小売店舗を全国 50 店舗運営している。ChatGPT の導入を経営から言われたが、店舗のスタッフはレジ業務で手一杯で、AI を使う余地が見えない。EC 部門ではやや進んでいるが、店舗との連携が取れず、施策が単発で終わる。DX 推進担当のあなたは、小売業特有の店舗と EC の分断をどう埋めるか、迷っていないでしょうか。
小売・EC の生成AI活用は、店舗接客・オンライン接客・商品分析・在庫予測の4象限で設計します。店舗と EC は分断せず、顧客データを軸に連携させるのが定石です。使いどころと既存 POS / EC 基盤との連携を整理します。
小売・EC 4象限の全体像
| 象限 | 業務 | AI 適合度 | 第一選択 |
|---|---|---|---|
| 店舗接客 | 店員による対面接客 | △（時間の壁） | モバイル AI + 商品知識 RAG |
| オンライン接客 | EC サイトのチャット・レコメンド | ◎ | 既存 EC 基盤の AI 機能 or ChatGPT API |
| 商品分析 | 売上分析・トレンド把握 | ◎ | Claude（長文データ解釈） |
| 在庫予測 | 需要予測・発注最適化 | ○（既存ツール有利） | 既存の在庫管理 AI or 汎用 AI |
店舗接客での使い方
店舗接客は、時間の壁が最大です。「AI で質問して回答を得る時間」が接客のリズムを崩します。使いどころは、接客中ではなく、事前準備と顧客対応後のフォローに絞ります。
| 業務 | AI 活用の使いどころ |
|---|---|
| 店員の商品知識強化 | 新商品の特徴、比較ポイントを AI で覚える学習用途 |
| 接客後のフォローメール | 顧客の関心商品に基づくフォローメール作成 |
| 店舗内の POP・掲示物作成 | 季節商品案内・特売告知のドラフト |
| 外国人顧客対応 | 多言語の商品説明、翻訳 |
| 接客記録の整理 | 接客後の記録を音声入力から構造化 |
モバイル AI の設計
店員がスマホ・タブレットから使う AI は、業務別のショートカット UI を用意します。汎用 Copilot Chat では店員は使いこなせません。「商品比較」「顧客履歴照会」「発注相談」といった業務別ボタンから、対応するプロンプトが自動で走る設計です。
オンライン接客での使い方
EC サイトでの AI 活用は、生成AI 前から取り組まれてきた領域です。生成AI で追加できる価値は、より対話的な体験と、パーソナライズの深化です。
| 活用 | 従来（機械学習ベース） | 生成AI で追加できること |
|---|---|---|
| 商品レコメンド | 類似商品の提示 | 顧客の質問への自然文回答、選ぶ理由の説明 |
| チャットサポート | 定型シナリオベース | 自然文での柔軟な対応、対話履歴の要約 |
| 商品検索 | キーワード検索 | 「暖かくてカジュアルなコート」等の自然文検索 |
| パーソナライズドメール | セグメント別テンプレート | 顧客個別の関心に合わせた文面生成 |
既存 EC 基盤の AI 機能を活用
Shopify、楽天、Amazon、独自 EC 基盤いずれも、独自の AI 機能を持っています。汎用 ChatGPT で自作するより、既存基盤の AI 機能を最大限使う方が、実装コストと維持コストが安いケースが多いです。まず既存基盤の AI 機能を棚卸しし、足りない部分だけ汎用 AI で補完する順序で進めます。
商品分析での使い方
商品分析は、生成AI が最も効果を発揮する領域の1つです。売上データ・レビュー・SNS 反応、これらを AI で読ませて、次期商品戦略を組みます。
| 分析タスク | AI 活用の使い方 |
|---|---|
| 商品レビューのテーマ分析 | 全レビューを Claude に読ませ、主要なテーマ分類 |
| 競合商品との比較 | 自社商品と競合商品のレビューを対比、強み弱み抽出 |
| SNS 反応の分析 | SNS 投稿を集めて、商品カテゴリ別のトーン分析 |
| トレンド予測 | 業界メディア・SNS から次シーズンのトレンド抽出 |
| 商品開発の企画案 | 既存商品の課題から改善案を提示 |
在庫予測での使い方
在庫予測は、既存の在庫管理システムに専用 AI 機能があるケースが多く、汎用 ChatGPT より特化ツールが優位です。汎用 AI は、在庫予測の結果を解釈・説明する用途に振ります。
| 業務 | 既存ツール | 生成AI 追加 |
|---|---|---|
| 需要予測 | 既存 AI（Prophet、時系列モデル） | 予測結果の解釈と経営層への説明 |
| 発注最適化 | 既存の在庫管理システム | 発注理由の記録、店長への説明資料 |
| 欠品・過剰在庫の要因分析 | 既存の分析ツール | 自由記述コメントを Claude で要因分類 |
店舗と EC の連携
小売業の課題は、店舗と EC の分断です。顧客は両方を行き来しているのに、施策が分断されている。生成AI 活用の設計でも、店舗と EC を分けずに、顧客データを軸に連携させます。
| 連携例 | 内容 |
|---|---|
| 店舗接客後のオンラインフォロー | 店舗での接客履歴を EC 側で参照、次のメールに反映 |
| EC 購入後の店舗案内 | EC 購入時に店舗イベント・関連商品を案内 |
| 在庫の店舗↔EC 相互参照 | 店舗在庫を EC で「近隣店舗で受け取り」として案内 |
| 顧客レビューの店舗展開 | EC レビューを店舗のPOP に反映 |
小売・EC の Playbook 骨子
| セクション | 内容 |
|---|---|
| 象限別プロンプト | 店舗・EC・商品分析・在庫予測 それぞれで 5〜10 プロンプト |
| 既存基盤との連携 | Shopify / 楽天 / 独自EC の AI 機能との使い分け |
| 顧客情報の扱い | 個人情報保護の観点 |
| 店舗スタッフ向け UI | モバイル AI の使い方 |
| 成果測定 | 接客時間短縮、CVR、レビュー分析速度、在庫回転率への影響 |
まとめ
小売・EC の生成AI活用は、店舗接客・オンライン接客・商品分析・在庫予測の4象限で設計します。店舗接客は時間の壁があるため接客中でなく事前準備とフォローに絞る、オンライン接客は既存 EC 基盤の AI 機能をまず活用、商品分析は Claude で長文データ解釈、在庫予測は既存ツール優位で汎用 AI は解釈用途に。店舗と EC を分けずに顧客データで連携させるのが定石です。
「うちの場合はどこから手をつけるべきか」の見立てを掴みたい場合は、AI浸透支援 by DE-STKのAI浸透スコア診断（2週間・25万円）が入口として使えます。現状の利用実態、構造的な原因、次に打つべき手の候補まで、社内の投資判断に耐える粒度でお出しします。
あわせて読みたい
- 生成AI導入後の「使われない」を解消する：現場浸透の設計と実装
- 製造業の生成AI浸透：現場作業員と設計部門・営業部門の使い分け
- 地方自治体の生成AI導入：住民サービスと内部業務の使い分け
- Copilot・ChatGPT・Claudeの使い分け設計：業務ごとの適材適所
- AI現場浸透のためのプロンプトPlaybookを作る手順とテンプレート
よくある質問
Q. 店舗スタッフに AI を使わせるためのハードウェア投資は？
A. 既存の店舗タブレット・スマホがあれば追加コストは低いです。店員1人1台のスマホ配布は、既に POS 業務で普及している企業が多く、そこにモバイル AI アプリを追加する形で始められます。ゼロからハードウェア導入する場合は、店舗数と1店舗あたり2〜3台で数百万円が目安です。
Q. EC サイトの既存 AI 機能が弱い場合、汎用 AI で置き換えるべきですか？
A. 置き換えより「補完」の設計を推奨します。既存 EC 基盤の商品検索・レコメンドはそのまま使い、チャットサポートや商品説明の生成部分だけ汎用 AI を追加する形です。既存機能を全部置き換えると、開発・維持コストが膨らみます。
Q. 商品レビュー分析で、Claude と ChatGPT のどちらが良いですか？
A. 1度の分析で 1,000 件超のレビューを扱うなら Claude（200Kコンテキスト）が精度で優位です。数十件〜数百件なら ChatGPT でも十分です。定期的な大量分析なら Claude、単発の少量分析なら ChatGPT が実務的な選択になります。