログが読みやすく、商品データが解釈しやすいほうが効いています。
もう1つ目を引くのが、AI経由の流入がすでに珍しくないという点です。Top1000のうち87.1%がすでに測定可能なAI経由の流入を受けており、その合計は約1億900万訪問とされています。Adobe Analyticsのデータとして、2025年ホリデーシーズンの生成AI経由トラフィックは前年同期比693%増、2026年第1四半期は393%増と示されています。一方で、AI経由の流入の8割超が単一のエンジン（ChatGPT）に集中しているとも指摘されています。
日本の店舗運営に引き直すと、論点は2つに絞られます。1つは、自社の商品ページや商品フィードがAIのクローラから読める状態にあるか。もう1つは、流入が1つのエンジンに偏っていないか。楽天市場やYahoo!ショッピングに出店している場合はモール側の設定に依存する部分が大きく、自社ECを持っているかどうかで打ち手の自由度が変わります。ここは後段で分けて書きます。
なお、この指標は米国市場のTop1000が母集団です。日本の消費者行動にそのまま当てはめられるものではありません。数値は「方向性の参考値」として扱い、自社の実測と併せて判断してください。
それでも見る価値があるのは、算出の考え方が公開されているからです。総合点だけを出して中身を伏せる指標は、自社に当てはめようがありません。今回は4つの信号とその意図まで開示されているため、日本の店舗が自前の物差しを組む土台として使えます。実際、この記事の後半で示す自己診断はその写し替えです。
もう1点、点数の意味づけについて公式に注記があります。点が低いことは「AI対応の取り組みをしていない」ことを意味せず、「AIエージェント側からまだ成果が観測できない」ことを意味する、という説明です。社内でどれだけ準備していても、エージェントが到達できない場所に置いてあれば点は付きません。この線引きは、社内報告で誤解を生みやすいところなので、共有しておくと揉めません。
4つの信号が何を見ているのか
対応度の点数は、4つの信号を合成して算出されています。ボットフレンドリー度、AI経由トラフィック量、AIソースの多様性、直近90日のモメンタムの4つです。この分解を知っておくと、自社で真似た自己診断表を作れます。
第1の信号、ボットフレンドリー度は、AIのショッピングエージェントがカタログに到達し、読み、取引できるかを見ます。ここには UCP（Universal Commerce Protocol）や ACP といったエージェント向け商取引プロトコルへの対応も含まれます。第1回時点で、UCP対応が検証済みなのはTop1000のうち26%にとどまりました。自動車カテゴリに至っては、UCP対応が確認された小売が1社もありません。UCPそのものの解説は、うるチカラのUCPとは何かとMerchant Center対応の5手順にまとめてあります。
第2の信号、AI経由トラフィック量は、すでにどれだけ回答エンジン経由の流入を得ているかです。第3の信号、AIソースの多様性は、その流入が複数のエンジンに分散しているか、1つに依存しているかを見ます。ChatGPT一極集中はリスクとして減点対象という設計です。第4の信号、90日モメンタムは、点の状態ではなく直近四半期の方向を見ます。これは実務的に重要な設計で、「今の絶対値が低くても、上向いているなら評価する」という思想が入っています。
カテゴリ別の平均も公開されています。首位はオフィス用品の47.4点、次いで宝飾45.0点、ホームセンター・住宅設備44.8点。最下位は食品・飲料の37.2点でした。実店舗での購買が強く、かつ検討時間が短いカテゴリほど点が伸びにくい傾向が読み取れます。食品ECを回している日本の店舗にとっては、これは悪い話ではありません。競合が総じて手薄な領域が残っている、と読めるからです。
現場で繰り返し見るのは、この4信号のうち第1の「読めるか」で落ちているケースです。商品ページの主要情報が画像内テキストにしか存在しない、スペックがPDFにしか書かれていない、在庫と価格がJavaScript描画後にしか出ない。この状態だと、後段の3信号を測る以前に土俵に上がれません。
日本のEC事業者向けの自己診断5ステップ
自社で対応度を測るなら、公開されている4信号をそのまま真似るのが早道です。ここでは、日本の店舗が今日から回せる形に落とした5ステップと、そのまま貼って使えるプロンプト5本を示します。使用するAIは、2026年8月時点で ChatGPT（GPT-5.6系）、Claude（Opus 5）、Gemini（3.1 Pro / 3.6 Flash）のいずれでも構いません。大量のURLを処理するなら安価な高速モデル、判断を伴う整理なら上位モデル、という使い分けが現実的です。
第1ステップは、クローラ到達性の確認です。自社ECを持っている場合、robots.txt で GPTBot、ClaudeBot、PerplexityBot、Google-Extended などを一律ブロックしていないかを見ます。楽天市場やYahoo!ショッピングの店舗ページはモール側の設定に従うため、ここは自社サイト・自社ブログ側の話になります。
プロンプト1：robots.txt と AIクローラ許可状況の棚卸し
あなたはテクニカルSEOの実務担当者です。
以下の robots.txt の内容を読み、AIショッピングエージェント・回答エンジンのクローラに対する
許可／拒否の状態を整理してください。
観点：
1. GPTBot / OAI-SearchBot / ChatGPT-User の扱い
2. ClaudeBot / anthropic-ai の扱い
3. PerplexityBot の扱い
4. Google-Extended（AI学習用）と Googlebot（検索用）の扱いの違い
5. 商品ページ配下のディレクトリが Disallow に含まれていないか
出力：
- 許可されているボット、拒否されているボット、記述がなく暗黙許可のボットの3分類
- 商品情報の露出という観点で、変更を検討すべき行とその理由
- 変更する場合のリスク（学習利用と検索露出の切り分け）を2〜3行
robots.txt の内容：
{ここに貼る}
第2ステップは、商品ページがテキストとして読めるかの検証です。主要な属性（サイズ、素材、内容量、賞味期限、電源、対応機種など）が本文テキストに存在するかを確認します。
プロンプト2：商品ページの属性テキスト充足チェック
あなたはEC商品データの品質監査を担当するアナリストです。
以下の商品ページのテキスト（画像内の文字は含まれていません）を読み、
AIが商品を正しく理解するために必要な属性がテキストとして揃っているか判定してください。
判定する属性：
- 商品カテゴリ、ブランド、型番／JANコード
- サイズ・容量・重量・数量
- 素材・原材料・成分
- 対応機種・適合条件（該当する場合）
- 用途・利用シーン
- 価格、送料の条件、在庫状態
- 返品・保証の条件
出力：
1. 揃っている属性、欠けている属性の一覧
2. 欠けている属性のうち、購入判断への影響が大きい順の上位3件
3. 各欠落について、商品説明文へ追記する日本語の文案（1属性2文以内）
商品ジャンル：{ジャンル}
商品ページのテキスト：
{ここに貼る}
第3ステップは、AI経由流入の実測です。自社ECなら Google Analytics 4 の参照元・メディアで chatgpt.com、perplexity.ai、claude.ai、gemini.google.com などを含むセッションを抽出します。楽天市場・Yahoo!ショッピングの店舗はモールのアクセス解析で外部流入の内訳を確認しますが、AIエンジン単位の分解ができない場合があります（各モールの提供項目は要確認）。
プロンプト3：AI経由流入の集計とソース多様性の判定
あなたはWeb解析の担当者です。
以下の参照元別セッションデータから、AI回答エンジン経由の流入を抽出して集計してください。
対象とみなす参照元の例：
chatgpt.com / openai.com / perplexity.ai / claude.ai / gemini.google.com /
copilot.microsoft.com / bing.com の AI 回答面 / その他 LLM 系サービス
出力：
1. AI経由の合計セッション数と、全体に占める比率（％、小数第1位）
2. エンジン別の内訳と、最大シェアのエンジンが占める比率
3. 単一エンジンへの依存度の評価（80%以上なら依存度が高いと明記）
4. 直近90日の増減方向（増加／横ばい／減少）とその根拠となる数値
参照元別セッションデータ（期間つき）：
{ここに貼る}
第4ステップは、点数化です。4信号を各25点に配分し、自社の状態を採点します。厳密な再現ではありませんが、四半期ごとに同じ物差しで測れば変化が見えます。
プロンプト4：自社のAIコマース対応度スコアリング
あなたはEC事業のアセスメント担当です。
以下の入力から、AIコマース対応度を100点満点で採点してください。
配点は4項目×25点とし、各項目の採点根拠を1〜2文で示してください。
項目1 到達性（25点）：AIクローラの許可状況、商品情報のテキスト化率、
構造化データ（Product / Offer）の実装状況、UCP・ACP等プロトコル対応の有無
項目2 AI経由流入量（25点）：全セッションに占めるAI経由の比率
項目3 ソース多様性（25点）：流入エンジンの数と最大シェア
項目4 直近90日モメンタム（25点）：AI経由流入の増減率
出力：
- 4項目の点数と合計点
- 合計点に対する一言評価
- 次の四半期までに着手すべき改善を、点数インパクトの大きい順に3件
入力データ：
{プロンプト1〜3の出力をここに貼る}
第5ステップは、改善の優先順位付けです。採点しただけでは動けません。着手順を決めるところまでやります。
プロンプト5：改善タスクの優先順位付けと工数見積り
あなたはEC事業の改善プロジェクトを設計するコンサルタントです。
以下のAIコマース対応度の採点結果をもとに、改善タスクを整理してください。
条件：
- 社内の実働工数は月20時間まで
- 外部発注は1件あたり10万円までなら検討可能
- 商品点数は{商品点数}点、主力カテゴリは{ジャンル}
出力：
1. 改善タスクの一覧（各タスクに、想定工数・想定効果・実施主体を付す）
2. 3か月分の着手順（月ごとに1〜3タスク）
3. 着手しないと決めたタスクと、その理由
4. 効果測定に使う指標と測定タイミング
採点結果：
{プロンプト4の出力をここに貼る}
自社ECを持たず、楽天市場とYahoo!ショッピングだけで運営している店舗の場合、第1ステップと第3ステップの自由度は限られます。その代わり、第2ステップの属性充足は完全に自社の裁量です。商品名・商品説明文・商品属性の入力精度を上げるだけで、モール側がAIに提供するデータの質は変わります。楽天市場の商品名は半角255文字（全角換算127文字）、Yahoo!ショッピングの商品名は75文字が上限です（2026年5月時点の確認値、最新は各モールのマニュアルで確認してください）。この枠の中で属性を落とさない書き方が求められます。
診断でつまずく3つのパターン
ある食品ジャンルの中規模店舗の事例では、AIクローラをすべて拒否した状態のまま「AI経由の流入が伸びない」と悩んでいました。セキュリティ担当が一括でブロックしたまま、商品ページも巻き添えになっていた形です。学習利用の可否と、検索・回答面への露出の可否は別の話として設計する必要があります。ブロックの範囲を商品ページ以外に限定するだけで、状況が変わることがあります。
2つ目のつまずきは、点数を上げること自体が目的化するパターンです。構造化データを入れ、プロトコル対応の記述を足し、点数は上がったのに注文が増えない。原因を追うと、商品説明の中身が競合と横並びで、AIが推薦する理由を持っていなかった、というケースがあります。読める状態にすることは前提条件であって、選ばれる理由は別に用意しなければなりません。
3つ目は、測定期間が短すぎるパターンです。AI経由の流入は月次で見ると振れ幅が大きく、1か月の増減で判断すると誤ります。第1回ランキングが90日モメンタムを信号に採用しているのは、この振れを均すためです。自社の診断でも、最低でも四半期単位で比較してください。アパレル系の単一店舗で試したケースでは、月次では減少に見えた期間が、四半期で見ると横ばいだった、ということが起きました。
4つ目として挙げておきたいのが、属性を足しすぎて商品説明が読みづらくなるパターンです。AIに読ませる目的で仕様を列挙しはじめると、人間の買い物客にとっては情報の密度が高すぎるページになります。楽天RMSの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）が上限で、そもそも全部は入りません。優先順位を決めずに書き足すと、購入判断に効く情報が下のほうへ押し流されます。属性は商品説明の前半に短い文で置き、詳細スペックは後半にまとめる。この順序を崩さないでください。
カテゴリ別平均の読み方も補足しておきます。米国の結果では実用品・検討時間の長い商材が上位に来ましたが、日本の消費者は同じカテゴリでも購買経路が違います。たとえば化粧品やサプリは、日本では口コミサイトとSNSの影響が強く、AI回答エンジンでの比較検討が主流とは言い切れません。カテゴリ平均を自社の目標値にそのまま流用せず、自社の顧客がどこで比較しているかを確認したうえで重み付けを決めるのが妥当です。
KPIと費用・工数の目安
この診断を回すコストは、そこまで大きくありません。生成AIの利用料は、ChatGPT Plus が月20米ドル、Claude Pro が月20米ドル、Google AI Pro が月額20米ドル前後です（2026年8月時点の公開価格、為替と改定は要確認）。商品点数が数千点規模でAPI処理をするなら、低価格モデルを使えば数千円から数万円の範囲に収まることが多い、というのが現場感覚です。
工数の目安は、初回の棚卸しで10時間から20時間、四半期ごとの再測定で3時間から5時間というのが、直近の支援案件で観測した水準です。商品点数より、社内でデータを持っている場所がバラけているかどうかで工数が変わります。
見るべきKPIは4つです。第1に、商品ページの属性充足率（必須属性のうちテキストで存在する割合）。第2に、AI経由セッションの全体比。第3に、AI経由セッションのエンジン別内訳と最大シェア。第4に、AI経由セッションのCVRを通常検索経由と比較した差分です。第4は特に重要で、AI経由の訪問は購買意図が固まっている場合が多い一方、期待と実物のズレで直帰する場合もあります。CVRの差分を見ておかないと、流入だけ増えて売上が動かない状態に気付けません。
工数の内訳をもう少し具体的に書きます。初回棚卸しの10時間から20時間のうち、半分近くは商品データの所在確認に消えます。モールの管理画面、基幹システム、Excelの手元管理、仕入先から届くPDFのスペック表。この4か所に分散しているのが典型で、どれを正とするかを決めるところに時間がかかります。ここを決めずにAIへ投げると、出力の食い違いを人が突き合わせる作業が発生し、かえって工数が増えます。先に正の場所を1つ決めてください。
再測定の3時間から5時間は、プロンプト1から5をもう一度回すだけの時間です。2回目以降は前回の出力が比較対象として使えるため、判断の速度が上がります。四半期に1回、担当者1名で半日確保しておけば回ります。外注する場合は、初回の棚卸しだけを依頼して、以降は社内で回すのが費用対効果の面で合理的でしょう。
目標値の置き方としては、初回はまず「属性充足率80%」を狙うのが現実的です。AI経由セッション比率の目標は、業種と商品単価で妥当な水準が変わるため、他社比較より自社の四半期推移で見るほうが実用的でしょう。AI検索経由の流入をどう測るかは、うるチカラのGEO計測とAI経由の顧客認知をどう測るかでも扱っています。
四半期ごとに物差しが変わる前提で設計する
この指標の設計で見逃せないのは、算出方法自体を四半期ごとに見直すと明言している点です。エージェント経由の商取引は動きが速く、今日の最適解が3か月後には陳腐化します。だからこそ、自社の運用も「一度整えて終わり」ではなく、四半期ごとに測り直す前提で組む必要があります。
もう1つ、単一エンジン依存を減点対象にしている設計思想は、日本のEC事業者にとっても示唆があります。現時点でAI経由流入の8割超がChatGPTに集中しているという状況は、かつて検索流入がGoogleに集中していた構図と似ています。仕様変更1つで流入が半減するリスクを抱えることになります。ChatGPT、Gemini、Perplexity、Claude、それぞれで自社商品がどう扱われているかを定期的に確認する体制を作っておくのが安全です。実際の確認手順は、うるチカラの4大AIショッピングでの自社商品の露出を調べる手順にまとめています。
日本市場固有の論点として、モール依存度の高さがあります。楽天市場・Amazon・Yahoo!ショッピングに売上の大半を預けている店舗は、AIエージェントとの接点もモール経由になります。この場合、自社でできる打ち手は商品データの精度向上に集約されます。逆に、自社ECの比率が高い店舗は、クローラ制御・構造化データ・プロトコル対応まで自分で握れます。どちらが有利という話ではなく、打ち手の性質が違うので、診断項目の重み付けを変えるべきだ、ということです。
今後の見通しとしては、同種の指標が日本市場向けにも登場する可能性があります。ただ、2026年8月時点で国内Top1000規模を対象にした公開ベンチマークは確認できていません（要確認）。それまでは、自社で4信号を模した簡易スコアを回すのが最も早い、という判断になります。
よくある質問
AIコマース対応度は誰でも測れますか
はい、4つの信号を自社データに置き換えれば測れます。公開されている算出式そのものは非公開ですが、ボット到達性・AI経由流入量・ソース多様性・90日モメンタムという4軸は公開されているため、各25点で自社版を組めば実用に足ります。厳密な順位ではなく、自社の四半期推移を見る道具として使ってください。
楽天市場だけで運営していても意味がありますか
はい、意味があります。モール側の設定に手は出せませんが、商品名・商品説明文・商品属性の精度は完全に自社の裁量です。AIが商品を理解できるかどうかは、最終的にその文字情報の質で決まります。自社ECを持たない店舗でも、属性充足の改善は直接効きます。
AIクローラを許可すると、コンテンツを無断で使われませんか
学習利用と回答面での露出は、ボットごとに分かれている場合があります。たとえばGoogleでは検索用のクローラとAI学習用の指定が別建てになっています。一律拒否ではなく、商品ページは許可し、独自コンテンツの一部は拒否するといった切り分けが可能です。各社の仕様は変更されることがあるため、実装前に公式ドキュメントを確認してください。
平均41.9点というのは低いのでしょうか
低い水準です。1,000社のうち60点を超えたのが20社しかない状態は、業界全体がまだ整っていないことを意味します。裏を返せば、いま着手すれば相対的な優位を取りやすい局面だと読めます。ただしこれは米国Top1000の数値であり、日本市場の水準は別に測る必要があります。
どのAIモデルを使って診断すればいいですか
用途で分けるのが効率的です。数千点の商品ページを機械的に判定するなら、Gemini 3.6 Flash や低価格帯モデルのようなコスト重視の選択が向きます。採点結果を解釈して改善計画に落とす工程は、GPT-5.6系や Claude Opus 5 のような上位モデルのほうが精度が出ます。全部を高価格モデルで回す必要はありません。
改善の効果はどれくらいで出ますか
流入への反映には、少なくとも1四半期を見込んでください。AI回答エンジンがカタログを再評価する周期は公開されておらず、変更が反映されるまでに時間差があります。90日モメンタムが信号として採用されているのも、この時間差を前提にしているためです。1か月で結果を判断しないでください。
UCPやACPへの対応は必須ですか
現時点では必須ではありませんが、加点要素です。第1回の測定でUCP対応が検証済みなのは26%にとどまっており、対応済みであること自体が差別化になります。ただし、対応の前に商品データそのものが読める状態になっていなければ効果は限定的です。順序としては、属性の充足が先です。
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）
参考文献
- Digital Commerce 360｜AI Commerce Rankings 発表（2026年7月15日）
- ReFiBuy｜The AI Commerce Rankings（方法論・第1回結果）
- Retail TouchPoints｜New Rankings Rate AI Retail Readiness Across 1000 Companies
※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
