ProductsupのAI補完と誤表示の原因|型番と仕様を守る承認線

「型番と仕様は基幹システムにあるのに、広告やAIの検索面に出ている説明文だけが古い。どれが正しいのか、問い合わせのたびに確認している」「AIに説明文や属性を補わせれば配信先ごとの手直しは楽になりそうだが、適合しない機種まで書かれたら誰が責任を取るのか」——部品・資材・機器を扱うメーカーや商社のEC・広告担当から、この1年で増えた声です。ドイツ・ベルリンの Productsup は、商品データを整えて2,500を超える配信先へ送る基盤で、2026年3月に ChatGPT・Gemini・Perplexity などAIの購買面への配信を、5月には商品データをAIで補い直す AI Enrich を発表しました。問われているのはAIがうまく書けるかではなく、どの項目を誰の承認で書き換え、配信先で間違いが出たときにどこで止めるかです。この記事では、BtoB商材の商品名・説明文・属性をAIに補わせて広告やAIの購買面に配るときに起きる誤表示を、課題・原因・対策の順に整理します。AI検索での露出の測り方や、画面の操作は扱いません。
カメ先生商品データをAIで補う話になると、説明文が上手に書けるかに目が行きがちなんだ。でもBtoBの部品や機器で事故になるのは、型番や適合のような、一字違うと別物になる項目のほうなんだよ。
カメ子文章の出来よりも、事実として正しいかどうかのほうが怖い、ということですか。
カメ先生そう。しかも配信先は何十、何百とあって、AIの購買面ではそのデータをもとに、相手のAIがさらに答えを作る。だから書き換えてよい項目と、承認する人と、止める手順を先に決めておくんだ。
カメ子配る前に線を引いておかないと、間違いがどこまで広がったか追えなくなるんですね。
- Productsup は商品データを整えて2,500超の配信先へ送る基盤で、2026年にAIの購買面への配信、AIで商品データを補う AI Enrich、AIでの見つかりやすさを測る AI Visibility を順に出した
- BtoB商材の誤表示は、外部の情報源からの補完、配信先ごとの書き換え、用途の推定、一括適用の4つから起きる
- 型番・仕様・適合・価格は書き換え禁止にして正本を一つに決め、AIが補った値は根拠付きで品目の持ち主が承認し、配信先ごとの止め方を先に用意する
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
Productsupとは:商品データを整えて2,500超の配信先へ送る基盤
Productsup は、ベルリンに本社を置く商品データの管理と配信の基盤です。自社の基幹システムや製品情報管理の仕組み、ECの仕組みから商品データを取り込み、配信先ごとの仕様に合わせて項目を変換・補完し、広告の配信面、マーケットプレイス、比較サイト、小売や代理店の受け口へ送ります。同社は2,500を超える配信先に対応し、月に2兆件の商品データを処理していると公表しています。企業の顧客は1,000社を超えると説明しています。
取り込める形式は、CSV・XML・JSON・APIのほか、製品情報管理・基幹システム・ECの仕組みとの連携です。2022年にはオランダの製品情報管理の会社を買収しており、買われた側ではなく買った側です。今回の調査では、被買収や事業の終了を伝える報道は見つかりませんでした。顧客として公表されている名前には化粧品や衣料のブランドが多い一方、問い合わせの区分に「ブランド/メーカー」があり、用途として「小売・代理店の配信先」や「仕入先の取り込み」も挙げています。
BtoBの部品・資材・機器の会社にとっての位置づけは、自社サイトとは別に、取引先の購買サイトや広告、AIの購買面へ同じ商品データを配るための中継点です。製品情報そのものを作り込む仕組みは別にあり、Productsup はそれを配信先の形に直して送る役を担います。だからこそ、ここでAIに項目を書き換えさせると、正本とは違う値が配信先に出ていくことになります。
2026年の動き:AIの購買面への配信、AI Enrich、AI Visibility
同社のニュース一覧によると、2026年に入ってAI関連の発表が続いています。3月22日には、AIの中で商品が見つかるようにする配信の仕組みを発表しました。配信先として ChatGPT、Perplexity、Gemini と Google の AI Mode、Microsoft Copilot を挙げています。たとえば Perplexity 向けには、説明文・画像・価格・在庫・分類・詳細な属性を、Google のショッピング向けの仕様に沿ったCSVとして送ると説明しています。
5月21日には AI Enrich を発表しました。商品データをAIが読める形のカタログに補い直す機能で、会話型のAI向けの商品の要点、購買の意図に沿った質問と回答、用途や場面のタグ、競合との違いを自動で作るとしています。7月8日には、ChatGPT・Gemini・Google の AI Mode・Perplexity での商品の見つかりやすさを測る AI Visibility を出しました。
8月10日には、消費者向けのAIの買い物の仕組みを持つ Glance との提携を発表し、配信先の一つとして加えました。9月には米国の大手小売のマーケットプレイスの認定事業者になったと公表しています。これらの多くは消費者向けの小売を想定した動きです。BtoB商材の会社は、AIの購買面に出ること自体より、AIに補わせた値がどこへ出るかを先に考える必要があります。
課題:BtoB商材をAIで補って配ると、どこで誤表示が起きるか
部品・資材・機器の商品データは、消費者向けの衣料や化粧品とは性質が違います。型番が一文字違えば別の部品になり、ねじの規格、耐圧、使用温度、対応する機種、認証の有無が購買の判断そのものです。価格も、定価のほかに取引先ごとの掛け率や数量の段階があり、公開してよい価格とそうでない価格が混在しています。
こうした商品データをAIに補わせて配ると、誤表示は次のような形で現れます。いずれも、AIが文章を下手に書いたから起きるのではなく、事実の項目に推定や外部の情報が混ざったまま配信されたことで起きます。
- 旧型番の説明文に、後継機の仕様をAIが補ってしまい、広告の配信面で旧型番が新しい仕様で表示される
- 「この継手は〇〇系の配管に使える」と、適合の確認をしていない用途をAIが場面のタグとして付け、AIの購買面がそれをもとに推薦する
- 競合との違いとして、自社では確かめていない耐久性や省エネ性能をAIが書き、比較の答えに引用される
- 取引先向けの掛け率適用後の価格が、公開の配信先の価格の項目に入ったまま送られる
- 販売終了した品目が、AIの補完で説明文だけ充実した状態で配信され続ける
しかも配信先がAIの購買面の場合、表示されるのは送った文面そのものではありません。相手のAIが商品データを読み込んで答えを作るため、誤った値が言い換えられて広がることがあります。自社のサイトの誤記なら直せば済みますが、配信先のAIがいつ読み直すかは自社では決められません。
原因1:AI Enrichは自社データの外の情報源も使う
AI Enrich の製品ページのよくある質問では、商品ごとの補完に、レビュー、編集記事、フォーラム、独立したベンチマークといった外部の信頼できる情報を使うと説明しています。仕入先から届く商品データだけでは、買い手に向けた内容として足りないという考え方です。消費者向けの商品で、使い心地や場面を補うには理にかなっています。
BtoB商材では、ここが最初の原因になります。フォーラムやレビューに書かれた「この部品はあの機種にも使えた」という経験談は、メーカーとしての適合の保証ではありません。独立したベンチマークの数値も、試験の条件が自社の仕様書と同じとは限りません。外部の情報から補われた値は、自社の仕様書で裏付けられるまで、事実の項目として扱わないのが原則です。
どの外部の情報源をどう選び、どう確かめているかは、今回確かめた公式のページには書かれていませんでした。使う言語モデルも公表されていません。導入を検討するときは、補完した値ごとに出どころを示せるか、外部の情報源を使わない設定にできるかを、提供元に確かめておくべきです。
原因2:配信先ごとの書き換えが、正本との差を見えなくする
配信の基盤は、もともと配信先ごとに項目を変換する仕組みです。広告の配信面では商品名の長さに上限があり、比較サイトでは分類の体系が違い、AIの購買面では会話で答えやすい要点が求められます。そのため、同じ品目でも配信先の数だけ少しずつ違う商品データができあがります。
ここにAIの補完が加わると、配信先ごとの文面が正本からどれだけ離れたかを、人が追えなくなります。商品名を短くする過程で型番の末尾の記号が落ちる、分類を合わせる過程で上位の分類に丸められる、要点を作る過程で仕様の条件が省かれる、といった小さな差が積み重なります。正本と配信版の差を項目ごとに見られる状態にしておかないと、問い合わせが来てから初めて気づくことになります。
BtoBでは、この差が取引先の購買担当の手元で問題になります。購買担当は配信先で見た型番と仕様で社内の稟議を通し、発注します。届いた部品が合わなければ、返品や再手配だけでなく、取引先の設備が止まる損害の話にもなりえます。
差を追う仕組みとしては、正本と各配信先の配信版を、識別子・仕様・価格の項目に絞って定期的に突き合わせ、一致しない品目を一覧にする方法があります。全項目を比べると説明文の言い回しの違いで一覧が埋まるため、比べる項目を事実の値に限るのがこつです。一致しない品目が出たら、配信先の仕様に合わせた正当な変換なのか、補完や変換の誤りなのかを人が判断し、正当な変換なら規則として登録しておきます。
原因3:用途や場面のタグが、適合や認証の主張に化ける
AI Enrich が作るものの一つに、用途や場面のタグがあります。公式の例は「週末の小旅行」「在宅勤務の環境づくり」といった消費者向けのものです。会話型のAIは、こうしたタグをもとに「〇〇に使える商品」を探す問いに答えます。
部品や資材でこれを作らせると、タグは実質的に適合や用途の保証として読まれます。「屋外配管向け」「食品工場向け」「防爆区域向け」といったタグは、耐候性や衛生の基準、防爆の認証を満たしていなければ付けてはいけないものです。AIは商品名や説明文の言葉の近さから、もっともらしい用途を推定できますが、認証の有無までは判断できません。
競合との違いの要約も同じです。自社で試験していない比較を書かせれば、取引先から根拠を求められたときに答えられません。事業者向けの取引でも、品質や内容を誤認させる表示は不正競争防止法の問題になりうると考え、用途・認証・比較に関わる項目はAIに推定させず、人が根拠の資料と一緒に登録する線を引いておきます。
原因4:一括適用で、1回の承認が何千品番に広がる
AI Enrich は提案を作り、変更を一括で適用することもできると説明しています。同時に、公開の前にチームが承認や編集をする権限を持ち続けるとも書いています。つまり人の承認を挟む作りではありますが、その承認を1件ずつ見るのか、まとめて通すのかは使う側の運用で決まります。
部品・資材の商品数は数千から数万品番に及ぶことが珍しくありません。全件を人が1件ずつ確かめるのは現実的ではなく、ある程度は抜き取りでまとめて通すことになります。そのとき、説明文の言い回しの改善と、属性の値の補完を同じ承認で通してしまうと、属性の誤りが数千品番に一度に広がります。
一括で通してよいのは、事実の値に触れない変更だけです。事実の値を補う変更は、品目の系列ごとに承認の単位を分け、抜き取りの割合と見る項目を決めてから通すようにします。どの単位でまとめて承認できるか、承認の記録が後から引けるかは、導入前に試して確かめておきます。
対策1:配信先ごとに、書き換えてよい項目の表を作る
最初にやることは、項目ごと・配信先ごとに、AIに触らせてよい範囲を決めた表を作ることです。ここでのポイントは、項目の重要度だけでなく、配信先によって許す範囲を変えることです。広告の配信面で商品名を短くするのは必要な変換ですが、取引先の購買サイトでは商品名を正本のまま送るべき場合もあります。
| 項目 | 広告の配信面 | AIの購買面 | 取引先・代理店の受け口 |
|---|---|---|---|
| 型番・品番・JANなどの識別子 | 変更禁止(正本のまま) | 変更禁止(正本のまま) | 変更禁止(正本のまま) |
| 寸法・材質・定格・規格などの仕様 | 変更禁止。省略のみ人が決める | 変更禁止。単位の表記だけ変換可 | 変更禁止 |
| 適合機種・用途・認証 | 人が根拠付きで登録 | 人が根拠付きで登録。推定のタグは付けない | 人が登録 |
| 価格・在庫・納期 | 公開価格だけを正本から連携 | 公開価格だけ。掛け率適用後の値は送らない | 契約の条件に従い正本から連携 |
| 商品名の言い回し | 文字数に合わせた短縮を承認付きで許可 | 型番を残す条件で許可 | 原則そのまま |
| 説明文・要点・質問と回答 | AIの下書きを承認して使用 | AIの下書きを承認して使用。仕様の数値は正本から差し込む | 必要に応じて使用 |
表の中で最も大事なのは、仕様の数値をAIの文章の中に書かせず、正本から差し込む形にすることです。説明文に「耐圧1.0メガパスカル」と書くなら、その数値は仕様の項目から機械的に入るようにし、AIには数値を含まない文の骨組みだけを作らせます。文章はAIに任せても、数値は任せないという分け方です。
対策2:AIが補った値は、根拠と一緒に品目の持ち主が承認する
次に、AIが補った値を誰が承認するかを決めます。広告やECの担当は配信の持ち主ではあっても、仕様の正しさの持ち主ではありません。適合や仕様の値を承認できるのは、その製品系列の技術担当や品質保証です。承認の流れは次のように組みます。
対策1の表で「AIの下書きを承認して使用」とした項目だけを補完の対象にします。仕様・識別子・価格の項目は補完の対象から外し、外部の情報源を使う設定が選べるなら、事実の項目では使わない設定にします。
AIの出力には、どの資料のどの記述をもとにしたかを添えさせます。根拠が自社の仕様書やカタログでない値、根拠を示せない値は、承認の候補から外します。AIに正しいかどうかを判断させず、根拠の有無で人が振り分けます。
説明文の言い回しはEC・広告の担当、用途や適合に触れる文は技術担当、といった具合に、項目の種類で承認者を分けます。系列ごとに承認者がいない品目は、AIの補完を使わずに正本のまま配ります。
一括で通す場合も、系列ごとに何件を見たか、誰がいつ承認したかを残します。初めの数か月は抜き取りの割合を高めにし、差し戻しの件数を見て下げていきます。
この流れで重要なのは、人が確認する範囲を、AIを動かす前に決めておくことです。補完を走らせてから承認者を探すと、量に押されてまとめて通す運用に流れます。
対策3:配信先で誤った仕様が出たときの止め方と責任
どれだけ承認を挟んでも、誤りはいずれ配信先に出ます。そのときに慌てないよう、止め方を配信先ごとに決めておきます。まず、品目単位で配信を止められるか、配信先単位で止められるか、AIの補完だけを外して正本の値に戻せるかを確かめます。そして、止める判断を誰がしてよいかを決めます。夜間や休日に取引先から指摘が来たとき、承認者の返事を待たずに配信を止めてよいのは誰かです。
止めた後の回収も考えます。広告の配信面は差し替えれば比較的早く反映されますが、AIの購買面では、相手のAIがいつ商品データを読み直し、過去の答えをどう扱うかを自社では決められません。正しい値を送り直すことはできても、すでに作られた答えを消すことまでは約束できないと考えておくべきです。だからこそ、AIの購買面に送る項目は、広告の配信面より絞り込むのが安全です。
責任の線も先に引きます。配信の基盤は送る仕組みを提供しますが、送った内容の正しさは送った会社が負うのが基本です。取引先から誤った仕様で発注したと指摘された場合に、どの版の商品データを、いつ、どの配信先に送ったかを示せるよう、配信の履歴と承認の記録を保存しておきます。
- 誤表示に気づいたら、まず該当品目の配信を止め、正本の値と配信版の差を記録する
- 同じ系列で同じ承認を通った品目を洗い出し、同様の誤りがないか確かめる
- 取引先・代理店に、どの期間にどの値が出ていたかを伝え、必要なら訂正の連絡をする
- 原因が補完の設定か承認の運用かを分け、表と承認の流れを直してから配信を戻す
配信先のAIに何が渡るか:価格・在庫・取引条件の線
AIの購買面に送る商品データには、説明文や画像だけでなく、価格・在庫・分類・詳細な属性が含まれます。Perplexity 向けの説明でも、これらの項目を送るとしています。送った商品データが配信先のAIの中でどう保存され、どの答えに使われるかは、配信先それぞれの方針によります。Productsup は送る側の仕組みであり、受け取った側のAIの扱いまでは決められません。
BtoBで特に注意したいのは価格と在庫です。公開の定価は送ってよくても、取引先ごとの掛け率、数量による段階価格、特定の代理店向けの条件は送るべきではありません。在庫数も、正確な数を出すと競合に生産の状況を読まれることがあり、在庫あり・なし程度にとどめる判断もありえます。
Glance との提携の発表では、決済と顧客データはブランドの側が持ち続けると説明しています。一方で、AIの購買面に送った商品データそのものは、配信先のAIに読まれる前提のものです。送った時点で社外に公開した情報と同じ扱いになると考え、公開してよい情報だけを送る項目に入れます。
代理店・販売店のデータが混ざるときに決めること
BtoBの商流では、メーカーの商品データを代理店や販売店が受け取り、自社の商品データとして配信することがよくあります。Productsup も、小売・代理店の配信先や仕入先の取り込みを用途として挙げています。このとき、メーカーがAIで補った説明文が代理店のサイトや広告に流れ、代理店がさらに自社のAIで手を加える、という二重の補完が起きえます。
誤表示が出たとき、どちらの補完が原因かを切り分けられないと、メーカーと代理店の間で責任の押し付け合いになります。メーカーの側では、代理店に渡す商品データにAIの補完を含めるかどうかを決め、含める場合は補完した項目に印を付けて渡します。代理店に、仕様の項目を書き換えないことを取引の条件として求めるのも一つの方法です。
逆に、仕入先から受け取った商品データをAIで補って配る商社の立場なら、仕入先の仕様書にない値を自社のAIで足さないことが基本です。足りない仕様は仕入先に問い合わせて埋めるもので、AIに推定させるものではありません。
小さく始める順番:一つの製品系列で試してから広げる
全品目に一度にAIの補完をかけるのではなく、仕様が安定し、公開価格があり、適合の条件が少ない製品系列を一つ選んで試します。消耗品や汎用の工具のように、型番と仕様が単純で、用途の誤解が起きにくいものが向いています。逆に、適合機種の表が長い交換部品や、認証で使える場所が決まる機器は、試験の段階では対象から外します。
試験では、AIが補った値と正本の値を項目ごとに突き合わせ、差し戻した件数と理由を記録します。見るのは文章の読みやすさではなく、仕様の数値・単位・型番の表記が一件も崩れていないか、根拠を示せない用途や比較が混ざっていないかです。差し戻しの理由が「外部の情報源からの補完」に偏るなら、その設定を見直す材料になります。
- 試験の対象にする製品系列と、対象から外す系列を書き出した
- AIに補わせる項目と、正本から差し込む項目を表で分けた
- 系列ごとの承認者と、抜き取りの割合を決めた
- 配信を品目単位・配信先単位で止める手順を、実際に一度試した
- 広告の配信面だけで始め、AIの購買面へ送るのは差し戻しが落ち着いてからにすると決めた
広告の配信面で数か月回して差し戻しが減ってから、AIの購買面への配信を加えるのが安全な順番です。AIの購買面は止めた後の回収が読みにくいため、最後に足す配信先として扱います。
費用の増え方とやめ方
料金は、今回確かめた公式のページには数字が載っていませんでした。配信の基盤の費用は、一般に扱う商品の数、配信先の数、データの更新の頻度で増えていきます。AI Enrich や AI Visibility が基本の料金に含まれるのか、別の契約になるのかも、提供元に確かめる必要があります。見積もりを取るときは、品番数が倍になったとき、配信先を増やしたときの費用を合わせて聞いておくと、後から慌てずに済みます。
AIの補完には、目に見えにくい費用もあります。承認する技術担当の時間です。補完の対象を広げるほど承認の手間が増え、技術担当の本来の仕事を圧迫します。費用対効果を考えるときは、利用料だけでなく、承認にかかる人の時間を含めて比べます。
やめ方も最初に考えておきます。配信の基盤で作った変換の規則や、AIで補って承認した説明文は、基盤をやめたときに持ち出せるのか。持ち出せなければ、承認済みの説明文を自社の製品情報管理の仕組みに戻しておく運用が必要です。承認した文面の正本を、配信の基盤ではなく自社の側に置くことで、やめるときの負担が減ります。
よくある質問
Q. AI Enrich は承認なしに配信先の値を書き換えますか?
公式の説明では、AI Enrich は提案を作り、一括で適用することもできる一方、公開の前にチームが承認や編集をする権限を持ち続けるとしています。ただし、どの変更に承認を必須にするか、承認を1件ずつにするかまとめるかは運用で決まります。事実の項目は承認を必須にする設定と運用にしておくべきです。
Q. 日本語の商品データにも使えますか?
今回確かめた公式のページには、AI Enrich が生成する言語についての記載がありませんでした。日本語の商品名や説明文でどこまで実用になるかは、自社の品目で試して確かめる必要があります。特に型番の表記や単位の扱いが崩れないかを見ます。
Q. AIの購買面に出ることは、BtoB商材にも意味がありますか?
購買担当が生成AIで部品や資材を調べる場面は増えていますが、AIの購買面から直接発注まで進むBtoBの取引は、まだ限られます。急いで全品目を送るより、仕様が安定していて公開価格のある品目から送り、誤表示の起きにくい範囲で始めるのが現実的です。なお AI Visibility として公表されている機能は、見つかりやすさの追跡・競合との比較・評判の傾向で、AIの答えに出た仕様の正誤を確かめる機能としては説明されていません。正誤の確認は別に人が行います。
Q. 正本の商品データが整っていない場合はどうすればよいですか?
正本が整っていない状態でAIに補わせると、誤りの上に推定を重ねることになります。先に製品情報の正本を整えるのが順番です。AIは、欠けている項目の洗い出しに使うにとどめ、欠けた値を埋める作業は仕様書をもとに人が行います。
まとめ
Productsup は、商品データを2,500を超える配信先へ整えて送る基盤で、2026年にAIの購買面への配信、AIで商品データを補う AI Enrich、AIでの見つかりやすさを測る AI Visibility を出しました。AI Enrich は外部の情報源も使って要点・質問と回答・用途のタグ・競合との違いを作り、公開前に人が承認できると説明しています。部品・資材・機器のBtoB商材でこれを使うなら、型番・仕様・適合・価格はAIに書き換えさせず正本から差し込むこと、AIが補った値は根拠と一緒に製品系列の持ち主が承認すること、配信先ごとの止め方と、止める判断をしてよい人を先に決めることが出発点です。AIに判断させず、根拠を書かせ、人が確認する範囲を先に決めてから、配る範囲を少しずつ広げていきましょう。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
