商品データのAgent-Ready化 — AI時代の構造化データ戦略

Agent-Readyな商品データとは何か — 構造化データが決める「選ばれる商品」

2025年、ShopifyのAIエージェント経由の注文数は前年比15倍に成長しました。同期間のAIリファラルトラフィックは8倍です。注文の伸びがトラフィックを大きく上回っている事実は、AIエージェントが「見せる」だけでなく「買わせる」チャネルとして機能していることを意味します。Shopifyの公式ブログはこの変化を前に、EC事業者に「Agentic-Readyな商品データ」の整備を強く促しています。

では、Agent-Readyとは具体的に何を指すのか。端的に言えば、商品データ、API、チェックアウトフロー、購入後のワークフローが、人間の介在なしにAIエージェントが読み取り・操作できる状態を意味します。美しくデザインされた商品ページは人間の購買意欲を刺激しますが、AIエージェントはそのデザインを「見る」ことができません。エージェントが参照するのは、JSON-LDで記述された構造化データ、APIエンドポイントから返されるフィールド値、そしてMerchant Centerに登録された属性情報です。

この違いを整理すると、人間向けとAIエージェント向けでは求められるデータの性質がまるで異なることがわかります。

ある米国のShopifyストアを対象にした監査では、AIショッピングアシスタントが在庫の40%以上を無視していた事例が報告されています。原因は、商品フィードに構造化属性と安定した識別子が欠落していたことでした。マーケティングコピーがどれほど優れていても、構造化データが不十分であればAIエージェントの推薦候補に入ることすらできない。これがエージェンティックコマース時代の現実です。

JSON-LDとSchema.org — AIエージェントとの「共通言語」を実装する

AIエージェントがWebページから商品情報を取得する際、最も信頼性の高い情報源がJSON-LD（JavaScript Object Notation for Linked Data）で記述されたSchema.orgの構造化データです。構造化データの実装方式としてJSON-LDは市場シェア89.4%を占めており、MicrodataやRDFaを大きく引き離しています。HTMLの構造を解析せずにデータを取得できるため、AIクローラーにとって最も効率的なフォーマットです。

その効果を示すデータは明確です。構造化データを含むページはGoogle AI Overviewsでの引用頻度が3.1倍に上昇します。ChatGPTが引用するページの71%、Google AI Modeが引用するページの65%に構造化データが含まれているという調査結果もあります。逆に言えば、構造化データのないページはAIの情報源として選ばれにくいということです。

EC事業者が実装すべき5つのスキーマ

では、具体的にどのスキーマを実装すべきなのか。優先度の高い順に整理します。

このうち最も見落とされがちなのが識別子の完備です。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を横断して同一商品を識別するための鍵になります。たとえば、消費者がChatGPTに「このスニーカーの最安値を教えて」と聞いた場合、エージェントはGTINを使って複数のECサイトの同一商品を照合します。GTINが未設定の商品は、この照合プロセスから外れてしまいます。

もう一つ重要なのがデータの一貫性です。サイト上のJSON-LDに記載された価格が3,980円なのに、Merchant Centerのフィードでは4,280円になっている。こうした不一致はAIエージェントの信頼スコアを低下させ、推薦候補からの除外につながります。AEO（AI Engine Optimization）の観点からも、チャネル間のデータ整合性は最優先で取り組むべき課題です。

「スペック」から「文脈」へ — セマンティックサマリーの設計

構造化データだけで十分かといえば、そうではありません。AIエージェントが消費者の複雑な質問に答えるには、スペックの羅列を超えた文脈情報が必要です。

従来のSEO最適化された商品説明を考えてみます。「防水加工 軽量 アウトドアジャケット メンズ Lサイズ」。属性は網羅されていますが、「4月にヨーロッパを旅行するのですが、雨でも使えて機内持ち込みに収まるジャケットを探しています」という質問には答えられません。AIエージェントがこの質問に対して自社商品を推薦するには、「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30x20cmになり、機内持ち込みバッグのサイドポケットに収まります」といった用途に紐づいた記述が不可欠です。

SAP CXの責任者が提唱するように、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ります。「誰のための商品か」「どんな場面で使うか」「この商品が向かない人・場面は何か」。この3点を明示するセマンティックサマリーが、AIの推薦精度を高める決定的な要素になります。

Google Merchant CenterとShopping Graph — 50億件の商品データベースを味方につける

ここからは、構造化データの「配信先」として最も影響力の大きいGoogleのエコシステムに焦点を当てます。

2026年1月、Google CEOのSundar Pichai氏はShopping Graphが500億件以上の商品リスティングを格納していることを明らかにしました。1時間あたり20億件以上の商品情報が更新されるこの巨大なナレッジグラフは、Google AI Mode、AI Overviews、そしてGeminiアプリでの商品推薦の基盤です。AIエージェントが「防水ハイキングブーツ、予算2万円以内、レビュー評価4以上」と検索する際、問い合わせ先はこのShopping Graphです。

では、Shopping Graphに自社商品を正しく認識してもらうには何が必要か。Googleが2026年のNRFカンファレンスで発表したガイドラインは、4つの柱を示しています。

第一に、リッチなタイトルと説明文です。タイトルは30文字以上、説明文は500文字以上が推奨されています。単なるキーワードの羅列ではなく、AIエージェントが商品の用途と特徴を正確に理解できる記述が求められます。

第二に、視覚アセットの充実です。メイン画像に加えて最低3枚の追加画像が必要で、解像度は1500x1500ピクセル以上。ライフスタイル画像やシーン画像を含めることで、AIが商品の使用文脈を視覚的にも把握できるようになります。

第三に、物流情報の透明性です。この点は意外に見落とされがちですが、効果は数字に表れています。配送料無料の明示でコンバージョン率が+2%、配送日数の記載で+2%、返品ポリシーの完備で+3%。AIエージェントが消費者に「この商品は3日で届きます」と自信を持って答えられるかどうかは、これらの属性が設定されているかに依存します。

第四に、会話型コマース属性の設定です。Googleは2026年にMerchant Centerへ数十の新しいデータ属性を追加すると発表しました。素材、製造方法、仕上げといったスペック属性に加え、互換性のあるアクセサリー、代替品、関連商品の情報を登録できるようになります。「このスマホケースはiPhone 16に対応していますか?」「在庫切れならどの代替品がありますか?」といったエージェントの問い合わせに対応するための属性です。

これらの属性整備は、UCP（Universal Commerce Protocol）への対応と表裏一体です。UCPは商品発見から決済までを標準化するプロトコルですが、その基盤となるのはMerchant Centerに登録された構造化データにほかなりません。

ECプラットフォーム別のAgent-Ready対応状況

構造化データの実装難易度は、利用するECプラットフォームによって大きく異なります。

この中で最も先行しているのがShopifyです。Agentic Storefrontsの全店舗展開により、約560万店舗がデフォルトでChatGPT・Gemini・Microsoft Copilotに接続されました。さらに注目すべきは、Shopify Catalog APIの裏側で動くマルチモーダルLLMによるデータエンリッチメントです。日次で4,000万回のLLM推論（約160億トークン）を実行し、カテゴリ推論・属性抽出・バリアント統合を自動化しています。加盟店が登録した生の商品データに対し、用途文脈や互換性ロジックを自動付与する仕組みです。

一方、BigCommerceはAPI-Firstアーキテクチャを強みとし、開発者がバックエンドを「エージェントフレンドリー」に設計できる柔軟性を提供しています。ただし、OpenAIのショッピングインフラへの接続はMerchant Programへの手動登録が必要であり、Shopifyのオプトアウト方式とは対照的なアプローチです。

Shopify以外のプラットフォームを利用する事業者にとっても道は閉ざされていません。Shopifyが提供する「Agenticプラン」は、Magento、Salesforce Commerce Cloud、カスタムスタックなど非Shopifyインフラのブランド向けに、月額無料でAIチャネル接続を可能にするサブスクリプションです。自社ECの基盤を移行せずに、Shopify Catalogに商品データを登録するだけでAIエージェントの推薦候補に参入できます。

PIMの進化 — データ管理ツールからAIエージェントへの知識供給源へ

これまでの議論を踏まえると、商品データの管理基盤であるPIM（Product Information Management）の役割が根本的に変わりつつあることが見えてきます。

従来のPIMは「正確な商品情報を各販売チャネルに配信する」ためのツールでした。カタログ管理、翻訳ワークフロー、チャネル別のデータ変換が主な機能です。しかし、Informaticaが提唱する「Agentic AI PIM」は、この定義を大きく拡張しています。

Agentic AI PIMでは、AIエージェントが商品情報の抽出・分類・エンリッチメント・検証を自律的に実行します。たとえば、サプライヤーから送られてきた20ページのPDFカタログを解析し、関連するデータポイントを特定し、構造化して正しいフィールドに格納する。技術スペックからチャネル別のマーケティング記述を自動生成する。従来は数週間かかっていたグローバル商品ローンチが、数時間で完了する世界です。Informaticaはこの変化によりタイムトゥマーケットが50%短縮されると報告しています。

2026年3月には、Salesforce AgentExchange上でPimlyがProduct Intelligenceを公開しました。商品データの統合・ガバナンス・活性化をAgentforce全体で連携させるこのソリューションは、PIMが単独の管理ツールではなく、AIエージェントエコシステムの中核インフラになりつつあることを示しています。

この流れはCommerce MCPの普及とも重なります。MCPサーバーを公開すれば任意のAIエージェントが接続できますが、接続先のデータ品質はMCPが保証するものではありません。PIMが供給する商品データの豊富さと正確さが、MCPを通じたエージェント推薦の質を直接左右するのです。

実装ロードマップ — 90日間で到達する「ベースライン」

ここまでの議論を実行順序に落とし込みます。Shopifyの公式ブログは、ほとんどのEC事業者が90日以内にベースラインのAgent-Readinessに到達できると述べています。

最初の30日間は、商品データの現状監査から始めます。自社の商品データが実際にどこに格納されているかを洗い出します。ERP、PIM、OMS、WMS、DAMなど複数のシステムに分散しているケースがほとんどです。次に、JSON-LDの実装状況をGoogle Search Consoleのリッチリザルトレポートで確認し、Merchant Centerフィードとの整合性をフィード診断機能で検証します。

31〜60日目は、構造化データの本格実装です。Product、Offer、AggregateRatingの3スキーマを全商品ページに適用し、GTINとMPNを網羅します。商品説明文にセマンティックサマリーを追加し、「誰のために」「どんな場面で」「向かないケース」を明記します。Merchant Centerの属性を拡充し、配送条件・返品ポリシー・会話型属性を設定します。

61〜90日目は、リアルタイム同期とモニタリングの構築です。在庫と価格の更新を15分以内のラグに抑えるAPI同期を実装し、高回転SKUについてはリアルタイムAPIを検討します。Share of Modelの定点観測を開始し、主要なAIプラットフォームで自社商品がどの程度言及されているかをトラッキングします。

Gartnerは2030年までに取引の20%がAIプラットフォーム経由で実行されると予測しています。対応の時間は残されていますが、カーブの初期段階にいる今こそ、90日間のスプリントで基盤を固めるべきタイミングです。

まとめ

nShiftの2026年初頭の調査によると、消費者の58%が従来の検索をAIに置き換えて商品を探しています。にもかかわらず、EC事業者の33%は構造化データの整備にまだ着手すらしていません。このギャップの中にこそ、先行者が優位を築く余地があります。構造化データは派手な施策ではありませんが、AIエージェントに「選ばれる商品」と「見えない商品」を分ける、最も確実なテクニカル基盤です。