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

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

2026年、消費者の購買行動に地殻変動が起きています。Bainの調査によると、検索ユーザーの80%がAI要約を少なくとも40%の頻度で利用しており、AI生成の検索結果はオーガニックトラフィックを15〜25%減少させています。eMarketerの分析では、2026年に米国人口の31.3%がジェネレーティブAI検索を利用すると予測されています。

この変化の本質は、消費者がGoogleの検索結果一覧を見る前に「答え」を得ていることです。ChatGPTの週間アクティブユーザーは8億人を超え、Google Geminiの月間ユーザーは7.5億人以上に到達しました。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が3〜5つの選択肢を提示し、そこに含まれないブランドは存在しないも同然になります。

では、EC事業者はこの世界でどう戦えばいいのか。その答えが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」を目指す最適化であるのに対し、AEOは「AIが生成する回答の中で引用・推薦されること」を目指します。GEO（Generative Engine Optimization）やAISO（AI Search Optimization）とも呼ばれますが、ECの文脈ではAEOという表現が最も実務的な意味を持ちます。

SEOとAEOの根本的な違い

AEOを理解するうえで、従来のSEOとの違いを構造的に押さえておく必要があります。

注目すべきは「ユーザー行動」の行です。Yotpoの調査では、AI要約が表示されるとオーガニックCTRが61%低下し、有料広告のCTRも68%低下します。一方で、AI要約で引用されたブランドはオーガニックCTRが35%向上し、引用と有料広告の組み合わせでは91%のCTR増加が観測されています。

つまり、AIに引用されるか否かで、同じ検索結果ページ上でもクリック率が劇的に変わります。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るのです。

実装の核心――AIに「選ばれる」商品データをどう作るか

ここからが本題です。AEOの実装は大きく構造化データの整備、セマンティックサマリーの設計、レビュー・信頼シグナルの強化の3層に分かれます。それぞれ具体的に見ていきます。

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。Data Worldの研究では、構造化データに基づくコンテンツはGPT-4の正答率が16%から54%に向上することが確認されています。3倍以上の精度向上です。

EC事業者が最低限実装すべきスキーマは3つあります。Product schemaは商品名、ブランド、GTIN、画像、説明文など基本属性を定義します。Offer schema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 schemaはレビュー件数と評価スコアを構造化します。

ここで見落とされがちなのが識別子の重要性です。GTIN（Global Trade Item Number）やMPN（Manufacturer Part Number）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です。あるShopifyストアの監査では、構造化属性と安定した識別子が欠落していたために、AIショッピングアシスタントが在庫の40%以上を無視した事例が報告されています。

さらに重要なのは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、信頼スコアの低下と露出減少に直結するようになりました。価格や在庫情報がチャネル間で食い違っている場合、AIエージェントはその商品を推薦候補から静かに除外します。

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。Search Engine Landの分析が指摘するように、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。

具体例で考えてみます。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。SAP CXの責任者が指摘するように、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るのです。

実装のポイントは3つあります。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。Search Engine Landの記事では、これを「理想の購入者プロファイルと除外条件の明示」と表現しています。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ぶため、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エージェントが商品を推薦するかどうかを決定する最後のピースが、レビューと信頼シグナルです。Yotpoのデータによると、レビューに触れた消費者のコンバージョン率は161%高く、10件以上のレビューがある商品は53%のコンバージョン向上を示しています。

ただし、AIが評価するレビューの質は人間とは異なります。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ヶ月のレビューが5件あるほうがAIの信頼シグナルとしては強く機能します。また、属性特化型のフィードバックが価値を持ちます。「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が具体的な質問に回答する際の根拠になります。

レビュー収集を自動化し、購入後のSMSリクエスト（メールより66%高い回答率）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、AEO時代の競争優位になります。

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、その効果をどう測定するのか。ここで登場するのがShare of Modelという概念です。

従来のデジタルマーケティングでは「Share of Voice」（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はその進化版で、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定します。計算式は「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通りです。まず、見込み顧客が使いそうなプロンプトを20〜50個設計します。次に、それらをChatGPT、Gemini、Claude、Perplexityの各モデルに投入します。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、競合ブランドと比較します。

この指標が重要な理由は、AIプラットフォーム経由のコンバージョン率が従来のGoogle検索の5倍に達するためです。ファネルの最上流でブランドが言及されるかどうかが、売上に直結する時代になっています。

ただし、計測にはいくつかの構造的な課題があります。モデルによってブランドの可視性は大きく異なり、同一のプロンプトでも回答は変動します。eMarketerのレポートでは、引用されるソースの40〜60%が毎月入れ替わることが指摘されています。そのため、一回きりの測定ではなく、週次または月次の定点観測が不可欠です。

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。

予算配分の目安として、YotpoはECマーケティング予算の10%以上をAI駆動の商品発見に充てることを推奨しています。これは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です。

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。HubSpotが提供するAEO Graderのようなツールで、AI検索での自社コンテンツの引用状況を確認できます。構造化データの実装状況はGoogle 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可能です。

GEOとの違い、そしてAEOの限界

一点補足しておくべきことがあります。AEOを万能の解決策と捉えるのは危険です。GEO（Generative Engine Optimization）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。

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不可能であり、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。従来のSEO、ブランド構築、そしてAEOを並行して進めることが、エージェンティックコマース時代のマーケティング戦略の基本形です。

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行する中、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AEOの文脈で再活用する。商品データを人間の購買者だけでなくAIエージェントにとっても読みやすい形に再構築する。その地道な取り組みの積み重ねが、AIに「選ばれるブランド」と「見えないブランド」の分水嶺になります。