EC×RAG｜AIが接客するオンラインショップの作り方

「このワンピース、私に似合うかな…」

深夜2時。スマホでオンラインショップを眺めながら、そんなことを考える。店員さんに相談したいけど、実店舗は閉まっている。レビューを読んでも、自分の体型や好みに合うかはわからない。

結局、「また今度でいいか」とアプリを閉じる。

ECサイトを運営する側からすれば、これは「カゴ落ち」どころか「検討落ち」だ。購入の一歩手前まで来ていた顧客を、取り逃がしている。

実店舗なら、店員が「お客様のお肌の色なら、こちらのカラーが映えますよ」と一言添えるだけで、購入につながることも多い。でも、オンラインショップには店員がいない。24時間営業の強みが、逆に弱みになっている。

この課題を解決する技術が、いま実用段階に入っている。RAG（Retrieval-Augmented Generation）を使った「AI店員」だ。

RAGを使った「AI店員」とは何か

まず、RAGについて簡単に説明しておきたい。

RAGは「検索」と「生成AI」を組み合わせた技術だ。ChatGPTのような生成AIは、学習済みの知識だけで回答を作る。だから「御社の商品Aと商品Bの違いは？」と聞いても、答えられない。学習データに含まれていないからだ。

RAGは違う。

質問を受けると、まず自社のデータベース（商品情報、在庫、FAQ、レビューなど）から関連情報を検索する。その情報を「参考資料」としてAIに渡し、それを踏まえて回答を生成させる。

つまり、自社の商品知識を完璧に持った「AI店員」が作れるわけだ。

しかも、このAI店員は24時間365日働く。疲れない。同時に何百人もの接客ができる。商品知識を忘れない。新商品が入荷したら、データベースを更新するだけで即座に対応できる。

従来のチャットボットとの違いも大きい。

従来のチャットボットは、事前に登録したQ&Aパターンにマッチした回答を返すだけだった。「送料はいくらですか」「返品はできますか」といった定型的な質問には答えられるが、「乾燥肌で敏感肌なんですが、おすすめの化粧水はありますか」といった複雑な相談には対応できない。

RAGベースのAI店員は、商品データベース全体を「理解」した上で、顧客の質問に柔軟に答えられる。これが決定的な違いだ。

具体的に何ができるのか—5つの活用シーン

では、RAGを使ったAI店員は、具体的にどんなことができるのか。実際の活用シーンを見ていこう。

1. パーソナライズされた商品提案

「30代後半、混合肌、毛穴の開きが気になります。1万円以下でおすすめのスキンケアセットはありますか？」

こんな質問に、AI店員は的確に答えられる。

商品データベースには、各商品の成分、効能、価格、対象年齢、肌質との相性などが登録されている。AIはこれらの情報を検索し、質問者の条件に合う商品を絞り込み、なぜその商品がおすすめなのかを説明しながら提案する。

「毛穴ケアには〇〇成分が効果的です。こちらの商品は〇〇成分を配合しており、混合肌の方にも使いやすい軽いテクスチャーが特徴です。セット価格8,800円で、単品で揃えるより2,000円ほどお得になります」

実店舗の美容部員と同じような接客が、オンラインで24時間できるようになる。

2. サイズ・フィット感の相談

アパレルECの最大の課題は、試着ができないことだ。

「身長165cm、普段はMサイズを着ています。このワンピースはMとLどちらがいいですか？」

AI店員は、商品のサイズ表、素材の伸縮性、シルエットの特徴、そして過去の購入者レビューを参照して回答する。

「このワンピースはやや細身のデザインです。素材にストレッチ性がないため、普段Mサイズの方はLサイズを選ばれることが多いです。実際に購入された方のレビューでも『ワンサイズ上を選んで正解だった』というコメントが複数あります」

返品率の高さに悩むアパレルECにとって、これは大きな価値がある。適切なサイズ提案ができれば、返品は減り、顧客満足度は上がる。

3. 商品比較のサポート

「AシリーズとBシリーズ、何が違うんですか？」

ECサイトでは、似たような商品が並んでいることが多い。顧客は違いがわからず、比較検討に時間がかかる。最悪の場合、面倒になって離脱する。

AI店員は、商品スペック、ユーザーレビュー、販売実績などを横断的に検索し、違いをわかりやすく説明できる。

「Aシリーズはエントリーモデルで、基本機能に絞ったシンプルな設計です。一方、Bシリーズはプロ向けで、〇〇機能と△△機能が追加されています。日常使いならAシリーズで十分ですが、□□の用途をお考えならBシリーズがおすすめです」

さらに、顧客の使い方や予算をヒアリングした上で、最適な選択肢を提案することもできる。

4. 在庫確認と代替提案

「この商品のブルー、Mサイズはありますか？」

単純な在庫確認は、従来のシステムでもできた。RAGの強みは、在庫がない場合の代替提案だ。

「申し訳ありません、ブルーのMサイズは現在品切れです。再入荷は来週水曜日の予定です。お急ぎでしたら、同じシリーズのネイビーはMサイズの在庫がございます。また、似たデザインの別商品でしたら、こちらもブルーのMサイズがございます」

在庫切れ→離脱、というパターンを防ぎ、代替購入や予約につなげられる。

5. 購入後のサポート

RAGの活用は、購入前の接客だけではない。購入後のカスタマーサポートにも威力を発揮する。

「先週買った掃除機、フィルターの交換方法がわかりません」

AI店員は、取扱説明書、FAQ、過去の問い合わせ履歴などを検索し、具体的な手順を案内する。必要に応じて、説明動画へのリンクを提示したり、交換用フィルターの購入ページを案内したりもできる。

カスタマーサポートの問い合わせの多くは、実は定型的な内容だ。これをAIが処理することで、人間のスタッフは複雑なクレーム対応や、判断が必要な案件に集中できる。

導入事例—アパレルECの変化

ここで、実際の導入事例を紹介したい。

レディースアパレルを扱うECサイトB社。月間訪問者数は約50万人、年商は約15億円の中堅規模だ。

B社の課題は、コンバージョン率の低さだった。サイトへの流入は十分にあるのに、購入に至る割合が業界平均を下回っていた。分析してみると、商品詳細ページでの滞在時間は長いのに、カートに入れずに離脱するユーザーが多いことがわかった。

「欲しいけど、自分に合うかわからない」という不安が、購入のハードルになっていたのだ。

2024年秋、B社はRAGベースのAI接客システムを導入した。

商品ページに「AIスタイリストに相談」ボタンを設置。クリックすると、チャットウィンドウが開き、AIとの会話が始まる。

導入から3ヶ月で、以下の変化があった。

・コンバージョン率が1.8%から2.4%に向上（33%増）
・平均注文単価が8,200円から9,100円に上昇
・サイズ違いによる返品率が12%から7%に減少
・カスタマーサポートへの問い合わせが25%減少

特に効果が大きかったのは、高単価商品の販売だ。

3万円以上のコートやワンピースは、以前はなかなか売れなかった。「高い買い物だから失敗したくない」という心理が働き、結局購入に至らないケースが多かった。

AI接客を導入してからは、「このコート、通勤にも休日にも使えますか？」「手持ちの服と合わせやすいですか？」といった相談ができるようになり、納得して購入するユーザーが増えた。

「実店舗の接客と同じですね」とB社の担当者は語る。「高い商品ほど、背中を押してくれる存在が必要なんです。それがAIでもできることがわかりました」

技術的な仕組み—どうやって実現するか

では、こうしたAI接客システムは、技術的にどう実現するのか。大まかな仕組みを解説しておきたい。

データの準備

まず必要なのは、RAGに読み込ませるデータの整備だ。

・商品マスタ（名称、価格、スペック、説明文）
・在庫情報（リアルタイム連携が理想）
・カテゴリ情報、タグ
・商品画像のメタデータ
・ユーザーレビュー
・FAQ、よくある質問
・取扱説明書、使い方ガイド
・サイズ表、素材情報
・過去の問い合わせ履歴と回答

これらのデータを、RAGが検索しやすい形式に加工し、ベクトルデータベースに格納する。

検索精度の調整

RAGの性能は、検索精度に大きく依存する。

「乾燥肌 化粧水」で検索したとき、本当に乾燥肌向けの化粧水がヒットするか。「ゆったりしたシルエット」で検索したとき、オーバーサイズの商品がヒットするか。

この精度を上げるために、以下のような工夫が必要になる。

・商品説明文の充実（検索にヒットする情報を増やす）
・同義語辞書の整備（「ゆったり」「オーバーサイズ」「リラックスフィット」を同一視）
・カテゴリ・属性情報の構造化
・検索結果のランキング調整

回答品質の担保

検索で正しい情報が取得できても、AIの回答品質が低ければ意味がない。

・ハルシネーション（嘘の情報）の防止
・回答トーンの調整（丁寧すぎず、フレンドリーすぎず）
・購入への誘導とセールス感のバランス
・回答できない質問への適切な対応（「詳しくはカスタマーサポートにお問い合わせください」など）

これらはプロンプトエンジニアリングと、継続的な改善で対応していく。

システム連携

実際の運用では、ECプラットフォームとの連携が必要だ。

・在庫管理システムとのリアルタイム連携
・カート機能との連携（会話の中でカートに追加）
・会員情報との連携（過去の購入履歴を参照）
・決済システムとの連携

既存のECシステム（Shopify、BASE、EC-CUBEなど）にどう組み込むかは、導入時の大きな検討ポイントになる。

導入コストと費用対効果

気になるのは、導入にいくらかかるのかだろう。

正直なところ、ピンキリだ。

シンプルな構成であれば、初期費用100〜300万円、月額運用費10〜30万円程度で導入できる。Shopifyなどのプラットフォームを使っていれば、プラグイン形式で手軽に追加できるサービスも出てきている。

一方、大規模ECサイトで、複雑な商品データベースと連携し、高度なパーソナライゼーションを実現しようとすると、初期費用1,000万円以上、月額運用費100万円以上になることもある。

費用対効果の考え方としては、以下の指標を見るといい。

・コンバージョン率の改善（1%向上で売上がいくら増えるか）
・平均注文単価の上昇
・返品率の低下（返品処理コストの削減）
・カスタマーサポートの問い合わせ削減（人件費の削減）

先ほど紹介したB社の場合、初期費用は約250万円、月額運用費は約20万円だった。コンバージョン率の改善と返品率の低下による利益増で、約8ヶ月で投資を回収できたという。

導入時の注意点

最後に、導入を検討する際の注意点をいくつか挙げておきたい。

データ品質が成否を分ける

RAGの回答精度は、元データの品質に依存する。

商品説明が貧弱だったり、情報が古かったり、データに誤りがあったりすると、AIの回答もおかしくなる。「ゴミを入れればゴミが出る」の原則は、ここでも当てはまる。

導入前に、商品データの棚卸しと品質向上に取り組むべきだ。これは手間がかかる作業だが、RAG導入の有無にかかわらず、ECサイトの基盤強化につながる。

人間のサポートとの連携設計

AIは万能ではない。

複雑なクレーム対応、感情的になっている顧客への対応、イレギュラーな要望への対応は、人間が行うべきだ。

大切なのは、AIと人間の役割分担を明確にし、スムーズにバトンタッチできる仕組みを作ること。「この質問にはAIでは対応できません。担当者におつなぎします」というエスカレーションの設計が重要だ。

継続的な改善が必要

導入して終わり、ではない。

実際の顧客とのやり取りを分析し、うまく回答できなかったケースを特定し、データやプロンプトを改善していく。このPDCAサイクルを回し続けることで、AI店員は成長していく。

最低でも週1回は会話ログをレビューし、月1回は大きな改善を行う体制が望ましい。

顧客への説明

「AIと話している」ことを顧客に隠すべきではない。

むしろ、「AIスタイリスト」「AIコンシェルジュ」として明示した方が、顧客の期待値が適切に設定され、結果的に満足度が上がる。人間だと思って話しかけて、AIだとわかったときの失望感は大きい。

まとめ—ECの接客体験を変える

オンラインショップの弱点は、「相談できる相手がいない」ことだった。

RAGを使ったAI店員は、この弱点を克服する。24時間対応で、商品知識は完璧で、何人でも同時に接客できる。

もちろん、人間の店員を完全に置き換えるものではない。複雑な対応や、感情に寄り添う接客は、引き続き人間の役割だ。

しかし、「このサイズで大丈夫かな」「この商品、自分に合うかな」という小さな不安を解消し、購入の背中を押す—。そんな役割なら、AIは十分に担える。

ECサイトの競争は激しい。商品の品揃えや価格だけでは差別化が難しくなっている。接客体験という新しい軸で勝負する時代が、もう始まっている。

まずは小さく始めてみることを勧める。

商品数が多い特定カテゴリだけでテスト導入する。あるいは、よくある質問への自動回答から始める。効果を測定しながら、徐々に範囲を広げていけばいい。

「売れるECサイト」と「売れないECサイト」の差は、これから大きく開いていく。その分水嶺に、AI接客がある。

---

ECサイトへのRAG導入をお考えの方は、ぜひお気軽にご相談ください。AQUA合同会社では、Shopify・BASE・EC-CUBEなど各種プラットフォームに対応したAI接客システムの構築を行っています。