「LLMO対策が必要だと聞いて記事を読んでみたが、結論ファーストで書け、FAQを置け、と言われても、うちの売上を作っているのは商品ページだ」
EC事業者の担当者から、こうした戸惑いをよく聞きます。
実際、世に出ているLLMO対策の解説の多くは、オウンドメディアの記事コンテンツを前提に書かれています。ところがECにおいてAIが参照するのは、記事よりもまず商品そのもののデータです。そして米国小売サイトを対象にした調査では、商品ページこそが最もAIに読まれていないページだという結果が出ています。
この記事では、ECサイトのLLMO対策を「商品データ」を起点に組み立て直します。何から着手すべきかの優先順位、2026年に本格化したエージェントコマース（AIが購入まで代行する仕組み）への備え、そして効果測定の方法まで、一次データにもとづいて整理します。
まずは自社のAI検索対策状況を無料で診断しませんか？
バクリ株式会社の「無料AIOアセスメント」では、ChatGPT・Gemini・Perplexityにおける自社の引用状況と改善ポイントを10分で可視化します。
【お知らせ】4月17日（金）に弊社代表荒川が書籍を発売しました！
AI時代を勝ち抜く最先端のノウハウをまとめた書籍『海外の先行事例に学ぶ AI検索最適化（AIO/AISEO/LLMO）実践ガイド』（著者：弊社代表取締役 荒川 大史）が、4月17日（金）よりKindleストアにて配信開始しました。
これからのビジネス戦略にぜひお役立てください！
目次
- 1 結論｜ECのLLMO対策は「記事」ではなく「商品データ」で決まる
- 2 ECにおけるLLMO対策とは？AIO・GEOとの関係を整理する
- 3 なぜ今ECでLLMO対策が必要なのか｜一次データで確認する
- 4 【最優先】AIに商品を正しく認識させる｜商品データの整備
- 5 ECのLLMO対策では商品ページをAIが読み取れる形にする
- 6 第三者評価を増やす｜ECのLLMOは自社サイトの外でも決まる
- 7 エージェントコマースへの備え｜UCPとACP
- 8 AIクローラーを妨げていないかの技術チェック
- 9 ECのLLMO対策の進め方｜5ステップと効果測定
- 10 ECのLLMO対策に関するよくある質問（FAQ）
- 11 まとめ｜ECのLLMOは「読まれる商品データ」から始まる
結論｜ECのLLMO対策は「記事」ではなく「商品データ」で決まる
一般的なLLMO対策との3つの違い
まず、ECのLLMO対策が何によって特殊なのかを整理します。
第一に、評価される対象がページではなく商品です。 生成AIに「予算1万円で乾燥肌向けの化粧水を教えて」と尋ねたとき、AIが照合しているのは記事の文章だけでなく、商品名・価格・容量・成分といった属性データです。記事をいくら書いても、商品データが曖昧なままでは候補に上がりません。
第二に、情報源が自社サイトの外に大量にあります。 モール、比較サイト、レビュー、SNS。同じ商品について複数の情報が存在し、それらが食い違っていればAIは確信を持てません。
第三に、購入までの経路が変わり始めています。 2026年に入り、AIとの会話の中で商品を選び、そのまま決済まで完了する仕組みが実装フェーズに入りました。ここは後半で詳しく扱います。
データが示す最大の課題｜商品ページが最もAIに読まれていない
Adobeは、Webページの内容をLLMがどの程度読み取れるかを判定するツールを用いて、米国小売業界のページ種別ごとの平均スコアを公開しました。100%満点で、スコアが低いほど機械に読めない内容が多いことを意味します。
| ページ種別 | AI可読性スコア |
|---|---|
| 返品・交換 | 82% |
| お問い合わせ | 81% |
| FAQ | 80% |
| ヘルプセンター／カスタマーサービス | 79% |
| ロイヤリティ・会員 | 78% |
| トップページ | 75% |
| カテゴリページ | 74% |
| 店舗検索 | 73% |
| 商品ページ | 66% |
最下位が商品ページでした。Adobeは、小売各社は数千のSKUを抱えており、その内容の多くが現時点でLLMから見えていない、と指摘しています。
注意：このデータはAdobe Analyticsによる自社計測であり、第三者による監査を受けたものではありません。数値そのものより、ページ種別間の相対的な差に注目してください。
売上に最も近いページが、最も読まれていない。ECのLLMO対策は、ここから始めるのが最短距離です。
ECにおけるLLMO対策とは？AIO・GEOとの関係を整理する
LLMO対策の定義
LLMO（大規模言語モデル最適化）とは、生成AIが回答を作成する際に、自社の情報が正しく参照・引用・推奨される状態を目指す取り組みです。GEO（生成エンジン最適化）もほぼ同義で用いられます。
より広い総称としては、AIOという言葉が使われます。
AIO（AI最適化）とは、AI Overview＋各種生成AI（AI検索全般） 目的：AI Overview対策とLLM対策（その他AI対策）を合わせた総称。AI検索全体で引用・紹介される状態をつくる
なお、Googleは公式ドキュメントで、AEOやGEOと呼ばれる取り組みについて、Google検索の観点からは生成AI検索への最適化は検索そのものへの最適化であり、つまりSEOであると明記しています。まったく新しい技術体系が必要になったわけではないという理解が前提です。
EC特有の検索行動｜比較・検討フェーズがAIに移った
ECの購買行動は、認知→比較検討→購入という流れをたどります。このうち比較検討のフェーズが、検索エンジンから生成AIへ移りつつあるのが現在の変化です。
「〇〇 おすすめ」「〇〇 比較」といった検索は、これまで比較記事やランキング記事に流れていました。いまはAIが複数商品を横断して要約し、候補を3つに絞って提示します。この提示の中に入れなければ、以降の検討対象から外れます。
SEOとLLMOの違い
| 観点 | SEO | ECにおけるLLMO |
|---|---|---|
| 目的 | 検索結果での上位表示 | AIの回答内で商品が推奨される |
| 評価単位 | ページ | 商品・ブランド |
| 主な参照先 | 自社ページ | 商品データ＋第三者評価 |
| 成果指標 | 順位・流入 | 推薦率・AI経由流入とCVR |
| 主な打ち手 | コンテンツと内部施策 | 商品データ整備と外部評価 |
なぜ今ECでLLMO対策が必要なのか｜一次データで確認する
バクリの海外リサーチチームが収集したデータをもとに、市場の変化を確認します。
AI経由の流入は前年比393%増
Adobeの調査によると、2026年1〜3月における米国小売サイトへのAI経由流入は前年比393%増でした。2026年3月単月では269%増、直前の商戦期（2025年11〜12月）は693%増と、伸長が続いています。
消費者側の調査では、39%がオンラインショッピングでAIを使った経験があり、そのうち85%が体験が良くなったと回答しています。
コンバージョン率が逆転した
より重要なのは質の変化です。2026年3月、AI経由の流入は非AI流入と比べてコンバージョン率が42%高いという記録を出しました。1年前の2025年3月には38%低かったため、完全な逆転です。
行動指標も伴っています。AI経由の訪問者は、エンゲージメント率が12%高く、滞在時間が48%長く、1訪問あたりの閲覧ページ数が13%多いという結果でした。
これは直感的にも理解できます。AIとの対話で候補を絞ってからサイトに来る人は、すでに検討がある程度進んでいます。AI経由の流入は「冷やかし」ではなく「買う気のある人」に変わったということです。
しかし商品ページのAI可読性は最下位
流入もCVRも伸びている一方で、前述のとおり商品ページのAI可読性は66%にとどまります。この2つを並べると、いま何が起きているかが見えてきます。
買う気のある流入が急増しているチャネルに対して、最も重要なページが読めない状態で放置されている。 これが2026年時点のECの実態です。
ここから導ける優先順位
以上を踏まえた着手順は次のとおりです。
- 商品データの整備（AIに商品を正しく認識させる）
- 商品ページの可読性改善（読めない情報をなくす）
- 第三者評価の獲得（外部での言及・レビューを増やす）
- 技術要件の確認（クローラーを妨げていないか）
記事コンテンツの制作は、これらの後に来ます。順番を守るだけで、同じ工数の効き方が変わります。
【出典】Adobe「U.S. retailers see surge in AI traffic, but many websites are not entirely readable by machines」（2026年4月16日） https://business.adobe.com/blog/ai-traffic-surge-retail-sites-not-machine-readable
【最優先】AIに商品を正しく認識させる｜商品データの整備
Merchant Centerの商品フィードを整える
Googleは生成AI最適化ガイドの中で、ECサイトについては商品フィードの提供を推奨しています。フィードで渡した構造化された商品情報は、Googleのショッピング関連の機能全般で使われるためです。
整えるべき項目は基本的なものばかりです。商品名、ブランド、GTIN・JANコードなどの識別子、価格、在庫状況、画像、配送・返品条件、サイズや色といったバリエーション情報。これらが欠けている、または実際のページと食い違っていると、そもそも候補として扱われません。
同様の考え方は他のプラットフォームでも共通です。OpenAIも、加盟店がCSVまたはJSON形式の商品フィードを定期的に更新して提供する仕組みを用意しており、識別子・説明・価格・在庫・メディア・配送オプションといった項目を求めています。フィードの品質がそのまま露出の前提になる構造は、どのプラットフォームでも変わりません。
商品構造化データを実装する
商品ページ側では、Product構造化データを実装します。価格、在庫状況、レビュー評価、返品ポリシー、配送情報、バリエーションといった情報をマークアップすることで、機械が誤解なく読み取れる状態になります。
在庫・価格・型番の不一致をなくす
自社EC、モール出店、メーカーサイト、比較サイト。同じ商品の情報が複数箇所に存在するのがECの常です。ここで価格や型番、容量の表記が食い違っていると、AIは正確な回答を作れず、その商品への言及自体を避けます。
最低限、次の3点は統一しておきます。
- 正式な商品名の表記（記号・スペース・型番の書き方）
- 容量・サイズ・成分などの仕様値
- 価格と在庫状況の更新タイミング
地味ですが、着手コストが低く効果が読める作業です。
構造化データの位置づけ｜Google公式見解との使い分け
ここで、よくある誤解を整理しておきます。Googleの生成AI最適化ガイドは、生成AI検索のために構造化データは必須ではなく、AI専用のスキーマも存在しないと明記しています。一方で、リッチリザルトの対象となるためSEO戦略の一部として実装する価値はある、とも述べています。
つまり、こう整理できます。
| 施策 | 生成AIのために必須か | 実装すべきか |
|---|---|---|
| 商品フィード | ショッピング機能の前提 | 優先度高 |
| Product構造化データ | 必須ではない | 実装推奨（検索全体の基盤として） |
| AI専用のスキーマ | 存在しない | 不要 |
「構造化データを入れればAIに引用される」という単純な因果ではありません。商品情報を機械が誤解なく読める状態にすることが目的であり、構造化データはその手段のひとつだと捉えてください。
ECのLLMO対策では商品ページをAIが読み取れる形にする
仕様・サイズ・素材を表で構造化する
商品ページの可読性が低い最大の原因は、重要な情報が画像や装飾の中に埋もれていることです。サイズ表や成分表が画像として貼られていれば、テキストとしては存在しません。
仕様・サイズ・素材・対応機種といった情報は、必ずHTMLのテーブルまたはリストでテキストとして記述します。画像を併用するのは構いませんが、画像だけで完結させないことが原則です。
「誰向けか・どの場面で使うか」を言語化する
生成AIへの質問は、商品名ではなく状況で投げられます。「デスクワークで肩がこらないマウス」「一人暮らしで置けるサイズの洗濯機」といった具合です。
したがって、スペックの列挙だけでは不十分です。どんな人に向いていて、どんな場面で使い、何が向いていないのかを文章で明示します。「向いていない条件」を書くことは、一見売上を減らす行為に見えますが、AIが適切な文脈で商品を推奨するための重要な材料になります。
画像・JavaScript依存で情報が消えていないか
商品説明がタブの切り替えで表示される、スペックがJavaScriptで後から読み込まれる、口コミが外部ウィジェットで埋め込まれている。いずれもHTMLとして取得した時点では存在しない情報になる可能性があります。
確認方法は簡単です。ブラウザでJavaScriptを無効にして商品ページを開き、必要な情報が残っているかを見ます。消えている情報は、AIからも見えていないと考えてください。
FAQで購入前の不安に先回りする
サイズ感、洗濯可否、互換性、返品条件。購入前に検索される質問を商品ページ内のFAQとして用意します。これは購入率の改善に直結する施策であると同時に、AIが「その商品について答えられる情報源」として参照しやすくなる形式でもあります。
第三者評価を増やす｜ECのLLMOは自社サイトの外でも決まる
AIが引用するのは自社ページより比較・レビュー
ChatGPTの被引用上位1,000ページを分析した調査では、企業側が影響を与えうるコンテンツの内訳は、教育系コンテンツ19.4%、レビュー5.8%、ニュース・メディア5.2%、ブログ記事1.9%でした。合計32.3%で、残りの約3分の2はWikipediaや企業のトップページなど、直接は働きかけられない領域です。
自社の商品ページを整えることは前提条件ですが、それだけでは引用の獲得に届きません。第三者が自社商品について書いている状態をどう作るかが、もうひとつの主戦場になります。
レビュー・UGCの集め方と扱い方
レビューは、AIにとって商品の実像を判断する材料です。件数だけでなく、具体的な使用状況が書かれているかが重要になります。購入後のフォローメールでレビューを依頼する際、「サイズ感」「使った場面」など具体的な観点を提示すると、内容の濃いレビューが集まりやすくなります。
モール（楽天・Amazon）との併存をどう考えるか
日本のEC事業者に特有の論点です。生成AIに商品を尋ねると、モールの商品ページが優先的に挙がり、自社ECが出てこない——という悩みは頻繁に聞きます。
現実的な考え方は、モールを排除するのではなく役割を分けることです。モールは「商品が存在すること」と「レビューが蓄積していること」を担保します。一方で、自社ECでしか提供できないのは、詳しい仕様情報、選び方の解説、使用シーンの説明、開発の背景といった深い情報です。
AIが「その商品について詳しく答えたい」と判断したとき、参照先になるのは深い情報を持つページです。モールと同じ内容を自社ECに置いているだけでは、選ばれる理由がありません。
やってはいけないこと｜ステマ規制・景表法の注意点
第三者評価を増やす施策では、法規制の確認が欠かせません。
ステルスマーケティング規制により、事業者が広告であることを隠して第三者に発信させる行為は景品表示法違反となります。レビュー依頼にあたって対価を提供する場合、また比較記事への掲載を依頼する場合は、広告表記が必要です。
あわせて、根拠のない「No.1」「業界最安値」といった表示は優良誤認・有利誤認にあたる可能性があります。化粧品・健康食品を扱う場合は、薬機法上の効果効能の表現にも注意が必要です。
AIに引用されやすくするために表現を強めることは、そのままリスクになります。 事実を具体的に書くことと、断定的に強く書くことは別物です。
エージェントコマースへの備え｜UCPとACP
ここからは、2026年に起きているEC固有の構造変化を扱います。
Google「UCP」とは｜2026年1月に始まった共通規格
Googleは2026年1月11日、エージェントコマースのためのオープン標準「Universal Commerce Protocol（UCP）」を発表しました。AIエージェントと小売事業者、決済事業者が、商品の発見から購入、購入後のサポートまでを共通の言語でやり取りするための仕組みです。
Shopify、Etsy、Wayfair、Target、Walmartらと共同開発され、Visa、Mastercard、Stripe、American Express、Best Buy、The Home Depotなど20社を超えるパートナーが支持を表明しています。既存の小売インフラと連携できるよう設計されており、API、Agent2Agent（A2A）、Model Context Protocol（MCP）など複数の統合方法が用意されています。
同時に、検索上でブランドと直接チャットできる「Business Agent」や、会話型コマースで発見されるためのMerchant Centerの新しいデータ属性も発表されました。
2026年5月のGoogle I/Oでは、複数の小売店の商品をまとめられる「Universal Cart」が発表され、UCPによる決済体験のカナダ・オーストラリアへの拡大、その後の英国展開、YouTubeへの導入、ホテル予約や地域のフードデリバリーといった新分野への拡張も公表されています。
OpenAI「ACP」とは｜ChatGPT内での購入
OpenAIは、Stripeと共同開発した「Agentic Commerce Protocol（ACP）」を基盤に、ChatGPT内で購入まで完結する「Instant Checkout」を提供しています。米国のユーザーが米国のEtsy出品者から購入できる形で始まり、100万を超えるShopify加盟店への拡大が予告されました。当初は単品購入のみで、複数商品のカートや対象地域の拡大が順次進められています。
ACP自体はオープンソースとして公開されており、誰でも実装を始められます。一方でInstant Checkoutへの参加は承認されたパートナーに限られます。
2つの規格の比較
| 項目 | UCP（Google） | ACP（OpenAI・Stripe） |
|---|---|---|
| 発表 | 2026年1月 | 2025年9月 |
| 主な提供面 | AI Mode、Gemini、YouTube | ChatGPT |
| 共同開発 | Shopify、Etsy、Walmart 等 | Stripe、加盟店パートナー |
| 統合方法 | API／A2A／MCP | ACPエンドポイント＋商品フィード |
| 共通点 | 商品フィードの提供が前提／会話内で購入が完結 | 同左 |
日本のEC事業者はいま何をすべきか
ここは正確に押さえてください。2026年8月時点で公表されている決済機能の対象地域に、日本は含まれていません。 UCPによる決済は米国から始まり、カナダ・オーストラリア、その後に英国という順で拡大が公表されています。ACPのInstant Checkoutも米国が中心です。
つまり、いま日本のEC事業者が慌てて対応すべき実装作業はありません。 ただし、両方の規格に共通する前提は変わりません。それは正確で構造化された商品フィードを提供できていることです。
- 商品識別子（JAN／GTIN）が全商品に付与されているか
- 価格・在庫がリアルタイムに近い頻度で更新されているか
- 配送・返品条件がデータとして提供されているか
- バリエーション（色・サイズ）が正しく紐づいているか
これらは、エージェントコマースが日本に来る前からAI検索での露出そのものに効く項目です。「将来への備え」ではなく「いま効く施策」として取り組むのが合理的です。
AIクローラーを妨げていないかの技術チェック
robots.txtでAIクローラーを誤ってブロックしていないか
意図せずAI関連のクローラーを拒否しているケースは珍しくありません。過去にサーバー負荷対策として追加した記述が残っていないか、確認してください。
引用されたいのであれば、該当するクローラーを許可する必要があります。逆に、学習利用を避けたいという方針があるなら、どのクローラーを許可し、どれを拒否するのかを意思決定として整理することが先決です。
JavaScript依存ページが読まれないリスク
前述のとおり、レンダリング後にしか現れない情報は取得されない可能性があります。特に商品ページの主要スペックがこれに該当していないかは、優先的に確認すべき項目です。
llms.txtの位置づけ｜優先度は高くない
AI向けの案内ファイルとして知られるllms.txtですが、Googleは公式に、Google検索はこれを使用しないと明言しています。また大規模調査では、公開されたファイルの大半が一度もリクエストを受けていない実態も報告されています。
低コストで用意でき、更新を続けられるなら作って構いませんが、ECのLLMO対策として優先度は高くありません。 同じ工数があれば、商品フィードの整備に充てるべきです。
ECのLLMO対策の進め方｜5ステップと効果測定
STEP1 現状診断｜指名とカテゴリの両方で確認する
最初にやるべきは施策ではなく計測です。主要な生成AIに、次の2種類の質問を投げて記録します。
- 指名系：「〇〇（自社商品名）はどんな商品ですか」→ 情報が正確か
- カテゴリ系：「〇〇（用途）におすすめの商品は」→ 自社が挙がるか
前者で情報が誤っていれば商品データの問題、後者で挙がらなければ認知・評価の問題です。この切り分けができれば、着手すべき施策が決まります。
STEP2 対象商品・カテゴリの優先順位づけ
全SKUを一度に整えるのは非現実的です。売上構成比の高い商品、粗利率の高い商品、競合との比較検討が発生しやすいカテゴリから着手します。
STEP3 商品データ→商品ページ→第三者評価の順で着手
順番には理由があります。商品データが不正確なままページを整えても、AIは矛盾する情報を前に判断を保留します。土台から順に固めるのが最短経路です。
STEP4 効果測定｜3つの指標を定点観測する
| 指標 | 見るもの | 頻度 |
|---|---|---|
| 推薦率 | 設定したプロンプト群での言及率 | 月次 |
| AI経由流入 | 参照元別のセッション数 | 週次 |
| AI経由CVR | 他チャネルとの比較 | 月次 |
推薦率は、あらかじめ質問文のセットを固定して毎月同じ条件で計測することが重要です。バクリでは、この定点観測を起点に施策の優先順位を組み立てる進め方をとっています。
内製できる工程／外注が向く工程
| 工程 | 内製しやすさ | 補足 |
|---|---|---|
| 商品データの整備 | 高い | 情報を持っているのは自社 |
| 商品ページの改善 | 高い | 型を決めれば横展開できる |
| 技術要件の確認 | 中程度 | 開発リソースが必要 |
| 第三者評価の獲得 | 中程度 | 企画は内製、実行は分担 |
| 推薦率の定点観測 | 低い | 計測設計と継続運用が必要 |
ECのLLMO対策に関するよくある質問（FAQ）
Q1. ECのLLMO対策にはどのくらい費用がかかりますか？
支援会社によって幅がありますが、費用の前に確認すべきは範囲です。商品データの整備は自社で実行できる部分が多く、外注が必要になるのは技術実装と継続的な効果測定です。現状診断だけを先に依頼し、必要な範囲を見極めてから本契約に進むのが失敗の少ない進め方です。
Q2. 商品点数が多い場合、どこから手をつけるべきですか？
売上構成比の高い商品と、比較検討が発生しやすいカテゴリからです。全SKUの一斉改修は工数が読めないうえ、効果検証もできません。まず数十点で型を作り、横展開する進め方をおすすめします。
Q3. モールに出店していれば対策になりますか？
一部は担保されますが、十分ではありません。モールは商品の存在とレビューの蓄積を支えますが、選び方の解説や使用シーンといった深い情報は自社ECにしか置けません。AIが詳しく答えようとしたとき、参照先になるのは深い情報を持つページです。
Q4. ChatGPTやGeminiで自社商品が買えるようになりますか？
将来的にはその方向に進んでいますが、2026年8月時点で公表されている決済機能の対象地域に日本は含まれていません。ただし前提となる商品フィードの整備は今から有効で、AI検索での露出そのものにも効きます。
Q5. 効果はどのくらいで現れますか？
商品データの修正はAI側の再取得を待つ必要があるため、数週間から数か月単位で見ます。だからこそ、着手前に推薦率などの指標を決め、変化を追える状態を作ってから始めることをおすすめします。
まとめ｜ECのLLMOは「読まれる商品データ」から始まる
ECサイトのLLMO対策を一言でまとめるなら、記事を書く前に商品データを整える、ということに尽きます。AI経由の流入は前年比393%増と急伸し、コンバージョン率は非AI流入を42%上回る水準まで逆転しました。買う気のある人が、AI経由で確実に増えています。それにもかかわらず、商品ページのAI可読性は全ページ種別で最下位の66%でした。最も売上に近いページが、最も読まれていないのが現状です。
着手の順番は明確です。商品フィードと構造化データで商品を正しく認識させ、商品ページから画像やJavaScriptに埋もれた情報を掘り起こし、そのうえで第三者による評価を増やしていく。エージェントコマースの決済機能はまだ日本を対象にしていませんが、UCPにせよACPにせよ、前提となるのは正確な商品フィードです。将来への備えと現在の施策が、同じ作業に収れんしていると考えてください。
最後に、法規制の確認だけは省略しないでください。AIに引用されやすくしようとして表現を強めることは、そのまま景品表示法や薬機法上のリスクになります。事実を具体的に、正確に書くこと。遠回りに見えて、これがAIにも人にも選ばれる唯一の方法です。
自社ECがAI検索でどう扱われているかを把握し、着手の優先順位を整理したい方は、お気軽にご相談ください。
まずは自社のAI検索対策状況を無料で診断しませんか？
バクリ株式会社の「無料AIOアセスメント」では、ChatGPT・Gemini・Perplexityにおける自社の引用状況と改善ポイントを10分で可視化します。
【お知らせ】4月17日（金）に弊社代表荒川が書籍を発売しました！
AI時代を勝ち抜く最先端のノウハウをまとめた書籍『海外の先行事例に学ぶ AI検索最適化（AIO/AISEO/LLMO）実践ガイド』（著者：弊社代表取締役 荒川 大史）が、4月17日（金）よりKindleストアにて配信開始しました。
これからのビジネス戦略にぜひお役立てください！
