投稿者 投稿日: カテゴリー AIニュース
ショッパーエージェントとは、買い物客の代わりに商品を探し比較するAIのことです。
自社のショッパーエージェントを導入した小売企業は、そうでない企業より売上成長率が59%高い。この数字は、Salesforceが2026年に示した調査結果として複数のメディアで報じられています。導入企業として挙がっているのはPandora、SharkNinja、Funkoといったブランドで、年間成長率の平均は6.2%とされています。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）が、この数字を日本の中小EC事業者がどう読み、何から着手すべきかに落とします。
59%という数字の中身を分解する
まず、この59%が何と何の比較なのかを押さえます。Futurum Groupの分析によれば、Salesforceは「AIが世界のオンライン売上の20%に影響を与えている」という数字と並べて、エージェントを導入した小売の売上成長が59%速いと主張しています。導入企業の年間成長率が平均6.2%ということは、非導入企業はおよそ3.9%前後という計算になります。差分としては2.3ポイント程度です。
この読み方には注意が必要です。59%という数字は成長率の相対比であって、売上が59%増えたわけではありません。実額の差は2.3ポイントで、月商5,000万円の店舗に当てはめれば年間で約1,380万円の差ということになります。決して小さくはありませんが、「エージェントを入れれば売上が6割増える」という誤読が社内で広がると、投資判断が歪みます。
もうひとつ、因果と相関の区別も要ります。ショッパーエージェントを自社で導入できる企業は、そもそも商品データが整備され、開発リソースがあり、デジタル投資に積極的な組織です。その体力があるから成長率も高い、という説明も成り立ちます。エージェントの導入だけを切り出して効果とみなすのは、やや強引です。この点は「要確認」として扱うのが誠実な姿勢だと考えています。
同じ調査群からは、Futurum Groupの2026年上半期のAIプラットフォーム意思決定者調査（回答820件）で、企業の56%が生成AIの最優先用途として顧客サポートと顧客体験を挙げたという数字も出ています。エージェントへの投資が、販売そのものより先に接客領域へ向かっているという傾向が読み取れます。
この順序は日本の現場感覚とも一致します。売上に直結する販売機能より、問い合わせ対応やレビュー返信といった接客領域のほうが、AIを入れたときの効果が測りやすい。件数、返信までの時間、再問い合わせ率といった指標が既にあるからです。販売機能は成果の帰属が曖昧になりやすく、社内で評価しづらい。導入の入口として接客が選ばれるのは、技術的な難易度よりも測定のしやすさが効いています。
導入企業として名前が挙がっているPandora、SharkNinja、Funkoは、いずれも自社ブランドを持ち、商品点数がある程度絞られている企業です。数万SKUを扱う総合小売ではなく、ブランド軸で商品が整理されている事業者から成果が出ているという点は、日本の事業者にとって示唆があります。ジャンル特化型の中小EC事業者のほうが、総合型より着手しやすい可能性がある、ということです。
日本のEC事業者にとって「自社エージェント」は何を指すか
日本の中小EC事業者が「自社ショッパーエージェント」と聞いてまず思い浮かべるのは、サイトに置くチャットボットでしょう。しかし2026年時点で議論されているエージェントは、それとは別物です。違いは3点あります。
1点目が、行動範囲です。従来のチャットボットは、あらかじめ用意した質問と回答の対応表の中でしか動きませんでした。エージェントは商品カタログを検索し、在庫を確認し、条件で絞り込み、比較の結論まで出します。2点目が、起点の位置です。チャットボットは自社サイトに来た人だけが使いますが、エージェントは外部のAIアシスタントから呼び出される形が主流になりつつあります。3点目が、購買までの距離で、比較だけでなく決済まで進む設計が試されています。
日本市場でこれが具体的にどう降りてくるかというと、楽天市場・Amazon・Yahoo!ショッピングに出店している事業者にとっては、まずモール側のAIが自店の商品をどう扱うかという問題になります。自社でエージェントを作るという話ではなく、モールのエージェントに正しく拾われるかどうかが先に来ます。この構造はAIショッピングエージェント対応のEC最適化で整理しました。
自社ECを持っている事業者は、もう一段先の選択肢があります。Googleが進めるUCP（Universal Commerce Protocol）のような、エージェントと店舗が会話するための共通規格に対応するという道です。ここに乗ると、自社サイトに人が来なくても、外部のAIが商品情報と在庫と価格を取りに来る状態が作れます。ただしこれは、商品データが機械可読な形で整っていることが前提になります。
現場で繰り返し見るのは、この前提が満たされていない状態です。商品説明文の中に「素材：綿100%」と書いてあっても、それが構造化されたフィールドに入っていなければ、エージェントは確実には読み取れません。59%という数字を追いかける前に、自店のデータがそもそも読める形になっているかを確認するのが先です。
もう少し具体的に言うと、日本のEC事業者の商品ページは「画像に情報を焼き込む」文化が強い。サイズ表、素材の説明、使用方法、注意事項が、テキストではなく画像の中に入っています。人間が読むぶんには問題ありませんが、エージェントにとっては存在しない情報と同じです。画像内テキストを読み取る機能を持つモデルもありますが、モール側の検索インデックスやフィードには反映されません。ここが日本市場特有の障壁になります。
対策は難しくありません。画像に入っている情報のうち、比較検討に使われる属性だけをテキストにも書き出す。全部をテキスト化する必要はなく、素材、寸法、容量、対応機種、原産国あたりを押さえれば大半のケースをカバーできます。画像はそのまま残していいので、既存の制作フローを壊さずに進められます。この作業をやった店舗では、モール内検索の絞り込み条件にヒットする商品数が増え、結果として露出が伸びるという副次効果も出ています。
着手の順序：データ整備からエージェント接続まで6段階
日本の中小EC事業者が現実的に踏める順序を6段階で示します。上から順に進めれば、途中で止まってもそこまでの投資は無駄になりません。
第1段階が商品属性の棚卸しです。全SKUについて、素材、サイズ、重量、容量、色、対応機種、原産国、保証年数のうち、どれが構造化フィールドに入っているかを一覧化します。説明文の本文中にしか書かれていない属性は「未整備」として数えます。この作業をやると、たいていの店舗で整備率が5割を切っていることが分かります。
第2段階が在庫と価格の鮮度確認です。エージェント経由の購買では、表示された在庫と実在庫の食い違いが致命傷になります。人間の買い物客は「売り切れました」で諦めますが、エージェントは次回から自店を候補から外すという挙動をとる可能性があります。在庫の反映が何分遅れているかを実測してください。
第3段階がGoogle Merchant Centerのフィード整備です。自社ECを持っている事業者は、ここがエージェントへの入口になります。必須項目の欠損、GTINの未設定、価格と在庫の不一致を潰します。
第4段階がサイト内検索の見直しです。自社サイトに来たエージェントが最初に触るのが検索です。表記ゆれで結果がゼロ件になる状態を放置していると、そこで離脱します。
第5段階でようやく、自社側のエージェント機能の検討に入ります。既存のカートシステムやCRMがエージェント機能を提供しているなら、まずそれを試すのが低コストです。ゼロから作る必要はありません。
第6段階が、外部エージェントとの接続規格への対応です。UCPのようなプロトコルへの対応判断は、第1〜4段階が終わってからで十分間に合います。
この6段階のうち、第1〜2段階だけで止まっても実害はありません。むしろ、そこまでで得られる効果が全体の半分以上を占めるというのが現場感覚です。属性が整理され、在庫の鮮度が上がった時点で、モール内の検索露出も、サイト内検索の成功率も、問い合わせ件数も動きます。エージェント経由の売上が立つ前に、既存チャネルの数字が先に改善する。この順序を社内で共有しておくと、途中で予算が止まっても納得感が残ります。
進め方の注意として、6段階を並行で走らせないことをおすすめします。属性整備とフィード整備を同時にやると、どちらの効果で数字が動いたのか分からなくなります。1段階ごとに2〜4週間かけ、数字の変化を確認してから次へ進む。急ぐより、因果が説明できる状態で積み上げるほうが、次の投資判断が楽になります。アパレル系の単一店舗で試したケースでは、第1段階だけで検索経由の流入が1か月後に1割強伸びました。属性を入れ直しただけで、それ以外は何も変えていません。
エージェント対応を進める5つのプロンプト
ここでは、上記の各段階を進めるためのプロンプトを5本示します。宣言どおり5本を実装します。
第1段階の棚卸しから始めます。
プロンプト1：商品属性の構造化率を診断する
あなたはEC事業者の商品データ設計を担当するコンサルタントです。
以下の商品データを読み、AIエージェントが読み取れる状態かを診断してください。
診断の観点：
1. 素材・サイズ・重量・容量・色・対応機種・原産国・保証年数のうち、独立したフィールドに入っている項目はどれか
2. 説明文の本文中にしか書かれていない属性はどれか
3. 単位が省略されている、または表記が揺れている項目はどれか
4. 同一カテゴリ内で、ある商品にはあり別の商品にはない属性はどれか
5. 属性値が「あり」「なし」「−」など、機械が判定しにくい表現になっている項目はどれか
出力：
- 属性ごとの構造化率（何％の商品で独立フィールドに入っているか）
- 優先して整備すべき属性を3つ、その理由つきで
- 整備の工数見込み（商品数と項目数から概算する手順を示す）
商品データ：
{商品データを貼り付け}
カテゴリ：{ジャンル}
第2段階の在庫鮮度を検証します。
プロンプト2：在庫反映の遅延リスクを洗い出す
あなたはEC事業者の在庫オペレーションを診断する担当者です。
以下の在庫更新フローを読み、エージェント経由の購買で問題になる箇所を指摘してください。
確認する観点：
1. 実在庫の変動から、各販売チャネルの表示在庫に反映されるまでの経路と所要時間
2. チャネル間で在庫の締め時間が異なる場合、その差で生じる二重販売のリスク
3. 手動更新が入る工程と、その担当者が不在のときの挙動
4. 予約商品・受注生産品・セット商品で、在庫数の意味が変わる商品の有無
5. 欠品時に自動で販売停止になるか、手動停止が必要か
出力：
- リスク箇所と、それが顕在化する具体的なシナリオ
- 対応の優先度（高／中／低）と、その根拠
- 自動化できる工程と、人の判断が必要な工程の切り分け
在庫更新フロー：
{フローを記述}
販売チャネル：{チャネル一覧}
第3段階のフィード整備です。
プロンプト3：商品フィードの欠損と不整合を検出する
あなたはGoogle Merchant Centerの商品フィードを監査する担当者です。
以下のフィードデータを読み、審査落ちや露出低下につながる問題を検出してください。
検出する観点：
1. 必須項目の欠損（id、title、description、link、image_link、availability、price、brand、gtin、condition）
2. titleが極端に短い、またはキーワードの羅列になっている商品
3. 価格とサイト表示価格の不一致が疑われる商品
4. image_linkが低解像度、または商品以外が写っていると疑われる商品
5. availabilityの値が在庫実態と矛盾している疑いがある商品
6. 禁止・制限カテゴリに該当する可能性がある商品
出力：
- 観点ごとの該当商品リストと、修正内容
- 修正の優先度と、放置した場合に想定される影響
- 判断がつかない項目は「要確認」と明記する
フィードデータ：
{データを貼り付け}
第4段階のサイト内検索を診断します。
プロンプト4：サイト内検索のゼロ件ヒットを潰す
あなたはECサイトの検索改善を担当するアナリストです。
以下のサイト内検索ログを読み、改善すべき点を挙げてください。
分析の観点：
1. 検索結果ゼロ件になった検索語のうち、実際には該当商品が存在するもの
2. 表記ゆれ（カタカナ・ひらがな・漢字・英字・略語）で拾えていない検索語
3. 商品名には無いが顧客が使う一般名詞・用途語（例：「父の日」「詰め替え」「業務用」）
4. 検索結果は出るが、上位に無関係な商品が並んでいる検索語
5. 検索後の離脱率が高い検索語
出力：
- 検索語ごとに、原因の分類と対策（同義語登録／商品名修正／タグ追加／新規商品の候補）
- 対策の優先度を、検索回数と離脱率から算出した根拠つきで
- 商品側の情報が不足していて対応できないものは、その旨を明記
検索ログ：
{ログを貼り付け}
最後に、自社でエージェント的な接客を試す場合の設計です。
プロンプト5：自社サイト向け商品提案アシスタントの仕様を作る
あなたはECサイトの接客設計を担当するプロダクトマネージャーです。
当店のサイトに置く商品提案アシスタントの仕様を設計してください。
含めるべき項目：
1. 想定する利用シーン（誰が、どういう状態で使うか）を3つ
2. アシスタントが参照してよいデータと、参照させないデータの線引き
3. 在庫切れ商品を提案しないための仕組み
4. 価格・送料・納期について、断定してよい範囲と断定してはいけない範囲
5. 薬機法・景表法に触れる表現を出さないための制約条件
6. 回答できない質問を人間の窓口に引き継ぐ条件と、その導線
7. 効果測定に使う指標を3つ（それぞれ測定方法つき）
出力：仕様書の形式で。実装の難易度が高い項目には、簡易版の代替案も添える
取扱カテゴリ：{ジャンル}
サイト基盤：{カートシステム名}
月間セッション数：{数値}
よくある失敗と回避策
ひとつ目が、エージェント対応を「新しいツールの導入」として扱ってしまうケースです。実際に効くのは、商品データの整備という地味な作業のほうです。ツールを先に契約して、渡すデータが整っていないために効果が出ず、半年後に解約する。この流れを何度も見ています。ツール選定の前に、第1段階の棚卸しを終わらせてください。
ふたつ目が、モール出店と自社ECで戦略を混同するケースです。モールに出店している事業者にとって、エージェント対応は「モールのAIに拾われる」ための商品情報整備です。自社ECを持つ事業者は、これに加えてフィードとプロトコル対応という選択肢があります。両方を運営している場合、投資の順序はモール側の商品情報が先です。露出量が桁違いだからです。
この混同は、社内の担当者が分かれているとさらに起きやすくなります。モール担当と自社EC担当が別々にAI施策を検討し、それぞれ違うツールを試し、商品データも別管理になる。半年後に統合しようとして、属性の定義が食い違っていることに気づく、という展開です。回避策は、商品マスタを1つに統一してから各チャネルへ配信する構造にすることです。この構造さえ作れば、どのチャネルでエージェント対応が必要になっても、マスタ側を直すだけで済みます。
3つ目が、効果測定の設計を後回しにするケースです。エージェント経由の流入は、従来のアクセス解析では「その他」や「ダイレクト」に紛れやすい。導入前に、AI経由と推定される流入をどう識別するかを決めておかないと、後から効果を証明できません。ユーザーエージェント、リファラ、セッションの挙動パターンの3つを組み合わせて、暫定的な識別ルールを作っておくことをおすすめします。
KPIと投資の目安
追う指標は3つに絞ります。1つ目が商品属性の構造化率で、第1段階の診断で出した数字を月次で追います。目標値は主要8属性で9割以上です。2つ目が在庫の反映遅延時間で、実在庫の変動から表示反映までの分数を測ります。3つ目がAI経由と推定される流入のセッション数と、そのCVRです。
投資額の目安としては、第1〜4段階は基本的に人的工数のみで進められます。1,000SKU規模の店舗で、属性の棚卸しと整備に40〜80時間というのが現場感覚です。第5段階以降でツール費用が発生しますが、既存のカートシステムに付属する機能から試せば、追加費用ゼロで検証できるケースもあります。
一方、生成AIの利用料としては、上記のプロンプトを回すぶんで月額数千円から2万円程度に収まることが多く見られます。Claude ProやChatGPT Plusは月20米ドル前後、API従量課金であればモデル次第で単価が変わります。Salesforce Agentforce Commerceのショッパーエージェントのようなエンタープライズ向けの仕組みとは、投資規模が2桁違うことを前提に設計してください。
今後の展望と独自の見方
59%という数字が独り歩きしやすい時期ですが、注目すべきはむしろ「AIが世界のオンライン売上の20%に影響している」という側の数字だと考えています。影響という言葉の定義が曖昧なので額面どおりには受け取れませんが、購買の意思決定プロセスにAIが介在する比率が2割に達したという方向性自体は、複数の調査で一致しています。
日本市場では、この比率が欧米より遅れて上がると見ています。理由は2つあり、ひとつはモール経済圏の強さです。楽天市場やYahoo!ショッピングの中で完結する購買が多く、汎用AIアシスタント経由の購買が入り込みにくい構造があります。もうひとつが決済で、日本の消費者はAIに決済権限を渡すことへの抵抗が強いという傾向があります。この2つが、日本での普及カーブを緩やかにします。
3つ目の見立てとして、エージェント時代に効いてくるのはブランドの一貫性だと考えています。エージェントが複数の店舗から同一商品を比較するとき、価格と在庫だけで並べられると、価格競争に落ちます。そこから抜けるには、その店でしか買えない要素が必要になります。セット構成、保証期間、同梱物、配送オプションといった、商品そのものではなく提供条件の設計です。この領域はエージェントにも構造化して伝えられるため、差別化の余地が残ります。
逆に言えば、他店と同じ商品を同じ条件で売っている店舗は、エージェント経由の比較で不利になります。人間の買い物客であれば、店舗の雰囲気やレビューの数で選ぶこともありますが、エージェントは条件で切ります。この構造変化に備えるなら、いま扱っている商品のうち、条件面で差がつけられるものがどれかを棚卸ししておく価値があります。
ただし、遅れて来るということは、準備の時間があるということでもあります。商品データの整備は、エージェントが来ようが来まいが、検索露出と転換率の両方に効きます。59%という数字を根拠に大きな投資を決める必要はありませんが、データ整備という共通の土台を作っておく判断は、どの未来でも外れません。ここが、今回の調査結果から引き出せる最も実務的な結論です。
よくある質問
59%というのは売上が59%増えるという意味ですか
いいえ、売上成長率の相対比です。エージェント導入企業の年間成長率が平均6.2%とされているので、実額の差は2.3ポイント前後という計算になります。売上が59%増えるという意味ではありません。
中小のEC事業者でも自社エージェントを作るべきですか
ほとんどの場合、作る必要はありません。優先すべきは商品データの整備と、モールのAIに正しく拾われる状態を作ることです。自社エージェントの検討は、既存のカートシステムに付属する機能を試してからで間に合います。
何から着手するのが効率的ですか
商品属性の棚卸しです。素材・サイズ・重量・容量・色・対応機種・原産国・保証年数が構造化フィールドに入っているかを確認します。この作業はエージェント対応に限らず、検索露出と転換率にも効きます。
モールに出店しているだけでも対応が必要ですか
はい、必要です。モール側のAIが自店の商品を比較候補に入れるかどうかは、商品情報の粒度で決まります。属性が説明文の中にしか書かれていない商品は、比較テーブルに載りにくくなります。
エージェント経由の流入はどうやって測りますか
現時点では確実な識別方法がありません。ユーザーエージェント、リファラ、セッション内の行動パターンを組み合わせた暫定ルールを作り、導入前から記録を取っておくのが現実的です。この設計を後回しにすると効果を証明できなくなります。
費用はどのくらいかかりますか
第1〜4段階は人的工数のみで進められます。1,000SKU規模で属性整備に40〜80時間が目安です。生成AIの利用料は、本記事のプロンプトを回すぶんで月額数千円から2万円程度に収まるケースが多く見られます。
成果が出るまでにどのくらいかかりますか
商品属性の整備は、検索露出の変化として1〜3か月で現れることが多い一方、エージェント経由の売上として数字が立つのはもっと先になります。短期の投資回収を前提にすると続かないため、検索露出の改善を一次的な成果として設計してください。
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
- Futurum Group｜Salesforce’s Agentforce Commerce Pushes Agentic AI From Hype to Retail Revenue Reality
- PYMNTS｜Study Finds AI Reshaping Commerce Faster Than Retailers Can Adapt
- Google Developers Blog｜Under the Hood: Universal Commerce Protocol (UCP)
※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
