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

業界の関心は、エージェンティックコマースのフロントエンドに集中しています。シームレスなチャットインターフェースや意図を解釈するアシスタントは、プロトタイプであれば容易に構築可能です。しかし、最新レポートでも指摘した通り、真の課題はフロントエンドにあるのではありません。エンタープライズレベルのデモでさえ例外なくつまずく原因は、より根本的な構成要素である「データ」にあります。

現在のコマースインフラは人間が利用することを前提に構築されており、データに不明瞭な点があっても人間であれば柔軟に対処できます。例えば、商品情報に耐荷重の記載がなかった場合でも文脈から推測したり、在庫数にわずかな乖離があっても、ページの更新や確認を通じて調整することが可能です。しかし、自律型エージェントにはこうした柔軟性は備わっていません。

AIエージェントにとって、このようなデータの不明瞭さは、処理の停止に直結します。商品を「発見」するだけでなく、実際に「決済」まで完結させるには、従来のシステムが想定していなかったレベルのデータ精度が求められます。アイデアを提案するだけの「便利なアシスタント」から、実際に購入を実行する「トランザクショナル・エージェント」へと進化させるには、在庫データの精度を高め、機械可読性を向上させる必要があります。

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

大規模なエージェンティックコマースを実現できるかどうかは、AIエージェントが処理を完遂できるかにかかっています。その完遂能力を支えるのは、一貫した構造を持ち、リアルタイムで機械が読み取れる商品データです。つまり成功の鍵は、商品フィードの「機械可読性」をどこまで高められるかにあります。

AIエージェントは1回のセッションの中で、商品データを繰り返し照会します。そのため、在庫更新の10分程度のタイムラグといった、ウェブUI上では隠せる遅延であっても、AIエージェントにとっては処理全体を停止させる要因になります。

従来の商品フィードが「パンフレット」だとすれば、AIエージェントが機能するために必要なのは「マニュアル（技術仕様書）」です。一般的なマーケティング用フィードには、容積重量や地域別の在庫状況といったトランザクションデータが含まれていません。そのため、従来の商品フィードに依存したままでいると、データ基盤そのものが機能しなくなります。こうした重要な項目が欠けていると、LLM（大規模言語モデル）は事実に基づかない情報を、あたかも根拠があるかのように出力する「ハルシネーション」を引き起こしたりすることで、誤った意思決定につながります。

エージェンティックコマースは、従来の商品データのクレンジングだけでは実現しません。リーダー企業はエージェンティックコマースの実現を単なるデータ整備ではなく、データ基盤そのものの再構築として捉えています。強固なデータ基盤を確立するには、以下の4つの要件を満たす必要があります。

1. データ完全性

データの最適化を行う前に、まず必要なデータが全て揃っているかを確認します。重要なデータが部分的にしか利用できない状況は、想像以上に頻繁に起こっています。実際に、ある大手消費財メーカーでは、商品の重量が一つのシステムに、カタログ情報は別のシステムに分散しており、それらを紐づける仕組みが整備されていませんでした。人間であれば対応可能でも、配送可否を計算するAIエージェントにとっては、そこで処理が完全に停止する致命的な問題となります。

そのため、データの完全性を確保することは、システム間の整合性維持に加え、地域や拠点ごとの設定差異による不整合を防ぐうえでも不可欠です。

2. AIエージェント対応のスキーマ

「SSOT（信頼できる唯一の情報源）」となる記録システムを特定し、そのシステムが本来の目的に適した状態にあるかを確認します。現在、多くの標準的な商品フィードは、取引の実行に最適化されていないのが実情です。 単純な10項目程度の商品フィードから、機械が行動するために必要な25〜30項目を備えた「AIエージェント対応スキーマ」への移行は、アーキテクチャ上の大きな転換となります。重要なのは、単にフィールドを増やすことではなく、すべての商品において粒度と最新性を維持することです。

3. 実用可能なデータ配信パイプライン

商品データは、整備されているだけでは十分ではありません。AIエージェントが必要なタイミングで、必要な情報をすぐに取得できる状態になっていることが重要です。そのためには、商品データを正確かつ迅速に配信できる仕組みが欠かせません。具体的には、AIエージェントが利用しやすい形式やプロトコルでデータを提供できているか、必要なエンドポイントへリアルタイムで配信できているか、さらに高い信頼性と低レイテンシーを維持しながらスムーズに連携できるかが重要になります。

AIエージェントが商品データをスムーズに取り込み、正しく活用できる環境を構築できるかどうかが、これからの競争力を左右します。

4. 生成エンジン最適化（GEO）

機械可読なデータになった後は、それがAIによってどのように評価され、ランキングされるかが問われます。Google検索における検索エンジン最適化（SEO）が進化してきたように、生成エンジン最適化（GEO）が新たな専門領域になりつつあります。GEOはリアルタイムで進化しており、どの属性や説明文が、AIエージェントに特定の商品を推奨させるのかを完全に特定することは動く標的を狙うようなものです。

この分野で成功を収めるには、継続的な検証と迅速な改善サイクルが不可欠です。

商品データがシステム間で分断されたままである限り、AIエージェントは正確に取引を実行することができず、不完全な情報に基づいて推測するしかありません。現在多くの企業は、「データ完全性」 「AIエージェント対応のスキーマ」 「実用可能なデータ配信パイプライン」 「生成エンジン最適化（GEO）」の4段階のステップのどこかに位置しています。最初の2つは必須要件であり、後半の2つの要件こそが競争優位性を生み出します。

今後市場をリードするのは、最も優れたインターフェースを構築した企業ではなく、それを支える強固なデータ基盤を構築した企業です。

機械可読性の技術的要件については、関連記事 「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」 もあわせてご覧ください。