はじめに——「AI検索で商品が推薦される」時代が来ている
「防水のハイキングブーツ、2万円以下でおすすめは？」——こうした質問を、消費者はもはやGoogle検索バーではなく、ChatGPT、Perplexity、Google AI Overviewに投げかけています。
そしてAIは、検索結果の一覧を表示するのではなく、「この商品がおすすめです」と具体的な商品名・価格・理由を添えて直接回答します。
この新しい検索行動に対応するための最適化手法がAEO（Answer Engine Optimization：アンサーエンジン最適化）です。従来のSEOが「検索結果で上位に表示される」ことを目指すのに対し、AEOは「AIが回答の情報源として選ぶ」ことを目指します。
AI検索の成長は数字でも明らかです。ChatGPTは週8億人以上が利用し、生成AIプラットフォームから取引サイトへの送客は月20億件を超えるとの推計があります。Gartnerは2026年までに従来型検索トラフィックの25%がAIチャットボットに移行すると予測しています。さらに、AI検索経由のコンバージョン率は従来のオーガニック検索と比較して最大23倍高いというデータも報告されています。
本記事では、EC事業者がAIに「この商品がおすすめ」と選ばれるための商品ページ最適化を、商品説明文の書き方・カテゴリ設計・構造化データ（Product Schema）の実装まで、BASEやShopifyなどのプラットフォーム別に解説します。
関連記事：AEOの基本概念と全体戦略については「AEO実践ガイド」をご覧ください。
なぜECサイトにAEO対策が必要なのか——AI検索が購買行動を変える3つの変化
変化1：消費者は「検索結果を見比べる」のをやめ始めている
従来の購買行動は「Google検索→複数のECサイトを比較→購入」でした。しかし、AI検索では「AIに質問→AIが比較・推薦→推薦された商品を購入」という流れに圧縮されています。
Googleのゼロクリック検索（検索結果ページからどのサイトにもクリックしない検索）は2025年に69%に達しました。つまり、AIの回答に含まれなければ、そもそも消費者の選択肢に入らないのです。
変化2：AIは「リンクの順位」ではなく「事実の信頼性」で情報源を選ぶ
従来のSEOでは、被リンク数やドメインパワーが検索順位を左右していました。AIは異なるロジックで情報源を選びます。
| 評価基準 | 従来のSEO | AEO（AI検索） |
|---|---|---|
| 情報の選定基準 | 被リンク数、ドメインオーソリティ | 情報の構造化度、事実の検証可能性、複数ソースでの一貫性 |
| コンテンツの評価 | キーワード密度、ページ内最適化 | 明確な回答構造、具体的数値、比較情報の充実度 |
| 信頼性の判断 | PageRank等のアルゴリズム | E-E-A-T（経験・専門性・権威性・信頼性）、構造化データとページ内容の一致 |
変化3：AIショッピングエージェントが「自動購買」を始めている
2026年1月、GoogleはUniversal Commerce Protocol（UCP）を発表しました。これはAIエージェントが自律的に商品を検索・比較・購入するためのオープン規格です。ShopifyはOpenAIとの提携により、ChatGPT内でのInstant Checkout（即時購入）を実装しています。
こうしたAIショッピングエージェントは、構造化データ（Product Schema）が正確に実装された商品を優先的に処理します。構造化データのないECサイトは、AIエージェントにとって「読めない棚」と同じです。
関連記事：AI検索全般の最適化戦略（GEO）については「GEO実践ガイド」をご覧ください。
AI検索プラットフォーム別——商品が選ばれる仕組みの違い
主要なAI検索プラットフォームごとに、商品情報をどのように取得・評価しているかを整理します。
| プラットフォーム | 商品情報の取得方法 | EC事業者が押さえるべきポイント |
|---|---|---|
| ChatGPT | GoogleのインデックスをSerpAPI経由で検索し、ウェブページの内容を読み取って回答を生成。商品カード・青いリンク・地図も表示可能。AI検索市場シェア約70% | Googleにインデックスされていないページは表示されない。商品ページのSEO基盤は引き続き重要。複数の信頼できるサイトで言及されるブランドが優先される傾向 |
| Google AI Overview | Google自身の検索インデックスとShopping Graphから情報を取得。50億以上の商品リスティングを保持するShopping Graphは、構造化データとMerchant Centerフィードから構築される | オーガニック検索で上位のページがAI Overviewにも選ばれやすい。Product Schema（特にGTIN、価格、在庫状況）の正確な実装が直接的に影響 |
| Perplexity | 独自のウェブクロールとBingインデックスを組み合わせて回答を生成。出典を明示するスタイルが特徴 | 信頼性の高い情報源（公式サイト、専門メディアでのレビュー）からの引用を重視。商品ページ自体の情報の明確さと、第三者によるレビューの両方が重要 |
| Googleショッピング＋AI Mode | Google Merchant Centerのフィードと構造化データから直接商品情報を取得。AI Modeでは自然言語で商品を検索・比較可能 | Merchant Centerへの正確なフィード送信が必須。MerchantReturnPolicy、ShippingDetailsの構造化データが2025年以降の必須フィールドに |
商品説明文の書き方——AIに「推薦理由」を提供する文章設計
AIが商品を推薦する際、「なぜこの商品がおすすめなのか」の根拠を商品ページの説明文から抽出します。従来のキーワード最適化だけでは不十分で、AIが「回答」として引用しやすい構造で書く必要があります。
原則1：「誰に・何を・なぜ」を冒頭30文字で明示する
AIは長い説明文の中から、ユーザーの質問に対する回答を抽出します。冒頭に核心情報がないと、選ばれにくくなります。
■ NG例（従来型のキーワード詰め込み） 「高品質な防水素材を使用した、アウトドアに最適なトレッキングシューズです。」 ■ OK例（AEO対応） 「日帰り登山に最適な防水トレッキングシューズ。重さ380gで初心者でも疲れにくい設計。」 → 「誰に」（初心者）「何を」（防水トレッキングシューズ）「なぜ」（軽量で疲れにくい）が冒頭で明確
原則2：スペックは曖昧表現を避け、具体的数値で記述する
AIは「軽い」「丈夫」「コスパが良い」といった曖昧な表現よりも、検証可能な数値を信頼します。
■ NG例 「非常に軽くて持ち運びに便利です」 ■ OK例 「重量：380g（片足）。一般的なトレッキングシューズ（平均500g）より約24%軽量。」 → 具体的数値＋比較基準を提示
原則3：「比較クエリ」に応える情報を含める
AI検索では「AとBどっちがいい？」「○○のおすすめは？」という比較・推薦クエリが多発します。自社商品が比較された場合に選ばれるための情報を、商品ページ内に含めます。
■ 商品ページに含めるべき比較対応情報 □ 対象ユーザー（例：「登山初心者〜中級者向け」） □ 主な用途（例：「日帰りハイキング、低山登山」） □ 競合カテゴリとの差別化ポイント（例：「ランニングシューズとの違い：ソールのグリップ力が3倍」） □ 価格帯のポジション（例：「1万円台前半。入門モデルとしてはコストパフォーマンスが高い」） □ 「こんな人にはおすすめしない」情報（例：「本格的なアルパイン登山には不向き」）
「おすすめしない」情報をあえて含めることで、AIはその商品の適用範囲を正確に理解し、適切な文脈でのみ推薦するようになります。これは信頼性の向上につながります。
原則4：FAQ形式で想定質問に先回りする
商品ページ内にFAQセクションを設置し、消費者がAIに聞きそうな質問に先回りして回答します。
■ ECの商品ページに入れるFAQ例 Q. 雨の日でも滑りませんか？ A. ビブラムソール採用で、濡れた岩場でも高いグリップ力を発揮します。JIS規格の耐滑試験で 最高ランク（区分I）を取得しています。 Q. 幅広の足でも入りますか？ A. 3E相当のワイド設計です。甲高・幅広の方にも対応。サイズ交換は購入後30日以内無料です。 Q. 普段のスニーカーと同じサイズで大丈夫ですか？ A. 登山靴は厚手の靴下を履くため、普段のサイズより0.5〜1.0cm大きめを推奨しています。
関連記事：FAQ設計と構造化データの詳細は「AEO×FAQ設計・構造化データガイド」をご覧ください。
カテゴリ設計——AIが「商品の位置づけ」を理解するための情報構造
なぜカテゴリ設計がAEOに影響するのか
AIは個々の商品ページだけでなく、サイト全体の構造からその商品の「位置づけ」を理解しようとします。カテゴリページが論理的に設計されていれば、AIは「このECサイトはアウトドア用品の専門店で、このトレッキングシューズは初心者向けカテゴリの中価格帯に位置する」と正確に認識できます。
AEO対応カテゴリ設計の3原則
原則1：「用途ベース」のカテゴリ階層にする
■ NG例（商品タイプのみの分類） トップ → シューズ → トレッキングシューズ → 商品A ■ OK例（用途＋ユーザーレベルの分類） トップ → 登山・ハイキング → 日帰りハイキング → 初心者向けシューズ → 商品A → テント泊縦走 → 中〜上級者向けブーツ → 商品B → AIが「日帰りハイキング 初心者 シューズ おすすめ」のクエリに対して 商品Aを推薦しやすくなる
原則2：カテゴリページ自体に「比較・選び方」コンテンツを配置する
カテゴリページを単なる商品一覧にせず、「選び方ガイド」「比較表」「よくある質問」を含めることで、AIがカテゴリページ自体を情報源として引用できるようにします。
原則3：パンくずリスト（BreadcrumbList）を構造化データで実装する
パンくずリストは、検索結果でURLの代わりにカテゴリ階層を表示するだけでなく、AIがサイト構造を理解するための重要な手がかりになります。
構造化データ（Product Schema）完全実装ガイド
構造化データは、商品ページの情報を機械が読める形式（JSON-LD）で記述するマークアップです。AIはこの構造化データを直接的に参照して商品を理解・比較します。
EC商品ページに必須の構造化データ一覧
| スキーマタイプ | 役割 | 重要度 |
|---|---|---|
| Product | 商品の名称、説明、ブランド、SKU、GTIN等の基本情報 | 必須 |
| Offer | 価格、通貨、在庫状況、販売条件 | 必須 |
| AggregateRating / Review | レビュー評価の集計値と個別レビュー | 強く推奨 |
| MerchantReturnPolicy | 返品ポリシー（返品期限、送料負担等） | 2025年以降 必須 |
| OfferShippingDetails | 配送料、配送日数、対応地域 | 強く推奨 |
| BreadcrumbList | パンくずリスト（カテゴリ階層） | 強く推奨 |
| FAQPage | 商品ページ内のFAQ | 推奨 |
| Organization | 販売者（ショップ）の基本情報 | 推奨（トップページに1回） |
Product + Offer の JSON-LD テンプレート
以下は、ECの商品ページに設置するJSON-LDの実用テンプレートです。自社の商品情報に書き換えてお使いください。
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Product",
"name": "TrailMaster 防水トレッキングシューズ TM-200",
"description": "日帰り登山に最適な防水トレッキングシューズ。重さ380gで初心者でも疲れにくい設計。ビブラムソール採用、3E幅対応。",
"image": [
"https://example.com/images/tm-200-main.jpg",
"https://example.com/images/tm-200-side.jpg",
"https://example.com/images/tm-200-sole.jpg"
],
"brand": {
"@type": "Brand",
"name": "TrailMaster"
},
"sku": "TM-200-BK-26",
"gtin13": "4901234567890",
"color": "ブラック",
"size": "26.0cm",
"material": "合成皮革（防水透湿メンブレン）",
"weight": {
"@type": "QuantitativeValue",
"value": "380",
"unitCode": "GRM"
},
"offers": {
"@type": "Offer",
"url": "https://example.com/products/tm-200",
"priceCurrency": "JPY",
"price": "12800",
"availability": "https://schema.org/InStock",
"itemCondition": "https://schema.org/NewCondition",
"seller": {
"@type": "Organization",
"name": "アウトドアショップ山歩き"
},
"shippingDetails": {
"@type": "OfferShippingDetails",
"shippingRate": {
"@type": "MonetaryAmount",
"value": "0",
"currency": "JPY"
},
"deliveryTime": {
"@type": "ShippingDeliveryTime",
"handlingTime": {
"@type": "QuantitativeValue",
"minValue": "1",
"maxValue": "2",
"unitCode": "DAY"
},
"transitTime": {
"@type": "QuantitativeValue",
"minValue": "1",
"maxValue": "3",
"unitCode": "DAY"
}
},
"shippingDestination": {
"@type": "DefinedRegion",
"addressCountry": "JP"
}
},
"hasMerchantReturnPolicy": {
"@type": "MerchantReturnPolicy",
"applicableCountry": "JP",
"returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
"merchantReturnDays": "30",
"returnMethod": "https://schema.org/ReturnByMail",
"returnFees": "https://schema.org/FreeReturn"
}
},
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.3",
"reviewCount": "87"
}
}
</script>
GTIN（JANコード）はなぜ重要なのか
GTIN（Global Trade Item Number、日本ではJANコード）は、AIが商品を一意に識別するための最も重要な識別子です。GoogleのShopping Graphは50億以上の商品リスティングを保持していますが、GTINによって同一商品を名寄せ（重複排除）しています。
GTINがない商品は、AIエージェントが他サイトの同一商品と照合できず、価格比較やレビュー集約の対象外になるリスクがあります。JANコードを取得していない自社ブランド商品は、GS1 Japan（https://www.gs1jp.org/）で申請可能です。
プラットフォーム別 実装ガイド——Shopify・BASE・自社サイト
Shopify
| 項目 | 対応方法 |
|---|---|
| 基本のProduct Schema | Shopifyのテーマ（Dawn等）には基本的なProduct構造化データが組み込み済み。ただし、ShippingDetailsやMerchantReturnPolicyは未対応のテーマが多い |
| 構造化データの拡張 | 「JSON-LD for SEO」「Schema Plus for SEO」等のアプリで不足項目を補完。手動でtheme.liquidに追記する方法もあり |
| Google Merchant Center連携 | Shopifyの「Google & YouTube」チャネルアプリで自動フィード送信が可能。商品情報の網羅性が重要 |
| ChatGPTショッピング対応 | ShopifyはOpenAIとの提携によりChatGPT内での商品表示・即時購入（Instant Checkout）に対応。Shopifyの商品データが正確であれば自動的に対象になる可能性あり |
BASE
| 項目 | 対応方法 |
|---|---|
| 基本のProduct Schema | BASEの標準テンプレートには構造化データが限定的。商品名・価格等の基本情報のみ |
| 構造化データの拡張 | BASEの「HTML編集App」を使い、商品ページのHTMLにJSON-LDを手動追加。前述のテンプレートを利用可能 |
| Google Merchant Center連携 | BASEには直接連携機能がないため、商品データCSVをエクスポートしてMerchant Centerに手動アップロードする必要あり |
| 制限事項 | テーマのカスタマイズ範囲がShopifyより狭いため、高度な構造化データの自動実装は難しい。重要商品から優先的に手動実装するアプローチを推奨 |
自社ECサイト（WordPress + WooCommerce等）
| 項目 | 対応方法 |
|---|---|
| 基本のProduct Schema | WooCommerceは基本的なProduct Schemaを自動出力。Rank Math SEOやYoast SEOプラグインでさらに拡張可能 |
| 構造化データの拡張 | テーマのfunctions.phpまたは専用プラグインでJSON-LDを完全制御可能。自由度が最も高い |
| 注意：サーバーサイドレンダリングが必須 | AIクローラー（GPTBot、ClaudeBot、PerplexityBot等）はJavaScriptを実行しない場合が多い。構造化データは必ずサーバーサイドでHTMLに含めること。クライアントサイドのJSで動的に生成するとAIに読まれない |
関連記事：EC運営全般の戦略については「AI×EC運営ガイド」をご覧ください。
AIに選ばれるための7つの実践チェックリスト
ここまでの内容を、今日から実行できるチェックリストに整理します。
■ 商品ページAEO対応チェックリスト 【商品説明文】 □ 1. 冒頭30文字以内に「誰に・何を・なぜ」が明記されている □ 2. スペック（サイズ・重量・素材等）が具体的数値で記載されている □ 3. 対象ユーザーと非対象ユーザーが明示されている □ 4. 競合カテゴリとの違い（差別化ポイント）が説明されている □ 5. 商品ページ内にFAQセクション（3〜5問）がある 【構造化データ】 □ 6. Product Schema（JSON-LD）が実装されている □ 7. GTIN（JANコード）がschemaに含まれている □ 8. Offer内にprice、availability、priceCurrencyがある □ 9. MerchantReturnPolicy（返品ポリシー）が実装されている □ 10. OfferShippingDetails（配送情報）が実装されている □ 11. AggregateRating（レビュー評価）が実装されている □ 12. 構造化データの内容がページ上の表示と一致している 【カテゴリ・サイト構造】 □ 13. カテゴリが「用途ベース」で設計されている □ 14. パンくずリスト（BreadcrumbList）が構造化データで実装されている □ 15. カテゴリページに「選び方ガイド」コンテンツがある 【検証】 □ 16. Google Rich Results Test（https://search.google.com/test/rich-results）で 構造化データのエラーがゼロ □ 17. ChatGPT・Perplexityで自社商品カテゴリの質問を実際に入力し、 自社商品が推薦されるか定期的にテスト
業種別AEO対策のポイント
| 業種 | AIに聞かれやすいクエリ例 | 商品ページで押さえるべきポイント |
|---|---|---|
| アパレル | 「30代 オフィスカジュアル おすすめブランド」「低身長 ワイドパンツ 選び方」 | 着用シーン、体型別サイズ感、素材の肌触り・季節適性を具体的に記述。カラーバリエーションごとの構造化データ実装 |
| 食品・飲料 | 「グルテンフリー おやつ 子供向け」「糖質制限 パン おすすめ」 | アレルゲン情報、栄養成分表、賞味期限、保存方法。NutritionInformation schemaの活用 |
| 家電・ガジェット | 「一人暮らし 電子レンジ おすすめ 2026」「ノイキャンイヤホン 3万円以下 比較」 | スペック表を数値で網羅。「〇〇 vs △△」の比較コンテンツ。互換性・対応規格の明記 |
| コスメ・美容 | 「敏感肌 日焼け止め おすすめ」「40代 エイジングケア 美容液」 | 成分リスト、肌タイプ別の適性、使用感の具体的表現。薬機法に抵触しない表現に注意 |
| インテリア・雑貨 | 「6畳 ワンルーム ソファ おすすめ」「北欧風 ダイニングテーブル 4人用」 | 寸法（mm単位）、設置に必要なスペース、組立の要否、重量。部屋のスタイルとの相性 |
関連記事：業種ごとのAEO戦略の詳細は「業種別AEO攻略ガイド」をご覧ください。
よくある質問（Q&A）
Q1. 小規模なECサイトでもAEO対策の効果はある？
はい、むしろ小規模サイトの方がAEOで有利になる場合があります。AIは「ドメインの大きさ」ではなく「情報の正確さと専門性」で情報源を選びます。ニッチなカテゴリで詳細かつ正確な商品情報を提供しているショップは、大手ECモールよりもAIに引用される可能性があります。まずは主力商品10〜20点に絞ってAEO対策を実施し、効果を検証してから拡大するアプローチを推奨します。
Q2. 構造化データを入れればすぐにAIに選ばれるようになる？
構造化データの実装は必要条件ですが、十分条件ではありません。AIは構造化データに加えて、ページの内容の質、他サイトでの評判（レビュー、被リンク）、ブランドの認知度も総合的に評価します。構造化データは「AIに読ませるための入口」であり、その上に充実した商品説明、レビュー、第三者からの言及が積み重なることで効果が発揮されます。早期に実装した場合、数週間〜2か月程度で変化が見え始めるケースが報告されています。
Q3. 既存のSEO対策はAEOで無駄になる？
無駄にはなりません。ChatGPTはGoogleのインデックスを利用して情報を取得するため、Googleに正しくインデックスされていることがAEOの前提です。つまり、SEOはAEOの土台です。AEOはSEOの上位互換ではなく、SEOの上に「AIに選ばれるための最適化」を追加するレイヤーと捉えてください。
Q4. ChatGPTに自社商品を推薦してもらうために直接的にできることは？
ChatGPTは学習データとリアルタイムWeb検索の両方から回答を生成します。リアルタイム検索の部分はSEO＋構造化データで対応可能です。学習データに影響するには、複数の信頼できるメディアやブログで自社商品が言及されること（PR・ブランドマーケティング）が効果的です。学習データの更新には約8か月かかるため、長期的な取り組みが必要です。
Q5. レビューが少ない新商品でもAEOは有効？
レビューは重要ですが、レビューがなくてもAEOの効果はあります。商品説明文の質、構造化データの正確さ、カテゴリ設計の論理性は、レビューとは独立した評価軸です。新商品の場合は、詳細なスペック情報、用途別の適性説明、FAQの充実で補完してください。レビューは11〜30件を超えるとコンバージョン率が約68%向上するという調査結果もあるため、購入者にレビュー投稿を促す仕組みも並行して整備しましょう。
まとめ——「AIに選ばれるEC」は、今日の実装で決まる
AI検索は急速に普及しており、この流れは不可逆です。しかし、多くのECサイトはまだAEO対策を実施していません。つまり、今動いた事業者から順に先行者利益を得られるフェーズです。
今日からできることを3つに絞ります。
1. 主力商品5点のProduct Schemaを実装する。本記事のJSON-LDテンプレートを使い、GTIN・価格・在庫・配送・返品ポリシーを含めた構造化データを設置する。Google Rich Results Testでエラーゼロを確認。
2. 商品説明文を「AI引用型」に書き換える。冒頭に「誰に・何を・なぜ」、スペックは具体的数値、対象/非対象ユーザーの明示、FAQセクションの追加。
3. ChatGPTとPerplexityで自社商品カテゴリを検索し、現状を把握する。自社商品が推薦されていない場合は、推薦されている競合の商品ページを分析し、情報の充実度と構造化データの差を特定する。
AI検索の時代に「選ばれるEC」になるか、「見えないEC」になるか。その分岐点は、今日の一歩にあります。
参考リンク
- Shopify — What Is AEO? Rank in AI Search via Answer Engine Optimization
- Schema.org — Product（構造化データ仕様）
- Google Rich Results Test（構造化データ検証ツール）
- GS1 Japan（JANコード申請）
- Google Merchant Center — 商品データ仕様
免責事項：本記事は2026年3月時点の公開情報に基づく情報提供です。AI検索プラットフォームのアルゴリズムや仕様は頻繁に変更されます。構造化データの実装にあたっては、Schema.orgとGoogleの公式ドキュメントで最新仕様を確認してください。特定の施策による効果を保証するものではありません。
コメント