※本記事は、KDD2024にてインスタカートのVP of EngineeringおよびDistinguished ScientistであるHaixun Wang氏による講演「Generative AI in E-Commerce」の内容を基に作成されています。Wang氏はIEEE Fellowであり、IEEE Data Engineering Bulletinの編集長を務めています。WeWork、Amazon、Facebook、Google Research、Microsoft Research Asia、IBM T. J. Watson Research Centerなど、著名な企業での経験を持ち、200以上の研究論文を発表されています。 本記事では講演の内容を要約しております。なお、本記事の内容は講演者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの講演動画（https://www.youtube.com/watch?v=j_MatqyEiNY ）をご視聴いただくことをお勧めいたします。 本講演は、世界最大の教育・科学的コンピューティング学会であるACM（Association for Computing Machinery）が主催するKDD（Knowledge Discovery and Data Mining）カンファレンスの一環として行われました。
1. eコマースの現状と課題
1.1 食品・食料品産業の規模とインスタカートの事例
私は2年前のKDDでもeコマースの進展について講演を行いましたが、この2年間で大規模言語モデルと生成AIの台頭により、状況は大きく変化しています。多くの優れたアイデアが生まれていますが、これらを製品化することは依然として大きな課題となっています。
まず、食品・食料品産業の規模について説明させていただきます。この産業は、Amazonが初期に扱っていた書籍やメディアの市場と比較して、はるかに巨大な市場規模を持っています。
私が所属するインスタカートでは、食品配達事業において興味深い機会を数多く見出しています。例えば、我々はデータから顧客が次にバナナを注文する可能性が高い時期を予測することができます。また、他の商品についても同様の予測が可能です。
しかし、同時に大きな課題も抱えています。最大の課題は、任意の時点で特定の店舗における特定の商品が利用可能かどうかを把握することです。我々は小売パートナーから詳細な棚情報などのリアルタイムデータを受け取ることができません。そのため、ショッパーが店内で商品を探す際の情報を通じて、在庫状況を推定する必要があります。これは非常に大きな技術的チャレンジとなっています。
このような状況の中で、大規模言語モデルと生成AIは、この産業だけでなく多くの産業にとってのゲームチェンジャーとなる可能性を秘めています。しかし、我々の業界における機械学習関連の業務の大半は、依然として予測型機械学習の領域に留まっています。分類、予測、パーソナライゼーション、レコメンデーションなど、これらのシステムは比較的確立されています。一方で、生成AIはコンテンツ生成やチャットボットのような会話領域で特に大きな可能性を示しています。
1.2 キーワードベース検索の限界：2019-2023年の分析
顧客の意図を理解することは、常に私たちにとって大きな課題となっています。この問題を具体的に示すため、2019年から2023年までのAmazonにおける検索結果の変遷を分析した事例を紹介させていただきます。具体的には、"red wine $40"という検索クエリを入力した際の結果を時系列で追跡しました。
ここでAmazonの例を挙げているのは批判的な意図からではありません。実際のところ、テールクエリ（特殊な検索語句）に関しては、他のeコマースシステムも同様かそれ以上の課題を抱えているのが現状です。"red wine"はヘッドクエリ（一般的な検索語句）ですが、そこに"$40"という価格条件を付加することで、これはテールクエリとなります。
検索結果を見ると、表示される商品には奇妙な特徴が見られます。なぜこれらの商品が表示されているのかと疑問に思うような結果が並びます。興味深いことに、多くの商品は赤色という特徴を持っています。これは検索システムが"red"を色として認識し、その特徴を持つ商品を表示しているためです。システムは単語の意味の一部（"red"が色であること）は捉えていますが、クエリ全体の文脈や意図は十分に理解できていないことを示しています。
人々はこのような単純なキーワードベースの検索に満足していません。実際、ユーザーはより複雑な解決策を求めるクエリを発するようになってきています。私たちの分析から、これはeコマース検索システムが抱える構造的な課題の一つであることが明らかになっています。
1.3 ユーザーニーズの変化と解決策を求めるクエリの台頭
ユーザーは、単なるキーワード検索では満足できなくなってきています。私たちは、より具体的な解決策を求めるクエリが増加していることを観察しています。例えば、「不眠症」「胸焼け」といった症状に関する検索や、さらには「むくみを取る方法」のような解決策を直接的に求めるクエリが増えています。
特筆すべき点として、Googleのデータによると2014年以降、「How to（どうやって）」を含むクエリが着実に増加傾向にあります。これは、人々が単に製品を探すだけでなく、具体的な解決策を求めていることを示しています。
しかし、このような状況に対して、現在のeコマース検索システムは十分な対応ができていません。例えば、「不眠症」というクエリで検索した場合、システムは製品名に「不眠症」という単語を含む商品のみを表示する傾向があります。これは、ユーザーが本当に求めているものとは異なります。実際には、ラベンダーやエプソムソルトなど、不眠症の改善に役立つ可能性のある多様な製品が存在するにもかかわらず、それらは検索結果に表示されないのです。
この課題を解決するためには、包括的な製品知識グラフの構築が不可欠です。この知識グラフは、特定の状況や症状と、それらに対処できる製品を結びつける役割を果たします。しかし、このような知識グラフの構築は、膨大なドメインの規模ゆえに、非常に高コストで困難な作業となっています。これは、まさに「海を掘る」ようなものだと私は考えています。
加えて、Web上には食品、食料品、料理に関する膨大な情報が存在しています。例えば、「子供のための健康的なスナック10選」や「ステーキの調理方法」といった情報です。これらの知識を製品知識グラフに統合できれば、特定の意図を持つ顧客に対して適切な推奨ができるようになるはずです。しかし、これらの多様な情報をどのように統合するかという問題は、依然として大きな課題として残されています。
2. データ統合と情報提示の課題
2.1 データ統合の複雑さ
eコマースにおけるデータ統合は、情報の多様性ゆえに非常に複雑な課題となっています。私たちが扱うデータは、大きく分けて3つの種類があります：構造化データ、半構造化データ、そして非構造化データです。
Web上には食品、食料品、料理に関する膨大な情報が存在しています。例えば「子供のための健康的なスナック10選」や「ステーキの調理方法」といった情報は、製品推奨において非常に有用な知識となり得ます。これらの情報を私たちの製品知識グラフに統合できれば、顧客の意図に沿った適切な推奨が可能になるはずです。
しかし、これらの異なる形式のデータを統合することは、一種のデータ統合の課題であり、情報抽出の問題でもあります。様々な種類のデータを見ていきましょう：
まず、構造化データとしては、私たちのカタログデータや取引データがあります。これらは明確な形式を持っていますが、他のデータ形式との統合が必要です。
次に、半構造化データとしては、分類体系やオントロジーがあります。これらは一定の構造を持ちながらも、より柔軟な形式を持っています。
最後に、非構造化データとしては、Webページ上のテキストなどが挙げられます。これらは豊富な情報を含んでいますが、その抽出と構造化は大きな課題となります。
データの形式によって、情報抽出の手法も大きく異なり、スケーラビリティの課題も存在します。これらの異なるタイプの情報を統合し、有意義な形で活用することは、非常に困難な作業となっています。
2.2 情報提示の課題
情報の提示方法は、集めた情報をどのように顧客に届けるかという重要な課題です。この点について、私はGoogleのGeminiのデモを例に挙げて説明したいと思います。
Geminiのデモでは、娘の誕生日パーティーを計画するという文脈において、チャットやキーワード検索など、様々なチャネルを通じた情報提示が行われていました。デモで示されたコンテンツや画像は、すべてGeminiによって自動的に生成されたものでした。
しかし、Googleはeコマースシステムではないため、これらの提示内容は必ずしも製品に直接マッピングされているわけではありません。私たちeコマース事業者としては、このような動的なプレゼンテーションを実現しつつ、それを製品と結びつける必要があります。具体的には、クエリ、意図、文脈、そして顧客の特性に基づいて動的にプレゼンテーションを生成し、それを適切な製品と結びつけることが求められています。
特に、「母の日ギフト」や「子供の誕生日パーティー」といった、非常に一般的で広範な意図を持つクエリに対しては、より包括的な情報提示が必要です。このような場合、単に製品を羅列するのではなく、ユーザーに全体像を示し、利用可能な選択肢を探索できるようにし、どのような商品が利用可能かを理解してもらう必要があります。
このような情報提示の個別化は非常に重要ですが、同時に大きな技術的チャレンジでもあります。私たちは現在、この課題に取り組んでいますが、完全な解決にはまだ時間が必要だと考えています。
3. 現在の技術スタックと解決策
3.1 クエリ理解の複雑さ
私たちが現在直面している既存のeコマース検索技術スタックにおける課題について説明させていただきます。クエリ理解の第一段階は非常に複雑で、実は驚くべきことに12個以上の機械学習モデルが必要となっています。
まず、クエリを適切に理解するためには、それを分割し、それぞれの部分に対して適切な意味解釈を行う必要があります。各セグメントに対して、正しい意味へのマッピングを行うのですが、これだけでも複数のモデルが必要となります。さらに、スペル修正や言語検出など、様々な前処理も必要です。これらのモデルを開発し、維持し、改善し、そして最も重要なことは、それらが互いに適切に連携して動作することを確保しなければなりません。これは決して容易なタスクではありません。
特に大きな技術的課題として、レイテンシーの問題があります。一般的なeコマース検索やその他の検索システムでは、クエリ処理に許容される時間は200ミリ秒から最大でも500ミリ秒程度に制限されています。この極めて短い時間内で、すべての処理を完了させなければならないのです。
これらのモデルの開発、維持、そして改善は継続的な課題となっています。各モデルが個別に高性能であることに加えて、それらが連携して効果的に機能する必要があり、さらにその全体の処理を極めて短い時間で完了させなければならないという制約があります。これは非常に複雑なエンジニアリングの課題となっています。
3.2 パーソナライゼーションの現状
パーソナライゼーションは現在、eコマースにおいて重要な技術となっています。私たちが現在採用している最先端のアプローチの一つが、Two Towerモデルと呼ばれる手法です。このモデルは、一方でユーザー表現を、もう一方で製品表現を生成し、これらを同じ埋め込み空間内でマッチングさせる仕組みになっています。
具体的には、ユーザーの購買履歴などのエンゲージメントデータを活用し、そのユーザーが過去に購入した商品との関連性をもとに学習を行います。この過程で、ユーザーと製品を同じ埋め込み空間に配置し、その近さによってマッチングを行います。
しかし、このアプローチには重大な限界があります。例えば、あるユーザーがダークチョコレートを好み、ミルクチョコレートを嫌う場合を考えてみましょう。にもかかわらず、検索結果ではミルクチョコレートが常に上位にランクされてしまうような状況が発生することがあります。このような問題が生じた場合、Two Towerモデルや高次元の埋め込みを使用していると、その原因を特定し、デバッグすることが非常に困難です。
さらに、このモデルには追加情報の組み込みが難しいという課題もあります。例えば、ユーザーが健康志向であることや、妊娠3ヶ月目であるといった情報を、既存のパーソナライゼーションシステムに組み込むことは非常に困難です。このような追加的な知識や情報を効果的に統合する方法が、現在の大きな課題となっています。
4. 生成AIを活用した解決策
4.1 自然言語による統合
これらの課題に対する一つの解決策として、生成AIの時代において、各コンポーネントが自然言語で通信できるようにすることを提案したいと思います。従来のように個々の問題に対して異なる機械学習モデルを作成するのではなく、データを自然言語という共通のフォーマットに統合し、大規模言語モデルを活用して問題を解決する方向性を考えています。
私たちは現在、様々な形式の情報を扱っています。テキストデータは主にユーザー入力から得られ、画像データとしては手書きの買い物リストなども含まれます。将来的には音声やビデオも含まれるでしょう。これらすべてのデータを大規模言語モデルや生成AIモデルを通して処理することで、マルチモーダルなコミュニケーションの理解が可能になります。これらのモデルはこのような多様な形式のコミュニケーションを理解し、適切なプレゼンテーションやコンテンツを出力することができます。
具体例として、クエリ理解について説明させていただきます。従来のアプローチでは、先ほど述べたように12以上の機械学習モデルを使用してクエリを理解する必要がありました。しかし、大規模言語モデルを活用すると、クエリとその解釈方法に関する指示を与えることで、クエリの意味や構成要素を効果的に理解することができます。実際にテストしてみると、通常2-3語程度の短いクエリでも、驚くほど優れた理解を示すことがわかりました。
ただし、この手法には重要な課題があります。eコマース検索やその他の検索システムでは、クエリ処理に許容される時間は200ミリ秒から最大でも500ミリ秒に制限されています。一方で、大規模言語モデルを通じた処理は、通常これよりもはるかに多くの時間を要します。
この課題に対しては、いくつかの進展が見られます。まず、大規模言語モデルは徐々に小型化しています。また、より効率的なモデルのホスティングや提供方法に関する新技術も登場しています。さらに、最近では例えばAnthropicのようなクラウドサービスがキャッシングをサポートし始めています。クエリ解釈の場合、長い指示文に対して実際のクエリは2-3語程度であり、指示部分をキャッシュすることで処理時間を大幅に削減できる可能性があります。
もちろん、信頼性の問題など他の課題もありますが、大規模言語モデルの基盤技術の継続的な進歩により、これらの課題は解決可能だと考えています。
4.2 ペルソナベースのアプローチ
私たちは、各顧客を明示的なペルソナを用いて表現する新しいアプローチを試みています。具体的には、約100種類のペルソナラベルを事前に定義しました。例えば、「バーゲンハンター」や「ブランド重視派」といったペルソナです。
このアプローチでは、顧客の取引履歴や過去の購入データを大規模言語モデルに送信し、そのユーザーを適切なペルソナにマッピングします。人間が理解できるこれらのラベルを使用することには、多くの利点があります。まず、これらのペルソナは私たち人間にとって理解が容易です。また、大規模言語モデルもこれらのラベルを理解することができ、その結果、モデルが持つ膨大な世界知識とこれらのラベルを結びつけることができます。
さらに、このアプローチでは新しい情報の統合が容易になります。例えば、あるユーザーが妊娠3ヶ月目であるという情報も、大規模言語モデルへのリクエストに自然な形で組み込むことができます。実際に実装してテストを行ったところ、このアプローチは推薦システムの性能を大きく向上させることがわかりました。
しかし、このアプローチには重要な技術的課題があります。それは、スループットの問題です。数百万人の顧客がおり、それぞれが長い購入履歴を持っています。これらすべてを大規模言語モデルに送信し、定期的にペルソナマッピングを行うとなると、膨大なトラフィックと処理が必要になります。
この課題に対処するため、私たちはサンプリングアルゴリズムを開発し、顧客のスマートなクラスタリング方法を実装しました。これにより、重複するリクエストを避け、大規模言語モデルへの処理要求を最適化することができました。このように、技術的な課題を一つずつ解決することで、ペルソナベースのアプローチを実用的なシステムとして実装することに成功しています。
5. eコマースの未来展望
5.1 新しい購買体験
新しいeコマース体験への大きな変革の動きが見られます。私たちは、現在のタブやリンクを中心とした従来のインターフェースから、より魅力的な体験への移行が求められていることを認識しています。特に食品・食料品のショッピングにおいて、この変革は重要です。実際の店舗で食品を見る体験と、eコマースアプリで単にリンゴの写真を並べて表示する体験には、大きな違いがあります。
特に注目すべき点として、TikTokスタイルのエンゲージメントへの期待が高まっています。新世代の消費者は、従来の世代とは異なる購買体験を求めています。彼らは偶発的な発見（セレンディピティ）やライフスタイルに根ざした購買体験を重視します。
また、実店舗とデジタルショッピングの融合も重要なトピックです。この点については多くの議論がなされており、例えば即時配送サービスが、この2つの体験の差を埋める可能性が指摘されています。衣類などの商品であっても、15分以内に届けられるのであれば、店舗での買い物との違いは小さくなるかもしれません。
しかし、ここで興味深い視点を共有させていただきたいと思います。有名な作家のカート・ボネガットは、妻との会話の中で、たった1枚の封筒を買うために地元の文具店に行く話をしています。妻が「あなたは裕福なのだから、オンラインで封筒をまとめ買いすればいいのに」と言ったのに対し、彼は妻の言葉を聞かないふりをして出かけていきました。なぜなら、1枚の封筒を買う過程で素晴らしい時間を過ごせることを知っていたからです。
これは、人間が本質的に「ダンスする動物」であることを示す良い例です。実際、これはインスタカートにとって最大の課題の一つでもあります。多くの人々は自分で食料品店に行きたいと考えています。これは現実であり、私たちはテクノロジーによって、実店舗での買い物以上の没入感のある体験を作り出す必要があります。具体的にどのようなテクノロジーがそれを可能にするかは現時点では明確ではありませんが、これは非常に興味深い課題だと考えています。
5.2 AIエージェントの台頭
5.2.1 顧客側AIエージェント
AIエージェントの台頭は、予想よりも早く現実のものとなりつつあります。私たちはまず、AIショッピングアシスタントの展開から始めており、これには音声ショッピング機能も含まれています。この機能は単なる利便性の向上だけでなく、より重要な役割を果たしています。
特に注目すべき点は、これらのAIアシスタントが十分なサービスを受けられていない顧客層をサポートできることです。オンラインショッピングに不慣れな方々や、アプリの使用に困難を感じる方々にとって、音声ショッピングは非常に有効な解決策となります。
特に食料品のショッピングにおいて、この機能は他の商品カテゴリーよりも実用的です。その理由として、食料品の多くは繰り返し購入される商品であることが挙げられます。例えばバナナを購入する場合、異なるバナナを比較検討する必要はなく、「バナナはバナナ」という考え方で十分です。このため、音声を通じて意図を伝えることが容易です。これは、デジタルカメラなどの比較検討が必要な商品とは大きく異なります。
さらに興味深い展開として、完全な自律型エージェントの可能性があります。これは、ユーザーに代わって買い物を完了させることができるエージェントです。例えば、買い物リストを渡すだけで、すべての買い物プロセスを代行してくれることが考えられます。
この点について、私事ではありますが、家族での経験を共有させていただきます。我が家では頻繁にオンラインで食料品を購入していますが、妻はインスタカートのインターフェースを使用することを好みません。そのため、私が妻からの指示を受けて商品を選択する役割を担っています。言わば、私は妻のための「カスタマーAIエージェント」として機能しているわけです。正直なところ、もしAIエージェントが私のこの役割を代替してくれるのであれば、私は喜んでその仕事を譲り渡したいと考えています。
5.2.2 eコマース側AIエージェント
次の段階として、私たちはeコマース側のAIエージェントの出現を予想しています。これは単に顧客側のAIエージェントが代行するだけでなく、eコマース側にもAIエージェントが存在し、これら2つのエージェントが相互に交渉を行うという展開です。これらのエージェントは、ゲーム理論などを活用しながら、顧客満足度と経済的利益の最大化を図ることになるでしょう。
しかし、このような展開は現在のオンラインビジネスの基盤を大きく揺るがす可能性があります。特に重要な影響を受ける要素が2つあります。1つは注目経済（アテンション・エコノミー）です。現在、人々は消費者テクノロジーやメディアに多くの時間を費やしていますが、同時に非常に短い注意力しか持っていません。そのため、検索結果の最初の3つのスロットが極めて重要となり、広告主はこれらの枠を獲得するために激しい競争を行っています。しかし、AIエージェントが買い物を代行するようになれば、人間の心理を利用した広告やマーケティングは意味をなさなくなる可能性があります。
2つ目の影響を受ける要素はロイヤリティです。例えば、インスタカートには数十の食料品店がありますが、ほとんどの顧客は1つの特定の店舗のみを利用します。これは、10の異なる食料品店の価格を比較する時間がないためです。しかし、AIエージェントがこれらの作業を代行できるようになれば、状況は大きく変わるでしょう。
これらの変化により、企業は顧客の獲得・維持から、AIエージェントの獲得・維持へと投資の重点を移す必要が出てくるかもしれません。さらに、この変化は小規模な製造業者や新興ブランドにとって大きな機会となる可能性があります。現在、彼らは実店舗の棚スペースやデジタルストアの検索結果上位において、大手プレイヤーに独占されているため、顧客に商品を見せる機会すら得られていません。AIエージェントの台頭により、より多くの商品選択肢が顧客に提供される可能性があり、eコマースシステムは新しい収益化の方法を見出す必要があるでしょう。例えば、商品がAIエージェントの検討対象上位200件に含まれるかどうかを、一種のSEO活動として扱うような展開も考えられます。
5.3 パーソナライゼーションの進化
パーソナライゼーションの分野では、長年の取り組みにもかかわらず、現状は依然として課題が山積しています。この点について、2023年末に発表された興味深い記事を例に挙げて説明したいと思います。Spotifyは、パーソナライゼーションの先駆者として知られており、ソーシャルネットワークなどを通じて各ユーザーにおすすめのサウンドを提案する技術で高い評価を得ています。しかし、そのような先進的な企業でさえ、批判を受けているのが現状です。
具体的には、「すべてのテクノロジー企業が私のデータを分析しているのに、それらが教えてくれるのは、人間の経験を数値に還元することがいかに困難かということだけだ」という批判があります。つまり、これらの技術は本質的にユーザーを理解できていないという指摘です。
私たちの経験からも、単にユーザーの買い物行動を観察するだけでは不十分だということがわかっています。例えば、ダークチョコレートを繰り返し購入している顧客がいた場合、その顧客がミルクチョコレートも好きなのか、それとも嫌いなのかを知ることができません。
この課題に対する潜在的な解決策として、2つのアプローチを考えています。1つ目は、顧客との積極的なエンゲージメントとコミュニケーションです。大規模言語モデルとチャットボットを活用することで、各顧客について知りたい上位3つの事項を特定し、買い物中に控えめな方法でそれらの質問をすることが可能になります。
2つ目のアプローチは、より積極的な顧客観察です。これは約10年前に始まった「ライフロギング」イニシアチブを想起させます。このイニシアチブでは、音声や映像デバイスを装着し、生活のあらゆる側面を記録することを目指していました。「心拍から失恋まで、すべてを追跡する」というスローガンが掲げられていました。
もしSpotifyがこのような情報を持っていれば、感情や経験に基づいて、より適切な音楽推薦が可能になるでしょう。同様に、食料品のショッピングを含むあらゆるeコマースにおいても、このような情報は重要な役割を果たす可能性があります。
しかし、この方向性には重要な倫理的考慮事項があります。私たちの製品に対する好みが、もはや私たち自身のものではなく、アルゴリズムによって操作されているのではないかという懸念です。eコマース企業として、顧客の細かい好みを理解できるようになった場合、このような倫理的問題について真剣に考える必要があります。
5.4 カスタマイズ製品の未来
カスタマイズ製品について、現状とその可能性について説明させていただきます。現時点でのカスタマイズは非常に限定的なものにとどまっています。例えば、キャップにロゴを配置したり、イニシャルや名前を商品に入れたりする程度です。最近では、大規模言語モデルを使用してカスタマイズされたレシピを生成することも可能になってきましたが、まだまだ発展の余地があります。
私たちはオンラインで食料品を販売していますが、食料品は本質的に料理やその他の食品を作るための材料です。実は、この考え方を拡張すると、あらゆる製品を新しい製品を作るための材料として捉えることができます。そして、生成AIがこの新製品のデザインを支援できる可能性があります。
この可能性を示す興味深い例として、Material Bankという企業の事例を紹介させていただきます。この企業は、デザイナーや建築家、製品マネージャーをサポートしています。彼らのアイデアに基づいて、様々な材料のサンプルを無料で提供し、イノベーションや新製品の創造を支援しています。例えば、家具などの製品開発に活用されています。
現在、この種の新しいデザインは人間のデザイナーや建築家によって作成されていますが、将来的には生成AIがこれらの新製品の生成を支援できる可能性があります。これは、AIと科学の分野で既に実現されている例があります。例えば、創薬の分野では、抗生物質の開発や特定の疾患をターゲットとするタンパク質の創造において、AIが活用されています。これらは本質的に、非常に厳しい制約条件を満たす解を、巨大な探索空間の中から見つけ出す作業です。
同様の方法論を、例えばパーソナライズされた食品の開発にも応用できる可能性があります。私たちは様々な原材料、栄養カテゴリー、そして個人の目標を持っています。これらの要素を組み合わせて、すべての制約条件を満たす新しいスーパーフードを作り出すことができるかもしれません。その際の重要な制約の一つは、もちろん「美味しさ」です。
これらはすべて、今後数年間で生成AIがもたらす可能性のある展開です。このような新しい製品開発の手法は、eコマースの未来に大きな可能性をもたらすと考えています。
6. 結論
本日は、生成AIがeコマースにもたらす影響について、様々な角度からお話しさせていただきました。ここで、主要なポイントを整理したいと思います。
第一に、生成AIが既存のeコマースシステムに革新的な変化をもたらそうとしていることです。従来、私たちはクエリ理解やデータ統合、パーソナライゼーションなどで苦心してきましたが、大規模言語モデルの活用により、これらの課題に対する新たな解決の道筋が見えてきています。
さらに注目すべきなのは、AIエージェントの台頭です。これは間違いなく、私たちの業界に大きな変革をもたらすでしょう。顧客側とeコマース側の両方にAIエージェントが存在し、互いに交渉を行う...そんな未来がすぐそこまで来ています。これにより、私たちが慣れ親しんできた広告モデルや顧客ロイヤリティの概念が、大きく様変わりする可能性があります。
ただ、これまでの取り組みを通じて、一つだけ明確になったことがあります。それは、顧客理解という課題が依然として最も重要だということです。どんなに優れた技術を導入しても、結局のところ、私たちの目標は顧客をより深く理解し、より良いサービスを提供することに尽きます。
最後に、個人的に大変興味深く感じているのが、生成的な製品開発の可能性です。特にカスタマイズ製品の分野で、生成AIは大きな可能性を秘めています。これは単に既存の製品をカスタマイズするということを超えて、全く新しい製品カテゴリーを生み出すチャンスかもしれません。
このように見てくると、eコマースの未来は非常にエキサイティングです。生成AIの進歩により、お客様により魅力的で効果的な購買体験を提供できる日が、確実に近づいていると実感しています。