海外ECのAIO動向｜Amazon・Shopifyの先行知見

Amazonは2026年5月、AIショッピングアシスタント「Rufus」を「Alexa for Shopping」に改称しました。Shopifyは、同社基盤で運営されるストアへのAI経由トラフィックが2025年に前年比8倍へ伸びたと公表しています。

EC業界全体のプラットフォーム動向は、別記事『ECのAIO事例｜エージェントコマース最前線と再現のポイント』で解説済みです。本記事はその一段下、個々の企業が公式発表の中で何をどう実装したかに焦点を絞ります。

01事例の結論

Amazonは2026年5月13日、AIショッピングアシスタント「Rufus」を「Alexa for Shopping」へ改称しました（出典: Amazon公式）。一方Shopifyが取り組んでいるのは、加盟店の商品データを機械可読に保つ支援です。2社が公表している数字を並べると、次のようになります。

（出典: Amazon公式・Shopify公式）

Shopifyは構造化データを、この成長を支える「最も明確なシグナルの一つ」と位置づけています（出典: Shopify公式）。

レイヤーは違えど、2社の前提は一致しています。商品データを機械可読に保てているかどうかが、AIに商品を扱ってもらえるかの分かれ目だという認識です。

02背景・課題

EC業界では、OpenAI・Perplexity・Google×Shopifyが2025年後半から相次いでエージェントコマース基盤を発表しました。この業界横断の動きは、別記事『ECのAIO事例｜エージェントコマース最前線と再現のポイント』で紹介したとおりです。

日本のEC事業者にとっての課題は、こうした海外の動きが自社にどこまで再現可能かという点です。プラットフォーム発表の大枠だけでなく、個々の企業が実務でどう対応しているかを知ることが、次の一手を考える手がかりになります。

03施策の詳細

Amazon・Shopifyはそれぞれ異なるレイヤーで施策を進めています。

1. Amazon「Alexa for Shopping」（旧Rufus、2026年5月13日改称）: 自社の商品データベースを土台にした対話型ショッピングアシスタントです。自動購入（auto-buy）機能の利用者は、1回の購入あたり平均20%を節約しているといいます（出典: Amazon公式）。なお同発表に提供国の一覧はなく、対象地域は確認できていません。
2. Shopifyの構造化データ整備（自社ブログでの公表）: JSON-LD形式での商品情報のラベル付けと、在庫・価格・レビューの常時最新化を推奨しています。Google Shopping Graphへの適切なデータ提供も挙げられています。同社は「マークアップと実在庫のずれは、AIが商品を表示する際の信頼性シグナルを損なう」と注意を促しています（以上、出典: Shopify公式）。

さらにOpenAIは、事業者が構造化された商品フィードを提供する仕様を公式ドキュメントで公開しています（出典: OpenAI公式）。ChatGPTが商品を正確にインデックスし、価格・在庫とともに表示するための仕組みです（出典: 同）。参加を希望する事業者は、公開された申請フォームから申し込む形です（出典: 同）。

チャット内決済「Instant Checkout」は2025年9月の発表時点で、米国のEtsy出店者から対応が始まりました（出典: OpenAI公式）。100万を超えるShopify加盟店への拡大も予定されていました（出典: 同）。

個々のECサイトが独自に商品ページを工夫するだけでなく、フィード仕様に沿ったデータ提供が前提になりつつあります。

04成果

「AI経由トラフィック前年比8倍」はプラットフォーム全体の集計値です（出典: Shopify公式）。個別事業者の成果を示す数字ではありません。特定のShopify加盟店がAI検索経由の引用で売上を伸ばしたという実名・数値付きの公開事例は、本稿執筆時点で確認できていません。

Amazon側の実績は、より具体的です。Rufus（現Alexa for Shopping）の月間平均利用者数は、前年比149%増となりました（出典: Amazon公式）。インタラクション数も前年比210%増です（出典: 同）。

いずれもAmazon自社エコシステム内の指標であり、外部AI検索エンジンでの引用増加とは別の指標である点には注意が必要です。自社の成果を測るときも、AIアシスタント内の利用量とAI検索からの流入は分けて数える必要があります。

05再現のためのポイント

Amazon・Shopifyの実装を日本のEC事業者向けに翻訳すると、着手すべきは次の5点です。

1. 商品データを構造化データ（Product schema）で機械可読にする。Shopifyが「最も明確なシグナルの一つ」と位置づける施策であり、着手コストも比較的低い領域です。
2. マークアップと実在庫を常に一致させる。Shopifyの警告どおり、ずれは信頼性シグナルを損ないます。
3. 単一プラットフォームに依存しない体制を作る。OpenAIの商品フィード仕様、Google Shopping Graphなど、複数の入り口を意識しておくと変更に対応しやすくなります。
4. 各機能の対象国を必ず確認する。Alexa for Shoppingは本稿執筆時点で日本での提供が確認できていません。
5. プラットフォーム集計値と個社の成果を区別して評価する。Shopifyの「8倍」は同社基盤のストア全体を合算した数字であり、自社の成果指標としてそのまま使わないことをおすすめします。

やりがちなのは、海外の派手な数字に気を取られて、自社の構造化データ整備という基礎作業を後回しにすることです。8倍・210%といった数字は、いずれも土台が整っている事業者の上に乗った結果です。

06業界別の応用

マーケットプレイス出品事業者は、AI機能の設計をプラットフォーム側が握っています。手元で効くのは商品名・属性・カテゴリの入力精度です。Amazonの商品データベースに正確な値が入っているかが、そのまま表示の可否につながります。

自社ECサイト運営事業者は、構造化データの実装範囲を自社で決められる立場です。JSON-LDの実装も在庫・価格の同期頻度も自社の判断で変えられる分、ポイント2（マークアップと実在庫の一致）が自社の責任範囲に入ります。

• Perplexity対策の技術詳細: 別記事『EC事業者のPerplexity対策｜商品ページ引用の条件整理』
• AI Overviews対策: 別記事『ECのAI Overviews対策｜ショッピング機能との連動設計』
• プラットフォーム規格の全体像: 別記事『ECのAIO事例｜エージェントコマース最前線と再現のポイント』

SKU数が多いアパレル・食品などでは、全商品を一度に整備しようとすると手が止まります。売上上位の商品群から構造化データを入れ、在庫・価格の同期が崩れないかを確認してから対象を広げる進め方が現実的です。

07FAQ