AI は購入者が商品を発見する方法を変化させていますが、従来の小売の測定方法では、依然として決済前の最後のクリックが購入の全功績として評価されます。その最終的なクリックは、Google 検索、有料広告、直接の訪問などによるものかもしれません。その前の段階で購入者の意思決定に AI が影響を与えていたとしても同様です。その結果、小売業者はショッピングの意思決定における AI の役割を過小評価する可能性があります。
小売業以外でも、同じような測定のギャップが見られます。Stripe では、AI ツールからの直接の参照だけでなく、AI がユーザーの行動に影響を与えた可能性を示すその他のシグナルも追跡しています。たとえば、AI パートナーシップに関連するアクティビティ、AI 支援による商品の利用、サインアップと AI ツールの使用を結び付けるその他の検証済み指標などです。2026 年上半期には、Stripe のセルフサービス型サインアップの約 20% でこれらの AI シグナルが少なくとも 1 つ確認されました。これは、ラストクリックの参照元として AI ツールに起因する割合の約 12 倍であり、ラストクリックのレポートでは、AI が及ぼす測定可能な影響のごく一部しか捉えられていないことが示唆されています。
商品の発見が AI に移行する中、小売業者はモデルが理解できる商品データ、クリック以上の影響を捉える測定方法、そして購入者がどこで購入を選択してもコンバージョンに至る購入経路を必要としています。Stripe の カタログフィード は、構造化された商品、価格、在庫データをサポート対象の AI コマースチャネルと共有する 1 つの方法ですが、フィードは広範なアンサーエンジン最適化 (AEO) 戦略の一部にすぎません。小売業者はまた、自社の商品が AI の応答でどのように表示されるかを把握し、情報の正確性を確認して、スムーズな購入経路を作成し、ビジネスへの影響を測定する必要があります。
このガイドでは、商品の発見、回答の正確性、購入フロー、ビジネスの結果に対する AI の影響を測定する方法について説明します。
AEO は SEO に基づくものの、購入者のインタラクションは異なる
アンサーエンジン最適化 (AEO) は、検索エンジン最適化 (SEO) と同じ基本に基づいています。すなわち、正確な情報、クロール可能なページ、分かりやすい表現、有用なコンテンツです。
違いは、多くの場合、購入者がクリックして遷移する前に、アンサーエンジンによって商品が要約、比較、推奨される点です。そのため、小売業者はトラフィック以外も測定する必要があります。
AEO の測定フレームワーク
AEO の測定では、次の 4 つの点を考慮する必要があります。
- AI で製品を見つけられるか？
- 正確に説明されているか？
- 購入者は AI の回答から購入チャネルにスムーズに移行できるか？
- そのやり取りは売上につながっているか？
1. 見つけやすさの測定
見つけやすさを測定することで、購入者が AI を使用して特定のアイテムを調査、比較、検索したときに、ブランドや製品が表示されるかどうかを把握できます。まずは 2 つの基本指標から確認します:
- 可視性または「言及」: 指定した購入者のプロンプトのセットにブランドや製品が表示される頻度
- 引用シェア: 回答内で、自社のページ、リスティング、または管理下にあるその他のソースが引用またはリンクされる頻度
いずれかを測定するには、まずプロンプトセットを作成します。プロンプトセットとは、購入者が商品の調査や購入決定を行う際に、AI ツールに尋ねる可能性が高い一般的な質問をまとめたものです。顧客が使用する AI ツールにプロンプトを手動で入力し、その結果を記録することでテストできます。
効果的なプロンプトセットにするには、製品の分類やマーチャンダイジングの用語ではなく、購入者が求めるものをどう表現し、どのように選択肢を比較検討するかを反映させる必要があります。社内で使用している用語のみを追跡していると、購入者が実際に尋ねている質問を見落とし、製品がどこに表示されるかを把握できなくなる可能性があります。「収納家具」のようなカテゴリラベルではなく、「靴の収納付きの小さな玄関ベンチ」など、購入者が使用しそうな検索キーワードの観点から検討します。
プロンプトのセットには、カテゴリに関する質問、比較、問題解決型のクエリ、ユースケース、予算、サイズ、場所、季節的なニーズを組み合わせる必要があります。例:
- 「1 週間の出張に最適な機内持ち込み用スーツケース」
- 「200 ドル未満の幅広の足用防水ハイキングブーツ」
- 「シカゴまで迅速に発送されるモジュール式ソファはどこで買えますか？」
これらのプロンプトは、具体的であるほど有用になります。特に、自社の商品が強く適しているとわかっている状況に有効です。たとえば上の例では、家具の小売業者は、アパートへの引っ越し前に多くの顧客がモジュール式ソファを探していることを把握しているかもしれません。その場合、「アパートに引っ越す人に最適なソファは何ですか？」や「数カ月後に初めてのアパートに引っ越します。どのソファを検討すべきですか？」といったプロンプトを追跡できます。これにより、自社の商品が「モジュール式ソファ」という幅広い商品キーワードだけでなく、アパートへの引っ越しという実際の顧客のニーズに対して推奨されているかどうかを示すのに役立ちます。
Stripe の AEO への取り組みでは、プロンプトセットを固定的なものとして扱いません。典型的な質問のセットから開始し、エントリーポイントのデータ、顧客調査、クローラーの動作、ユーザーテストなどを使用して、時間をかけて調整します。SEO データも貴重な出発点となります。従来のキーワード調査では、購入者が最も頻繁に検索するキーワードがわかります。一方、Google Search Console のクリック数やインプレッション数では、サイトがすでに高いパフォーマンスを示しているクエリがわかります。小売業者は、これらのインサイトを調査対象のプロンプトに変換し、サイト検索、有料検索クエリ、レビュー、カスタマーサービスの質問、購入者が実際に使用する言葉に基づいて更新し続けることができます。
ほとんどのアンサーエンジンは依然として限られたファーストパーティのプロンプトデータしか提供していないため、Profound、Scrunch、Peec AI、Semrush などの AEO 可視性ツールが役立ちます。これらを使用することで、購入者が実際に商品を検索するさまざまな方法を表すプロンプトのセットを構築してテストし、モデル間で結果を比較して、経時的な変化を追跡できます。
プロンプトのセットを作成したら、少なくとも週に 1 回実行して、結果が時間とともにどのように変化するかを確認します。コンテンツを積極的に公開または更新している場合や、AEO 戦略を迅速に進めている場合、または AI プロバイダーが新しいモデルをリリースした場合は、さらに頻繁に (場合によっては毎日) 確認してください。
モデルは、商品ページ、パブリッシャーの報道、クリエイターの動画、レビュー、フォーラム、マーケットプレイス、ローカルビジネスのプロフィールなどから情報を取得することがあります。情報源のコンセンサスの観点から考えてみてください。AI の回答は、モデルが信頼していると思われるサードパーティのソースに加え、自社のサイトやページ全体に同じ正確な商品情報が表示されている場合に一貫性が高くなる傾向があります。その情報源の構成はモデルやカテゴリによって異なります。
Stripe では、同じパブリッシャー、コミュニティ、プラットフォームによってすべての場所で可視性が向上すると想定するのではなく、モデルごとに参照元のパターンを確認しています。小売業者も同様に対応する必要があります。幅広い小売カテゴリでは、モデルがマーケットプレイス、レビューサイト、YouTube、Reddit などを重視する場合があります。ニッチなカテゴリでは、主要なニュースメディアよりも小規模な業界専門誌や信頼できるクリエイターの方が重視されることがあります。
追跡対象
- モデルおよび市場ごとの、優先プロンプトの可視性
- ファーストパーティの商品、カテゴリ、エディトリアル、ヘルプページの引用率
- 購入者が比較対象とする主要な小売業者およびマーケットプレイスに対するシェア・オブ・ボイス
- カテゴリで最も頻繁に引用されるドメインとクリエイター
- LLM クローラーのヒット数 (アンサーエンジンのクローラーがどのページをどれくらいの頻度で取得するかなど。これはページが回答の参考にされている可能性を示す初期シグナルであり、可視性、トラフィック、またはコンバージョンの証明ではありません。)
- モデル、市場、商品カテゴリ、購入者のニーズ別の傾向
2. 回答の正確性の測定
可視性が効果を発揮するのは、購入者が判断を下せるほど正確に、AI が自社の商品、ポリシー、事業内容を説明している場合のみです。
AI の回答では、モデルが使用したソースへのリンクや名前の記載がなくてもブランドが表示される場合があります。引用された回答であっても、古い価格、間違ったバリエーション (購入者がツインサイズを求めたのにクイーンサイズを推奨するなど)、在庫状況の欠落、不正確な配送の目安、古い返品ポリシーなど、重要な詳細を間違える可能性があります。優先プロンプトのサンプルの定期的な確認を行い、現在の商品のポリシーデータと回答を比較してください。
可視性だけでは正確な表現が保証されないことが分かっています。AI モデルは、最新の情報が利用可能な場合でも、推奨事項を作成する際に古いトレーニングデータや古くなったサードパーティのソースに依存することがあります。一度モデルがその決定を下すと、新しい情報に遭遇しても推奨事項が修正されない可能性があります。たとえば Stripe では、AI システムにより、最新のドキュメントが表示されつつ、レガシーな実装経路が推奨されることがありました。小売業者の場合、これに相当するのは、間違った価格、古くなった在庫状況、不完全な商品詳細、または間違った商品構成の推奨を伴って AI の応答に表示されることです。
回答の正確性は商品データの質に依存します。タイトル、説明、バリエーション、価格、在庫状況、画像、配送の目安、返品ポリシー、レビューはすべて、商品が表示されるかどうか、およびどのように説明されるかに影響します。商品フィードによって AI コマースチャネルにカタログの確定的な情報が提供されるため、特に注意を払う必要があります。物理的な商品を販売するアメリカのビジネスの場合、Stripe の カタログフィード は、構造化された商品、価格、在庫データをサポート対象の AI コマースチャネルに配信できます。モデルが依存する可能性のあるページ、フィード、マーケットプレイスのリスティング全体で、商品やポリシーデータを完全かつ機械可読な状態にし、最新の状態に保つようにしてください。
3. ハンドオフの測定
ハンドオフとは、購入者が AI の回答から購入チャネル (商品ページ、マーケットプレイスの出品情報、ローカルプロフィール、決済画面、店舗など) へと移行するポイントを指します。ここにおいて、AI 上での可視性が実際の購買インタラクションへと変わります。
小売業者は、AI によって商品が言及されているかどうかに加え、提供された情報に基づいて購入者が実際に行動できるかどうかを測定する必要があります。商品の発見が AI に移行するにつれ、購入経路は購入者が到達する可能性のあるすべてのチャネルで機能しなければなりません。
これを購入者の視点からテストします。適切な商品を見つけ、価格と在庫状況を確認し、適切なバリエーションを選択して、矛盾する情報や行き止まりに遭遇することなく次のステップを完了できるでしょうか。その体験は、販売するすべてのチャネルで確認する必要があります。
ただし、リファラルデータが不完全になる場合もあります。一部のアンサーエンジンはリファラーや UTM データを常に渡すとは限らず、AI の影響を受けた購入者が後から直接訪問や指名検索、マーケットプレイス、店舗訪問などを経由してアクセスすることもあるためです。そのため、導線の計測は「クリック移行後に購入者が目にする情報」と「自社で観測できるリファラル・コンバージョンのシグナル」という 2 つの視点から行うのが最適です。
4. ビジネスへの影響の測定
可視性、表現、ハンドオフの指標により、システムが機能しているかどうかが分かります。ビジネスへの影響は、AEO が測定可能な結果をもたらしているかを示します。
直接アトリビューション可能な訪問について、AI 駆動のトラフィックと他のチャネルを以下の点で比較します。
- セッションあたりの購入率と収益
- 平均注文額
- 新規顧客とリピーターの割合
- 商品カテゴリと在庫の構成
- 返品、キャンセル、カスタマーサービスへの問い合わせ
- 継続的な購入行動を伴うカテゴリにおける、リピート購入と顧客生涯価値
LLM のモデルごとにこれらの指標を評価することも役立ちます。多くの場合、モデルによってパフォーマンスが異なるため、ギャップを浮き彫りにし、最適化の取り組みに注力すべき分野を明確にすることができます。たとえば、あるモデルが他のモデルに比べて不釣り合いな割合のトラフィックを促進している場合、その応答におけるブランドの表示方法を改善することを優先するシグナルになる可能性があります。
専任のデータサイエンスチームがない場合は、実践的な 3 つのアプローチから始めましょう。
測定手法が高度化するにつれて、クリックにとどまらない影響度を推定する方法を追加できます。マルチタッチアトリビューションは、複数のタッチポイントに貢献度を分散させます。インクリメンタリティテストは、AI が本来発生しなかったはずの需要を喚起したかを検証します。メディアミックスモデリングは、全体のパフォーマンスデータを用いて各チャネルの貢献度を推定します。Stripe では、クリックベースのアトリビューションでは AI 主導の需要の一部を取りこぼしていると認識したことを受け、2026 年にこのアプローチを採用し、メディアミックスモデルに AEO を独立した入力項目として追加しました。小売業者が最初からこの段階を目指す必要はありません。まずは測定可能なリファラルとコンバージョンから着手し、顧客からの報告や相関関係のある需要シグナルを追加したうえで、データ分析機能の向上に応じてインクリメンタリティテストやメディアミックスモデリングを活用していくのが効果的です。
AI プラットフォームや市場によってパフォーマンスは異なります。Stripe では、AEO 経由のトラフィックは多くの場合、SEO よりも高い割合でサインアップにコンバージョンしましたが、以前の分析では 7 日以内の初回請求率と 30 日以内のアクティベーション率はオーガニック検索よりも低いことが示されていました。アンサーエンジンが Stripe を表示し説明する方法を改善するため、コンテンツを拡張および更新し、AI クローラーが主要なドキュメントにアクセスしやすくして、古くなったサードパーティの情報を修正しました。AEO の参照元チャネルが成熟するにつれ、下流のコンバージョンは SEO に匹敵するようになり、場合によっては SEO を上回りました。投資先を決定する前に、小売業者はトラフィックの量だけでなく質も比較し、アンサーエンジン、国、カテゴリ、ランディングページ、購入者の意図ごとに結果を分類する必要があります。
AEO の領域は急速に変化しており、測定方法も改善され続けます。小売業者は、完璧なアトリビューションがなくても開始できます。実践的な第一歩は、アンサーエンジンが自社の商品をどのように説明しているかを確認し、不正確または不完全な情報を修正して、その変更がトラフィック、コンバージョン、売上に表れるかを追跡することです。