CoveoがAngleraを買収、仕様書PDFから商品属性を補完しAI検索での発見を狙う：AI経由訪問270%増の数字の読み方
AI検索のCoveoが商品データ補完のAngleraを買収しました。仕様書から属性を抜き出し出典を付ける仕組み、未開示の条件、A/Bテストの数字の留保、AIエージェントに見つけてもらうためにEC事業者が確かめたい点を解説します。
この記事のポイント
- AI検索・商品発見のCoveoは2026年10月29日、仕様書やPDF、画像から商品の属性を抜き出して整えるAngleraを買収しました。買収額などの条件は開示されていません
- 検索の精度を競ってきた会社が、検索の手前にある「商品データそのもの」を買いに行きました。AIアシスタントは理解できる商品しか薦めないため、属性の欠けがそのまま機会損失になるという見立てです
- Anglera報告のA/Bテストでは、AI経由の訪問が270%増えました。ただし自社報告で約300 SKUバリアント、30日の小規模な試験です。数字より、属性に出典を付けて元のシステムへ書き戻す設計に注目する価値があります
CoveoがAngleraを買収、条件は未開示
Experience AIのリーダーであるCoveo（TSX: CVO）は本日、サンフランシスコを拠点とするAIネイティブの商品データ補完企業Angleraを買収しました。
www.prnewswire.comカナダ・モントリオールに本社を置くCoveo（トロント証券取引所: CVO）は、2026年10月29日、サンフランシスコのAngleraを買収したと発表しました。Coveoは企業向けのサイト内検索、レコメンド、会話型の商品発見を提供する会社で、オーストラリアの卸売Metcashなど、B2BのECでも導入されています。
Angleraは、商品データの補完（エンリッチメント）を専門とするスタートアップです。補完とは、商品ページに足りない寸法・素材・互換性といった属性を埋め、表記を揃える作業を指します。Y Combinatorの企業ページによると、同社は2024年夏のバッチの出身です。創業者のAmay Aggarwal氏とRay Iyer氏はスタンフォード大学の出身で、Uber Eatsで小売商品のカタログをAIで整える仕組みを手がけていました。
発表文には「取引条件は開示されていない」と明記されています。買収額、支払いの方法、Angleraの社員数や売上は、いずれも未開示です。同じ日にCoveoが出した2027年度第2四半期の決算でも、買収の金額には触れていません。
顧客への影響として示されたのは2点です。Angleraの既存顧客は、そのままAngleraの製品を使い続けます。Coveoの商取引向け製品（Coveo Commerce）の顧客には、Angleraの補完の機能が追加オプションとして提供されます。追加オプションの料金は未開示です。Angleraの顧客には複数のFortune 500企業が含まれ、提供地域は米国、カナダ、欧州とされています。
Angleraは何をするのか：仕様書から属性を抜き出し、出典を付ける
扱う相手は、属性が数百項目に及ぶ複雑なカタログです。工具や産業部品、家電のように、メーカーの仕様書やPDFのマニュアルにしか正確な情報がない商品では、ECの商品データが空欄だらけになりがちです。Angleraのエージェント型AIは、こうした資料を人の代わりに読み、必要な値を取り出します。
処理の流れは、発表文とCoveoのブログを合わせると次のように整理できます。
- メーカーの仕様書、マニュアル、PDF、画像、メーカーのウェブページ、取引先の表計算ファイルから値を探す
- 顧客ごとのカタログの規則に合わせて、単位や表記を揃える
- 規則と照らし合わせて検証し、すべての値に出典と確信度を付ける
- 確信度が低い値は人の確認に回し、確定した値を元のシステムへ書き戻す
この中で目を引くのは、すべての値が出典に紐づき、確信度の低い値は人が判断するという点です。生成AIで商品説明を作ると、もっともらしい誤りが混ざります。仕様の間違いは、B2Bでは「違う部品を注文させる」ことに直結します。Coveoのブログは、PIM（商品情報管理システム）の移行で洗濯機が冷蔵庫に分類された例や、ある取引先は「Height: 34in」、別の取引先は「H: 34'」と書く表記の揺れを、典型的な問題として挙げています。
Coveoの最高製品責任者Peter Curran氏は、社内での開発と、ほかの補完の技術を幅広く比べたうえでAngleraを選んだと説明しています。
画像やウェブのスクレイピングに主に頼る仕組みと違い、Angleraは複数の信頼できる情報源に基づいて商品情報を生成します。
共同創業者のRay Iyer氏は、創業の動機を「価値のある商品知識の多くが、人手では処理しきれない文書の中に眠っている」と語っています。エンジンは専門家のように資料を読み、すべての属性を元の資料にたどれるようにした、という説明です。YCのページでは、1商品あたりの作業時間を15分から5秒に短くしたと自社で説明しています。
もう一つの設計上の特徴は、補完した値を元のシステムへ書き戻すことです。Coveoの検索インデックスの中だけで直すのではなく、PIMなどの元のデータを直します。そのため、サイト内検索だけでなく、商品ページ、広告やショッピング向けのフィード、外部のAIエージェントにも同じ改善が届きます。
検索の会社が「データの手前」を買う理由
Coveoはこれまで、検索の側で問題を解いてきました。意味で探すセマンティック検索や、画像でも照合するマルチモーダル検索です。それでも買収に踏み切った理由を、Coveoはブログで3つの変化として説明しています。
1つ目は、問い合わせが長く複雑になったことです。AIアシスタントに慣れた買い手は「大雨でも使える軽いランニングシューズ」「xb-2598のプレス機に合う交換用ポンプ」のように、条件を文章で伝えます。2つ目は、検索に比較や質問への回答まで求めるようになったことです。3つ目は、商品探しがChatGPTやGeminiなど自社サイトの外で始まるようになったことです。
3つの変化はすべて、豊富な商品データを前提にしています。2つの商品を比べるには、両方が同じ属性を持っていなければなりません。「この部品は合うか」に答えるには、互換性の情報が記録に入っていなければなりません。Coveoは、外部のAIショッピングエージェントは「理解できるものを推薦する」と書いています。検索の性能をいくら上げても、元のデータにない属性は答えられないということです。
両社が描くのは、検索と補完をつなぐ改善の循環です。Coveoの検索ログから、結果がゼロだった検索や、よく聞かれるのに記録がない属性を見つけます。Angleraがその属性を補い、Coveoが発見や購入への効果を測ります。発表文はこれを、買い手が求めるものとカタログが知っていることの間の継続的な改善の循環と表現しています。ただし、この連携は「計画中」の段階です。買収の時点で使えるのは、補完した値を元のシステムへ書き戻し、それをCoveoが取り込む形です。
Coveo自身の事業も、エージェント型の機能に寄せています。同日の決算では、SaaSのサブスクリプション売上が3,910万ドルで前年同期比9%増でした。サイトの陳列を調整するMerchandising Agentでは、ストアフロントの最適化の20%超がエージェントによる自動の操作で行われていると開示しています。ChatGPTの中で商品を見つけてもらうための「Discovery for Agentic Channels」という製品も持っています。外部のAIに商品を届ける出口はすでにあり、今回はそこへ流すデータの質を上げる部品を手に入れた形です。
120%と270%をどう読むか
発表の中で最も目立つ数字は、アパレル小売で行ったA/Bテストの結果です。Angleraで補完した商品ページは、比較対象のグループに比べて、自然検索からのランディングページ流入が120%、AI経由の訪問が270%増えたとされています。
この数字には、発表文の注記に書かれた前提があります。
| 数字 | 出典 | 前提と留意点 |
|---|---|---|
| 自然検索のランディングページ流入 +120% | Anglera報告（発表文の注記） | アパレル小売で30日間のA/Bテスト。補完した約300 SKUバリアントを比較群と比べた結果 |
| AI経由の訪問 +270% | Anglera報告（発表文の注記） | 同上。元の訪問数、有意性、小売の名前は未開示 |
| 欠けた属性で発見可能性が最大30%低下 | NielsenIQ（2025年8月の記事） | 記事内の根拠リンクは2021年の検索語に関する記事 |
| エージェント向けに商品データを整えた加盟店 15% | PYMNTS Intelligence × Visa Acceptance Solutions | 加盟店への調査。2026年6月公表 |
| AI向け準備度60点未満 77%、80点以上 1%未満 | Channable（自社顧客9,689社の分析） | Googleの指針に基づく自社の採点。フィード管理の事業者による分析 |
注記によれば、試験はAngleraが報告したもので、期間は30日、対象は約300のSKUバリアントです。注記は「結果は異なる場合がある」とも書いています。元の訪問数の絶対値、統計的な有意性、どの小売かは開示されていません。訪問数がもともと少ない商品群なら、わずかな増加でも大きな率になります。第三者が検証した数字ではなく、方向を示す事例として読むのが妥当です。
NielsenIQの「欠けた属性は発見可能性を最大30%下げる」という推計にも、留意点があります。発表文が引用しているのは2025年8月のNielsenIQの記事です。ただし、その記事の中で30%の根拠として示されているリンク先は、2021年の検索語に関する記事です。2021年は生成AIのアシスタントが普及する前で、AIによる商品の推薦を測った数字ではありません。AIエージェント経由の発見に、同じ幅がそのまま当てはまるとは限りません。
一方で、商品データがAIエージェント向けに整っていないこと自体は、別の調査でも繰り返し示されています。PYMNTS IntelligenceがVisa Acceptance Solutionsと行った調査では、構造化された商品データをエージェントが使える状態にしている加盟店は15%にとどまりました。68%は、2年以内にエージェントがデジタル売上の5%以上を占めると見込んでいます。フィード管理のChannableが自社顧客9,689社を分析した結果では、77%がAI向けの準備度で100点中60点未満、80点以上は1%未満でした。どちらも測り方は違いますが、期待と準備の差が大きいという点では一致しています。
EC事業者が確かめておきたいこと
買収そのものは海外の企業向けの話ですが、問われている課題は日本のECにもそのまま当てはまります。確かめておきたい点は4つあります。
まず、自社の商品データで、正しい情報がどこにあるかです。家電、工具、建材、産業用品のように、仕様がメーカーのPDFや取扱説明書にしか書かれていない商品は少なくありません。AIアシスタントは画像の中の表やPDFの奥の数字を、商品ページの属性と同じようには扱えません。商品ページの構造化された項目に入っていない情報は、AIにとって存在しないのと同じになりがちです。
次に、補完した値の出典を残しているかです。生成AIで属性を一気に埋めることは、今ではどの会社にもできます。差が出るのは、誤った値が混ざったときに、どの資料のどの記述から来たのかをたどれるかどうかです。返品や誤発注の原因を調べるときにも、出典の記録が効きます。
3つ目は、直した値をどこに書き戻すかです。検索エンジンの設定や、特定のチャネル向けのフィードだけを直すと、ほかの出口には改善が届きません。PIMや基幹の商品マスタを直すのが、遠回りに見えて効率のよい方法です。
最後に、サイト内検索のログを使っているかです。結果ゼロの検索や、絞り込みで頻繁に使われる条件は、どの属性が足りないかを示す手がかりになります。CoveoとAngleraが計画している循環は、規模は違っても自社のログと表計算ファイルで小さく試せます。
なお、Angleraの補完を日本語の商品データや日本の顧客に提供するかどうかは、発表では触れられていません。
まとめ
CoveoによるAnglera買収は、AI時代の商品発見の勝負どころが「検索の賢さ」から「元のデータの充実度」へ移りつつあることを示す動きです。外部のAIアシスタントは、理解できる商品しか薦めません。
一方で、効果を示す数字は自社報告の小規模な試験にとどまり、買収額も補完機能の料金も開示されていません。次に注目したいのは、11月12日のウェビナーや今後の決算で、補完と検索の連携がどこまで製品になり、どの顧客の成果として語られるかです。
