（Tips）AIが「選ぶ」時代に、企業が今できること

商品データの再設計は、「AIに選ばれる」ための前提条件になる

2026年、「人が探す」から「AIが選ぶ」へ

2025年までのECは、「いかに人に見つけてもらうか」を前提に設計されてきました。検索エンジンで上位に表示させ、魅力的な写真とコピーでクリックを促し、人がページを読んで購入を判断す。この流れが当たり前でした。

しかし2026年に入り、その前提が静かに、しかし確実に崩れ始めています。AIエージェントが人に代わって商品を探し、比較し、推奨し、ときに決済まで代行する「エージェンティックコマース」が、海外大手を中心に現実のものになりつつあります。

象徴的なのは、ChatGPTのショッピング機能の刷新や、ShopifyとのAgentic Commerce Protocol（ACP）連携によって、加盟店の商品カタログがAIの会話画面に直接掲載される仕組みが整い始めたことです。WalmartやTargetといった海外大手は、いち早く「AIに選ばれる体制」の構築に動いています。消費者側の受容も進んでおり、日用品などでは「AIに購入を任せたい」という生活者が一定割合に達しているという調査もあります。

エージェンティックコマースの本質的な変化

最大の変化は、AIエージェントは「サイトを訪問しない」という点です。

これまでの施策はすべて「人がページを見る」ことを前提にしていました。しかしAIエージェントは、ページの見た目や雰囲気ではなく、構造化されたデータを機械的に読み取って商品を選定します。ここから、見過ごせない2つのリスクが生まれます。

  • 人間向けに最適化されたページが、AIには「読めない」→ 美しい写真や巧みなコピーは、AIにとっては評価しづらい情報です。スペック・用途・在庫・出所などが構造化されていなければ、AIの候補リストにそもそも載りません。
  • AIは「信頼できる店舗リスト」を形成する→一度評価したストアの情報に不備があると、AIは徐々に比較対象からそのストアを外していく可能性があります。つまり、データの不備は一度きりの機会損失では済みません。

端的に言えば、「AIに選ばれない＝そもそも比較対象に入らない＝存在しないのと同じ」 という構造変化が起きつつあるということです。

「DPP（正しさ）」だけでは、AIに選ばれない

ここで、当社が以前の記事でご紹介した DPP（デジタルプロダクトパスポート） との関係を整理しておきます。

DPPは、製品の素材・製造国・環境負荷・ライフサイクルといった情報を構造化し、「正しさ（完全性・検証可能性）」を担保する仕組みです。規制対応やトレーサビリティの基盤として、その重要性はますます高まっています。

一方で、エージェンティックコマースでAIに「選ばれる」ために必要なのは、正しさだけではありません。AIに選ばれるかどうかは、「適合性 × 信頼性 × 差別性」。つまり「選ばれやすさ」の最適化（AIO：AI Optimization）で決まります。

正しいデータを持っていても、それが「どんな用途・どんなシーンに合うのか」「なぜ信頼できるのか」「何が他と違うのか」という形で構造化されていなければ、AIは選びようがないのです。DPPという「正しさの資産」を、いかに「選ばれやすさ」に転化するか。ここが、これからの企業の腕の見せどころになります。

今できる対応策：6つのレイヤーで「商品データ」を再設計する

では、具体的に何から手をつければよいのか。当社では、AIに商品が選ばれるまでの流れ「データ取得 → 理解 → 信頼 → 比較 → 推奨 → 取引」に沿って、商品データを6つのレイヤーで再設計することを提案しています。

L0：識別・解決（発見可能性） 商品を一意に識別し、シリーズや色違いなどの「親子関係」を含めてAIが正しく解決できる状態にします。GTIN（JANコード等）やschema.orgのProductGroup、Googleの商品フィードなどが土台です。すべての出発点となる、必須の基盤レイヤーです。

L1：構造・属性（完全性） ＊最優先＊ 全SKU（在庫管理単位）を、AIが「読める状態」に属性リッチに構造化します。JSON-LD形式のschema.org Productや商品フィードが中心です。自社が100%コントロールでき、AIへの可視性に直結するため、最優先で取り組むべき領域です。

L2：意味・適合（適合性） ＊最優先＊ 「どんな用途・どんなシーンで選ばれる商品なのか」「想定される質問と答えは何か」を構造化します。FAQ形式のマークアップや用途タグ、自然言語による豊かな説明が鍵です。ここはDPPには存在しない、AIO設計の中核であり、多くの競合がまだ着手できていない差別化領域です。

L3：信頼・検証（信頼性） 商品の主張を「検証可能」にし、出所や整合性を担保します。レビューや認証情報、出所メタデータ、DPPレジストリとの連携などが該当します。DPPがそのまま源泉になる、最大のレバレッジ点です。

L4：差別・物語（差別性） 製品のライフサイクルや製法といった独自性を、AIが「引用・推奨したくなる物語」へと転化します。構造化されたストーリー項目やブランド・製造者のスキーマがこれにあたります。消費者やAIの選好の源泉となる領域です。

L5：動的・取引（取引可能性） 在庫・価格・配送をリアルタイムで同期し、AIが安全に取引まで完結できる状態にします。リアルタイム同期フィードやMCPサーバ／API、ACPフィード、将来的な決済プロトコルへの対応などが含まれます。

どこから着手すべきか — 優先順位の考え方

6つすべてを一度に整える必要はありません。優先順位はおおむね次のように整理できます。

  • まず L1（構造・属性）と L2（意味・適合）から。 L1は「自社で100%コントロールできる」唯一の領域であり、可視性に直結します。L2は競合がまだ着手できていない差別化の中核です。この2つは「最優先」です。
  • 次に L3（信頼・検証）と L4（差別・物語）。 すでにDPPや品質・トレーサビリティの資産を持つ企業ほど、ここで大きく優位に立てます。
  • L0は必須の基盤として並行で整え、L5（動的・取引）は中期的にプロトコルの標準化を見ながら対応していくという順序が現実的です。

重要なのは、これらが「規制対応のためのコスト」ではなく、「AI時代に選ばれ続けるための競争資産」だという視点です。データの再構築は、生成AI・エージェンティックAIの時代において、もはや待ったなしの経営課題になりつつあります。