前回は B2A 基盤、つまり AI Agent に商品データを読ませる方法を扱いました。しかし読まれた後に何が起きるのか、ここがより大きな問題です。ユーザーが ChatGPT で商品を尋ね、AI がカタログを照会し、三つのブランドを推薦し、ユーザーが一つをクリックし、商品ページを見て、カートに入れ、Shopify で注文する。この一連の流れを一つの主体が全部見ているわけではありません。
ChatGPT は何を推薦したかを知っていますが、購入されたかは知りません。Shopify は注文を知っていますが、どの AI 推薦が起点だったかを知りません。GA4 は一部の referrer を見ますが、AI の質問文や比較相手は見えません。UCP はカタログ照会を見ますが、サイト内行動は見えません。ここに証拠ギャップがあります。
このギャップは偶然ではなく、構造から生まれています。プロトコルは機械同士の相互運用性を解きます。AI プラットフォームは外に出たユーザーの行動を追いません。商家の分析ツールは AI の上流文脈を理解しません。その結果、AI が売上にどれだけ貢献したのかが過小評価されます。
CitationGraph はこの中間地帯を AIAA の五層で埋めます。Answer は AI 回答での言及、Request は Agent の取得、Visit は AI 経由の到着、Commerce はサイト内行動、Attribution は注文との接続です。GEO ツールが上流だけを見て、帰属ツールが下流だけを見るなら、CitationGraph は両者を証拠でつなぎます。
ブランドはプロトコルの成熟を待つべきではありません。完全な相互運用には時間がかかりますが、AI の影響はすでに起きています。まず一方 JS で AI 到着を見える化し、次に Edge Lite で Agent request を拾い、最後に session-to-order join で売上証拠につなげるべきです。
実務上の要点は、AI 推薦から注文までの証拠ギャップを単発のコンテンツ施策として扱わないことです。商品データ、AI 回答での表現、Agent request、到着後の行動、注文との接続を同じ証拠線で見なければ、チームは「AI で何か起きている」以上の判断ができません。経営会議で必要なのは流行語ではなく、どの層で証拠が強く、どこが推測なのかを分けた説明です。
もう一つ重要なのは、過剰な断定を避けることです。AI 検索と Agentic Commerce の測定はまだ成熟途上であり、prompt sampling、referrer、server log、Shopify order のどれも単独では完全ではありません。だからこそ、複数の弱い証拠を雑に足すのではなく、層ごとに信頼度を置き、改善順序を決める必要があります。
FAQ
Q1: 証拠ギャップとは何ですか？
A: AI 推薦から注文までの中間の計測空白です。
Q2: プロトコルが成熟すれば消えますか？
A: 消えません。プロトコルは配管であり、人間のサイト内行動や商業帰属までは測りません。
Q3: どこから始めるべきですか？
A: Visit 層から始め、Edge Lite、session-to-order join へ進むのが現実的です。
Q4: 広告チームへの意味は？
A: AI の貢献が Direct や Organic に吸収され、予算配分で過小評価されます。