通販のAIチャットボット、おすすめが外れる仕組み
画像出典: 写真: Shixart1985（CC BY 2.0 / Wikimedia Commons）
ネット通販のAIチャットボットの多くは、質問文を意味のベクトルに変換して商品を絞り込む「検索層」と、絞り込んだ候補を文章にして返す「生成層」の2段階（RAG）で動いています。「冬のプレゼント」のような言葉だけでは検索層の対象が広がりすぎ、関連度の低い商品が混ざります。予算・対象・用途・カテゴリを添えると、同じAIでも候補の絞り込みが変わります。
通販サイトのAIチャットボットは、ここ1〜2年で一気に身近になりました。Shopify Japanが2026年7月に国内消費者2,000人へ実施した調査では、52%が「セールやお得な商品の検索」「商品探し」など少なくとも1つの用途でAIを利用する可能性があると答えています。
ただ、使ってみて「思っていたのと違う」と感じた人も多いはずです。正直なところ、これはAIの性能だけの問題ではありません。提案が外れるかどうかは、裏側の「どの段階でつまずいたか」で決まります。仕組みがわかると、どう伝え直せばいいかも見えてきます。
通販のAIチャットボットは、裏側で何をしている？
生成AIを使ったショッピングアシスタントの多くは、RAG（検索拡張生成／Retrieval-Augmented Generation）という仕組みで動いています。名前は難しそうですが、やっていることは2段階に分かれています。
- 検索層あなたが打ち込んだ質問文を「ベクトル（embedding）」という数値の並び、つまり意味を座標で表したものに変換し、商品データベースから意味的に近い商品情報を探し出します。
- 生成層検索層が抜き出した商品情報を大規模言語モデル（LLM）に渡し、「この商品はこういう理由でおすすめです」という自然な文章にして返します。
図書館にたとえるなら、検索層が書棚から本を何冊か抜いてくる司書、生成層がその本を読んで要約してくれる人です。ここで大事なのは順番で、司書が棚から間違った本を抜いてきたら、どれだけ要約がうまくても的外れな答えになります。
この2段階にする利点もはっきりしています。LLMが学習データだけで答えると、もっともらしい誤情報（ハルシネーション）が混ざりやすくなります。RAGなら、EC事業者が持っている最新の在庫や価格のデータに基づいて答えられます。
昔のレコメンドと、今のAIチャットボットは何が違う？
通販サイトの「おすすめ」自体は昔からありました。従来のレコメンドAIは、購買履歴・閲覧行動・評価データを分析し、協調フィルタリング——ユーザーと商品の評価を表にして、自分と似た好みの人が買ったものを推す方式——が中心でした。「この商品を買った人はこちらも」の表示がそれです。
この方式には弱点があります。あなたが過去に何を見たかは使えますが、「今日は父への誕生日プレゼントを探している」というその場の目的は読み取れません。履歴から見える自分の好みと、今欲しいものはしばしば別物です。
2026年現在は深層学習とLLMの活用が進み、画像・テキスト・音声など複数のデータ形式（マルチモーダル）をまとめて扱う方式へ移っています。対話型のチャットボットが登場したのは、まさに「その場の目的」を言葉で受け取れるようにするためです。
実際のサービスはどう設計されている？
国内で分かりやすいのが楽天市場の例です。楽天グループは2026年1月5日、楽天市場のスマートフォンアプリにエージェント型AIツール「Rakuten AI」を搭載したと発表しました。
| 名称 | Rakuten AI（エージェント型AIツール） |
|---|---|
| 発表日 | 2026年1月5日 |
| 入口 | 楽天市場アプリのホーム画面右下のアイコン |
| 入力方法 | テキスト・音声・画像 |
| 入力する条件 | 希望予算、購入目的、利用シーンなど |
| 提案の対象 | 約5億点の商品群 |
| 提案に使う情報 | 楽天市場内の商品情報・価格比較情報、気候・流行・社会情勢などWebの自然検索結果から得たトレンド情報 |
ネットショップ担当者フォーラムの公表データをもとに作成（2026年1月時点）
上の表で注目したいのは、入力する条件が予算・目的・利用シーンに分かれている点です。AIコンシェルジュは対話を通じてユーザーに質問を重ねる設計で、やり取りの中で潜在的なニーズを明らかにしていくことで提案精度を上げるとしています。
この「質問を重ねる」部分こそ、検索層に渡す条件を増やすための工程です。楽天は約30年続いたキーワード検索中心のサイト探索から、対話型のディスカバリーショッピング体験への転換だと説明しています。追加の質問に答えるほどニーズが明確になり、関連度の高い提案を受けられるという考え方です。
海外でもAmazonが2024年第1四半期から生成AIチャットボット（Rufus等）のテストを行っており、数千万人のユーザーが質問を投げかけているとされています。
楽天AIやAmazonが内部でどう商品を点数づけして並べているか、具体的なスコアリング方法は公開されていません。ここで説明しているのは、RAGという一般的な仕組みと、各社が公表している設計の考え方までです。
なぜ「冬のプレゼント探して」だと外れるのか？
ここまでの仕組みを踏まえると、曖昧な要望が外れる理由は単純です。検索層は入力文のベクトル、つまり意味の近さだけで商品を絞り込みます。「プレゼント」「冬物」のような広い言葉は、意味の座標の上でカバーする範囲が広すぎます。
結果として、検索層の時点で関連度の低い商品が候補に混ざります。生成層はその候補を受け取って文章にするだけなので、混ざった時点の間違いは、後の段階では直りません。「AIの説明は上手なのに、商品そのものが的外れ」という体験は、たいていこれです。
回答が的外れになる原因は、「AIによる推測」「情報不足」「ユーザーへの確認が欠落していること」の3つに整理されています。曖昧な要望では、足りない情報をAIが推測で埋めることになります。その推測が当たるかどうかは運次第です。
伝え方を変えると、何が変わる？
同じ「冬のプレゼント」でも、条件を添えると検索層の絞り込みが変わります。
| 伝え方 | 検索層が受け取る手がかり |
|---|---|
| 冬のプレゼントを探して | 季節と用途の大分類だけ。対象者・予算・好みが不明で、カテゴリをまたいだ広い候補になりやすい |
| 40代の父親へ、予算1万円以内、アウトドア好き、防寒用の手袋か帽子を探している | 対象者・予算・嗜好・カテゴリの4点。意味の近い商品が狭い範囲に限定される |
上の表の下段は、楽天AIが入力を促している項目（希望予算・購入目的・利用シーン）に沿って条件を並べたものです。一般に、質の高い指示には「コンテキスト（背景）」「ミッション（目的）」「明確性・具体性」の3要素が必要とされ、目的・相手・環境・制約を含めて伝えることで回答のばらつきを抑えられるとされています。
- 誰に／誰が使うのか（年代・関係・体格やサイズがあれば）
- 上限の金額（「1万円以内」のように数字で）
- どんな場面で使うか（通勤、キャンプ、室内など）
- 避けたいもの（ブランド、素材、サイズ、重さなど）
うまくいかなかったとき、どこを疑えばいい？
提案が外れたとき、原因は大きく3つに分かれます。どの段階でつまずいたかで、やり直し方が変わります。
切り分けの順番はこうです。まず提案された商品の理由文を読みます。「アウトドア好きな方に」のように自分の条件を踏まえた理由が書かれているなら、条件は伝わっています。理由文が「人気の商品です」のように一般的なら、条件が検索層まで届いていない可能性が高く、伝え方の問題です。
次に価格や在庫が実際の商品ページと合っているかを見ます。ずれているなら、検索層が参照しているデータの鮮度の問題で、こちらの伝え方では直りません。商品ページ側の表示を正としてください。
最後に、条件を1つずつ減らして試します。条件を緩めた途端に妥当な候補が出るなら、その条件に合う在庫が単に無いということです。AIが理解できなかったのではなく、商品データベースの中に該当品が存在しないケースです。
「現物を見ないと判断できないもの」——服のサイズ感、香り、座り心地——は、条件をどれだけ丁寧に伝えても提案の精度に限界があります。この手の商品は、AIで候補を3つくらいまで絞り、最後はレビューと返品条件を自分で読むほうが早いです。また、ここで紹介した切り分けはRAG方式の一般的な構造に基づくもので、各サービスが内部でどう処理しているかまでは公表されていません。
カートへの追加までAIに任せていい？
先ほどのShopify Japanの調査（2026年7月に国内消費者2,000人、同年8月に事業者の経営者・意思決定者500人へ実施）では、消費者の61%が「最終的な購入手続きを自分で行うのであれば、AIが商品をカートに追加し必要情報を入力することに抵抗がない」と回答しています。同調査では、ブラックフライデーからサイバーマンデーまでの商戦期間（BFCM）における国内消費者の平均予定支出額は12,927円でした。
この「最終的な購入手続きは自分で」という条件が付いている点が、実際の使い勝手を言い当てています。候補を集めて並べるところまではAIが速く、買うかどうかの判断は、条件に書き出せなかった部分を自分で確かめてから決めるのが現実的です。
利用そのものは広がっていて、米国では2025年の年末商戦期間中、生成AIチャットボットから小売サイトへの流入が2024年比693.4%増加したとの報告があります。増えているからこそ、仕組みを知って使うかどうかで差が出ます。
今日から試せる、相談のしかた
最後に、実際の手順にまとめます。難しいテクニックは要りません。
- 1回目は条件を全部入れる対象者・予算・用途・避けたいものを1文にまとめて送ります。短く小出しにするより、最初に揃えたほうが検索層の絞り込みが効きます。
- AIからの質問には素直に答える楽天AIのように質問を返す設計のサービスでは、その質問が絞り込みの条件そのものです。「おまかせ」で返すと推測で埋められます。
- 外れた候補を名指しで外す「この手袋は厚手すぎる、もっと薄手で」のように、出てきた候補を基準に伝え直すと条件が具体化します。
- 最後は商品ページで確認する価格・在庫・サイズ・返品条件は、AIの回答ではなく商品ページの表示を見て決めます。
通販のAIチャットボットは、魔法の店員ではなく、条件を受け取って棚から探してくる仕組みです。裏側の2段階を知っていれば、外れたときも「今のは検索層の話か、データの話か」と見当がつきます。まずは次の買い物で、条件を1文に揃えて投げてみるところからで十分です。
よくある質問
通販サイトのAIチャットボットはどんな仕組みで商品を選んでいますか？
多くは検索拡張生成（RAG）という2段階の仕組みで動いています。検索層がユーザーの質問文をベクトル（意味を数値で表したもの）に変換して商品データベースから意味的に近い商品を抽出し、生成層が抽出結果を大規模言語モデルに渡して推薦理由つきの文章を作ります。
AIに「プレゼントを探して」と伝えると的外れな商品が出るのはなぜですか？
検索層は入力文の意味の近さで商品を絞り込むため、「プレゼント」「冬物」のような広い言葉だけでは検索対象が広がりすぎ、関連度の低い商品が候補に混ざります。足りない情報はAIの推測で補われるため、対象者・予算・用途・避けたい条件を添えると絞り込みの精度が変わります。
従来の「この商品を買った人はこちらも」との違いは何ですか？
従来のレコメンドは購買履歴・閲覧行動・評価データを使った協調フィルタリングが中心で、似た嗜好のユーザーの行動から商品を推薦します。対話型のAIチャットボットは、履歴ではなくその場で入力した予算・目的・利用シーンを条件として受け取れる点が違います。
楽天市場のAIコンシェルジュはどう使いますか？
楽天グループが2026年1月5日に発表したエージェント型AIツール「Rakuten AI」は、楽天市場のスマートフォンアプリのホーム画面右下のアイコンからアクセスします。テキスト・音声・画像で希望予算、購入目的、利用シーンなどを入力すると、対話を通じて質問を重ねながら約5億点の商品群から条件に合う商品を提案します。
※記事で使用した内容・数値は変更される場合があります。最新情報は公式サイトをご確認ください。