eコマースにおけるエージェントとアルゴリズムの違い

この20年間、eコマースはアルゴリズムによって形づくられてきました。

検索アルゴリズム、レコメンドアルゴリズム、広告アルゴリズム。これらはどの商品を最初に表示し、どのブランドを発見してもらい、どのオファーが最も購入につながりやすいかを決定します。そのすべてが、検索バー、フィルターの一覧、そしてランキング形式の結果ページという同じ基本インターフェースの裏側で動いています。

いま、AIエージェントがショッピングを一変させると言われています。そこで当然の疑問が浮かびます。

エージェントはアルゴリズムと本当に違うのでしょうか。

この疑問はもっともです。どちらも購入者とカタログの間に立ち、購入者に代わって選択を行います。そして、どちらも選択対象となる商品についてどれだけ知っているかで精度が決まります。商取引の変化は結局、購入者の関心がどこに向かうかに行き着く (opens in a new tab)のであれば、この問いは話題性だけで済ませるより深く検討する価値があります。

しかし、その違いは重要です。違いが表れるのは「思考がどこで行われるか」という点です。LLMを活用したエージェントは、従来の検索やフィルタリングにはできない何を実現できるのでしょうか。

最適な答えが、依頼された商品そのものではないとき

そして今後、エージェントはさらに先へ進みます。

AlphaGoの有名な第37手 (opens in a new tab)を、イ・セドル九段との対局で振り返ってみましょう。2016年、DeepMindのAIは、観測可能な宇宙に存在する原子の数よりも合法的な局面が多いと言われる囲碁というボードゲームで、世界最強とされる棋士と5局の対局を行いました。第2局の37手目で、AlphaGoはプロなら絶対に打たない場所に石を置きました。解説者たちは当初これを失着と考えましたが、結果的にAlphaGoはこの対局に勝利しました。

トップクラスの囲碁棋士たちも、この手が従来の人間の打ち方から大きく外れていたため、最初は理解に苦しみました。

AlphaGoは人間の打ち方を模倣しようとしていたわけではありません。最適化していたのは結果、つまり「勝つこと」そのものでした。

最も興味深いショッピングエージェントも、同じことを行います。あなたが自分の寝室に最適なエアコンを求めたとします。

優れたエージェントであれば、そもそもエアコンを購入しない方がよいと結論づけるかもしれません。オーニングや全館換気ファン、除湿機のほうが根本的な課題をよりよく解決する可能性もあります。

検索アルゴリズムは、指定されたカテゴリー内での選択を最適化します。一方、エージェントはカテゴリー自体を含めた結果をますます最適化できるようになっています。

これは、購入者が既に特定のカテゴリーに決めた状態でやってくるという前提に立つビジネスモデルにとって、重要な変化です。

第37手には、eコマースにとって異なるデータの「食事」が必要

しかし、エージェントが標準的なカタログの仕様しか読み取れない場合、代替案を提案したり、ベビーカーが石畳で苦労することを知ったりすることはできません。

人もエージェントも、持っていない情報については推論できません。

そのため、購買体験がフィルターやランキングから会話や推論へと移行する一方で、根本的に求められるものは驚くほど変わりません。それは次のとおりです。

「構造化データと非構造化データの両方を含む、クリーンで豊富な商品データ」

構造化されたカタログは、寸法、材質、仕様、互換性、価格といった「その商品が何であるか」を伝えます。

ユーザー生成コンテンツ（UGC）は、「その商品が実際にどうであるか」を伝えます。たとえば、そのベビーカーは石畳で使いにくいか、そのソファは汚れが目立ちやすいか、そのドリルは石材に弱いか、あるいはそのドレスのサイズは小さめかといったことです。

検索・レコメンドアルゴリズムは歴史的に前者に大きく依存し、UGCについては評価、レビュー件数、センチメントといった信号としてのみ扱う傾向がありました。

エージェントはこの両方を組み合わせて推論できますし、実際に既にそれを行っています。コロンビア大学ビジネススクールとイェール大学の研究によると、AI購買エージェントは高評価かつレビュー件数の多い商品を一貫して優先する一方 (opens in a new tab)、スポンサー表示タグは重視しない傾向があることがわかっています。レビューはもはや、ページ下部に埋もれた単なる社会的証明ではありません。エージェントが推奨の根拠として利用する「証拠」そのものです。この影響範囲は、リテーラー自身が保有するデータにとどまりません。2026年7月時点でChatGPT Shoppingにおける約330万件の引用を調査したProfoundのスナップショットでは、Redditが引用全体のおよそ3分の1を占めていました。商品に関する「証拠」は、商品ページ上だけでなく、サードパーティの会話の中にも存在し得るということを示しています。

これにより、レビューが少ないことのコストの意味合いも変わります。もはや、商品詳細ページでのコンバージョンの問題だけではありません。そもそもエージェントの候補リストに入らない理由になり得るのです。

商品データの定義が広がっている

ここに、多くのカタログにとって都合の悪い現実があります。

Adobeの調査によると、米国のリテールサイトにおける個々の商品ページは、AIによるコンテンツ可視性の平均スコアが66% (opens in a new tab)にとどまっています。つまり、典型的な商品ページに含まれる情報のおよそ3分の1は、評価を行うモデルに読み取られていないということです。情報自体は存在し、ページ上にもあります。しかし、それが推奨を生成するシステムに届いていないのです。

このギャップこそがエージェンティックコマースの本質的な課題であり、インターフェースを巡る議論よりも地味な部分です。優れた商品データは、人にとってもエージェントにとっても意思決定の質を高めます。変わったのは技術的な基準です。キーワードを多用していたり、JavaScriptの中に埋め込まれていたりして、これまでページのランキング向上に役立っていたコンテンツであっても、エージェントが取得し、比較し、そこから推論するために十分に構造化され、機械が読み取れる形になっているとは限りません。

アルゴリズムがランキングのために必要とするのは商品データです。

エージェントが推論のために必要とするのは、商品データ、そして顧客の集合的な経験です。

コマースのインターフェースは変化しています。基盤となるのは依然として商品データですが、その定義は今では、機械が読み取れるカタログコンテンツ、顧客レビューなどのUGC、ブランドの評判、そして価格、在庫状況、配送予定といった推奨を実行可能にする運用上の事実まで広がっています。

つまり、チームに持ち帰るべき問いは「エージェントへの対応ができているか」ではありません。もっと単純です。「これまでどの検索フィルターも想定していなかった問いに、自社のカタログは答えられるか」ということです。

まだその問いに答えられないのであれば、そこから取り組みを始める必要があります。それはまさに、主要なeコマース企業が既に着手している取り組み (opens in a new tab)です。