EC向けAI検索：商品可視性の実践ワークフロー

ECサイトがカテゴリキーワードで上位でも、AIが生成する候補リストには入らないことがあります。商品名が正しく出ても、価格、バリエーション、在庫が誤っている場合もあります。実務上の問いは、単に「ブランドが出たか」ではありません。「そのニーズに合うSKUが表示され、買い物客が信頼できる事実が提示されたか」です。

そのためには、一般的な AI可視性監査 より対象を絞った手順が必要です。ECチームは、プロンプトの証拠を商品マスター、商品ページ、構造化データ、フィード、第三者の裏付けに接続しつつ、一つの技術施策がすべての回答エンジンを制御するという思い込みを避けなければなりません。

2つの仕事を分ける：適格性と推薦の根拠

最初の仕事は 適格性 です。プラットフォームが商品を発見し、解釈できるでしょうか。安定したURL、クロール可能なコンテンツ、一貫したcanonical、表示された商品情報、有効な構造化データ、受理されたフィードは、それぞれ特定の画面で候補になるための土台になります。

2つ目は 推薦の根拠 です。公開情報は、その商品が特定の購入ニーズに適する理由を説明できるでしょうか。モデルがSKUを安心して候補に入れるには、寸法、互換性、素材、成分、用途、制約、現在の在庫、レビューの文脈、独立した裏付けなどが必要になる場合があります。

適格性チェックに合格しても、選ばれる保証はありません。反対に、自社の商品データが弱くても、第三者情報を根拠に商品が推薦される場合があります。2つを分けて測定すれば、本当の制約を修正できます。

商品の証拠を5層で整える

優先SKUごとに一つの正しい基準レコードを置き、公開される各層と照合します。

1. 商品ページ

ページは、正確な商品とバリエーションを、表示されクロールできる内容で識別できる必要があります。サイズ、素材、互換性、想定用途、手入れ、配送、返品、重要な制約など、購入者が候補を絞るための情報を含めます。スクリプトや同意ツールが動かないと表示されない操作要素だけに、重要な仕様を隠さないでください。

2. 構造化データ

ProductとOfferのマークアップは、買い物客が見ている商品と同じものを表す必要があります。識別子、価格、通貨、在庫、販売者、バリエーション関係、評価、ポリシーを表示ページと一致させます。Googleによれば、Productマークアップは商品スニペットや販売者リスティング体験の表示資格につながりますが、表示を保証するものではありません。

特別な「AI schema」を作る必要はありません。Googleの現行ガイダンスでは、生成AI機能に専用schemaは不要です。構造化データは、ページを正確に表し、既存の検索・コマース体験に役立つ場合に価値があります。

3. 商品フィード

フィードはプラットフォーム固有の商品入力であり、万能な近道ではありません。Google Merchant Centerのフィードは、AI画面を含むGoogleのショッピング体験での商品可視性に役立ちます。OpenAIはChatGPTの商品発見向けに構造化フィードを受け付けており、ID、タイトル、説明、商品URL、画像、在庫、価格、ブランドなどの主要項目を求めています。

ChatGPTでは現在、ShopifyとEtsyの商品カタログが統合されているため、個々の販売者による追加設定は不要です。その他の販売者はフィード共有を申請できます。対象地域と導入方法は変わるため、実装計画の前に最新の公式資料を確認してください。

4. 独立した裏付け

自社データは「何の商品か」を説明します。レビュー、小売店ページ、比較記事、マニュアル、信頼できる専門情報は、性能、適した利用者、トレードオフの証拠になります。レビューを作り上げたり、不自然な言及を追い求めたりしないでください。正当な第三者ページの商品名、仕様、在庫が古い場合は、適切な手順で訂正を依頼します。

5. 実際に観測した回答

最後の層は、買い物客が実際に受け取る回答です。回答全文、商品名、推薦の文脈、引用元、表示価格または販売者、プラットフォーム、市場、言語、取得日を記録します。商品が一致しないブランド言及は成功ではありません。正しいSKUでも在庫が古ければ、信頼できる結果とはいえません。

SKUの意思決定単位でプロンプトを選ぶ

一つのカテゴリから、実際の購入判断を表す10〜20問を作ります。次の役割を含めてください。

• 用途：「16インチのノートPCが入り、週末旅行にも使える機内持ち込み用バックパックは？」
• 条件：「敏感肌向けで無香料、30ドル以下のミネラル日焼け止めを探して」
• 互換性：「モデルXに対応し、6か月以上使える交換フィルターは？」
• 比較：「商品Aと商品Bを小さな部屋で使う場合で比較して」
• 在庫・配送：「今週中にカリフォルニアへ配送できる選択肢は？」

ブランド名を含む正確性確認と、ブランド名を含まない発見プロンプトは分けます。自社商品を名指しする質問は回答の正確性を調べるもので、発見率を押し上げるために混ぜてはいけません。

取得前に、有効な一致条件を定義します。色は任意でもサイズと互換性は必須なら、そのルールを先に記録します。結果を見た後に基準を変えることを防げます。

商品可視性マトリクスで一カテゴリを監査する

価値または戦略上の重要度が高い少数のSKUを選びます。初回から全商品を監査すると範囲が広すぎます。商品ごとに、プロンプトの証拠と商品データを結ぶ行を作ります。

情報を増やす前に矛盾を直します。ページは「在庫あり」、フィードは「在庫切れ」、小売店は旧価格という状態では、説明文を追加しても信頼性の問題は解決しません。

AEO MantisでECプロンプトをモニタリングする

AEO Mantis Monitoringでは、購入者プロンプト群を取得期間ごとに変えずに運用します。カテゴリと判断タイプで整理し、集計スコアだけでなく、保存された回答全文を確認します。自社商品と競合商品がどのように出現・説明され、どの情報源が推薦を支えているかを記録してください。

商品マスター、schema検証、フィード診断は、引き続き各コマースシステムで管理します。AEO Mantisが担うのは観測回答の層です。公開した修正の後、同等条件で回答が変わったかを確認できる反復可能な証拠を残します。

7ステップの改善サイクルを回す

1. 商業範囲を決める

一つの市場、言語、カテゴリ、商品群を選び、テストする画面を記録します。米国でのフィード対応を、日本や台湾の需要に当てはめないでください。

2. プロンプト群を固定する

プロンプトと一致条件にバージョンを付けます。新商品や季節質問は別のコホートにし、基準を解釈できる状態に保ちます。

3. 現在の回答を保存する

定義した画面で全プロンプトを実行し、成功回答と失敗の両方を保存します。正しいSKU、誤ったバリエーション、ブランドだけの言及、競合、引用、古い事実を別々に数えます。

4. 商品データの各層を照合する

公開ページ、構造化データ、フィードレコード、主要小売店ページを基準レコードと比較します。コンテンツを増やす前に、誤った識別子、矛盾するバリエーション、不足属性、古い商取引情報を修正します。

5. 購入者向け説明を改善する

購入判断に役立つ情報だけを追加します。適合、互換性、用途、対象外、根拠、制約を明快に書きます。カテゴリガイドは単一商品ページで扱いにくい比較質問に答えられますが、全SKUの説明を複製しないでください。

6. 検証して公開する

ページ表示、canonicalとインデックス適格性、構造化データ、フィード診断、販売者ポリシーを確認します。クローラー制御は用途ごとに異なります。学習用クローラーのブロックは、検索用またはユーザー操作による取得用クローラーのブロックと同じではありません。Google-ExtendedはGoogle検索のインデックス制御ではなく、GPTBotとOAI-SearchBotも別用途です。

7. テストを変えずに再実行する

修正データがプラットフォームで利用可能になった後、同じプロンプト群を再実行します。回答の変化は観測事実であり、一つの編集が原因だと証明するものではありません。日付、失敗、プラットフォーム変更を残し、維持、調査、拡張を判断します。

レビューに耐える指標を使う

商品単位の結果は分母とともに報告します。

• 正しい商品採用率： 条件を満たすSKUを含む回答数 ÷ 成功した非ブランド回答数。
• 誤バリエーション率： 商品群を挙げたが条件外のバリエーションを示した回答数 ÷ その商品群を挙げた回答数。
• 事実正確率： 基準レコードと一致する確認済み商取引情報数 ÷ 確認した全情報数。
• 自社引用率： 自社商品またはカテゴリページへリンクした回答数 ÷ 成功回答数。
• 競合推薦率： 各競合を推薦した回答数 ÷ 成功回答数。

AI経由の訪問とECコンバージョンは下流に分けます。推薦があってもクリックされないことがあり、検出した訪問も特定の回答が購入を生んだ証明にはなりません。観測可能な訪問をランディングページや主要イベントへつなぐときは、AIリファラートラフィックの手順 を使えます。

例：一カテゴリ、一つの修正キュー

以下は説明用の架空例です。 調理器具小売店が、米国英語で12個の非ブランドプロンプトを2つのAIショッピング画面でテストし、22件の成功回答と2件の失敗を得ました。優先商品のフライパンは6回答に出ましたが、3回答はサイズが違い、2回答は廃止済みのコーティング説明を繰り返しています。

監査すると、商品ページは正しい一方で、フィードが2サイズを曖昧なタイトルでまとめ、大手小売店ページにも旧説明が残っていました。チームはサイト全体を書き換えません。フィードのバリエーションタイトルと識別子を更新し、小売店に訂正を依頼し、Productマークアップとの一致を検証し、公開日を記録します。

同じ12プロンプトを再実行するときは、正しい採用率、誤バリエーション頻度、事実正確率を最初の22回答と比較します。その結果は次の作業判断には使えますが、普遍的な基準でも順位保証でもありません。

ECで避けるべき近道

• フィードを自動掲載と考えない。 受理と完全性は入力の適格性を作るだけで、選択はプラットフォームが決めます。
• 表示されない属性をschemaへ詰め込まない。 マークアップは表示商品を正確に表す必要があります。
• llms.txtをGoogleの必須条件にしない。 Googleは検索可視性にllms.txtを使用しないと説明しています。
• 商品、ブランド、リファラー指標を統合しない。 それぞれ別の問いに答えます。
• 全SKUを一度に最適化しない。 商業価値と観測された差分が重なる場所から始めます。
• 一つの回答を順位と呼ばない。 ショッピング回答は画面、文脈、市場、時点で変わります。

強いEC向けAI検索プログラムは、回答証拠のループを加えた商品データ品質管理です。まず商品事実の信頼性を高め、その後に実際の購入質問で適切な商品が適切な理由で出るかを確認します。