お問い合わせ

「予算3万円でおすすめのロボット掃除機は?」「乾燥肌向けの化粧水を比較して」のような質問がAI検索に投げかけられたとき、自社の商品が回答に含まれるかどうかは、商品情報の伝え方に左右されます。

AI検索は複数の情報源から商品情報を収集し、比較・推薦の形で回答を生成します。 この記事では、ECサイトが商品情報をAIに正しく伝え、引用される可能性を高めるための具体的な対策を整理します。

AI検索がECの商品情報をどう扱うか

AI検索に投げかけられる商品関連のクエリは3つに分類されます。 情報探索型（「○○の選び方」）、比較型（「○○と△△の違い」「おすすめ 比較」）、購入意思型（「○○ 最安値」「どこで買える」）です。

Lewis et al.（2020）が示したRAGの仕組みに基づき、AI検索はクエリ解析 → Web検索で商品ページ・レビューサイトを取得 → チャンク分割して関連部分を抽出 → 回答生成の流れで処理します。 このプロセスにおいて、商品ページの情報がAIに「正しく伝わる」ことが引用の前提条件です。

Product schemaの実装

Hogan et al.（2021, ACM Computing Surveys）が示すとおり、構造化データはAIの情報理解精度を向上させます。 ECサイトのGEO対策で最も優先度が高い施策です。

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "商品名",
  "description": "商品の説明文（150〜300文字）",
  "image": ["https://example.com/images/product-1.jpg"],
  "brand": { "@type": "Brand", "name": "ブランド名" },
  "sku": "SKU-12345",
  "gtin13": "4901234567890",
  "offers": {
    "@type": "Offer",
    "price": "29800",
    "priceCurrency": "JPY",
    "availability": "https://schema.org/InStock",
    "priceValidUntil": "2025-12-31"
  }
}

各プロパティの設定ポイント

name: 正式な商品名を記述します。「【送料無料】【ポイント10倍】商品名」のような装飾はAIが商品名を正確に認識できない原因になります。

description: 150〜300文字で特徴・用途・対象ユーザーを簡潔に記述します。AIはこの説明文を回答生成の参考にするため、事実に基づいた具体的な記述が有効です。

offers: 価格、通貨、在庫状況を正確に記述します。priceValidUntilで価格情報の有効期限を伝えます。

AggregateRatingとReview

レビュー情報の構造化により、AIが口コミ評価を正確に把握できます。

{
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.3",
    "reviewCount": "287"
  },
  "review": [{
    "@type": "Review",
    "reviewRating": { "@type": "Rating", "ratingValue": "5" },
    "author": { "@type": "Person", "name": "レビュー投稿者名" },
    "datePublished": "2025-06-15",
    "reviewBody": "レビュー本文"
  }]
}

サイズ違い・カラー違いなどのバリエーションがある商品は、ProductGroupで構造化します。 バリエーション情報がないと「この商品にSサイズはありますか?」に正確に回答できません。

商品説明文の最適化

構造化データに加えて、自然言語テキストもAI検索の引用材料になります。

冒頭の要約（1〜2文）: 「○○は、△△な方向けの□□です」の形式で、最大の特徴と対象ユーザーを端的に伝えます。

スペック情報: サイズ、重量、素材、性能値を明示的に記述します。スペック表を画像のみで掲載している場合、AIはその情報を読み取れません。HTMLのテーブルでも掲載します。

使用シーンと他製品との違い: 「○○な場面で」という記述は利用シーンのクエリとマッチしやすく、同カテゴリの他製品との違いは比較クエリで引用されやすい情報です。

「究極の使い心地」「至高の一品」のような感覚的表現はAIが具体的情報として抽出できません。 「肌に触れる面はシルク100%」のような事実に置き換えます。

レビューの構造化と活用

Petroni et al.（2019）の研究が示すとおり、AIの事実知識の精度にはばらつきがあり、レビューのような直接的な評価情報は回答に反映されやすい特性があります。

レビュー収集を促進するため、購入後のフォローメールで依頼し、「どのような用途で購入しましたか?」「他の製品と比べてどうですか?」のようなガイド質問を提示します。 AIが引用しやすい具体的な内容のレビューが集まりやすくなります。

ネガティブレビューもAI検索の回答に反映される可能性があります。 事実誤認は丁寧に訂正し、改善した場合はその旨を返信で伝えます。 適切に対応されていることがAIの評価にプラスに働く可能性があります。

比較クエリへの対応

「○○と△△ どちらがいい?」「おすすめ ランキング」のような比較クエリは、ECサイトにとって重要な引用機会です。

自社サイトでの比較コンテンツ

自社商品ラインナップ内での比較コンテンツを作成します。 比較表はHTMLのtable要素で、th要素に比較軸、td要素に各商品の値を記述します。

「○○な方にはモデルA、△△な方にはモデルB」のように、条件に応じた推薦理由を明示します。 AIは「○○な人におすすめの製品は?」に対して、条件付き推薦情報を引用しやすい傾向があります。

カテゴリ別ガイドページ

「ロボット掃除機の選び方」のようなカテゴリガイドを作成します。 カテゴリの概要、チェックポイント（具体的な比較軸）、価格帯別のおすすめ、各選択肢のメリット・デメリットを含めます。

Sharma et al.（2024）のGEO研究では、情報の権威性と網羅性がAI検索での引用に影響することが示されています。 カテゴリガイドは専門性と網羅性を示すコンテンツとして機能します。

Google Merchant Centerの活用

Gemini向けの施策として、Google Merchant Centerへの商品データ登録は効果が高いです。

商品フィードの最適化ポイントは以下のとおりです。 titleはブランド名＋商品名＋主要属性を150文字以内で、descriptionは冒頭200文字に主要な特徴を記述、product_typeは「家電 > 掃除機 > ロボット掃除機」のような具体的な階層構造、availabilityはリアルタイムで更新します。

無料リスティングを活用すれば、有料広告なしでGoogle検索とGeminiの両方で表示機会が増えます。

在庫・価格情報の鮮度管理

在庫状況と価格はリアルタイムで変動するため、Product schemaも自動的に更新される仕組みが必要です。 CMSやECプラットフォームの機能で、offers.availabilityとoffers.priceがデータベースと連動するように設定します。

セール時はprice更新に加えてpriceValidUntilでセール期間を明示します。 販売終了商品はavailabilityをDiscontinuedに設定し、後継商品へリダイレクトします。 在庫切れ商品がAI検索で推薦され続けると、サイト全体の信頼性に影響します。

実装チェックリスト

最優先（1〜2週間）: robots.txtでAIクローラを許可、主要商品のProduct schema実装、商品説明文を事実ベースに見直し、スペック表を画像からHTMLテーブルに変更。

次に着手（3〜4週間）: AggregateRating・Reviewスキーマ追加、Merchant Centerへ商品フィード登録、主要カテゴリの比較コンテンツ作成、FAQセクション追加。

継続運用（2か月目〜）: レビュー収集の仕組み構築、在庫・価格のリアルタイム更新自動化、カテゴリ別選び方ガイド作成、AI検索引用状況の月次モニタリング。

まとめ

ECサイトのAI検索対策は、商品情報をAIが正確に理解できる形式で提供することが出発点です。

Product schemaで商品名・価格・在庫・レビュー評価を機械可読に伝え、商品説明文はスペック・用途・比較情報を事実ベースで記述します。 比較クエリへの対応として自社商品の比較コンテンツとカテゴリガイドを整備し、在庫と価格の鮮度管理を自動化することが長期的な信頼性につながります。

参考文献