AEO（AI Engine Optimization）— AIに選ばれるEC最適化戦略

この記事は2026年4月に公開し、8月に公開後の変化を反映して更新しました。構造化データの効果に関する統制実験、Googleの公式見解、AIクローラーの挙動、購買導線の転換を反映しています。

AEO（AI Engine Optimization）が変えるECマーケティングの前提

消費者が検索結果の一覧を見る前に答えを得るようになりました。この変化は数字で確認できます。

Pew Research Centerが2025年7月に公開した調査によると、AI Overviewsが表示された検索でオーガニック結果がクリックされたのは8%で、表示されなかった場合の15%と比べて約半分でした。Ahrefsの計測では、AI Overviewsがある場合の1位のクリック率低下は58%に達しています。

日本でも同じ傾向が出ています。ブラウザログの分析では、Google検索からサイト訪問に至った割合が2025年に41.1%まで低下しました。生成AIの利用率は2026年2月時点で51%と、1年前の27%からほぼ倍増しています。

消費者が「おすすめのランニングシューズは」と尋ねたとき、AIは3つから5つの選択肢を提示します。そこに含まれないブランドは、存在しないのと同じ扱いになります。

ここで必要になるのがAEO（AI Engine Optimization）です。SEOが検索エンジンのランキングで上位に表示されることを目指すのに対し、AEOはAIが生成する回答の中で引用され、推薦されることを目指します。LLMOやGEOとも呼ばれます。呼称の整理と全体像はLLMO対策とは何かにまとめました。

AEOは順位ではなく、回答に入るかを最適化する

従来のSEOとの違いを構造的に押さえます。

注目すべきはユーザー行動の行です。検索結果ページはリンクの一覧を返すので、5位でもクリックされる余地がありました。AIの回答は候補を3つ程度に絞るため、そこに入らなければ機会そのものが発生しません。

従来のSEOで培ったコンテンツの権威性は依然として重要ですが、それだけではAIの推薦候補に入れません。エージェンティックコマースの時代には、商品データそのものがマーケティングの最前線になります。

AIエージェントは、あなたの商品ページを本当に読めているか

構造化データの話に入る前に、確認すべきことがあります。そもそも商品情報がAIに届いているかです。

主要なAIクローラーは、GPTBot、OAI-SearchBot、ClaudeBot、PerplexityBotのいずれもJavaScriptを実行せず、返ってきたHTMLしか読みません。例外はGoogle系で、Google検索のインデックスを土台にしているためレンダリング済みの情報を使えます。

つまり、価格・在庫・スペックがJavaScriptでしか描画されていないECサイトでは、schemaを整える以前に商品情報が届いていません。Googleで上位表示されていても起きます。確認は簡単で、ブラウザでJavaScriptを無効にして商品ページを開くだけです。

実態も調べました。当社が主要家電量販9ブランドの公式サイトを監査した調査では、商品ページでProductとOfferのmicrodataを確認できたのは9ブランド中1ブランドのみでした。暫定判定の分布では、「理解される前で止まる」が6ブランドと最も多くなっています。大手でもこの状態です。

AIに選ばれる商品データは、3つの要素でできている

技術的な経路が開通したうえで、データを整えます。構造化データ、セマンティックサマリー、レビューと信頼シグナルの3つです。

構造化データ：AIエージェントとの共通言語

AIエージェントは人間のようにWebページを見るわけではありません。JSON-LDで記述された構造化データを解析し、商品の属性を機械的に理解します。

ただし、ここは正確に書く必要があります。

それでも実装する理由は3つあります。検索結果でのリッチリザルト、Merchant Centerフィードとの整合の検証、そして誤読の防止です。特に3つ目が、AIとの関係で効きます。価格が税込か税抜か、在庫が何を指すかを本文の文字列だけで渡すと、AIは推測で埋めます。確定値を渡せば推測の余地が減ります。実装の詳細はECの構造化データ実装ガイドにまとめました。

EC事業者が最低限実装すべきスキーマは3つです。Productは商品名、ブランド、GTIN、画像、説明文などの基本属性を定義します。Offerは価格、在庫状況、配送条件、返品ポリシーを機械可読にします。AggregateRating／Reviewはレビュー件数と評価スコアを構造化します。

見落とされがちなのが識別子の重要性です。GTINやMPNは、AIエージェントがプラットフォーム横断で同一商品を識別するための鍵になります。欠落していると、同じ商品として扱われず、比較の候補から外れることがあります。

さらに重要なのがデータの一貫性です。Google UCPの登場以降、Merchant Centerのフィードデータとサイト上の構造化データの不一致は、そのまま信頼スコアの低下につながるようになりました。価格や在庫がチャネル間で食い違っていると、AIから見ればどちらが正しいか判断できません。フィード側の整備はMerchant Centerと商品フィードで扱っています。

セマンティックサマリー：スペックを文脈に変える

構造化データだけでは、AIの推論に十分な材料を提供できません。AIに駆動された商品発見では、キーワードではなく制約条件への対応が勝敗を分けます。

具体例で考えます。従来のSEO最適化された商品説明は「防水加工 軽量 アウトドアジャケット メンズ」のように属性を羅列します。しかし消費者がAIに「4月にヨーロッパを旅行するんですが、雨でも使えて飛行機の機内持ち込みに収まるジャケットはありますか」と聞いたとき、AIが推薦に使うのは属性の羅列ではなく、ユースケースに紐づいた文脈情報です。

「小雨程度の通勤には対応しますが、豪雨での使用は想定していません」「畳むと30×20cmになり、一般的な機内持ち込みバッグのサイドポケットに収まります」。こうした記述がセマンティックサマリーの核心です。商品データはカテゴリではなく、解決する問題で整理する必要があります。

実装のポイントは3つです。まず、誰のための商品かを明示すること。次に、どんな場面で使うかを具体的なシナリオで記述すること。そして、この商品が向かない人・場面を正直に記載することです。AIは万能な商品を推薦するのではなく、特定の文脈に最適な商品を選びます。適切な除外条件は、むしろ推薦精度を高めます。

レビューと信頼シグナル：AIが確信を持つための材料

AIが商品を推薦するかどうかを決める最後のピースが、レビューと信頼シグナルです。

AIが評価するレビューの質は、人間の見方とは違います。件数と鮮度が重要です。半年前のレビューが20件あるより、直近1カ月のレビューが5件あるほうが、信頼シグナルとしては強く働きます。

もう1つが属性特化型のフィードバックです。「良い商品です」より「サイズはやや小さめで、普段Mの人はLをお勧めします。素材は柔らかく、洗濯3回でも縮みませんでした」のほうが、AIが具体的な質問に答えるときの根拠になります。

レビュー収集を自動化し、購入後のリクエストやスマートプロンプトで属性特化型のフィードバックを誘導する仕組みが、そのまま競争優位になります。加えて、比較記事やレビューサイトなど第三者面への掲載も効きます。自社サイトの改善だけでは届かない領域があります。

Share of Model：AIでのブランド可視性を測る新指標

実装を進めたとして、効果をどう測るのか。ここで登場するのがShare of Modelという考え方です。

従来のデジタルマーケティングではShare of Voice、つまりメディア露出における自社ブランドの占有率が重要な指標でした。Share of Modelはその発展形で、AIモデルが特定カテゴリについて回答する際に自社ブランドが言及される割合を測ります。計算は「自社ブランドの言及回数 ÷ カテゴリ全体の言及回数 × 100」です。

測定手順は実務的には次のとおりです。見込み顧客が使いそうなプロンプトを20本から50本設計し、ChatGPT、Gemini、Claude、Perplexityの各サービスに投入します。そして自社ブランドの言及頻度、掲載順位、文脈、引用の種類を記録し、競合と比較します。

1つのAIで測って全体を判断してはいけません。当社が洗濯機の購入相談で調べた調査では、1位に挙がる店がAIごとに割れました。ChatGPTとGeminiは同じ店、Claudeは別の店、PerplexityとCopilotはさらに別の店です。各AIの中では安定しているのに、AI間では一致しません。

公式の計測手段も増えました。Googleは2026年6月3日にSearch Consoleの生成AIパフォーマンスレポートを発表しています。AI OverviewsとAIモードでの表示回数を、通常のオーガニック検索と分離して見られる初めての公式データです。現時点で見えるのは表示回数のみで、クリック・クリック率・クエリは含まれません。データは2026年5月18日開始です。

なお、当社の9ブランド監査では、AI経由流入や商品フィード連携の効果測定に関する公開情報が9ブランドすべてで確認できませんでした。外から見えないだけという可能性はありますが、測っている企業がまだ少ない領域であることは確かです。

AEO実装ロードマップ

ここまでの内容を実行優先度で整理します。

新たな予算の追加ではなく、既存のSEO・SEM予算からの段階的な再配分として考えてください。優先度の高い項目は、いずれも社内の工数で対応できる範囲に収まります。

最初のステップとして、自社の商品データの現状を診断することを推奨します。構造化データの実装状況はSearch Consoleのリッチリザルトレポートで、Merchant Centerとの整合性はフィード診断機能で検証できます。JavaScript依存の確認は、ブラウザでJavaScriptを無効にするだけで済みます。

買う場所は、いったん自社サイトに戻った

この1年で購買導線が動いたので、現在地を整理しておきます。

OpenAIは2025年9月29日にInstant Checkoutを開始し、ChatGPTの中で購入まで完結する体験を提供しました。しかし2026年3月に終了し、商品の発見と推薦に軸足を戻しています。現在は、AIが商品を推薦し、購入は加盟店のストアフロントやアプリへ送る形です。

含意は2つあります。1つ目は、発見はAI、購入は自社サイトという役割分担になったこと。AEOで候補に入ることと、着地したあとに買える体験を作ることの両方が要ります。推薦されても着地先が分かりにくければ、そこで落ちます。

2つ目は、これが最終形ではないということ。UCPのようなプロトコルの整備が進めば、購入体験はまた動きます。だからこそ、いま商品データを整える作業は無駄になりません。経路が変わっても、渡すデータの品質は同じものが要求されます。

GEOとの違い、そしてAEOの限界

AEOを万能の解決策と捉えるのは危険です。GEOのリスクについての分析が示すように、AIモデルの回答は不安定で、特に財務情報やガバナンスに関する領域では誤答が頻発します。

当社が返品・保証について100パターンの質問を投げた調査でも、公式情報と照合して正解だったのは60.0%でした。出典の扱いはさらに悪く、存在しないURLや別ブランドのページを引用した回答が62件ありました。露出を増やす前に、公式情報が正しく写せる状態になっているかを確認してください。

AEOはあくまで、AIに正確なデータを提供し、推薦候補に入る確率を高めるための施策です。AIの回答をコントロールすることは原理的にできません。構造化データの整備は必要条件であって十分条件ではありません。呼称ごとの違いはLLMO・GEO・AIO・AEOの違いで整理しています。

まとめ

検索の主戦場が10本の青いリンクからAIの回答ウィンドウに移る中で、EC事業者に求められるのは発想の転換です。SEOを捨てるのではなく、SEOの資産を前提として使う。

そして順序が重要です。構造化データを整える前に、商品情報がそもそもAIに届いているかを確認してください。実測では、主要9ブランドのうち商品情報を構造化できていたのは1ブランドだけでした。大手でも空いている領域です。

対策全体の見取り図はLLMO対策とは何かに、着手順はAI検索対策の10ステップにまとめました。当社では小売・EC事業者向けに無料のAI可視性診断を提供しています。