あなたのAIは推論できない。それは単に「再ランク付け」しているだけだ。

TL;DR: あなたのAIは高機能な表計算ソフトに過ぎない。

• ほとんどのEコマースAIは、真の推論ではなく、単純な予測と再ランク付けにとどまっています。2026年2月の新しい研究では、レコメンデーションと満足度予測のための多段階で多様体制約付きの推論（manifold-constrained reasoning）が可能なモデルが強調されており、これはまったく異なるクラスの知能です。
• 大規模なAmazonデータセットで潜在推論（latent reasoning）を使用するManCARのようなシステム [4] や、顧客満足度を予測するマルチモーダルグラフネットワーク [1] は、生の特徴をモノリシックなモデルに投入するだけでなく、構造化データから「推論空間（reasoning space）」を構築することで、以前の方法を上回っています。
• 真のAIを搭載したショッピングに対応できるエージェンティックな店舗（agentic storefront）を構築するには、根本的なアーキテクチャの変更が必要です。この新しいクラスの推論AIを可能にするために、異種データ（テキスト、グラフ、インタラクション、メタデータ）の取得と接続に進む必要があります。これなしでは、次世代のエージェント支援ショッピング（agent-assisted shopping）において、あなたのブランドは見えなくなってしまうでしょう。

先週、ベニスビーチのMenotti'sでコーヒーを飲んでいたとき、誰かが携帯電話のフィードをスクロールしているのを見ました。彼らは製品で一時停止し、タップし、ズームし、そして再びスクロールしていました。何度も。フィードは同じもののわずかなバリエーションを提供し続けていました。黒のTシャツ、別の黒のTシャツ、チャコールグレーのTシャツ。アルゴリズムは明らかに単一のインタラクションに基づいて再ランク付けしているだけであり、ユーザーを同じことのフィードバックループに閉じ込めていました。それは彼らが何かを発見するのを助けているのではなく、彼らがすでに再考した選択をただ補強しているだけでした。

これが今日のコマースにおけるほとんどの「AI」の現状です。それは知的ではありません。それは高機能な表計算機能であり、最小限の情報を元にした推測をする再ランク付けエンジンです。それは「それが気に入った？では、それとほとんど同じものをさらに5つどうぞ。」と言っているのです。

さて、異なる体験を想像してみてください。推論するAIです。それは同じように始まるかもしれません。「その黒いPatagoniaジャケットをご覧になっていますね。」しかし、それは内部で続きます。「...しかし、あなたの購入履歴を見ると、特にサンタモニカ山脈でのハイキング用のテクニカルギアをより多く購入されています。最後の3回の返品は「ボックス型」のフィット感のアイテムでした。このPatagoniaジャケットはリラックスフィットですが、このArc'teryxシェルは同様のGORE-TEX評価を持ち、あなたが保持している製品と一致するよりスリムなアスレチックフィットで、明日までにシルバーレイクのあなたの場所に届けられます。」

これは再ランク付けではありません。これは推論です。そして、今月arXivに掲載された新たな論文の数々によると、これはブランドが今日持っているシステムと、エージェンティックコマース（agentic commerce）の未来において競争するために必要となるシステムの間に存在する、大規模でアーキテクチャ上重要なギャップを表しています。悪いニュースは？あなたの現在のスタックではそれができません。良いニュースは？私たちは今、その青写真を持っています。

AIにとって「推論」とは一体何を意味するのか？

私が長年にわたってコマースシステムを構築してきたほとんどの期間、「パーソナライゼーション」は相関関係を意味していました。ユーザーがサーフボードを購入すれば、サーフワックスを表示する。単純なパターンマッチングです。現代のレコメンデーションエンジンは、これの超大規模バージョンに過ぎず、機械学習を使用して膨大なデータセットからより複雑な相関関係を見つけます。しかし、それは依然として相関関係に過ぎません。それは統計的な賭けをしているシステムであり、論理的な推論ではありません。

AIの文脈における真の推論とは、複雑な情報空間を辿って、新しい結論に到達することです。それは A -> B ではありません。それは A -> 文脈Xが与えられた場合 -> 論理パスYに従って -> 結論Bに至る です。これこそが、新しい論文「ManCAR: Manifold-Constrained Latent Reasoning」が記述していることです [4]。研究者たちは、シーケンシャルレコメンデーションのための「潜在多段階推論（latent multi-step reasoning）」手法を提案しています。彼らは、食料品データを含む大規模なAmazon 2023 Reviewsデータセットで彼らのアプローチをテストしました。これには246,000人以上のユーザーと278万件のインタラクションが含まれています [5]。その規模は途方もなく、メルローズの典型的な店舗のトラフィックをはるかに超えています。

ここで重要なキーワードは「潜在（latent）」と「多様体制約（manifold-constrained）」です。

「潜在推論（latent reasoning）」とは、AIが概念の隠れた抽象空間で動作しており、単に与えられた生の製品データ上ではないことを意味します。AIは、すべての製品、顧客、およびそのインタラクション間の接続を分析することで、「耐久性」や「スタイル」、「特定の活動への適合性」といった概念を自力で学習します。それはあなたのデータから一種の概念的な記憶の宮殿を構築します。

「多様体制約（manifold-constrained）」は、AIを現実に根付かせる部分です。多様体とは、位相空間のための数学的概念です。コマースでは、顧客行動、製品属性、および文脈情報によって定義される「データの形状」と考えてください。AIの推論プロセスは、このランドスケープの論理的な経路と自然な等高線に「制約」されます。ハイキングブーツからフォーマルなドレスシューズにランダムにジャンプすることはできません。潜在空間を通って取る経路は、データに埋め込まれた実世界の関係に基づいて意味をなす必要があります。これは、ナンセンスな接続を幻覚するAIと、真に有用な接続を発見するAIとの違いです。

これは、他の似たようなユーザーが購入した製品を単に提案する単純なLightGCNモデルとは全く異なる世界です。これは、特定のユーザーにとって特定の文脈で特定の製品が正しい選択である理由という物語を構築するシステムについてです。

あなたのレコメンデーションエンジンが405フリーウェイの行き止まりである理由

405フリーウェイの渋滞にはまったことがあるなら、目的地が見えているのに到達できないという感覚を知っているでしょう。少しずつ前進し、車線を変えることはできても、根本的に決められた経路に閉じ込められています。それがあなたの現在のレコメンデーションエンジンです。それは自分の車線内で最適化できます（赤いシャツの代わりに青いシャツを見せるなど）が、より良いルートを見つけるために新しい出口で降りることはできません。

多くの第一世代グラフベースモデルを含む古典的なレコメンデーションシステムは、隣接点を見つけるのが非常に得意です。彼らは「これを買った人はあれも買いました」という点で優れています。これは便利ですが、それはバックミラーです。それはすでに起こったことだけを見ています。より高い顧客満足度のような、より良い結果を生み出すために次に何が起こるべきかを推論することはできません。

これこそが研究の方向性です。2026年2月の別の論文「Towards Reliable Customer Satisfaction Prediction」は、製品を推奨するだけでなく、購入後のユーザーの満足度を予測することに焦点を当てています [1]。これは、クリックやコンバージョンよりもはるかに価値のあるビジネス指標です。不満な顧客からのコンバージョンは、将来の返品、悪いレビュー、そしてカスタマーサービスチームへの負担となります。

この論文の著者たちは、マルチモーダルアプローチを提案しており、これがここでの重要なアーキテクチャパターンです。彼らは3つの異なるタイプのシグナルを統合しています。 1. テキスト埋め込み： BERTモデルを使用して製品レビューの意味論的意味を理解する。 2. グラフ埋め込み： LightGCNモデルを使用してユーザーとアイテム間の関係を理解する。 3. メタデータエンコーダー： 評価、価格、製品カテゴリのような他のすべての構造化データをキャプチャする。

彼らは単にこのデータを寄せ集めているのではありません。彼らは、各モデルが専門的な視点を提供する複合的な知能を構築しています。このシステムは、ユーザーが製品を購入したことを知っているだけでなく、ユーザーが類似製品について表明した感情、そしてこの新しい製品がこれまでにやり取りした他のすべてとどのように関連しているかを理解します。このマルチモーダル融合が、よりニュアンスのある予測を可能にします。目標はもはや単に商品を売ることではなく、最終的な満足度を最大化するために、適切な商品を適切な人に売ることです。この機能を標準的なEコマースプラットフォームに無理やり組み込もうとするのは、ラッシュアワーにシャベルで405フリーウェイに新しいインターチェンジを追加しようとするようなものです。根底にあるアーキテクチャは、単にそれ向けに設計されていません。

コマース推論レイヤーのアーキテクチャ

では、このような推論をサポートするアーキテクチャは実際にどのようなものなのでしょうか？それはインストールする単一のソフトウェアではありません。それはデータ中心のパイプライン、つまりユーザー向けのアプリケーションの下に位置する知能のための基盤です。それはペンキではなく配管への投資です。

その核心には「異種グラフ（heterogeneous graph）」があります。これは以前にも議論したトピックですが、その重要性は増すばかりです。これは単に (ユーザー)—[購入]—>(アイテム) のグラフではありません。それはあなたのビジネス全体を豊かに、多次元的に表現したものです。

この図は、生データやサイロ化されたデータが、ビジネスのあらゆる側面を機能させる統一されたインテリジェントなレイヤーにどのように変換されるかを示しています。このうち2つの主要な部分を掘り下げてみましょう。

H3: 異種グラフの構築

異種グラフとは、ノードとエッジが異なる種類のものを表すことを意味します。単なるユーザーと製品だけでなく、ユーザー、製品、注文、ブランド、カテゴリ、出荷、返品、さらにはレビューから抽出された感情のような抽象的な概念のためのノードも持っています。エッジはそれらの間の豊かな関係を表します。ユーザーは注文を出す、注文は製品を含む、製品はブランドに属する、ユーザーは特定の感情を持つレビューを投稿する、といった具合です。

グラフニューラルネットワークを使用して中小企業（SMEs）の商業的潜在能力を予測する最近のSME-HGT論文 [2] は、この構造の完璧な実世界での例を提供しています。彼らのグラフには、32,268社の企業ノード、124の調査トピックノード、13の政府機関ノードが含まれ、これらすべてが資金調達、研究、パートナーシップを表す約99,000のエッジで接続されていました [2]。この豊かで異種のエコシステムをモデル化することで、彼らはスプレッドシートの企業データを見るよりもはるかに正確に成功を予測できました。

H3: モデルをオーケストレーションする、単に1つを構築するのではない

2つ目の鍵は、グラフが最終目的地ではないということです。それは複数の専門的なAIモデルの燃料源です。図が示すように、同じグラフがシーケンシャルレコメンデーションのためのManCARスタイルの推論エンジン [4]、顧客満足度を予測するためのマルチモーダルモデル [1]、さらには高潜在力B2Bパートナーを特定するためのSME-HGTスタイルのモデル [2] にも供給できます。

これはMLOps（機械学習オペレーション）の課題です。グラフ埋め込みのための一元化された特徴ストアが必要です。これらの異なるモデルをトレーニング、評価、デプロイするためのパイプラインが必要です。そして、複雑なビジネス上の質問に答えるためにこれらのさまざまなモデルをクエリできる統一されたAPIレイヤーが必要です。「郵便番号90024地域の初めての顧客向けに、予測満足度スコアが95%以上で100ドル以下のすべての製品を表示してください」といった質問は、すべて同じ基盤となるデータ基盤から引き出される複数のモデルの出力を調整する必要があります。

AIはあなたの次の大ヒットを予測できるか？

SME-HGTの論文 [2] をさらに詳しく見てみましょう。一見すると、政府のイノベーション資金を受け取る企業を予測する論文は、小売業とはかけ離れているように見えます。しかし、「高潜在力の中小企業」を「ブレイクアウト製品」や「次のDTCブランドのヒット作」に置き換えれば、コマースにとっての意味は驚くほど明確になります。

研究者たちは、中小企業イノベーション研究（SBIR）プログラムを通じた企業の進捗を、商業的潜在能力と実現可能性の代理指標として扱いました。次に、企業、研究トピック、資金提供機関を接続する異種グラフを構築しました。彼らの目標は、このネットワークの構造がどの企業が成功するかを予測できるかどうかを見極めることでした。

結果は明白でした。彼らのSME-HGTモデルは、表形式のデータのみを扱う標準的な機械学習モデルを大幅に上回りました。その証拠は数字にあります。

(出典: 「SME-HGT: Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks」からのデータ、arXiv:2602.19591v1 [2])

この表が示しているのは、グラフの関係構造を追加することで、非常に大きな改善があるということです。SME-HGTモデルのAUPRC（不均衡なデータセットでの予測精度を測る尺度）は、洗練されたグラフ競合モデルよりも3.1パーセントポイント高く、標準的なMLPモデルよりも5.3%優れていました。判別能力を測るAUROCスコアは、MLPよりも4.3パーセントポイント高かったのです [2]。

さらに実用的な面では、最も有望な候補トップ100をスクリーニングするよう求められた場合、モデルは89.6%の精度を達成しました。これはランダムなチャンスよりも2.14倍優れていました [2]。考えてみてください。ベンチャーキャピタリストや、例えばアボットキニーにあるErewhonのような大手小売店のバイヤーが、ウェルネス分野の次の大ヒット商品を探している場合、これは干し草の山から針を探すのと、強力な磁石でそれを見つけ出すのとの違いです。

あなたのブランドにとっても、この同じ手法を製品開発パイプラインに適用することができます。初期の販売データ、ソーシャルメディアの言及、顧客フィードバック、サプライチェーンの特性の異種グラフを作成することで、同様のモデルを使用して、新製品のうちどれが将来のベストセラーとなる潜在的なシグナルを持っているかを予測し、先んじてマーケティングと在庫に投資することが可能になります。

あなたのブランドにとっての意味：AI体験ラボを立ち上げる

これらすべては複雑で学術的に聞こえます。では、成長中のコマースブランドのCTOやデジタル責任者であるあなたは、実際に何をするべきでしょうか？「pip install mancar」と簡単にインストールできるわけではありません。答えは、きらびやかなAIの目標を追いかけることをやめ、耐久性のあるデータ能力を構築し始めることです。これを社内の「AI体験ラボ（AI Experience Lab）」を立ち上げる、と考えてみてください。

このラボは、チャットボットのプロンプトをA/Bテストするマーケターのチームではありません。それは、真のAIのための基盤データ構造の構築に焦点を当てた、データエンジニア、アーキテクト、ビジネスアナリストからなるクロスファンクショナルチームです。彼らの仕事は、次の四半期に機能を提供するのではなく、次の10年間の機能を可能にする能力を構築することです。

ステップ1: 厳格なデータ監査を実施する。 AIXラボの最初の仕事は、「異種グラフを構築できるか？」という一つの質問に答えることです。これには、すべてのデータソースをマッピングすることが含まれます。PIMはどこにありますか？顧客レビューはどこにありますか？星評価だけでなく全文ですか？店舗からのクリックストリームデータはどこにありますか？注文管理システムは？フルフィルメントおよび返品ログは？それらはAPIアクセスなしで5つの異なるSaaSツールにありますか？データレイクにあるが、結合するための共通の識別子がないですか？この監査は苦痛を伴うでしょうが、それは必要な第一歩です。

ステップ2: 最初の、最も単純なグラフを構築する。 初日からオールマイティなグラフを作成しようとしないでください。小さく始めてください。目標は、筋肉を構築することです。ユーザーと注文のような2つの単純なドメインを取り、それらを接続するグラフを構築します。次に、満足度予測の論文 [1] で言及されているLightGCNモデルのような既知のベースラインを再現し、いくつかの基本的なレコメンデーションを生成してみてください。ここでの目標は、現在のシステムを打ち負かすことではありません。グラフを構築し、データを投入し、クエリできることを証明することです。

ステップ3: 推論タスクを設定する、レコメンデーションタスクではない。 基本的なグラフができたなら、推論タスクを中心としたパイロットプロジェクトを定義します。単に「より良いレコメンデーション」を目指すのではなく、単純な相関関係以上のものを必要とする具体的で測定可能な目標を設定してください。良い例としては次のようなものがあります。 * 「サイズ/フィット」の問題による返品につながる可能性が最も高い注文の上位5%を予測する。 * 3回購入しているにもかかわらず、予測満足度スコアが70%未満の顧客を特定する。 * 新しく発売された製品のうち、当社の歴代トップ10ベストセラーと同じ潜在特性を持つものを予測する。

これらは複雑な質問であり、チームに異なるデータタイプを接続し、単純な再ランク付けを超えて考えることを強制します。CTO.LAが支援するのはここです。私たちはエージェンティックコマースのアーキテクトであり、ブランドと協力してこれらの監査を実行し、グラフアーキテクチャを設計し、初期の推論タスクを設定して勢いを構築します。

あなたのAIは単なる推測に過ぎないのか？

今日の一般的なEコマースAIと、研究室で開発されている推論エンジンの間のギャップは、もはやギャップではなく、峡谷です。マルチモーダル分析 [1]、多様体推論 [4]、異種グラフネットワーク [2] に関する論文で詳しく述べられている現在行われている作業は、明確な未来を示しています。この未来は、より大きく、より複雑なモノリシックモデルについてではありません。それは、接続された構造化データのウェブから複合的な知能を構築することについてです。

数年後、あるいは数ヶ月後には、自律的なショッピングエージェントがあなたの製品ページをスクレイピングすることはありません。それはAPIを介してあなたのコマースアーキテクチャに接続し、推論を求めます。品質、ロジスティクス、ユーザー感情、ブランド評判にわたる複雑な制約を満たす製品を要求するでしょう。

あなたの答えが10種類の微妙に異なる黒いTシャツのリストであれば、そのエージェントと、そのユーザーのお金は、単に他の場所に行ってしまうでしょう。その未来に備える仕事は派手ではありません。完璧なプロンプトを書くことではありません。データパイプライン、グラフデータベース、そしてMLOpsについてです。それは配管です。しかし、それはコマースの次世代全体のための配管です。あなたが自問する必要があるのは、推論できるシステムを構築しているのか、それとも推測がどんどん上手くなるシステムを構築しているのか、ということです。

CTO.LAは、エージェンティックなインフラストラクチャを構築するコマースブランドと協力しています。ぜひご相談ください。

参考文献

1. Towards Reliable Customer Satisfaction Prediction: An AIML-Driven Multi-Modal Approach for E-Commerce Platforms
2. SME-HGT: Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks
3. DailyArXiv
4. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning
5. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning (PDF)

• commerce ai
• agentic commerce
• ai architecture
• graph neural network
• recommendation engine