あなたの顧客は、もうAIに「何を買うべきか」を聞いている——マーケターは2人の顧客に向き合え

あなたの顧客は、もうAIに「何を買うべきか」を聞いている——マーケターは2人の顧客に向き合え

前回のコラム「顧客が払うコストの「通貨」は金銭ではない──値引きの消耗戦を抜け、定価で選ばれる「使用文脈」」では、買い手を動かす決め手が値引きではなく「どんな場面で使うか」という使用文脈の設計にあることを論じた。ところが今、どれほど魅力的な使用文脈を用意しても、そもそも人間の買い手の視界に入る前に候補から外されてしまう事態が広がり始めている。買い手が検索窓にキーワードを打ち込む前に、生成AIへ「自分の条件なら何を買うべきか」を直接相談し始めたからだ。

——これからのマーケターは、「人間の買い手」と、その相談を受けて候補を絞り込む「購買仲介AI」という2人の顧客に同時かつ別々の言語で向き合わなければならない。

写真と雰囲気の良いコピーだけで作られたページはAIの一次選考でこぼれ落ちやすく、逆に無機質なスペック表だけのページは人間の最終判断で価格競争に巻き込まれる。日米の一次統計から買い方の変化をたどり、人間とAIの双方から選ばれるために「商品ページ・広告・CRM」をどう作り直すべきかを解き明かす。

人間の視界に入る前に勝負がついている──「AIの一次選考」と購入転換率の逆転

買い物の探し方が変わり始めている。検索結果10件を自力で開き比べるのではなく、まずChatGPTやGeminiなどのAIに相談して候補を絞ってから、ECサイトを訪れる流れだ。むろん、いつもの日用品の買い足しや衝動買いまで一斉に置き換わったわけではない。だが、家電や仕事道具のようにスペックや条件を比べる商品ほど、その変化は日米の一次統計にはっきり表れている。

総務省の「令和8年版 情報通信白書(個人におけるAI利用の現状)」によれば、日本の個人(15〜69歳)の生成AI利用経験率は58.8%に達し、前年度調査(26.7%)と同条件の20歳以上に限っても52.2%と約2倍に伸びた。さらに同白書の「利用目的(利用シーン)」を見ると、日用品・家電・衣服・食品など日常の購入を検討・判断する際にAIを取り入れている人は計37.4%(AIのみ2.9%、主にAI10.1%、他の方法を主としつつAIを補助的に使う層24.4%)にのぼる。AIを主軸にする層はまだ13.0%にとどまるものの、比較のたたき台としてAIを挟む行動は4割近くに広がった。

この動きは売り場の数字にも表れ始めている。米国小売サイトへの1兆回超の訪問を解析したAdobe Digital Insightsの「2026年10月レポート」によると、2026年9月のAI経由流入は前年同月比71%増となり、非AI経由と比べCVR(購入転換率)は90%高く、1訪問あたり売上も83%高い水準へ逆転した(2025年8月時点では非AI比9%減だった)。サイト全体の訪問数に占めるAI経由の割合はまだ小さく、もともと購入意欲の高い層が集まりやすい偏りもある。それでも「用途や条件の照合を済ませてから来訪する買い手」は滞在時間が73%長く、カート追加率も53%高いという質の差は無視できない。

同志社ビジネススクール教授の高広伯彦氏も論考「生成AI時代の購買行動モデルを考える〜CHARTER model」(2026年9月)において、自分で検索キーワードを組み立てる従来の探し方から、曖昧な悩み相談や候補の絞り込みをAIに手伝ってもらう買い方への移行を仮説モデルとして提示している。もちろん現実には、AIに聞いたあと公式サイトを見に行き、またAIへ聞き直す往復も多い。だが売り手の目線で整理すれば、起きている構造は単純だ。買物カゴの手前では、まず「購買仲介AI」が価格や仕様で候補を数社へ振るい落とす一次選考を行い、残った候補の中から「人間の買い手」が使い心地や信頼で1社を決める二段階の選考が動き始めているのである。

図1:人間の買い手が10サイトを自力比較した従来構造から購買仲介AIの一次選考と人間の最終決定による二段階選考への移行図
図1:購買プロセスの二段階化——購買仲介AIによる「一次選考」を通過した数社だけが、人間の買い手による「最終決定」の土俵に上がれる。

商品ページの再設計──人間の心を動かす「使用文脈」と、AIが誤読しない「構造化データ」

では「2人の顧客」時代には、前回論じた「使用文脈」を捨てて無味乾燥なスペック表へ戻すべきなのだろうか。結論は逆だ。AIが仕様と条件で候補を絞り込み、最後に人間が「自分の生活や仕事に合う使用文脈か」で1社を決める二段階の選考になるからこそ、商品ページには「人間向けの上層」と「AI向けの下層」を両立させた二層設計が要る。

以前「AIが永遠に超えられない3つの壁——忖度・記憶・統計」で整理した通り、LLM(大規模言語モデル)には確率的パターンで情報を処理する「統計の壁」がある。人間なら雰囲気の良い着用写真や余韻のあるキャッチコピーから「雨の日の通勤にも使えそうだ」と行間を補えるが、AIはページ上に書かれた文字やデータをもとに仕様・用途・取引条件を突き合わせる。

ところがECやBtoBサイトの診断でソースコードを開くと、肝心のサイズ表や利用条件が1枚のバナー画像に焼き込まれ、HTML上にテキストとして存在しない光景によく出くわす。現在のマルチモーダルAIは画像内の文字を読み取る力も持つが、膨大なページの画像を毎回解析する計算コストは重く、誤読や抜け漏れも起きやすい。テキストとして明示されたページと比べれば、比較候補として正確に拾われる確度には大きな差がつく。

この設計の遅れは小売サイトの実測値にも表れている。Adobe Digital Insightsの「2026年4月レポート」では、機械可読性を測る診断において小売サイトのトップページ平均75%に対し、個別商品ページは平均66%へ落ち込み、多数のSKU(最小在庫管理単位)で商品情報がLLMから十分に読み取れない状態にあると報告された。

「Google公式は『AI専用の特別なファイルやマークアップは不要』と明言しているのでは?」と思った方へ——その認識は正しい。Google検索セントラルの公式ドキュメント「AI 機能とウェブサイト」には、AI向けの独自テキストファイルや特別なスキーマを新設する必要はないと明記されている。一方で同文書は、重要な情報をテキストで提示することや、構造化データをページ上の表示テキストと一致させること、Merchant Center等の情報を最新に保つことを基本要件として挙げている。AI専用の裏技は要らないが、公式仕様「Product の構造化データについて」に沿って価格・在庫・サイズ・配送・返品条件をJSON-LD(Googleが推奨する構造化データの記述形式)で初期HTMLへ正しく埋め込む実装は、検索でもAIの比較でも候補から漏れないための基本基盤として欠かせない。

したがって商品ページの正解は、どちらか一方への偏りにはない。画面に見える上層では、写真とストーリーで人間の顧客に「自分の生活のこんな場面で使える」という使用文脈を届ける。裏側のHTML(下層)では、寸法・重量・素材・おすすめの使い方を文章でしっかり書き出し、表示と食い違わないJSON-LD形式のProduct構造化データや商品フィードを初期HTMLに揃える。この二層が噛み合って初めて、AIの推薦候補に残り、かつ人間から定価で選ばれる土台が整う。

図2:画像偏重で一次選考から脱落する従来の商品ページと人間の買い手向け使用文脈および購買仲介AI向け構造化データを両立する二層設計の対比図
図2:商品ページの二層設計——人間を動かす「使用文脈」と、AIが条件照合に使う「HTML仕様テキスト+構造化データ」を表示内容と一致させて実装する。

広告とCRMの再設計──AIの「忖度の壁」と「記憶の壁」が変える投資配分

商品ページに続く残り2つの接点——「広告(新規のお客さんとの出会い)」と「CRM(購入後の関係づくり)」も、AIが抱える残りの2つの壁(「忖度の壁」と「記憶の壁」)を軸に置くと、どこへ予算と工数を移すべきかがはっきり見えてくる。

まず広告から見よう。買い手がブランド名を浮かべないまま「雨の日の自転車通勤でも蒸れない防水コートを3つ挙げて」と相談すれば、AIはWeb上で名前がよく挙がる定番ブランドを無難に並べやすい(統計の壁)。逆に、ふだんのSNSや記事で「〇〇というブランドも良さそうだ」と知っていれば、買い手は「〇〇と他社を比べて」と名指しで相談し、質問者の前提に寄り添う性質(忖度の壁)ゆえにAIもそのブランドを比較表に載せやすくなる。無名のまま「防水コート」のような一般語の検索広告だけで待ち伏せしていても、AIに相談する段階で比較の土俵に上がれなくなる。

では、AIが事前に候補を比較する時代には、検索連動型広告そのものが役目を終えるのだろうか。答えはそう単純ではない。以前「広告プラットフォームのAIは「審判兼プレイヤー」である——PF値 vs GA4、数字が合わない本当の理由」で指摘した通り、媒体の自動入札に任せて「防水コート」のような一般語を取りにいく広告はすでに限界に近い。一方で、AIが数社へ絞ったあと、買い手がブランド名で検索して公式サイトを確認しに来る「指名検索」の広告や公式LPは、買う気の高いお客さんを確実に迎える窓口として手放せない。

だからこそ、一般語の入札合戦に偏っていた予算の一部を、AIへ相談される前の接点へ移す必要がある。SNSでの発信、専門記事、メルマガ、第三者の丁寧な使用レビュー(UGC=利用者の口コミや投稿)で先に名前を覚えてもらい、ブランド名検索から公式LPまで一連の導線でつなぐのだ。直接の売上には紐づけにくい側面もあるが、自社のブランド名での検索数やAI経由の来訪数が増えているかで効果を追っていけばよい。

もっとも、単価の高いBtoB商材や店舗型サービスを扱う経営者からは「うちは対面の稟議や来店で決まるから、ECのAI購買はまだ先の話だ」という声もよく聞く。だが最終契約が対面商談や社内稟議であっても、その手前で「条件に合う業者を挙げて」「比較表を作って」と生成AIで下調べする担当者は増えている。単価が高い商材ほど、営業担当者が呼ばれる前の下調べで自社サイトの情報が読み取れず候補から外れる痛手は大きい。

次にCRMを見よう。消費者側が使う汎用AIは、会話が変わると過去の相談経緯が途切れやすいうえ、たとえ対話ログを溜めても記憶の本質が「量ベース(事実の羅列)」にとどまる「記憶の壁」を抱えている。人間のように「どの場面で・誰のために選んだか」という質的な文脈を汲み取って関係を続けることはできない。

ところが実は、従来の企業側CRMも同じ罠にはまっていた。顧客の同意のもとで「いつ・何を買ったか」という確かな購入履歴(ファーストパーティデータ)を持っていながら、生ログだけでは「なぜ・誰のために買ったか」という理由が見えないため、一斉の値引きメルマガしか打てないからだ。たとえば同じゴルフ小物の購入でも、「自分の週末ラウンド用」なのか「取引先コンペの景品用」なのかで次に勧めるべき商品はまるで違う。購入後に長文アンケートを送っても回答率は低く離脱を招くため、注文完了画面での1タップ選択や、閲覧した特集・カテゴリから関心領域を捉えるインタレストベースのトラッキング等で「なぜ・どの場面で選んだか」を負担なく残し、用途に合った次回提案へ活かすことこそが、汎用AIには代替できない売り手固有の資産になる。

図3:AIの統計の壁と忖度の壁と記憶の壁に対応した商品ページと広告とCRMの3大タッチポイント再設計マップ
図3:AIの「3つの壁」と顧客接点の再設計——商品ページは統計の壁、広告は忖度の壁、CRMは記憶の壁を踏まえて人間の役割とデータ設計を組み直す。

「2人の顧客」に選ばれる条件──明日から自社の接点を点検する3つの基準

生成AI時代のマーケティングとは、人間を忘れてAI向けの小手先ハックに走ることでも、AIを無視して従来の広告運用を惰性で続けることでもない。商材やチャネルによって変化の速度は異なるからこそ、まずは自社の主力商品とアクセス傾向を見極めたうえで、次の3つの基準から顧客接点を点検してみてほしい。

  • 基準1(商品ページの二層点検):主力商品のページを開いたとき、人が「自分のこんな場面で使いたい」と想像できる写真や説明と、画像だけに頼らずHTMLのテキストとJSON-LD形式のProduct構造化データ(および商品フィード)で「寸法・素材・用途・価格・配送・返品条件」を初期HTMLへ書いた情報の両方が揃っているか。
  • 基準2(相談前の認知と裏取り導線の点検):一般語の検索広告だけで待ち伏せする予算配分に偏っていないか。AIへ相談される前にSNS・専門記事・メルマガ・口コミで自社ブランドを覚えてもらい、AIが候補を絞ったあとにブランド名検索で来る人を公式LPで迎える——その一連の導線をつなぎ、ブランド名検索数やAI経由の来訪数の推移を追えているか。
  • 基準3(購買文脈を残すCRMの点検):顧客データに「いつ・何を買ったか」の購入履歴だけを残して終わっていないか。注文完了画面での1タップ選択や接客メモ、あるいはインタレストベースのトラッキングシステムなどで「自分用かギフト用か」「どんな関心・場面で選んだか」を負担なく残し、一斉の値引きメルマガではなく用途に合った次回提案へつなげているか。

この連載のPhase 1では、GA4の計測欠損(約3割のデータの空白)から始まり、広告代理店の構造疲労、AIの「3つの壁」、丸投げが生むワークスロップと解読負債、そして値引きに頼らない「使用文脈」まで、従来の常識を1つずつ解体してきた。それらすべての帰結が、今回示した「人間の買い手と購買仲介AIという2人の顧客に向き合う」という設計図に重なる。

構造化データだけでも人の心は動かず、情緒的なコピーだけでもAIの一次選考を通過しにくい。データの正確な構造化(エンジニアリング)と、人が使いたくなる文脈の設計(マーケティング)の両輪を1つの画面とデータベースの上で噛み合わせること——それが、AI時代に選ばれ続ける事業の土台になる。

図4:商品ページの二層点検と相談前認知および裏取り導線と購買文脈CRMの3基準で2人の顧客への対応度を診断するチェックゲート
図4:「2人の顧客」対応の3基準チェックゲート——AIによる一次選考の通過と、人間による最終選好の双方を満たす接点設計へ移行する。

ここまでマーケティングとAI活用の「解体」を進めてきた連載は、次回からいよいよ「ではどう作るか」という構築のフェーズへ入る。最初のテーマは、非エンジニアでも自然言語でアプリが作れると話題の「バイブコーディング」だ。プロトタイプを素早く形にできる手軽さの裏で、決済・個人情報・長期保守を伴う本番システムとの間にはどこに越えてはならない境界線があるのか、発注者と開発者の双方に向けて解き明かす。

マーケティングなき
エンジニアリングは独善、
エンジニアリングなき
マーケティングは空論。

株式会社SINGULIER 代表取締役 CEO / CTO / CMO / 社内哲学者 和泉 裕臣

人間の顧客に響く文脈設計と、検索エンジン・生成AIに正しく届く構造化データ実装を一気通貫で整えたい方へ。

PLATEAU — SEO&AIO戦略
お問い合わせ

📎 データソース・参考情報

和泉 裕臣

和泉 裕臣

株式会社SINGULIER 代表取締役 CEO / CTO / CMO / 社内哲学者

早稲田大学大学院(哲学専攻)出身。「マーケティングなきエンジニアリングは独善、エンジニアリングなきマーケティングは空論」の哲学のもと、月間流通額数十億円規模のシステム構築や、1,000万PV/day超のアドテク基盤におけるアーキテクト実績を持つ。自然言語処理(NLP)および生成AIモデルの開発責任者としてプロジェクトを主導。

SCROLL