「アクセス数が落ちているが、EC向けのAI検索が原因なのだろうか」——こうした質問を筆者は常時受けており、データもそれを裏付けている。オーソリタス（Authoritas）によると、Googleの「AIによる概要（AI Overviews）」は、ページのオーガニック検索結果1位を平均で1200〜1500ピクセル押し下げている。これは、ほとんどのデバイスにおける画面全体に相当する高さだ。さらに悪いことに、エイチレフス（Ahrefs）のデータによると、AIによる概要が表示されるたびに、1位のオーガニッククリック率（CTR）は58%も低下するという。
本ガイドでは、現在のEC事業者が直面しているこの最も緊迫した課題を解決する5つのステップを解説する。
ステップ1：AI可視性のギャップを監査する
問題を解決するには、まずそれを測定しなければならない。自社はすでにどれほどの地歩を失っているのだろうか。以下の監査チェックリストに沿って確認してほしい。
• AIO（AIによる概要）をトリガーするキーワードを特定する： サーチコンソールから主要な情報系クエリを抽出し、Googleで現在AIによる概要が表示されているものを記録する。
• ピクセル変位を測定する： ページレイアウトを記録できる順位トラッキングツールを使用し、自社の検索結果がファーストビュー（画面上部）からどれほど下に押し下げられたかを確認する。
• CTR低下を分析する： AIOの表示が確認されたページごとにサーチコンソールのデータをセグメント化し、前月比のCTRを比較する。
• LLMにおける引用の有無を確認する： 主力製品カテゴリーに関する質問をChatGPTやGeminiに直接入力し、自社ブランドが言及されているか、それとも完全に無視されているかを確認する。
問題の全体像が明確になれば、より根深いコンテンツ戦略のギャップに対処する準備が整う。
ステップ2：キーワード主導から意図（インテント）重視のコンテンツへ移行する
次のステップは、AIモデルが実際に評価するものに基づいてコンテンツ戦略を構築することだ。まずはAIによる概要への最適化を図り、汎用的なキーワードボリュームの優先度を下げることから始めよう。代わりに、ユーザーの複雑で多層的な意図に応えるコンテンツを作成する。AIモデルは大まかなクエリを即座に要約するが、特定の購買決定に適用される本物の専門的ニュアンスまでは再現できない。したがって、コンテンツの焦点をそこに合わせるのだ。
そのためには、AIに対する脆弱性の観点からキーワードリストを監査する。「最高のランニングシューズ」のような、幅広く検索ボリュームの大きい単語は削除するか優先度を下げる。AIによる概要が現在こうした疑問に答えてしまうため、商品ページへのクリックは残らない。
次に、コマース・ディスカバリー（購買発見）クエリに合わせてコンテンツをマッピングする。「幅広足向けの120ドル（約1万円）未満のトレイルランニングシューズのおすすめ」といった、回答に製品の専門知識や実環境での使用例が不可欠となる詳細なクエリをターゲットにする。
そして、そうしたロングテールで購買意図の高いフレーズを中心に、比較やガイドとなるコンテンツを制作する。大規模言語モデル（LLM）は、特定の購買決定に直接アプローチする情報源からデータを参照することを覚えておこう。
最後に、人間の専門性に真正面から注力する。製品がどのようにテストされ、誰が選定し、なぜそう判断したのかという方法論を説明するコンテンツを公開する。これは、薄い商品説明よりもAIモデルが引用したがる、権威ある情報源であることのシグナルになる。
ステップ3：LLM向けに高度な構造化データを追加する
次のステップは、そうした情報をマシンリーダブル（機械判読可能）にすること、つまり構造化データを正しく設定することだ。
構造化データは、AI時代における本格的なEC発見戦略の骨格である。まずはサイト上のすべての製品エンティティに対して包括的なSchema.orgマークアップを適用することから始めよう。最低限、Product、Offer、AggregateRating、BreadcrumbListのスキーマを追加する。LLMはこの種の構造化マークアップをスキャンして製品情報を検証する。不完全なスキーマは知識の空白を生み出し、AIモデルは単にそれをスキップしてしまう。
次に、AIシステムはデータの最新性を照合するため、価格と在庫状況をリアルタイムで同期する。また、マーチャントセンターのフィードを接続し、サイトデータをGoogleのナレッジグラフに直接送信する。これにより、AIツールによる自社製品カタログの理解度が向上する。
さらに、自然言語処理（NLP）に合わせて商品説明を最適化する。購入者の具体的な疑問に答える完全で言い切り型の文章を記述し、キーワードを詰め込んだだけの断片的な表現は避ける。
最後に、Googleのリッチリザルトテストを使って定期的にマークアップを検証する。破損または不完全なスキーマは目に見えないエラーであり、明確な警告サインがないままAIからの引用機会を失う原因となる。
構造化データが万全になったら、次の課題は権威性だ。自社ブランドは、特定のトピックにおいて最も信頼できる情報源と言えるだろうか。
ステップ4：引用ギャップの最適化を行う
AIの製品推奨（レコメンデーション）で自社製品の枠を獲得するには、「引用ギャップ」という新たな問題を解決しなければならない。
SE Rankingの調査によると、AIによる概要で引用された情報源の80%は、従来のオーガニック検索結果の1ページ目にランクインしていなかった。つまり、LLMに引用されるためにGoogleで1位になる必要はない。サブトピックにおいて「最も決定的な情報源」になればよいのだ。
そのためには、まずニッチ分野における権威性のギャップを特定する。販売しているすべての製品カテゴリーを、ターゲット顧客が尋ねる特定の質問にマッピングし、その質問を可能な限り絞り込む。幅広いトピックには競合も多く集まるからだ。
次に、その質問に直接答える専用の回答ブロックを作成し、サードパーティのドメイン全体で広く共有する。各投稿の上部近くに、平易な言葉で回答を配置する。
ステップ5：LLMの推奨パターンを監視する
大半のブランドは、これらを一回限りの施策として扱う。しかし現実には、LLMのトレーニングサイクルや検索動作は進化し続けているため、常に優位を保つには毎月のモニタリングが必要だ。
AI検索のパターンは従来のSEOとは根本的に異なるため、可視性を維持するシグナルは絶えず変化する。複数のLLMプラットフォームにわたり、製品に関連するプロンプトを使った自然言語クエリを定期的にテストし、自社ブランドが推奨ソリューションとして表示されるか確認しよう。
また、AIが生成した推奨コンテンツ内でのブランド言及を追跡する。ブランドモニタリングツールを使用して、AIの出力内に自社製品名が表示された際にフラグを立て、ソーシャルプルーフのシグナルを監視する。
最後に、AIが自社と競合他社をどのように要約・対比しているかを比較する。LLMに対して、自社ブランドと競合ブランドを並べて説明するようプロンプトを入力する。トーンや詳細度の差を見ることで、自社のコンテンツや権威性シグナルのどこが劣っているかが明らかになる。
ブランドを将来にわたって守る方法
本ガイドのステップは、避けて通れない現実を反映している。つまり、Eコマースにおける発見は、キーワードのマッチングから検索意図の深い理解へと変化しているということだ。この問題を単なる「トラフィック減少の問題」として捉えるブランドは、今後も失速し続ける可能性が高い。
構造化データは新しいメタタグである。スキーママークアップを活用し、製品の属性をAIシステムが読み取れるようにしよう。構造化データ、引用ギャップ分析、LLMモニタリングに予算を配分すべきだ。今週1回の監査を実施することから始め、そこから改善を積み重ねていくとよい。さらに重要なのは、単なる「リンク」ではなく「回答そのもの」になることだ。
今行動を起こすブランドこそが、来四半期にAIから推奨される存在となるはずだ。
