AIが商品を選ぶ時代、あなたの商品ページは"候補"に入っていますか？｜29項目診断と競合ベンチマーク

買い物の相談相手が、検索からAIへ移り始めています。AIが候補を選び、比較し、ときには購入まで代行する時代に、選ばれるかどうかを決めるのは「AIが読める商品データ」です。

本記事では、ドラッグストアと家電量販の大手企業の商品ページを実際に診断した結果をもとに、次の4点を整理します。

• なぜ今、エージェンティックコマース（AIが購買を担う商取引）への備えが必要なのか

• AIは商品の何を見て「おすすめ」を決めているのか

• プラットフォームと先行企業はどう動いているのか

• 大手でもAIにどこまで読まれているのか（実測スコア）

生活者はもう、AIに買い物を相談している

日本でも、買い物で生成AIを使う人は約4人に1人に達しています。米国ではAI経由の来訪が量だけでなく、購入率でも他の流入を上回り始めました。

注目したいのは、米国のAI経由の購入率です。2025年3月にはAI以外の流入より38%低かったのが、1年で42%高いところまで逆転しました。AI経由の来訪者は、「よく買う客」になったのです。

市場規模の予測も大きく、McKinseyは2030年のAIエージェント経由の購買を世界で3〜5兆ドル、米国で約1兆ドルと見込んでいます。

エージェンティックコマース：購買の「発見」がAIに移る

変化の中心は、購買の入口です。口で言えば「発見はAIに移り、決済は事業者に残る」という状態になりつつあります。

決済がまだ自社ECや店舗に残っていても、発見の段階でAIに選ばれなければ、そこまでお客様がたどり着きません。

ドラッグストアであれば、「せきで眠れない、何を買えばいい？」「家族分の日用品をまとめて」という相談が、そのままAIへの購買依頼になります。家電量販であれば、「6畳に合うエアコンで電気代が安いのは？」「このCPUに合うマザーボードは？」「設置工事込みでいくら？」といった比較や相談が、AIとの対話で完結し始めています。

AIは商品の何を見て「おすすめ」を決めているのか

AIが商品を推薦するには、「理解・比較・推薦」に使える形の商品データが必要です。ところが多くの企業の商品マスタは、管理や物流のために作られています。

JAN・型番・品名・容量・価格は揃っていても、AIが接客に使う「売る・探す・説明する」ための情報は、EC・店舗・お客様相談室・修理受付などに分散しがちです。AIが求めるのは、詳細属性・特徴・用途・利用シーン・比較情報・FAQ・推奨理由といった情報です。

この流れを象徴するのが、Googleが2026年5月に商品フィードへ追加した「会話型属性」です。

AIは属性が欠けた商品を推薦から外します。いまの商品データから、この「型」を作れるかどうかが出発点です。

業界はどう動いているか

AIプラットフォーム側は購買機能の実装を進め、規格はGoogleが発表したUCP（Universal Commerce Protocol）へ収束しつつあります。準備が問われているのは、商品データを持つ事業者側です。

Amazon・Meta・Microsoft・Salesforce・StripeがUCP Tech Councilに参加し、「規格乱立」から「UCPへの収束」へと流れが変わりました。

国内でも、商品データの整備に着手する企業が出ています。カインズ様では、パッケージ画像をOCR、AI推定、ルールで構造化し、「ライフステージ×アクティブ度×悩み軸」などの絞り込み属性を付与しています。その結果、空欄だった項目の86%を新たに埋め、元の充足率が50%未満だった改善余地項目では34%の改善が見られました。

実測：大手でもAIには「読まれ切っていない」

業界大手の代表商品ページを診断したところ、「AI推奨度」は100点中33〜65点でした。商品データを整備すれば、79〜85点まで上がる見込みです。

診断は、公開中の商品ページを29項目（構造化データ・属性の完全性・GEOコンテンツ・技術基盤・次世代コマース対応の5カテゴリ）で採点したものです。社名・商品名は伏せています。

判定は、ドラッグストアA社と家電量販A社が「良好」から「先進」へ、家電量販B社が「要改善」から「良好」へ上がる見込みです。

どのページも、本文の説明は充実していました（GEOコンテンツは22点満点中18〜21点）。失点の中心は、容量・成分・サイズ・性能値などの詳細仕様が構造化されていないこと、商品カテゴリがAIに宣言されていないことです。家電量販B社では、商品データそのものがAIに検出されず、価格も画面表示のみでした。本文を書き足しても、AIに「商品」として読まれなければ選ばれないということです。

なお、整備後のスコアは100点ではありません。残りは、開発（UCP対応など）、マーケティング（レビュー・SNS）、撮影、価格・在庫の運用など、商品データ以外の領域が担う部分です。

AIに10の購買依頼を出して業界大手5社を比べたベンチマークでも、平均はドラッグストアで6.2〜7.6点、家電量販で5.7〜7.6点（10点満点）でした。得意な依頼と苦手な依頼の差が大きく、データ次第で順位が動く余地があります。ベンチマークは公開情報に基づく相対推定です。

業界ごとに「AIに読めない」領域は違う

どこが欠けやすいかは、業界の買われ方で変わります。以下は、診断結果と業界の特徴から考えた仮説です。

ドラッグストア

• OTC・化粧品の症状／悩み軸のタグが足りない

• 会員・ポイントの購買データと商品マスタが分断されている

• インバウンド向けの多言語の商品情報がAIに読めない

• PB・地域商品の産地や作り手の情報が構造化されていない

家電量販

• スペック・互換・対応機種の情報が、構造化されないまま散在している

• シリーズ・型番どうしのひも付けが欠けている

• 設置・工事条件や保証内容が、AIの比較に出てこない

• 家電・周辺機器・住設を横断する統一タグがない

どちらの業界も、店頭や接客で発揮している強み（症状に合わせた提案、設置までの伴走など）が、データとしては残っていないことが少なくありません。AIに読めない強みは、AIの回答では存在しないのと同じです。

何から始めるか：商品マスタを作り直さず、AIが読める「型」を作る

必要なのは、商品マスタを一から作り直すことではありません。すでにある商品情報を集め、AIが読める形に整え、出口ごとに届ける仕組みです。

Lazuli PDP（Product Data Platform）は、出口（チャネル）に合わせてデータの型を決める、可変式のプロダクトデータプラットフォームです。メーカーCSVや規格書、商品画像、カタログ、既存の商品マスタを入力に、次の4つを担います。

これまでのEC・店舗・取引先向けの出口に、AIエージェント向けの出口が加わるイメージです。商品データは一つにまとめ、出口ごとに型を変えて届けます。

「自社の生成AIでできないか」という声もよく伺います。Lazuliが担うのは、次の3点です。

• 商品データの構造知識：カテゴリごとに「必要な情報」をプリセットし、過不足を自動で判定する

• AI＋ルール＋BPO：AIの出力を人の確認で補い、品質を担保する

• SaaSで常に最新：UCPや会話型属性など、規格の変化に追随する

導入企業には、パナソニック、カインズ、PPIH、ベイシア、モノタロウ、花王、トモズ、アサヒビール、アサヒ飲料、キリンなどがあります（公開可能な一部）。

まとめ：貴社の商品は、AIに何点で読まれていますか

AIが買い物をする時代には、AIに読める商品データがあるかどうかで、候補に入れるかが決まります。大手企業でも、その準備はまだ途中です。

Lazuliでは、貴社の公開商品ページをもとに「AI推奨度」を診断し、次の3点をまとめた貴社版レポートをご用意しています。

1. 代表商品ページの診断スコアと、29項目の失点内訳

2. 競合大手とのAI選定ベンチマーク（10の購買依頼）での貴社の立ち位置

3. データ整備後の見込みスコアと、商品データ・開発・マーケティングのどこで点を伸ばすかの切り分け

ご関心のある方は、「AIに選ばれる商品ページ診断を希望」と、お問い合わせ（https://lazuli.ninja/contact）下さい。

出典

• 博報堂買物研究所「AIショッパー調査」（2026年2月実施、20〜69歳）― ネットショップ担当者フォーラム

• 買い物の決め手はクチコミより生成AI? ― Web担当者Forum

• Adobe Analytics（米国小売サイト、2026年4月公表）― Decrypt

• McKinsey「The agentic commerce opportunity」（2025年10月、予測）

• 実測スコア・ベンチマーク：Lazuliによる公開商品ページの診断（2026年）