エージェンティックコマースと商品フィード：小売業におけるAI時代の実践ガイド

商品データは特定の部門のみが保有するものではなく、EC、MD、物流、コンプライアンス、オペレーションなど、複数の部門にまたがって管理されています。それにもかかわらず、なぜエージェンティックコマースに関する議論は決済部門に集約されるのでしょうか。

その主な理由の一つは、エージェンティックコマースの議論の起点がPSPやカードネットワーク、決済インフラにあるためです。そのため、実現可能性や優先順位に関する初期情報は決済部門に集約され、そこから全社へ展開される構造となっています。

また、決済部門は商品データを保有していなくても、EC、財務、不正利用対策、法務、オペレーションといった各領域を横断的に把握できる立場にあります。その特性から、決済部門は関係部門をつなぎ、エージェンティックコマースを推進・統括するハブとして最も適した立ち位置にあると言えます。

小売業者の多くは、PIM（商品情報管理）システムやECプラットフォーム、Google Merchant Centerなどを基盤にすでに商品フィードを保有しています。さらに、明確なタイトル、適切な商品説明、整理されたカテゴリ設定など、ユーザーや検索エンジン向けに商品フィードの最適化もされています。

しかし、それだけではAIに対応できているとは言えません。

AIプラットフォームは、従来のECとは異なり、特定の属性、一貫した形式、最新のデータといった、より厳格な商品フィード要件を設けています。これらは標準的な商品フィードの基準を大きく上回るものです。AI対応に重要なのは、商品フィードが「ユーザーにとって魅力的か」ではなく、「AIにとって処理可能な構造化されたデータか（機械可読性）」にあります。

また、従来のように決済時のみ情報が参照されるのとは異なり、AIはユーザーとの一連の対話の中で、価格や在庫状況、購入資格（年齢制限や地域制限など）といった情報を、リアルタイムで繰り返し参照しながら意思決定を最適化していきます。そのため、商品データの不整合や数分単位の更新遅延であっても、誤った商品情報として即座にユーザーへ表示される可能性があります。

さらに、AIプラットフォームごとにデータ取り込み要件が異なるため、各仕様に合わせたデータの最適化という構造的な課題も生じます。これにより、マッピングやフォーマット調整、データ更新といった作業がAIプラットフォームごとに発生し、要件変更のたびに継続的なメンテナンスが求められます。

多くの大手小売企業においても、AI対応に向けた商品データ整備は依然として発展途上にあります。一部のデータは構造化されている一方で、多くは複数システムに分散しており、リアルタイムでの活用には課題が残されています。 自社の現状を把握するために、以下の点を確認してみてください。

• 商品フィードは在庫管理システムと連携しているか

• リアルタイムの在庫データを反映できているか

• 価格や購入制限が正確に表示されているか

• 各AIプラットフォームの要件に応じて適応できるか

商品フィードの整備において生じる課題は、部門やシステムをまたいで発生します。そのため、技術的な対応だけでなく、部門間の連携が不可欠です。以下に、エージェンティックコマース適応に向けた、機械可読な商品フィードを構築するための実践的なアプローチを紹介します。

ステップ1. 現状を把握する

まず、既存の商品フィードが各AIプラットフォームの要件を満たしているか、商品データが最新の状態に保たれているかなど、現状を確認します。

• 不足データの特定：各AIプラットフォームの要件と照らし合わせ、現在の商品フィードに含まれていない情報を洗い出します。よくある不足項目には、重量、サイズ、配送リードタイム、返品ポリシー、規制関連情報などがあります。

• データの鮮度・正確性の確認：AIプラットフォームは、最新かつ正確なデータを重要なシグナルとして扱います。そのため、データが古い、欠落している、または不整合がある場合、表示順位の低下や非表示につながります。

ステップ2. 不足データを揃える

システムを一から作り直す必要はありません。重要なのは、AIプラットフォームの要件に応じて、必要なデータを揃え、活用できる状態に整備することです。不足している商品データは、物流、財務、コンプライアンスなど、EC部門外のシステムに分散して存在している可能性があります。これらを組織およびシステムの両面から統合することが求められます。

• データオーナーシップの明確化：物流、財務、コンプライアンス、オペレーションなど関係部門と連携しながら不足データの所在を特定します。

• 適切な担当者の召集：AIプラットフォームの要件に合わせて、適切な部門と連携し分散しているデータにアクセス・統合できる状態を整えます。

ステップ3. 商品データの管理方法を決める

AIプラットフォームでは、商品データが一貫性を保ちながら、最新かつ統一された形式で提供されることが求められます。そのため、価格、在庫状況、購入制限に関するSSOT（信頼できる唯一の情報源）を確立するために、PIM、OMS（注文管理システム）、在庫管理ツール、Google Merchant Centerなどを横断的に統合する必要があります。

単一かつ一貫したデータをAIプラットフォームに提供するため、企業では主に以下のような手法が取られています。

• PIMの拡張 既存のPIMにフィールドやAIロジックを追加する方法です。 メリット：商品データの所有権を、カタログ管理・MDチームの手元に留めることができ、既存の業務フローの中で一貫性を保ちながらAI対応を進められます。 デメリット：システムの大幅な改修が必要となり、多大な開発工数とコストが発生する可能性があります。

• ECプラットフォームの活用 商品データをAPI経由で公開し、AIプラットフォームと直接連携させる手法です。 メリット：既存機能を活用するため比較的迅速な立ち上げが可能です。 デメリット：AIプラットフォームの仕様やロードマップに依存するリスクがあり、自由度が制限される可能性があります。

• 独自のデータ統合・変換基盤の構築 複数のシステムからデータを取得し、標準化したうえで各AIプラットフォーム向けにフォーマットを整える方法です。 メリット：完全なコントロールを確保できます。 デメリット：AIプラットフォームの要件変化に応じた継続的な保守・運用が必要になります。

• 決済・インフラパートナーとの連携 データの準備およびAIプラットフォームへの連携を、専門の外部パートナーに委託する方法です。 メリット：自社側の開発負担を最小限に抑えつつ、最新のAI要件に合わせたデータ配信を迅速に実現できます。 デメリット：インフラの主要部分を外部に委ねることになるため、特定のパートナーへの依存度が高まります。

判断基準 自社のエンジニアリング能力、維持したいコントロールの範囲、対応するAIプラットフォーム数、そしてデータの更新頻度によって最適解は異なります。例えば、トラベルやフードデリバリーのように価格や在庫の変化の速い分野では、高精度なリアルタイム連携を重視して判断する必要があります。

重要なのはどの手法を選ぶかではなく、商品データを正確かつ最新に保ち、AI対応可能な状態で維持するために、社内システムをいかに連携させるかです。

一部のAIプラットフォームでは、企業がそのインターフェース内で自社ブランドの購買体験を提供できるようになっています。MCPサーバーを各AIプラットフォームに接続することで、ユーザーはブランドのウェブサイトを介さずに、AIプラットフォーム上でそのブランド独自のサービスや購買体験を利用できるようになります。

MCPサーバーを活用する小売業者の戦略は、主に2つの方向に分かれます。

1. ブランド名でのAI検索における購買体験の向上 顧客が特定のブランド名で直接検索している場合や、購入プロセスで詳細なガイドを必要とする場合、あるいは構成が複雑な商品のカスタマイズにおいて、このアプローチは特に有効です。AIがブランド独自のデータベースを正確に参照することで、商品理解から最終的な購買判断まで、店舗スタッフのように一貫したサポートを提供できます。

2. AI検索における表示機会の最大化 ユーザーがブランドを指定せずに「〜に最適な商品は？」と検索した際、自社商品をいかに表示させるかに焦点を当てた戦略です。多くの企業にとって、即効性の高い優先課題となります。

どちらのアプローチが適しているかは、ブランド特性や顧客によって異なりますが、両者は排他的ではなく、求められる基盤は共通しています。その基盤に必要なのは、構造化され機械可読な商品データ、正確な価格・在庫情報、明確なポリシー、そしてAIプラットフォーム要件の変化に対応できる仕組みです。

エンタープライズ企業や主要なAIプラットフォーム各社との対話を通じて見えてきたのは、エージェンティックコマースにおける最大の課題がインフラにあるという点です。Adyenはこの課題解決を最優先事項として取り組んでいます。

具体的には、以下の3つの軸を中心に、小売業の決済部門を支援します。

• 戦略的な意思決定の支援 AIプラットフォームが求める最新の技術要件を共有し、決済部門が「今着手すべき優先事項」を判断できるようサポートします。後戻りが難しい意思決定を慎重に見極めながら、将来の拡張性を確保した段階的な準備を支援します。また、AAIF（Agentic AI Foundation）にも参画することで、特定の技術に早期に依存しすぎるリスクの回避にも貢献します。

• インフラの断片化を解消 AIインターフェースと既存のコマースシステムが交差する「接続点」の最適化に注力しています。複数の標準規格に対応することで、新しいAIプラットフォームが登場するたびに個別の統合開発が必要になる状況を防ぎ、システムの断片化を最小限に抑えます。

「制御と均衡」の維持 すべての取り組みにおいて、小売事業者が自社のデータと顧客との関係性を自らコントロールできる状態を重視しています。AI時代においても、事業者が主導権を握りながら「制御と均衡」の最適なバランスを保てるよう支え続けます。

AIエージェントが「買い手」になる時代へ。あなたのビジネスは準備できていますか？

生成AIの進化により、商品の発見から比較・決済まで、AIエージェントが消費者に代わって行う 「エージェンティック・コマース」 時代が到来しています。ブランドと顧客の直接的なつながりをどう守るか。Adyenが世界100社以上の調査から導き出した戦略と実践的対策を、無料ウェビナーで公開します。

ウェビナーを視聴する

エージェンティックコマースのすべてを把握している必要はありません。しかし、決済部門はPSPや各ベンダーとの日々の実務を通じて、他部門にはない現実的な視点を備えています。その知見を活かし、組織として取り組むべき優先事項を見極めるための4つの指針を提示します。

• AI対応に向けた商品フィードの見直し：AIによる商品発見を成立させるには、従来の商品フィードの基準を大きく上回る、明確なデータ定義、網羅的な属性情報、そしてリアルタイムな更新が不可欠です。

• 部門横断でのデータ連携の強化：データの断片化や所有権の曖昧さ、「既存の仕組みで十分」という認識が大きな障壁となります。これらは技術の問題ではなく、部門横断での連携によって解決すべき課題です。

• AIプラットフォームに依存しないデータ基盤の構築：構造化された機械可読な商品データを整備することで、あらゆるAIアシスタントや検索インターフェースで活用可能な、持続的なデータ資産となります。

• 変化に対応できる柔軟なインフラ整備：特定の実装やベンダーへの早期依存はリスクとなります。業界標準やAIプラットフォーム要件の変化に対応できる、柔軟なインフラの整備が重要です。

商品データは構築して終わりではありません。最新性を維持し、異なるフォーマットへの対応や要件変更への適応を継続的に行う必要があります。部門横断で動ける決済部門は、その推進役として重要な役割を担います。

AIに対応した商品データ基盤についての詳細は、「エージェンティック・ファウンデーション：在庫データの機械可読性を高める」をご参照ください。また、自社におけるエージェンティックコマース対応の商品データ最適化についてご検討中の方は、ぜひお気軽にお問い合わせください。