
Google で検索する場合でも、Amazon に行く場合でも、チャットボットに聞く場合でも、今では AI が商品を含む回答を返します。ところが、多くのeコマースブランドは、どうすれば自社商品がその商品として選ばれるのか把握できていません。AI商品情報シミュレーションは、その見えない部分を埋める方法です。AIモデルに自社商品と特定の競合商品を見せ、どちらを選ぶかを尋ね、その選択理由を読み取ります。
対象になるのは、エージェントが実際に読むデータです。商品フィード、カタログ、商品ページ上の構造化データが該当します。ホームページはエージェントに見られないため、対象ではありません。
これは今のeコマースで最も過小評価されているテストのひとつだと思います。ストアはヒーローバナーを何週間も議論しますが、実際に売上を左右しているのは「Blue Bottle 2」とだけ書かれたタイトル項目だったりします。人なら離脱します。エージェントはただ他社商品を選ぶだけで、その理由を教えてくれません。
要点
- AI商品情報シミュレーションとは、AIモデルに自社商品と競合商品のどちらを選ぶかを判断させ、その理由を読むことです。
- 入力に使うのは、商品フィード、カタログ、構造化データです。特に重要なのは、タイトル、説明文、GTIN、価格、在庫状況、配送、返品です。
- 結果は方向性を示す根拠として扱ってください。学術的に強力なシミュレーターでも、実際のカート追加率の変化と一致したのは全件ではなく 77% でした。
- データを修正し、同じ比較を再実行したうえで、AIアシスタント経由の訪問を見て変化があったかを確認してください。
- ecentic の無料スキャンは上位 10 商品を対象とし、カード登録は不要です。傾向をつかむには十分です。
オンラインストアにとってのAI商品情報シミュレーションとは
この言葉は不動産ツールや説明文生成ツールと混同されがちなので、ここでは明確にします。ストアにおける商品情報とは、タイトル、説明文、画像、属性、価格、在庫、配送条件、返品条件を含む商品レコードのことです。シミュレーションとは、購買リクエストを AIモデルに通し、どの商品情報を選ぶかを見ることです。
有用なシミュレーションには 3 つの要素があります。
- たとえば「ダークチョコレート好きの人向けで、$60 未満のおすすめギフト」といった購買リクエスト。
- 候補となる商品の集合。自社商品と、少なくとも 1 つの特定の競合商品を含みます。
- なぜそれが選ばれたのかを示す、平易な英語の理由。
価値があるのは理由のほうです。原因のないスコアは占いと同じです。エージェントが、素材・サイズ・返品可能期間がその商品情報に明記されていたため競合商品のほうを選んだと言うなら、やるべきことが見えます。
これは従来のA/Bテストとも異なります。A/Bテストにはトラフィックと数週間が必要です。シミュレーションに必要なのはカタログと数分だけです。Shopifyのエンジニアリングチームも、自社のエージェント開発で同じ考え方について書いています。ShopGymのサンドボックスは 制御された一貫性のある条件下で、エージェントの失敗を開発者が再現できるようにします。これは、実際の購買客からはまさに得られないものです。変更を公開する前にテストすべき理由をもっと詳しく知りたい場合は、 AIエージェント向けのシミュレーション先行A/Bテスト.
AIエージェントがストアをどう読み取るか
エージェントがホームページを見ることはありません。読み取るのは機械可読なデータであり、その取得元はプラットフォームによって異なります。
Shopifyでは、アプリやエージェントが検索・表示できるようにカタログデータが標準化されています。ShopifyのSummer '25リリースでは、 Shopify Catalogは価格、オプション、在庫状況を標準化すると説明されています 。これはアプリやAIエージェント向けです。実際には、情報が薄い、または一貫性のない商品情報はそのままあらゆる場所に伝わるという意味です。
ショッピングアシスタントは、静的な商品知識とリアルタイムの購買客行動も組み合わせます。Gorgiasは、自社のShopping Assistantが カタログ情報、商品ページの内容、カスタム商品詳細を、購買客の行動と組み合わせると説明しています。たとえば、閲覧した商品やカートの内容といった購買客の行動を使って、何を推奨するかを決定します。静的な側でコントロールできるのは、説明文、素材、保証情報です。
次は購入手続きです。GoogleのUCP(Universal Commerce Protocol)は、エージェントによる購入手続きのためのオープン標準です。Google自身の開発者向け資料では、UCPは /.well-known/ucp にあるプロフィールを通じて、加盟店の発見、カタログ検索、購入手続きを可能にするとされています。これはAP2という決済プロトコルと組み合わされます。加盟店が署名した購入手続きが、購買客が承認した内容と照合されるため、エージェントが価格をひそかに変更することはできません。AIの回答内での購入は、米国では現在Google AI ModeとGeminiで利用可能です。一方、ChatGPTは購買客をストア独自の購入手続きへ送ります。
OpenAIには独自のプロトコルがあり、GoogleにはUCPがあり、Amazonには壁があります。カタログはそのすべてに対応する必要があります。少なくとも、その前で壊れないことは必要です。
こうしたエージェントが内部でどう作られているかを見たいなら、 AIエージェントの作り方 の解説を見ると、取得・推論・実行のループをイメージしやすくなります。また、欠けている項目がモデルには見えない理由も分かります。データにないものは、そのモデルにとって存在しません。
シミュレーションで確認すべきこと
実行する前に、エージェントがどの項目を判断の根拠にできるかを把握しましょう。Google の Merchant Center のドキュメントには、対応する属性が一覧で示されています。大半の比較で結果を左右するのは、タイトル、説明文、画像、ブランド、SKU、GTIN、価格、価格表示の通貨、在庫状況、構造化された配送・返品情報です。全項目の一覧はこちらで確認できます: Googleの構造化データ属性リファレンス.
エージェントが競合商品を選んだとき、各項目は次のように読み解きます。
| 項目 | エージェントがそれをどう使うか | よくある不具合 |
|---|---|---|
| タイトル | 購買客のリクエストと最初に照合される要素 | ブランド名しかなく、商品タイプ・サイズ・用途がない |
| 説明文 | 提示理由として使える情報源 | 具体的な属性がないマーケティング文面 |
| GTIN、ブランド、SKU | その商品が既知の特定商品であることを確認する | 識別子の欠落または重複 |
| 価格と通貨 | 基本的な比較と購入手続き | フィード上の価格がページと異なる |
| 在庫状況 | 安心して推奨できるかどうか | 古い在庫ステータス |
| 配送と返品 | 購入が完了できるかどうか | 項目が欠けている、または整合していない |
結果を左右するのは、地味な不具合です。私たちが行った診断では、年商約 €70M の酒類マーケットプレイスで、9,699 商品の 88% に、エージェントが読み取るデータの不具合がありました。その店が扱う二本のボトルをどこで買えるかエージェントに尋ねたところ、名前が挙がった回数は 20 回中 0 回でした。そのチームの誰も、見つからない店にしようと決めたわけではありません。フィードがそう伝えてしまっていたのです。
購入手続き側の不具合も静かに起きます。あるスウェーデンのスキンケアブランドでは、配送設定で電話番号が必須だったため、エージェントによる購入手続きが6か国中0か国で決済まで到達しませんでした。エージェントが顧客の電話番号を持っていないのは当然で、むしろ持っていないのが妥当です。ここではどちらのストア名も出しませんし、その方針は変えません。
自社カタログでシミュレーションを実行する方法
大まかな検証なら手作業でもできますし、まだ試したことがないなら一度やるべきです。1つの商品と実在する競合商品を選び、次の手順で進めます。
- 予算、用途、制約条件を含めて、実際の購入者がチャットに入力するような形でリクエストを書きます。
- 自社と競合の商品情報を同じプロンプトに貼り付け、可能な範囲でブランド名を外したうえで、どちらを選ぶかとその理由をモデルに尋ねます。
- 少なくとも2種類以上のモデルで繰り返します。モデル間の判断差は想像以上に大きいものです。
- 示された理由を保存し、「属性不足」「訴求の弱さ」「価格」「配送」「信頼性」などに分類します。
- 商品情報の1点だけを変更し、同じプロンプトを再実行して、選択結果が逆転するか確認します。
重要なのは最後の手順です。一度に変えるのは1点だけにしないと、何が効いたのか分かりません。
これを1商品だけ手作業で行うなら半日で済みます。800商品でやるなら別の仕事になります。だからこそ、ecenticはこの課題を中心に構築しました。Shopify、WooCommerce、または商品フィードに接続し、ChatGPT、Claude、Geminiが各商品を指定した競合商品と比較し、なぜ負けたのかを表示します。ツールカテゴリ全体を把握したい場合は、 商品ページの可視性を検証するAIエージェントシミュレーター で各アプローチを比較しています。また、 UCP Playground を使えば、ストアに対して直接エージェントをテストできます。
開発志向のチームであれば、パイプライン側の検証も可能です。Stripeでは、プラットフォームが 商品カタログデータをアップロードし、解析、フィールドマッピング、データ品質を検証する ためのサンドボックスを公開しています。考え方は同じです。本番データをエージェントに見せる前に、まずデータを検証します。
結果を誤読せずに読み解く
シミュレーションは「モデルを再現したモデル」です。誤る可能性は2つあります。シミュレーション上の購入者が実際の購入者ではないこと、そして検証対象のAIが来月顧客に使われるAIとは限らないことです。では、どこまで信頼すべきでしょうか。

ここには参考になる学術的根拠があります。SimGym論文では、ビジョン言語エージェントを用いてライブブラウザ上でECストアフロントのA/Bテストをシミュレーションしており、 観測されたカート追加率の変化と77%の方向一致を報告しています。著者らは、シミュレーション結果と実測結果の変化を方向一致とPearson相関で比較しています。この数字はそのまま受け取るべきです。シミュレーションは多くの場合で正しい方向を示しますが、外れることもあります。最初に何を試すべきかを絞り込むには有効ですが、本番結果の代替にはなりません。
推測と実際の発見を分ける際、私は次を基準にしています。
- 繰り返し現れる理由 3つのモデルが同じ属性不足を指摘するなら、それは修正すべきです。それは発見です。
- モデル間の違い 当社のシミュレーションでは、2026年10月までに実行した36,797件の購入シミュレーション全体で、同じカタログに対してChatGPTはClaudeやGeminiの約3倍の頻度で商品を選択しました(51.6% 対 約18.5%)。商品は同じでも、選び方の傾向は大きく異なります。モデルを平均化して1つのスコアにしないでください。それぞれ別々に見るべきです。
- 単発の不可解な選択 奇妙な理由で競合商品が選ばれた1回限りの結果は、繰り返されるまではノイズです。
- 売上予測 シミュレーションで売上は分かりません。分かると言う人は何かを売っていますし、私も何かを売っているので、その点は先に伝えておきます。
公平に言えば、シミュレーションは実際のトラフィックデータを置き換えられません。何を優先して修正すべきか、その理由を示すものです。本当に効果があったか分かるのは、自社の訪問数、カート数、注文数だけです。
測定可能な改善につなげる
ほとんどの修正は地味で具体的です。欠けているGTINを追加する。商品タイプ、サイズ、素材をタイトルに入れる。雰囲気重視の説明文を、その商品が何か、誰向けか、返品期間はどうかを明記した説明に置き換える。構造化データを表示ページと一致させる。配送と返品情報を埋めて購入手続きを完了できるようにする。

そのうえで、2段階で測定します。
まず、同じ比較を再実行します。エージェントが新たに自社商品を選び、追加した属性を理由として挙げるなら、修正は機能しています。これは低コストで迅速にでき、シミュレーションが真価を発揮する部分です。
次に、実際の行動を観察します。AIアシスタント経由の訪問は、分析で確認できる最も早いシグナルです。当社の最初のパイロットであるDUA Flavoursでは、2026年4月から7月にかけてAIアシスタント経由の訪問とダイレクトトラフィックが12%増加しました。これは売上ではなく訪問数の数字であり、1件のパイロットはあくまで1件です。ただし、実際に追跡可能な変化ではあります。当社の AIエージェントトラフィック運用ガイド では、そのトラッキング設定方法を紹介しています。商品情報自体の改善については、 AIに選ばれるための商品情報最適化.
Shopifyでは、ecenticが修正内容をGoogle Merchant Centerへ反映し、AIアシスタント経由の訪問を追跡します。WooCommerceでは、無料のecenticプラグインにより、エージェントがUCP経由で検索、カート追加、決済まで行えます。決済部分は一般的なフィードツールが対応していない領域であり、スウェーデンの事例ではそこですべての販売機会を失いました。
比較検討することになるので、競合ツールについても触れておきます。多くのフィード管理製品は、カタログのクレンジング、マッピング、複数チャネルへの配信に優れています。主な課題が「1つのフィードを20のマーケットプレイスへ流すこと」なら、適しています。ただし、通常はフィード管理までで止まります。当社の比較記事、 AIショッピングエージェント最適化ツールおすすめでは、それぞれがどの用途に向いているかを整理しています。
私たちの見解
多くのブランドはAIショッピングをランキング問題として捉えていますが、実際には面接に近いと考えています。エージェントは商品情報に対して一連の質問を投げかけ、それに答えられない商品情報は、答えられるものに負けます。そして負けた側は、その理由を知ることすらほとんどありません。
だからこそ、私たちは商品同士を直接比較するシミュレーションを行っています。自社ストアだけのスコアは気分をよくしてくれても、役には立ちません。指定した競合の商品を自社商品と並べ、エージェントに選んだ理由を説明させるほうが、耳の痛い結果でも有益です。この考え方で 36,797 件の購入シミュレーションを実行してきましたが、原因が珍しいものであることはほとんどありません。足りない項目、曖昧なタイトル、誰も試していなかったチェックアウト設定です。
また、問題を見つけることは仕事の半分だと考えています。そのため、「適用」をクリックすると、ecentic がタイトル、説明文、構造化データを書き換え、ストアに公開します。購入する側では、商品を眺めるだけでなく、エージェントに注文を完了してほしいと思っています。レポートをもう一本書くより、エージェント経由の注文をもう一件増やすお手伝いをしたいのです。
この先については、完全に楽観しているわけではありません。購入者はより多くを委任し、エージェントは読み取りやすいデータから選ぶようになります。データを整備していないストアは、購入者に会うこともないまま、整備済みのストアと競争することになります。暗い話に聞こえますが、修正可能な問題でもあります。
Xhurian Shaba
まずは無料スキャンから
私たちのタグラインはシンプルです。「AIが買い物するときに売上を獲得する」。自社ストアでそれが何を意味するかを最も早く確認できるのが無料スキャンです。対象は上位10商品で、カード登録は不要です。エージェントがどの競合商品を好み、その理由は何かを確認できます。
その傾向が本物なら、有料プランは 料金ページに掲載しています。Competeは月額$14.90で最大100商品まで。Scaleは月額$44.90で最大1,000商品まで対応し、ワンクリック修正機能が含まれます。Dominateは月額$149で、Google Merchant Center同期とエージェント向け決済設定が追加されます。また、AI経由注文の3%課金による従量制プランもあり、上限は月額$500です。Enterpriseはカスタム上限、APIおよびMCPアクセス、DPAを含み、価格は非公開です。

Shopifyストアは Shopifyストア向けAI ページから開始できます。また、 AI商品情報最適化 ページでは、Applyが商品情報をどのように変更するかを確認できます。
FAQ
ECにおけるAI商品情報シミュレーションとは?
AIモデルに対し、エージェントが実際に読み取るデータを使って、自社商品と指定した競合商品のどちらを選ぶかを検証するテストです。選択結果とその理由が得られます。その理由から、どのフィールド、訴求、決済設定を修正すべきかが分かります。
シミュレーションではどのフィールドが重要ですか?
タイトル、説明文、画像、ブランド、SKU、GTIN、価格、通貨、在庫状況、そして構造化された配送・返品情報です。Googleもこれらをサポート対象の商品属性として挙げています。まずはタイトルと説明文から始めるべきです。エージェントが理由として繰り返し参照する情報源になるためです。
シミュレーション結果の精度はどの程度ですか?
方向性を見るものとして扱ってください。ある学術研究では、ストアフロントのシミュレーションテストが、実際に観測されたカート追加率変化の方向と77%一致しました。つまり、シミュレーションは最初に何を試すべきかを決めるには有効ですが、売上予測には向いていません。
ShopifyとWooCommerceの両方で使えますか?
はい。ecenticはShopify、WooCommerce、または通常の商品フィードに接続できます。Shopifyでは修正内容をGoogle Merchant Centerにも反映します。WooCommerceでは無料プラグインにより、エージェントがUCP経由で検索、カート追加、決済を行えます。
無料で試せますか?
はい。無料スキャンは上位10商品を対象としており、カード登録は不要です。エージェントが競合商品を好むかどうか、その理由が何かを確認するには十分です。
参考資料
- サポートされている構造化データ属性と値、Google Merchant Center
- SimGym: ECにおけるA/Bテストシミュレーションのフレームワーク
- AP2とUCPによる安全なエージェントコマース、Google Codelabs
- ShopGym: ショッピングエージェント向けの現実的で再現可能なサンドボックス、Shopify Engineering
- SaaSプラットフォームとしてエージェント経由で販売する方法、Stripe Docs
- Shopping Assistantによる商品推薦の仕組み、Gorgias Docs
- Shopify Summer '25 Edition Released、DEVOPSdigest
関連トピックを確認