ショッピングは「検索してスクロール」から「質問して購入」へと移行しています。青いリンクのページを見る代わりに、買い物客はChatGPTに「フラットフット向けで150ドル以下のサステナブルなランニングシューズを探して」と伝え、アシスタントは短く合理的なショートリストを返します — 商品カード、画像、価格、そして各商品が選ばれた理由を説明する一文が含まれています。Perplexityも同様に、回答内で購入フローを提供します。これがエージェンティックコマースであり、AIが推薦を正当化できるブランドが勝者となります。
このガイドでは、ChatGPTショッピングとPerplexity Buyが実際にどのように機能するかを示し、その後、製品をショートリストに入れるための最適化手法を説明します：AIがあなたを選ぶ理由を与えること、レビューを活用してモデルの「雰囲気」データを現実に一致させること、マルチモーダル信号を追加すること、そして小売業者が販売を妨げないようにShare of Cardを監視することです。
主なポイント
- AIアシスタントは製品をリスト化するのではなく、ショートリストを正当化します。「推薦する理由」に最適化しましょう — 特定の買い物客のニーズに結びついた特徴、利点、証拠に焦点を当て、キーワードを詰め込んだタイトルには頼らないでください。 - ChatGPTは`OAI-SearchBot`（検索結果）を通じて製品データを読み取ります。これは`GPTBot`（モデル訓練用）とは異なります。ショッピング回答に表示されたい場合、構造化データとクローラーアクセスの両方を正しく設定する必要があります。 - レビューは訓練データです。モデルはレビューのテキストから「雰囲気」を吸収するため、感情を分析し、繰り返される不満をコピーで解消し、特定の使用ケースに基づいたレビューを促進しましょう。 - 収益を決定する指標はShare of Cardです：AIの製品カードであなたのリストが小売業者による異なる価格での再販よりもどれだけ頻繁に勝つかを示します。 - GEOlyのShare of Cardとカタログ分析は、どのSKUがカードを獲得しているか、小売業者の見積もりがどこでトラフィックを妨げているか、どの属性が欠けているかを示します — 推測ではなく原因を最適化するためです。
ChatGPTショッピングとPerplexity Buyの仕組み
ChatGPTはチャットボックスを視覚的なショッピング画面に変えました：商品カルーセル、画像、価格、そして自然言語のリクエストに応える直接購入リンクを組み合わせています。これは検索エンジンがページをインデックス化するように単にウェブをクロールするのではなく、製品情報を読み取って結果を構築します。そのインデックス化は専用のクローラー`OAI-SearchBot`を通じて行われ、これは`GPTBot`（訓練データを収集するクローラー）とは別物です。一方はライブショッピング結果を提供し、もう一方はモデルの一般知識を供給します。
Perplexityも同様に機能し、引用された回答とネイティブな購入フローを組み合わせることで、買い物客が質問から回答内でチェックアウトまで進むことができます。どちらの場合もアシスタントはパーソナルショッパーとして機能します：「150ドル以下」「フラットフット」「サステナブル」といった制約を解釈し、候補を絞り込み、合理的な選択肢を提示します。あなたの仕事は、アシスタントが自信を持って正当化できる候補になることです。
ステップ1: キーワードではなく理由に最適化する
AIエージェントには、あなたを選ぶ理由が必要です。従来型の製品コピーは検索フレーズに最適化されていました — 「[製品]を購入 — 最安値」。これではアシスタントに理由を与えることはできません。勝つためのパターンは、推薦のように読めるものです：「[製品]は[特定の買い物客]にとって最適な選択です。なぜなら[特定の特徴]が[特定の課題]を解決するからです。」
製品説明を特徴–利点–証拠の構造で書き直しましょう。具体的な特徴（素材、仕様、機能）、それがもたらす利点、そして証拠（評価、認証、テスト結果）を明示します。これを、実際にサービスを提供している購入者セグメント向けに行い、モデルが買い物客の制約をページ上の明確な理由に一致させられるようにします。
注意点: 証拠を捏造しないでください。モデルはレビューや第三者の情報源と主張を照合します。証拠のない利点は簡単に無視されます。すべての「なぜなら」を検証可能なものに anchoring しましょう。
ステップ2: レビュー感情を分析し、ギャップを埋める
AIエージェントはレビューを読んで製品の実際の挙動を学びます — マーケティングコピーが隠す「雰囲気」を把握します。例えば、50件のレビューが「靴が小さめ」と言えば、モデルはそれを認識し、そのように伝えるか、買い物客を別の場所に誘導します。この信号を削除することはできませんが、コピーをそれに合わせることはできます。
レビューを分析して、特にネガティブなテーマを特定しましょう。その後、ページ上でギャップを解消します：例えば、サイズに関する不満が多い場合、「最適なフィット感のために1サイズ上をお勧めします」と追加します。これにより、データがレビュー信号を否定するのではなく、裏付けるようになります。最後に、顧客に特定の使用ケースをレビューで言及するよう促しましょう — 「マラソントレーニングに最適」「濡れたトレイルでも耐久性あり」など。これらのフレーズは、買い物客が尋ねる制約そのものです。
注意点: レビューを偽装しないでください。捏造されたレビューや開示なしのインセンティブ付きレビューは検出可能であり、モデルがリストに置く信頼を損ないます。製品や期待値を修正し、レビュー数を増やすことに頼らないでください。
ステップ3: マルチモーダルおよび構造化信号を追加する
アシスタントはテキスト以外の要素をますます活用しています。明確な商品写真に説明的な`alt`テキストを付け、短いデモ動画や仕様に富んだメディアを追加することで、モデルが製品の内容や使用方法を確認しやすくなります。これを完全な構造化データと組み合わせ、機械可読な事実と視覚的信号が一致するようにしましょう。
最低限、`Product`スキーマにネストされた`Offer`（`price`、`priceCurrency`、`availability`）、さらに`AggregateRating`、`MerchantReturnPolicy`、配送詳細を公開しましょう — アシスタントが比較と推薦に使用するフィールドです。カタログ規模での完全な属性チェックリストについては、[AI向け製品カタログの最適化方法](/blog/optimize-product-catalog-ai)および[Shopify GEO最適化ガイド](/blog/shopify-geo-optimization-guide-geoly)をご覧ください。
