生成AIで売上が伸びた業務と、まったく伸びなかった業務～EC事業のケース～

生成AIに巨額の投資が流れ込むなかで、その投資が本当に売上として返ってくるのかという問いはまだ片付いていません。

最近のある検証で、世界最大級の越境ECプラットフォームと共同し、消費者向けの7つの業務に生成AIを組み込んだ数千万人規模のランダム化フィールド実験が行われました。労働や資本を一定に保ち、純粋な生成AIの追加効果だけを切り出す設計です。

業務によって結果は大きく分かれました。どこで効果が出て、どこで出なかったのか。なぜそうなるのか。自社の業務に応用するとき、どこから手を付ければよいのか。

これまでの観察は供給側中心、需要側はまだ手薄だった

ここで一度、生成AIの売上への効果がどこまでわかっていて、どこがわかっていなかったかを整理しておきます。

生成AIの経済効果については、ここ数年でいくつもの観察が積み上がってきました。コールセンターでの応対品質の向上、コーディング速度の改善、マーケティングコピー作成の質と速度の向上、ライティング業務の効率化など、複数の領域で個人レベルの生産性が伸びることがすでに示されています。

ただし、これまで観察されてきたのは「供給側」の指標です。タスク完了時間、1時間あたりの処理件数、コードの品質スコアといった、働く側の効率を測る方向に集中していました。

ここから一歩踏み込んで「需要側」が見られたのが、今回の結果のポイントです。同じ生成AIを使って、消費者の行動（購入、返品、評価）がどう変わったか、ひいては企業の売上が伸びたかが直接測られました。供給側の効率化（コスト削減、時間短縮）ではなく、需要側の価値創造（売上増、顧客体験の改善）を通じて生産性が上がる経路があるという点が、新しく見えてきています。

7つの業務に生成AIを差し込み売上を直接測った

今回の検証で生成AIが入れられたのは、消費者向けに動いている既存の7つの業務です。

1. 購入前の問い合わせに答えるチャットボット
2. 検索クエリの精緻化
3. 商品詳細ページの説明文生成
4. マーケティング用プッシュ通知の生成
5. Google広告に出すタイトルの最適化
6. セラー向けのチャージバック（取引取り消し請求）対応
7. 多言語ライブチャットの翻訳支援

という構成です。

各業務でユーザーまたは商品をランダムに2グループに分け、片方にだけ生成AIを組み込んだ仕組みを当てる、という設計が取られました。もう片方には生成AI導入前のデフォルト処理が当たります。業務ごとの規模は数万人から数千万人で、計測期間は2023年9月〜2024年6月のあいだの各業務で1日から2か月にわたります。

肝心なのは、人員も資本投入もどちらのグループでも同じに保たれている点です。価格にも手を加えていないため、観察される売上の変化は純粋に生成AIの追加が生んだ差分として読み取れます。人や資本を増やしたから売上が伸びたのではなく、同じ人と資本のままで生産性そのものが上がった、という形の上昇です。

業務ごとの結果は0%から16.3%まで大きく分かれた

7つの業務のうち、売上をはっきり押し上げたのは4つでした。

最大の効果はプリセールチャットボットで、売上が16.3%、購入する人の割合は21.7%伸びました。検索クエリの精緻化と商品説明の自動生成は2〜3%の売上増、マーケティングプッシュは1.6%の上昇（購入率は3%上昇）です。

一方、Google広告のタイトル最適化では売上に有意な変化は出ず、点推定はむしろマイナス側に振れています。

売上効果が0%から16.3%まで広く分かれたという事実こそ、ここで読み取るべきもっとも明瞭なパターンです。同じ会社、同じ技術チーム、同じ生成AI技術が前提にあるなかで、これだけ差が出ます。差を生んでいるのは、それぞれの業務における「ベースラインの弱さ」と、生成AIが補える内容の量です。

効果差を生むのはベースラインの弱さと人との組み合わせ

なぜプリセールチャットボットで売上が16.3%も伸びたのか。理由は単純で、対応していなかった側では生成AI以前にプリセール対応そのものが存在していなかったからです。プラットフォーム自身が販売する商品では、人手のサポートは購入後の問題対応に集中していて、購入前の問い合わせには「対応できません」という自動応答が返るのみという運用でした。多くの中小セラーも同様で、24時間多言語のリアルタイム対応は実質できていない状態です。

そこに生成AIが置かれた瞬間、それまで埋まっていなかった機会が一気に埋まる。これが大きな差分を生みました。逆にいえば、生成AI以前から人手なり既存のアルゴリズムなりがしっかり機能していた業務では、上積みの幅は小さくなります。

さらに踏み込んで、生成AIだけ・人だけ・生成AI＋人への引き継ぎの3条件が並べて比べられました。

生成AIだけだと人間の対応と同水準ですが、生成AIが一次対応をして必要に応じて人に引き継ぐ組み合わせでは、対応なし比で売上が25%伸び、人だけの対応と比べても11.5%増えました。生成AIが人を置き換えるよりも、人と組み合わせる方が大きな効果に結びつくという解釈が成り立ちます。

売上の伸びは購入率の上昇で説明される

伸びた売上の中身を分解すると、構造がはっきり見えます。

7つの業務すべてで、伸びは購入率（買う人の割合）に集約されています。1人あたりのカート単価（買った人がいくら使うか）も、購入回数（買った人が何回買うか）も、ほとんど動いていません。検索クエリ精緻化では購入率が1.1%、商品説明生成では1.3%、マーケティングプッシュでは3.0%、それぞれ上がっています。

ECの売上を伸ばすには「客単価を上げる」「リピートを増やす」「新たな購入者を増やす」という3つの軸がありますが、現時点で生成AIが直接働きかけているのは3つ目に集中していると読めます。背景には、購入判断に至るまでの摩擦の削減があります。質問が返ってこない、商品の説明が薄い、検索結果がずれている、押し付けがましいプッシュ通知が来る、といった「あと一歩で買えなかった」要因を生成AIが下げる。その結果、それまで離脱していた人が購入に進むという構造です。

この構造から言えるのは、生成AIが最初に生む売上の上積みは「これまで取りこぼしていた需要の回収」として現れる、という見立てです。

返品や評価は悪化せず、むしろ改善する業務もあった

生成AIで売上を伸ばすと聞くと、ハルシネーション（事実と異なる情報の自動生成）や誇大表現で消費者を釣って、購入後に「思っていたのと違った」となるのではという懸念がついて回ります。同時に、返品率と高評価率（5段階評価で4〜5星のレビュー比率）も追跡されました。

結果は懸念と逆で、悪化した業務はありません。むしろ商品説明の自動生成では返品率が3.9%、マーケティングプッシュでは11.4%、それぞれ下がっています。プリセールチャットボットでは高評価率が4.5%上がりました。

読み替えると、生成AIによる売上増は「だまして買わせている」状態ではなく、購入前の情報が増えることで意思決定の質も上がっている、という解釈が成り立ちます。商品説明が手薄な商品（50語未満）ほどAI生成記述による売上効果が大きく（+6.1%）、返品も減るという結果は、情報の薄さが購入後ミスマッチの一因になっていたことを暗示しています。

汎用AIをドメイン特化なしで投入すると逆効果になる

7つのうち1つだけ、生成AIの介入が逆効果に振れた業務があります。Google広告のタイトル最適化です。

ここでは元のセラーが書いた商品タイトルを生成AIで書き直す対応が試されましたが、出てきたタイトルは閲覧数も売上も下がりました。原因は、ECドメインに合わせて業務領域の知識を追加学習させる工程が抜けていた点にあります。

ECのGoogle広告では、タイトル冒頭に置く「2024 New Arrival」のような売れ筋キーワードが消費者の注意を引く役割を持ちます。汎用の生成AIは情報密度を上げるための書き換えを優先するため、こうした商業的なキーワードを削ぎ落としてしまう傾向にあります。結果としてGoogleの広告アルゴリズム側でも品質スコアが下がる方向に向かい、入札に勝ちにくくなる現象も起きていました。

汎用モデルをそのまま業務に投げ込むだけでは性能は出にくく、ドメイン知識を学ばせる工程が抜けていると逆効果になりうる、という事実が浮かび上がります。

不慣れな利用者ほど恩恵が大きい

効果の中身をもう一段分解すると、ユーザー間の差も見えてきます。

過去の購入額が少ない、ログイン頻度が低い、登録歴が浅い、いわばプラットフォームに不慣れな消費者ほど、生成AI導入後の売上増が大きく出ています。マーケティングプッシュでは、過去の購入が少ない層では売上が20.6%伸びる一方、購入経験が豊富な層ではマイナス（-5.89%）に振れました。検索クエリ精緻化や商品説明生成でも、ベテラン層と新規層で2倍から3倍の差が出ています。

経験の浅い消費者は、自分の欲しいものをうまく言語化できなかったり、商品ページの情報を読み解けなかったりという形で摩擦を抱えがちです。「黄色のフローラルワンピが欲しいけれどスペイン語でどう検索すればいいか分からない」「商品ページに画像しかなくて素材やサイズの判別ができない」という典型的な詰まりを、生成AIが埋める形で恩恵が広がります。

セラー側でも、小規模・新規セラーの方が恩恵を受けやすい傾向は見えますが、サンプル数の関係で統計的にはぎりぎりの差で、強い結論には至っていません。

業務の設計上、不慣れな利用者を抱える接点（最初の検索、最初の問い合わせ、最初の購入）に生成AIを置くと、最も大きなリターンが期待できると読み取れます。

1人あたり年間5ドルの上積みが今の標準値

7つの業務のうち4つ（プリセールチャットボット、検索クエリ精緻化、商品説明生成、マーケティングプッシュ）について、年間あたりの追加価値を消費者1人あたりに換算した結果、約4.6から5ドルという数字が出ています。

各業務の効果を業務ごとの利用頻度（チャットボットは2か月に1度、検索は毎日、など）で年率換算したうえで、足し合わせた値です。世界のEC全体で2023〜2024年に観察された「1人あたり収益の伸び」と比較すると、その5.5〜6%相当を、4つの生成AI実装だけで上積みした計算になります。

注目すべきは、これがあくまで初期の数字だという点です。同じ会社では2023年に7業務だった生成AI適用箇所が、2024年には40業務、2025年には60業務超に拡大し、APIコール数は1年で20倍になっています。今後さらに「収益に直結する業務」へと適用範囲が広がるほど、1人あたりの追加価値は大きくなる見込みです。

自分の意思決定に応用すると

第一に、生成AI適用の「狙い場」を選ぶときは、現状のベースラインがどれだけ弱いかを物差しにすると見立てが立ちます。

すでに人手で十分カバーされている業務に生成AIを足してもリターンは限定的で、人手や既存技術ではカバーしきれていない業務（24時間多言語対応、大量のロングテール商品の説明文、不慣れな顧客の検索体験など）こそが上積みを生む場所です。

第二に、生成AIだけで完結させるよりも、生成AIが一次対応をして人が引き継ぎを受け持つ組み合わせの方が、より大きな効果が期待できます。

AIが人を置き換えるという発想ではなく、AIが捌ききれない部分を人が拾うという建てつけです。

第三に、汎用モデルをそのまま業務に投げ込むだけではうまく機能しないケースがあります。

ドメイン特有の言葉づかい、文脈、優先順位が業績に直結する場合（広告コピー、業界特化のサポート対応など）は、業務領域の知識を追加学習させるか、少なくともプロンプト設計の作り込みが前提になります。

第四に、効果の主な経路は「客単価を上げる」ではなく「購入率を上げる」です。

生成AI投資の業績指標を設計する段階で、客単価ではなく購入率、問い合わせ解決率、成約率の改善を主指標に据えると、効果が捉えやすくなります。

第五に、不慣れな顧客を抱える接点を優先候補にすると、リターンが出やすくなります。

新規顧客の最初の検索、最初の問い合わせ、最初の購入といった「経験の浅い側」のジャーニーに生成AIを置く設計が、投資対効果を最大化する素直な選び方です。

まとめ

過去のIT革命（PCやインターネット）は、スキルの高い人ほど恩恵を受ける性質を持っていました。一方、生成AIはむしろスキルの低い人ほど恩恵を受けるという証拠が、近年の観察で積み上がってきています。今回「不慣れな消費者ほど恩恵が大きい」という結果が出たのは、この流れを需要側でも確認したことになります。

本記事の関連研究