前回の記事では、Agentic Commerce の最初の戦場は支払いではなく発見と推薦だと整理しました。ここで重要になるのが B2A、Business-to-Agent の基盤です。人間向けの美しい商品ページだけでは足りません。AI Agent が検証できる構造化データ、最新の価格、在庫、配送、返品条件が必要です。
第一の柱は Schema.org です。多くのブランドは Product に name と price を置くだけで満足していますが、AI が推薦を判断するには足りません。Brand、Offer、AggregateRating、ShippingDetails、MerchantReturnPolicy まで含めて初めて、AI は価格、返品、配送、レビューの信頼性を判断できます。
第二の柱は llms.txt です。これは sitemap の複製ではなく、AI に読ませたい重要ページを 20から50件に絞った案内図です。各リンクに一文の説明を付けることで、AI は限られた文脈の中でブランド、主要商品、返品、配送、レビューをすばやく理解できます。Google AI Overview の必須条件ではなく、ChatGPT、Perplexity、Claude などに向いた実務的な補助線です。
第三の柱は Product Feed です。Google Merchant Center、Shopify Agentic Storefronts、OpenAI 側の商品データ連携はいずれもフィード品質に依存します。価格が古い、在庫が遅れている、バリエーションが欠けている、画像や GTIN が不足している。こうした問題は AI の推薦信頼度を落とします。
第四の柱は UCP Manifest です。これは AI Agent に、カタログ照会、カート、割引、checkout など販売者が支援する機能を知らせる入口です。まだ早期段階ですが、年商規模の大きいブランドは仕様の変化を追う価値があります。
AI に読めることと AI に推薦されることは同じではありません。B2A は必要条件であり、十分条件ではありません。競合のデータ品質、AI の既存知識、ユーザーの文脈、プラットフォームごとの表示ロジックも影響します。それでも B2A がなければ、AI は物理的にブランドを理解できません。
Gravity の AI 検索診断は、Schema の深さ、llms.txt の品質、Product Feed の鮮度、AI Agent の実際のクロール、AI 回答におけるブランド記述をまとめて確認します。点数を付けるためではなく、AI が何を見て、何を見ていないのかを明らかにするためです。
実務上の要点は、B2A データ基盤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。
補足: B2A の欠落は推薦リスクとして現れる
B2A は技術チェックリストではなく、AI が推薦してよいかを判断するための証拠整備です。人間向けページでは雰囲気や画像で伝わる情報も、Agent には構造化された事実として渡す必要があります。
よくある欠落 | AI 側の解釈 | 修正の方向 |
|---|---|---|
Product schema が名前と価格だけ | 信頼性、配送、返品、評価を判断できない | Brand、Offer、Rating、ShippingDetails、ReturnPolicy を接続 |
価格と在庫が feed とサイトで違う | 推薦後に不一致が起きるリスクが高い | 更新頻度と在庫同期を監視 |
llms.txt が sitemap のコピー | 重要ページの優先順位が分からない | 20から50件の核心ページに絞り説明を付ける |
返品条件が画像や PDF に閉じている | ポリシー確認ができない | 公開 HTML と Schema に要点を出す |
レビューや評価が非構造化 | 比較時の信頼根拠が弱い | AggregateRating とレビュー要約を整える |
四本柱は別々に管理すると弱くなります。Schema はページ内の事実、llms.txt は読む順序、Product Feed は最新の商品事実、UCP Manifest は将来の取引能力を示します。週次運用では、この四つを同じボードで見て、価格差、在庫遅延、返品条件、レビュー欠落を一つずつ潰すべきです。
柱 | AI が使う場面 | 確認すべきこと |
|---|---|---|
Schema.org | ページを読んで商品事実を理解する | 価格、在庫、配送、返品、評価が実態と一致するか |
llms.txt | 限られた文脈で重要ページを選ぶ | リンクが少数精鋭で説明が具体的か |
Product Feed | 商品インデックスで比較する | 価格、在庫、画像、バリエーション、識別子が最新か |
UCP Manifest | Agent が対応能力を発見する | カタログ、カート、割引、checkout の境界を宣言できるか |
この作業は一度作って終わりではありません。キャンペーン、価格改定、配送条件の変更、商品追加のたびに B2A は古くなります。AI に読めるデータの鮮度を運用 KPI に入れることが、Agentic Commerce の基礎になります。
補足: B2A データ基盤を実務で判断する
この論点を現場で扱う時は、B2A データ基盤を単なるトレンド解説としてではなく、日々の運用判断として扱う必要があります。特に見るべきなのは、Schema、llms.txt、Product Feed、UCP Manifest の運用がどの部署の責任で、どのデータに支えられ、どの頻度で更新されるかです。ここを曖昧にしたまま記事や FAQ だけを増やしても、AI が参照する証拠は安定しません。
実務では、まず「AI が何を読めるか」と「人間が何を見ているか」を分けます。商品ページの見た目が良くても、構造化データ、feed、ポリシー、レビュー、内部リンクが弱ければ Agent は自信を持って推薦できません。逆に、派手なキャンペーンをしなくても、データ鮮度、ポリシー、レビュー、配送条件が揃っていれば、比較型の質問で候補に残る可能性が上がります。
次に、測定の粒度を決めます。週次では露出、Agent request、AI 由来 visit、サイト内行動、注文接続を分けて確認します。月次では、同じ定義で前月と比較できる数字だけを成長として扱います。新しいタグや Edge 計測を入れた直後の増加は、需要増ではなく観測範囲の拡大かもしれません。
最後に、改善順序を固定します。まず誤読を減らし、次に読めるデータを増やし、その後に到着後の体験を整え、最後に収益との接続を強くします。この順序を守れば、短期の数値が揺れても、チームはどの層を改善しているのかを見失いません。
この考え方は、日本語のコンテンツだけでなく、英語、韓国語、ドイツ語、フランス語、スペイン語、ポルトガル語、アラビア語の各市場にもそのまま必要です。翻訳文を置くだけでは不十分で、各市場の検索行動、比較基準、配送や返品の期待、レビュー文化に合わせて証拠を整える必要があります。
FAQ
Q1: B2A と B2C はどう違いますか？
A: B2C は人間向けの体験最適化です。B2A は AI Agent 向けのデータ最適化で、構造化形式、検証可能な事実、リアルタイム性が重要です。
Q2: EC で最も重要な Schema は何ですか？
A: price、availability、aggregateRating、shippingDetails、hasMerchantReturnPolicy です。多くのサイトは後半三つが不足しています。
Q3: llms.txt は Google AI Overview に必須ですか？
A: 必須ではありません。Google は主に Schema と Merchant Center を見ます。llms.txt は ChatGPT、Perplexity、Claude などに有効です。
Q4: Shopify なら自動で十分ですか？
A: 基本 Schema と Feed はある程度自動化されますが、配送、返品、llms.txt は手作業が残ります。
Q5: B2A 投資のリターンは何ですか？
A: AI 推薦確率の上昇、Rich Results の改善、Product Feed の品質向上、将来の UCP/ACP 連携準備です。