Andrew Lissimore, 共同創業者 & CEO, Lantern Andrew Lissimore 共同創業者 & CEO, Lantern

AIショッピングはブランドが考えるほど速くは動かない

AIは消費者が商品を調査する方法の一部として急速に浸透しています。Adobe Analyticsは、生成AIツールから米国小売サイトへのトラフィックが前年と比べて2025年のホリデーシーズンに693.4％増加したことを確認しました。1年前の調査で、Adobeは米国の消費者の39％がすでにオンラインショッピングで生成AIを利用しており、商品調査やレコメンデーションが最も一般的な利用目的の一つであることを明らかにしました。これらのシステムを支えるテクノロジー企業は、AI製品に直接ショッピング機能を組み込むことで対応しています。OpenAIはChatGPTにショッピングリサーチ機能を開発し、消費者がニーズ、好み、予算に基づいて商品を比較できるようにしています。GoogleはAIを活用して商品レコメンデーションとショッピングインサイトを生成し、AmazonはAIショッピングアシスタントを拡張し、消費者が商品を調査・選択できるようにしています。AIが商品発見において大きな役割を担うようになると、ブランドはかつてGoogleのランキングに注目したのと同様の強度で、これらのレコメンデーションにおける自社の存在を監視し始めました。マーケターは同じ商品に関する質問をAIモデルに繰り返し投げかけ、どのブランドが現れるかを記録し、結果の変化を追跡します。このアプローチは、AIショッピングが実際にどれほど速く変動するかについて、マーケターに歪んだイメージを与える可能性があります。同じ質問をAIモデルに10回投げかければ、10通りの製品組み合わせが返ってくることがあります。ある回答ではブランドが1位に、次の回答では4位に、別の回答では全く現れないこともあります。マーケターが各回答をランキングとして解釈すれば、ポジションが常に変動しているように見えてしまいます。しかし、生成モデルは回答に変動性をもたらすため、ブランドが優位に立ったか失ったかを判断する前に、その変動性を考慮する必要があります。より有用なシグナルは、多数の関連ショッピング会話にわたって持続するパターンから得られます。我々が約3,300件のAIショッピングレコメンデーション傾向（186種のブランド、プロンプト、AIモデルの組み合わせ）を収集したデータは、この違いを示しています。個々の回答は頻繁に変化しましたが、レコメンデーション全体の分布ははるかに安定していました。マーケターにとって、測定単位はデータそのものと同等に重要です。More Queries Can Make AI Shopping Look More Volatile検索ランキングは、マーケターにとってデジタル可視性を測る馴染みのある手法でした。結果は特定の時点で位置を占め、マーケターはその位置を競合と比較して追跡できました。AIレコメンデーションは、消費者のクエリとコンテキストに基づいて回答を生成するため、異なる測定アプローチが必要です。たとえばOpenAIは、ChatGPTのショッピング結果がユーザーのクエリとコンテキスト情報を考慮できると説明しています。Googleも同様に、ショッピング結果が関連性、検索語句、過去の活動、ショッピングの好みを反映できると述べています。その結果、マーケターは同じ一般的な質問を何度も行い、異なる商品が浮かび上がる様子を見ることができます。たとえば、あるランニングシューズブランドがある回答では1位に、別の回答では4位に、さらに別の回答では全く現れないとします。これら3つの観測だけを見ると、ブランドのパフォーマンスは不安定に見えます。しかし、何百もの関連会話を通じて見ると、同じブランドが毎週ほぼ同じ割合でレコメンデーションを獲得していることがあります。この区別は、マーケターがモニタリング頻度を上げるにつれて重要になります。クエリを増やすほど観測数が増え、観測が増えるほど通常の変動を見る機会が増えます。そのため、ダッシュボードはレコメンデーション全体の分布がほとんど変わらなくても、ますます活発に見えることがあります。マーケターはその動きが持続するかどうかを判断できるだけの観測数が必要です。代表的なサンプルがないまま日次でモニタリングすると、製品やマーケティング、競合ポジションの変化とはほとんど関係のない説明を探し回ることになりかねません。影響はレポート作成を超えて及びます。測定は、マーケターが時間と予算をどこに投下すべきかの意思決定を左右します。日々の揺れをすべて意味があると解釈する企業は、十分な根拠が得られる前に製品コンテンツを変更したり、競合を調査したり、マーケティングリソースを再配分したりすることを繰り返す可能性があります。Marketers Need to Define What Counts as MeaningfulAIショッピング測定には、変化が調査に値するかどうかをマーケターに示す閾値が必要です。ブランドが3つの回答からすべて消えるだけでは、全体的なパフォーマンスについての証拠はほとんど得られません。もし同じブランドが何百もの関連ショッピング会話でレコメンデーションシェアを失い、その下降が数週間続くなら、マーケターは調査すべき強い理由を持つことになります。サンプルサイズは重要です。個々のAI応答には変動性があるためです。時間も重要です。持続的なパターンは単発の変化よりも多くの情報を提供します。マーケターはレコメンデーションデータを意思決定に用いる前に、両方を確定すべきです。モデルも重要です。あるブランドはChatGPTではレコメンデーションシェアが伸びても、Geminiではパフォーマンスが安定したままということがあります。これらの観測を単一のAI可視性スコアに統合すると、変化がどこで起きたかという有用な情報を失う恐れがあります。異なるAIショッピングシステムは異なる情報源を利用し、異なる商品体験を通じて機能します。OpenAIはショッピングリサーチにマーチャントの製品データ、公開されている製品情報、その他小売情報を使用できると述べています。Googleは、AI対応の製品レコメンデーションがブランド、店舗、その他コンテンツプロバイダーから集約されたショッピングデータに基づくと説明しています。これらの違いは、すべてのAIシステムが同時に同じ方向に動くと仮定せず、モデル別にレコメンデーションパターンを検証すべき理由をマーケターに提供します。数週間にわたって構築したベースラインは、基準点として機能します。マーケターは新たな観測をこのベースラインと比較し、意味のあるサンプルで持続する変化を調査できます。Recommendation Share Tells Brands More Than Rankレコメンデーションシェアは、これらのパターンを測る実用的な指標です。単一の回答で製品がどこに現れたかを記録する代わりに、代表的な関連消費者質問セット全体でブランドがどれだけレコメンデーションを獲得したかを測定できます。ランニングシューズメーカーを例に取ります。マラソントレーニング用のシューズを求める質問では頻繁に製品が現れ、トレイルランニングに関する質問ではほとんど現れないことがあります。この差は、AIシステムがブランドに結びつけるニーズについてマーケターに有用な情報を提供します。個別の回答から得られるランキングは、文脈がほとんどありません。2位と5位の差は、次に同じ質問が出たときに消えてしまうことがあります。何百もの会話でレコメンデーションシェアに一貫した差があると、マーケターは分析できるパターンを得られます。レコメンデーションシェアは、競合の動きを特定するのにも役立ちます。あるブランドが通常は関連レコメンデーションの30％を占めているが、数週間で40％に上昇した場合、マーケターはその増加がどこから来たのかを追跡できます。増加に最も寄与した消費者質問と、増加を生み出したAIモデルを特定できます。その上で、システムに提供されている情報の変化を検証できます。新製品が特定の消費者ニーズにより適合したり、小売業者が製品情報をより完全に追加したり、顧客レビューや独立した報道がAIシステムに製品が特定のユースケースに適合する追加証拠を与えることがあります。測定の目的は、このレベルの分析に到達することです。マーケターは、ダッシュボード上で単に動きが増えるだけの指標ではなく、調査に値する変化を特定できる指標を求めるべきです。AI Shopping Makes Anecdotes...