Adobe CommerceがLLM経由の商品発見を一般提供、カタログの機械可読化がAI検索での露出を左右する

Adobeが「LLM上の商品発見」を製品機能として出荷した

Adobe Commerce for AI-Ready Product Discovery

顧客はAIに商品の推薦を求めるようになりました。Adobe CommerceのエージェンティックAIが、オンラインの存在をAIから発見されやすくする仕組みを解説します。

business.adobe.com

2026年7月27日、AdobeがAdobe Commerceにおける「product discovery on LLM surfaces」の提供開始を発表しました。中核となるのはAdobe Catalog Agentという機能で、Commerceカタログが持つ構造化された商品情報を、商品詳細ページ（PDP）上に機械可読レイヤーとして展開します。

この設計で重要なのは、買い物客が見る画面を一切変えない点です。商品名、画像、購入導線といった人間向けの体験はそのままに、その裏側でChatGPT、Microsoft Copilot、Claude、GeminiといったAIクローラーとLLMベースの発見システムに向けて、属性、スペック、互換性、在庫状況、価格などの文脈を追加で提供します。

Adobeはこの機能をアドオンや外部連携ではなくAdobe Commerceのネイティブ機能として位置づけ、すべてのデプロイモデルで利用できるとしています。既存顧客はカタログ設計を組み替えたり、商品データを二重管理したりせずに導入できるという主張です。ただし追加料金の有無や課金体系については発表資料で言及がなく、未開示です。

Adobe Commerceは2026年2月にGoogleのUCPとOpenAIのACPという2つのエージェンティックコマース標準への対応を表明しており（関連記事）、6月のAdobe Commerce Summitでも一連のエージェンティック機能を打ち出してきました（関連記事）。今回の発表は、決済や取引の標準対応に対して「その手前の商品発見」を埋めるピースにあたります。

数字の出どころを確かめる

発表文は根拠としてAdobe Digital Insightsのデータを挙げています。2026年4月から6月の米国小売サイトへのAI経由トラフィックは前年同期比125%増。直近のホリデーシーズン（2025年11〜12月）は前年比693%増でした。

この系列を時間軸で並べると、増加率そのものは鈍化しつつ絶対量が積み上がっている構図が見えてきます。Adobeが2026年4月16日に公開した分析では、第1四半期にあたる1〜3月が前年比393%増、3月単月は269%増。Digital Commerce 360が報じた5月時点のデータでは前年比138%増となる一方、Adobeが計測を始めた2024年10月からの累計では1,324%増、つまり14倍以上に達しています。

より事業インパクトが読み取れるのは質の指標です。5月のAI経由トラフィックは非AI経由に比べてコンバージョン率が54%高く、滞在時間は53%長く、1訪問あたりの閲覧ページ数は23%多いという結果でした。1年前はAI経由のほうがコンバージョンで劣っていたことを考えると、逆転がかなりの速度で進んだことになります。AI経由の買い物客が客単価でも優位に立つ傾向は以前の記事でも触れたとおりです。

商品ページの66%問題

今回の発表を読み解くうえで、いちばん示唆に富むのはAdobeが自社ツールで測った小売サイトの機械可読性データです。AdobeはAI Content Visibility Checkerという診断ツールで、ページ内のコンテンツのうちLLMが読み取れる割合を100%満点のスコアで示します。50%なら半分がAIに見えていないという意味です。

先の4月公開の分析にあるページ種別ごとの集計では、米国小売セクター全体の平均はトップページが75%、カテゴリーページが74%。返品交換ページ82%、問い合わせページ81%、FAQ 80%と、テキスト主体のページは比較的高い水準にあります。ところが個別商品ページは66%と、主要ページ種別のなかで最も低いという結果でした。

商品ページが最下位というのは、直感に反するかもしれません。しかしSKUが数千から数万に及ぶ規模では、スペック表がJavaScriptで後から描画されたり、画像内のテキストに情報が閉じ込められたり、属性値がコード値のまま出力されたりといった事態が起きやすくなります。人間には読めてもクローラーには読めない領域が、いちばん商品情報が濃いページに集中しているわけです。

業種別の差も無視できません。ここまでのページ種別ごとの数字とは別に、Adobeはサイト全体を通した総合の可読性スコアも業種別に出しています。5月時点のその集計では、上位が化粧品の63%と家電の56%。中位にスポーツ用品とアパレルがそれぞれ51%で並び、食品・グロサリーが48%、家具・ホームが47%と続きました。成分表、チュートリアル、スペック、ハウツーといったテキスト資産を持つ業種ほど有利に働いている構図です。Adobeは下位カテゴリーについて、ページ設計そのものに構造的な課題があり、AIからの引用を抑制していると分析しています。

この総合スコアとページ種別のスコアは別物なので、単純に比較はできません。実際、総合では最下位に近い食品・グロサリーでも、商品詳細ページに限れば70%が機械可読だったとAdobeは報告しています。総合が低い業種でも特定のページ種別は健闘しうるということで、自社の弱点を知るにはページ種別ごとの分解が要るという話でもあります。

トップページのスコアを上位群と下位群で比べると、82.5%対54.2%という開きがありました。同じ業界のなかで、AI可視性への着手速度に大きな差がついていることを示す数字です。

「表示を直す」のではなく「元データを直す」

Catalog Agentの発想がわかりやすく出ているのは、Adobe LLM Optimizer側のドキュメントです。Product Catalog Enrichmentの解説には、LLMが商品を理解する際の失敗パターンが具体例つきで書かれています。

たとえば「Coffee Grinder X200」という商品名に「18段階の挽き目、450Wモーター」という説明が付いているだけでは、「家庭でエスプレッソを淹れるのに最適なグラインダーは」という質問に対してLLMは推論の手がかりを持てません。AIエージェントは生のデータ項目ではなく関係性をたどって推論するため、技術仕様の羅列だけでは購買意図と商品を結びつけられないわけです。

Catalog Agentは各SKUの属性、カテゴリー文脈、バリエーション、既存の名称と説明を読み込み、価値が伝わっていない商品を特定して、意図に沿った表現へ書き換える案を生成します。価格と在庫は意図的に書き換え対象から除外され、商品が何であり、どう使い、なぜ重要かを説明する属性に絞られる設計です。生成された案は編集可能で、適用後はいつでも元の名称と説明に戻せます。

ここで注意しておきたいのが、機能の成熟度に段階差がある点です。今回一般提供が発表されたのはAdobe Commerce側の商品発見機能ですが、LLM Optimizer上のProduct Catalog EnrichmentはBeta扱いで、利用にはアカウントマネージャー経由での申請が必要と明記されています。カタログ側の書き換えまで一気通貫で使える状態かどうかは、契約構成によって変わりそうです。

なお、書き換えをカタログの元データに対して行うという選択には、副次的な効果があります。商品名と説明を上流で直せば、自社ストアフロントだけでなく広告フィード、マーケットプレイス出品、AI連携のすべてが同じ表現で揃います。チャネルごとに商品説明が食い違う状態は、LLMから見れば同一商品の解釈が割れる原因になるため、ソース側で一元化する意味は小さくありません。

プラットフォーム各社の構えの違い

AI向けに商品データを開放するという方向は業界共通ですが、出し方の設計思想は分かれています。

Shopifyは、Shopify Catalogの基盤にあたるCatalog APIで数十億件の商品をクラスタリングする技術ブログを公開しています。数百万の加盟店の商品リストをLLMで名寄せして統合カタログを構築し、そこからAI側へ配信するアプローチです。Salesforceも7月にAgentforce Commerceの大型アップデートを発表し、Business Managerからカタログを外部AIへ直接つなぐ経路を用意しました。

Adobeの立ち位置は、自社ドメインの商品ページをAIに読ませることに軸足を置いている点で、集約配信型とは対照的です。ブランドが商品体験と表現をコントロールし続けたい大手にとっては自然な設計といえます。反面、AI側にカタログが取り込まれる集約型と比べて、露出が自社サイトのクロール頻度に依存しやすいという性格も持ちます。

そして、AI流入をどう評価するかにも留保が必要です。Similarweb の2026年のジェネレーティブAI分析は、AI経由の参照トラフィックについて「量は少ないが意図は強い」と整理しています。さらに同社は、ChatGPTが2026年5月7日に回答内へブランドリンクを直接表示する変更を入れた結果、参照先がトップページに集中し、ChatGPT経由の流入のうちトップページ着地の割合が26〜32%から約60%へ跳ね上がったと報告しています。個別商品ページの構造化に投資しても、着地先がトップページに寄れば効果の出方は変わります。商品ページの機械可読性とサイト全体の理解しやすさは、片方だけでは足りないということです。

Adobeユーザー以外にとっての読みどころ

この発表の実務的な価値は、Adobe Commerceを使っているかどうかとは切り離して読めます。プラットフォーム大手が「PDPに機械可読レイヤーを追加する」「カタログの元データを意図ベースの記述に書き換える」という2点を製品化したこと自体が、AI経由の商品発見における最低要件を示しているからです。

まず確認すべきは、自社の商品ページで属性、スペック、バリエーション、互換性、在庫、価格が構造化データとして出力されているかどうか。次に、商品名と説明が「誰の、どんな場面のための商品か」を言語化できているかどうか。Adobeの66%という数字は、この2点が多くの小売サイトで満たされていない現実を突きつけています。

エージェント連携の基盤づくりという観点では、Commerce Optimizerのような周辺プロダクトの動きも合わせて追う価値があります（関連記事）。

まとめ

商品発見の主戦場が検索結果からAIの回答へ移るなかで、Adobeは「カタログをAIが読める資産に変える」という一点に絞った機能を出してきました。派手さはありませんが、AI経由流入のコンバージョンが非AI経由を上回り始めた今、着手の遅れがそのまま機会損失になる領域です。

注目したいのは、この手の機能が本当に露出増につながったかを示す実測データが出てくるかどうか。Adobeは今後もカタログのインテリジェンス、エンリッチメント、ガバナンス、発見の各機能を拡張するとしています。Beta段階の機能が一般提供へ進むタイミングと、そこで開示される効果検証の中身が、次の見どころになりそうです。