投稿者 投稿日: カテゴリー ChatGPT
GPT-5.5の100万トークンとは、全商品データを一度に分析できる枠です。
GPT-5.5が2026年4月24日にAPIで使えるようになり、扱えるコンテキストウィンドウが100万トークンまで広がりました。これが何を意味するかというと、商品マスタCSVとレビュー、問い合わせログを別々に投げてつなぎ直す作業が、ほぼ要らなくなるということです。全商品の情報を1回のやり取りに丸ごと載せて「どのカテゴリの離脱が増えているか」「レビューの不満が集中している商品はどれか」を一気に聞ける。本記事では、その投入設計と、商品データ分析にそのまま貼って使えるプロンプトを6本、用途付きで配ります。あわせて、噂が出ているGPT-5.6の150万トークンについても、2026年6月時点でどこまでが確定でどこからが未確認かを切り分けて検証します。
100万トークンで商品データ分析がどう変わったか
これまで生成AIに商品データを分析させようとすると、最初にぶつかるのが入力量の壁でした。数千SKUの商品マスタCSVを貼ろうとすると途中で切れる、レビューを全部入れると本文が入らない、という状態です。結果として、カテゴリごとに分割して投げ、後から人間が結果を縫い合わせる運用になりがちでした。この縫い合わせ作業こそが、現場で最も時間を食う工程でした。
GPT-5.5のAPIは入力100万トークンまで対応します。これはOpenAIのGPT-5.5発表ページに明記された確定仕様で、料金は入力100万トークンあたり5米ドル、出力100万トークンあたり30米ドルです。日本語の場合、1トークンがおおむね1文字弱から1.5文字程度に対応する目安なので、100万トークンは数十万文字規模を一度に読ませられる計算になります。商品点数で言えば、1商品あたり商品名・説明文・価格・在庫・直近レビュー数件をまとめても、数千SKUクラスの店舗なら主要項目を一度に載せきれる水準です。
この「一度に載せきれる」が効くのは、横断比較を必要とする分析です。たとえば食品ギフトジャンルの中規模店舗で、母の日とお歳暮の二大商戦の商品群を同時に読ませ、「同じ価格帯でレビュー評価に差が出ている要因は何か」を問う。商品を分割して投げていた頃は、AIが各バッチの中だけで判断するため、店舗全体を見渡した示唆が返ってきませんでした。全件を1つの文脈に入れると、AIが店舗内の相対比較として答えを組み立てられます。直近の支援案件で観測したのは、この相対比較を人手でやると半日仕事だったものが、投入設計さえ決まれば数十分で初稿が出るという変化でした。
具体的に何が変わるかをもう一段かみ砕きます。分割投入の時代は、第1バッチで「Aカテゴリの売れ筋」を出し、第2バッチで「Bカテゴリの売れ筋」を出し、最後に人間が両者を見比べて「結局どちらに在庫を寄せるべきか」を判断していました。AIは各バッチの中の最適しか見ていないので、店舗全体での優先順位は答えられなかったのです。全件を1文脈に入れた今は、「全カテゴリを通じて、在庫を増やすべき商品を投資対効果の高い順に10件」といった、店舗横断の意思決定そのものをAIに投げられます。判断の素材集めをAIに任せ、最終判断だけ人間が握る。この役割分担が、100万トークンによって初めて現実的な手順になりました。
注意したいのは、長文を入れられること自体と、長文を正確に読み切れることは別の論点だという点です。OpenAIが公開したLong contextのベンチマーク（OpenAI MRCR v2やGraphwalks）では、GPT-5.5は前世代のGPT-5.4より長文での情報取り出し精度が改善したと報告されています。とはいえ、100万トークン近くまで詰め込むと取り出し精度が落ちる傾向は依然として残ります。だから実務では「載せられる上限」ではなく「正確に答えてほしい範囲」で投入量を決めるのが定石です。全件を入れる場合も、後述するプロンプト側の指示で参照範囲を絞り込む設計が要ります。
もう一点、商品データ分析の文脈で押さえておきたいのは、100万トークンの恩恵を受けやすい店舗とそうでない店舗があるということです。商品点数が数百SKU程度で、しかもカテゴリが単一に近い店舗なら、もともと分割投入の手間が小さいため、全件投入のありがたみは限定的です。逆に、食品とギフト雑貨と季節商材を併売していて品揃えが横に広い店舗ほど、店舗全体を一つの文脈に入れて横断分析する価値が大きく出ます。アパレル系で型番・カラー・サイズ展開が多い店舗も、バリエーションを丸ごと読ませて売れ筋と死に筋の構造を一望できるようになり、効果が出やすい部類です。自店がどちらに近いかを最初に見極めておくと、導入の優先度を判断しやすくなります。
全商品データを丸ごと投入する設計手順
ここが本記事のメインパートです。商品データ分析に貼って使えるプロンプトを6本、それぞれ用途と使うタイミングをつけて並べます。いずれも変数を中括弧で書いているので、自店のデータに置き換えてそのまま使えます。コードブロック内のプロンプト本文は、ChatGPTの画面でもAPI経由でも同じ文面で機能します。
最初に投入データの整え方だけ触れておきます。商品マスタCSVは、列名を1行目に残したまま貼るのが鉄則です。AIは列名を手がかりに各値の意味を判断するため、列名を削ると精度が落ちます。レビューや問い合わせログを一緒に入れるときは、どの商品に紐づくかが分かるよう商品管理番号を各行の先頭に付けておきます。
最初の1本は、全商品を読ませて店舗全体の構造を把握させるプロンプトです。何から手をつけるべきか分からないときの起点に使います。
プロンプト1：全商品データの構造把握（店舗全体の俯瞰）
あなたは日本のEC店舗を担当するデータアナリストです。
これから貼り付ける商品マスタとレビューデータを読み、店舗全体の状態を俯瞰してください。
分析の前提：
1. 投入データはCSV形式で、1行目が列名です。列名の意味を最初に推定してから分析を始めてください
2. 推定が曖昧な列は「この列はXとして解釈した」と明記してください
3. 数字を出すときは、必ず元データの何行目・どの商品から算出したかを添えてください
4. 確証が持てない箇所は「データ上は判断できない」と正直に書いてください
出力してほしい内容：
- 商品点数、カテゴリ別の構成比
- 価格帯の分布（最頻価格帯と外れ値）
- レビュー件数と平均評価が極端な商品（上位5・下位5）
- 在庫が0または欠品状態の商品の割合
商品データ：
{ここに商品マスタCSVとレビューを貼り付け}
次は、売上が伸び悩む商品の原因を、店舗内の似た商品と比較しながら探らせるプロンプトです。アクセスはあるのに売れない商品を抱えているときに使います。
プロンプト2：低調商品の原因を店舗内比較で特定
あなたはECの転換率改善に詳しいコンサルタントです。
投入する全商品データの中から、私が指定する商品の不振要因を、同カテゴリ・同価格帯の他商品と比較して特定してください。
対象商品：{商品管理番号}
分析の手順：
1. 対象商品と、同カテゴリかつ価格差±20%以内の商品を3〜5件抽出する
2. 商品名の文字数・キーワード構成、レビュー件数、平均評価、説明文の情報量を横並びで比較する
3. 対象商品が見劣りしている点を、推測ではなくデータの差分として列挙する
4. 改善の打ち手を、効果が大きいと見込める順に3つ提案する
注意：
- 比較対象が見つからない場合は「同条件の比較商品なし」と明記してください
- 売上データが投入に含まれない場合、レビュー件数を需要の代理指標として扱い、その旨を断ってください
全商品データ：
{ここに商品マスタCSVを貼り付け}
3本目は、全商品のレビューを横断して不満の共通パターンを抽出するプロンプトです。個別商品ではなく、店舗全体で繰り返される問題を見つけたいときに効きます。
プロンプト3：全レビュー横断での不満パターン抽出
あなたはVOC（顧客の声）分析の専門家です。
投入する全商品のレビューを横断的に読み、低評価レビューに繰り返し現れる不満のパターンを抽出してください。
分析条件：
1. 評価3以下のレビューを対象にする
2. 不満の内容を「商品品質」「配送・梱包」「説明と実物の差」「価格への不満」などのテーマに分類する
3. テーマごとに、該当する商品管理番号と代表的な記述を2件まで引用する
4. 店舗全体で最も件数が多いテーマから順に並べる
出力後に、最も件数の多いテーマ上位3つについて、運用で対処できる改善案を添えてください。
レビュー本文の捏造や脚色は禁止です。引用は原文のまま使ってください。
全商品レビュー：
{ここにレビューデータを貼り付け}
4本目は、問い合わせログと商品データを突き合わせて、説明文の不足を洗い出すプロンプトです。同じ質問が何度も来る商品は、説明文に穴があるサインです。
プロンプト4：問い合わせログから説明文の穴を発見
あなたはECの商品ページ改善を担当する編集者です。
投入する問い合わせログと商品マスタを突き合わせ、商品説明文に不足がある箇所を特定してください。
手順：
1. 問い合わせ内容を、商品管理番号ごとに集計する
2. 同じ商品に対して類似の質問が複数回来ているものを抽出する
3. その質問内容が、現在の商品説明文でカバーされているか確認する
4. 説明文に記載がない質問について、追記すべき情報を箇条書きで提案する
提案する追記文は、薬機法・景品表示法に触れる断定表現（治る、最高、No.1など）を使わないでください。
問い合わせログ：
{ここに問い合わせログを貼り付け}
商品マスタ：
{ここに商品マスタを貼り付け}
5本目は、季節商戦に向けて、過去実績のある商品群から今期の注力候補を選ばせるプロンプトです。仕入れや特集ページの優先順位を決めるときに使います。
プロンプト5：商戦に向けた注力商品の選定
あなたはEC店舗の販売計画を立てるバイヤーです。
投入する全商品データから、{商戦名（例：お歳暮、母の日）}に向けて注力すべき商品を選定してください。
選定基準：
1. レビュー件数と平均評価が一定以上で、評判が安定している商品を優先する
2. 価格帯が{商戦名}の想定予算（{金額帯}）に合う商品を抽出する
3. 在庫数が十分で、欠品リスクが低い商品を優先する
4. 上記を満たす商品を10件まで挙げ、推す理由をデータに基づいて1行ずつ添える
データから判断できない条件（仕入れ原価など）は「要確認」と明記し、推測で埋めないでください。
全商品データ：
{ここに商品マスタCSVとレビューを貼り付け}
6本目は、分析結果を踏まえて、改善対象商品の商品名と説明文の改稿案を出させるプロンプトです。分析で終わらせず、すぐ着手できる形に落とすために使います。
プロンプト6：改善対象商品の商品名・説明文リライト
あなたは楽天市場とAmazonの両方に精通したEC編集者です。
これまでの分析で改善対象に挙がった商品について、商品名と説明文の改稿案を作ってください。
対象商品：{商品管理番号}
出店モール：{楽天市場 / Amazon / Yahoo!ショッピング / 自社EC}
条件：
1. 楽天市場の場合、商品名は半角255文字（全角換算127文字）以内に収める
2. Amazonの場合、商品名は半角200文字以内に収める
3. 前半30字以内にターゲットキーワードを置き、スマホ表示で見切れない設計にする
4. 同じキーワードを2回以上繰り返さない
5. 「最高」「No.1」「絶対」などの最大級表現と薬機法違反表現を使わない
レビューで評価されている点を訴求に反映し、不満点は説明文で先回りして補足してください。
商品データとレビュー：
{ここに対象商品のデータとレビューを貼り付け}
この6本は、プロンプト1で全体像をつかみ、2〜4で問題箇所を特定し、5で攻める商品を決め、6で実装に落とす、という流れで連続して使うことを想定しています。1本ずつ単発で使っても機能しますが、同じ全商品データを文脈に保ったまま順に質問していくと、AIが前の回答を踏まえて答えるため精度が上がります。100万トークンの文脈があるからこそ、この連続運用が現実的になりました。
投入したのに精度が出ない典型パターンと回避策
全商品を入れさえすれば良い分析が返る、というわけではありません。現場で繰り返し見るのは、投入量が多すぎて回答がぼやけるパターンです。100万トークン近くまで詰め込むと、AIがどの商品を根拠にしたか曖昧になり、「全体的に良好です」のような中身の薄い回答が返ってきます。回避策は、プロンプトで参照範囲を明示することです。プロンプト2のように「同カテゴリ・価格差±20%以内」と絞ると、AIが見るべき範囲が定まり、回答が具体化します。
もう一つは、列名を削ってデータだけ貼ってしまうパターンです。CSVの1行目を消すと、AIは各列が価格なのか在庫なのか型番なのかを推測で判断します。アパレル系の単一店舗で試したケースでは、列名なしで投入したときにサイズ列を価格と取り違え、見当違いの価格分析が返ってきました。列名を残すだけでこの種の誤読はほぼ消えます。
三つ目は、AIが出した数字を検算せずに使ってしまうパターンです。GPT-5.5は長文読解が改善したとはいえ、大量データの集計で取りこぼしや数え間違いが起きないとは限りません。レビュー件数や構成比のような重要な数字は、プロンプト1のように「何行目から算出したか」を答えさせ、疑わしいものは元データで突き合わせるのが安全です。AIの出力をそのまま社内資料に転記するのではなく、意思決定に効く数字だけ人間が裏取りする運用が望ましいと判断します。
四つ目に挙げておきたいのが、一度の依頼に複数の問いを詰め込みすぎるパターンです。「全体俯瞰と低調商品の特定とレビュー分析を一度にやって」と頼むと、AIはどれも中途半端に答え、結局どの問いにも十分に踏み込めません。本記事でプロンプトを6本に分けているのは、一問一答に近い粒度のほうが、長文文脈を保ったまま深い回答を引き出せるからです。同じ全商品データを文脈に残したまま、プロンプトを順番に投げていく。この運用が、100万トークンの枠を最も生かす使い方だと現場で繰り返し確認しています。なお、出力が途中で切れる場合は「続きを出力してください」と促せば再開できますが、毎回切れるなら投入量が多すぎるサインなので、対象カテゴリを絞って投げ直すほうが結果的に速く済みます。
費用と工数の目安、どのプランで始めるか
コスト感を具体的に押さえておきます。ChatGPTの有料プランでGPT-5.5を使う場合、ChatGPT Plusが月額20米ドルです。商品データ分析を試す段階なら、まずこのPlusで画面に貼り付けて回すのが現実的です。より重い処理や定型分析を自動化したくなった段階で、API利用に移ります。
API料金はOpenAI公式で入力100万トークンあたり5米ドル、出力100万トークンあたり30米ドルです。仮に商品マスタとレビューで30万トークンを投入し、分析結果として2万トークンを受け取る1回の分析なら、入力1.5米ドル＋出力0.6米ドルで、おおよそ2米ドル前後という計算になります。これを週1回の定例分析として回しても、月額10米ドル弱の目安です。商品データ分析の文脈では、API料金そのものより、データ整形と検算にかかる人の工数のほうが支配的になります。
工数の削減幅は、これまで分割投入で縫い合わせていた作業がどれだけあったかに比例します。カテゴリごとに分けて分析していた店舗ほど、全件投入への移行効果が大きく出ます。直近で観測した範囲では、月次の商品別レビュー分析にかけていた時間が、投入テンプレートを固定した後は半分以下に縮んだ事例がありました。これは店舗の品揃えや運用体制で変わるため、業界平均の見込みとして受け取ってください。
費用対効果を判断する際は、AIが出した分析が実際に売上やCVRの改善につながったかで測るのが筋です。コストは月数十米ドルの世界なので、改善施策が1つでも回れば回収は難しくありません。具体的には、レビューの不満が集中していた商品の説明文を直して購入率がわずかでも上がれば、その1商品だけで月額のAPI費用を上回ることがほとんどです。逆に、分析だけ回して施策に落とさないと、コストは小さくても効果はゼロのままになります。分析と施策実行をセットで設計しておくことが、投資回収の前提だと考えてください。生成AIの導入で迷う店舗には、まずGPT-5.5のEC活用の全体像を押さえたうえで、商品データ分析という一点に絞って始めることをおすすめしています。あれもこれもと手を広げず、まず1つの分析テンプレートを月次で回しきる。この小さな成功体験を作ることが、社内でAI活用を定着させる近道です。
GPT-5.6の150万トークンは本当か、2026年6月時点の検証
ここからは、噂が先行しているGPT-5.6について整理します。結論を先に言うと、GPT-5.6は2026年6月中旬時点で正式リリースされていません。OpenAIからの公式発表はなく、コンテキストウィンドウが150万トークンに拡張されるという情報も、現時点では確認できていません。
報道ベースでは、TechTimesの記事が、6月下旬のローンチが近いという見方や、開発者テストで約150万トークン（GPT-5.5の100万比でおよそ43%増）が扱えたという報告を伝えています。ただしこれはあくまで噂・期待の段階の情報であり、OpenAIが正式に認めた数字ではありません。150万トークンという値は要確認の扱いとし、確定情報のように社内計画へ組み込むのは避けるべきです。
実務への示唆としては、150万トークンが本当に来たとしても、商品データ分析の運用の骨格は大きく変わらないと見ています。なぜなら、前章で述べたとおり、長文を入れられる上限と正確に読み切れる範囲は別問題だからです。投入量が1.5倍になっても、参照範囲を絞るプロンプト設計と数字の検算という基本動作は同じく必要です。むしろ枠が広がるほど、ぼやけた回答を防ぐ設計の重要性が増します。今からGPT-5.5で投入テンプレートと検算フローを固めておけば、GPT-5.6が出たときにそのまま乗り換えられます。新モデル待ちで着手を止めるより、現行モデルで運用を回し始めるほうが合理的です。
モデル選びで迷う場合は、用途ごとの相性も押さえておくと判断が早くなります。商品データ分析のように構造化データを大量に読ませる用途ではGPT-5.5の長文性能が活きますが、文章生成や対話の自然さを重視するなら別のモデルが合うこともあります。GPT-5.5とClaudeのEC比較や、ChatGPT・Claude・Geminiの使い分けもあわせて読むと、自店のどの業務にどのモデルを当てるかの判断材料になります。API中心で運用するなら、ChatGPT APIの料金最適化の考え方も役立ちます。CSV整形や定型分析の自動化をコードで組みたい段階に進んだら、CodexとClaude CodeのEC活用比較も実装の選択肢を広げてくれます。
もう一つ、競合メディアがあまり踏み込んでいない論点として、長文文脈は「分析の再現性」を生むという点があります。投入テンプレートとプロンプト6本を固定しておけば、誰が回しても同じ手順で同じ粒度の分析が返ります。属人化していた商品分析を、店舗の標準作業手順として残せるわけです。AIエージェントがブラウザやツールを自分で操作する時代が近づくにつれ、分析だけでなく、抽出した改善案を商品ページへ反映する工程まで自動でつながる未来も見えてきました。その入口として、まず全商品データを一望できる分析基盤を手元に作っておくことが、2026年後半の店舗運営で効いてくると見ています。
よくある質問
100万トークンとは具体的にどれくらいの文字数ですか
日本語の場合、1トークンがおおむね1文字弱から1.5文字程度に対応するため、100万トークンは数十万文字規模が目安です。商品名・説明文・価格・在庫・直近レビューをまとめた状態で、数千SKUクラスの店舗なら主要項目を一度に載せられる水準だとお考えください。ただし上限まで詰めると読み取り精度が落ちるため、実際は必要な範囲に絞って投入するのが安全です。
全商品データを投入すると情報漏洩のリスクはありませんか
ChatGPTの画面利用とAPI利用では、データの扱いに関する設定が異なります。一般に、API経由のデータは学習に使われない扱いが基本ですが、利用プランや設定で変わるため、機密度の高いデータを投入する前にOpenAIの利用規約とデータ取り扱いポリシーを必ず確認してください。顧客の個人情報を含むレビューや問い合わせログは、氏名や連絡先を伏せてから投入するのが安全です。
GPT-5.6を待ってから始めたほうが良いですか
待つ必要はないと考えます。GPT-5.6は2026年6月時点で正式リリースされておらず、150万トークンという数字も未確認です。GPT-5.5の100万トークンで商品データ分析の運用を今から固めておけば、新モデルが出てもそのまま移行できます。新モデル待ちで着手を止めるほうが機会損失になりやすいです。
楽天市場やAmazonの規約に触れる使い方になりませんか
商品データ分析そのものは、自店のデータを読ませて改善案を得る使い方なので、各モールの規約に直接触れるものではありません。注意すべきは、AIが生成した商品名や説明文をそのまま使う場面です。楽天市場の文字数上限や最大級表現の禁止、Amazonのタイトル文字数といった規約は、AIの出力後に必ず人間が確認してください。プロンプト6にはこれらの制約を組み込んでありますが、最終チェックは人の責任で行うのが前提です。
どのプランから始めるのが現実的ですか
まずはChatGPT Plus（月額20米ドル）で画面に貼り付けて試すのが入りやすいです。手応えがあり、定型分析を自動化したくなった段階でAPI利用に移ります。API料金は入力100万トークンあたり5米ドル、出力100万トークンあたり30米ドルで、1回の商品データ分析なら数米ドル前後の目安です。
出した数字をそのまま社内資料に使って大丈夫ですか
意思決定に効く重要な数字は、人間が元データで裏取りすることをおすすめします。GPT-5.5は長文読解が改善していますが、大量データの集計で数え間違いが起きないとは限りません。プロンプトで「何行目から算出したか」を答えさせ、レビュー件数や構成比など効く数字だけ検算する運用が現実的です。
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）
※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
