2026/11/22
今更聞けないAI知識
通販の「おすすめ」はどう選ばれる?AIが予測する関心と、本当に欲しい物の違い

この記事の要点
通販の「おすすめ」は、閲覧や購入などのデータにある傾向から、関心を持ちそうな商品を予測する仕組みです。架空の文具店を例に、機械学習の学習と予測、本人の希望とのずれを説明します。おすすめを商品の品質や満足の保証と混同せず、今回の用途に合う候補かを判断する見方を紹介します。
目次

「おすすめ」は、欲しい物を言い当てる機能なのでしょうか
プレゼント用のノートを探した翌日、通販サイトにノートやペンが並んでいて、「自分が欲しいわけではないのに」と感じる場面を想像してみてください。反対に、探していた物に近い商品が表示されて、選ぶ手間が省けることもあるでしょう。同じ「おすすめ」でも、助かるときと、見当違いに感じるときがあるのはなぜでしょうか。
一言で答えるなら、AIは閲覧や購入などのデータにある傾向から、関心を持ちそうな商品を予測するためです。Google Cloudの公式解説では、通販や小売で機械学習が顧客データのパターンを分析し、AIの仕組みがその予測を個人に合わせた商品推薦に利用すると説明されています。機械学習とは、データから傾向を学び、予測などに使う技術です。(出典: Google Cloud)
ここで押さえたいのは、「関心を持ちそう」と「今、本当に欲しい」は同じではないことです。贈り物を調べる行動も、自分用の商品を探す行動も、画面上では似て見えるかもしれません。おすすめが外れたと感じても、それだけで仕組み全体が役に立たないとは限りませんし、ぴったりの商品が出ても、自分の事情をすべて把握している証拠にはなりません。
この記事で扱うのは、この予測と気持ちの間にある距離です。特定の通販サイトの内部仕様を説明するものではありません。以下では架空の例を使い、何を手掛かりに候補が選ばれ、どこから先を自分で判断すればよいのかを考えます。「おすすめだから買う」よりも、「探す候補が増えた」と受け止めるための基礎知識です。

選んだ本の傾向から、次の一冊を探すたとえ
おすすめの仕組みは、これまで選んだ本の一覧を手掛かりに、次の一冊の候補を探す場面に置き換えると考えやすくなります。たとえば、その一覧に家庭菜園の入門書や、ベランダで育てる野菜の本が並んでいたとします。候補として小さな鉢での栽培を扱う本を挙げるのは、筋の通った選び方に見えるでしょう。
ただし、その一覧だけでは分からない事情もあります。以前の本は家族に頼まれて買ったのかもしれません。すでに十分な冊数があり、今は料理の本を探している可能性もあります。同じ購入記録でも、その背景は一つに決まりません。過去の選択は次の候補を考える材料になりますが、現在の希望をそのまま書き写したものではないのです。
Google Cloudは、機械学習を、データを分析してパターンを見つけ、特定の課題に対する予測に利用する技術として説明しています。本のたとえで注目したいのも、気持ちを読み取ることではなく、選択の記録に繰り返し現れる特徴です。(出典: Google Cloud)
このたとえは、実際のおすすめ機能が本の題名だけを見て動くという意味ではありません。理解のために手掛かりを少なくした架空の説明です。実際にどのデータを使うかについては、個々のサービスの説明を確認する必要があります。
覚えておくとよいのは、記録から分かる範囲と、本人にしか分からない事情を分ける見方です。「この商品に関心がありそう」という推測には材料があっても、「今月は買わない」「贈り物はもう渡し終えた」といった事情まで、その材料に含まれているとは限りません。候補のもっともらしさと、自分に必要かどうかは、別々に確かめられます。

データから傾向を学ぶ段階と、候補を選ぶ段階
仕組みを理解するときは、「傾向を学ぶ段階」と「学んだ結果を使う段階」に分けると整理しやすくなります。IBMの解説では、機械学習はデータに基づく予測や判断ができるように学習し、モデルを作る技術とされています。モデルとは、ここでは学習で得た傾向を、予測に使える形にした仕組みと考えてください。(出典: IBM)
架空の通販サイトで、学習用に閲覧や購入の記録を使うと仮定しましょう。その記録から、どのような行動や商品の特徴に一定の傾向があるかを学びます。そして、学習済みのモデルを使って、ある利用者にどの商品が候補になりそうかを予測する、という流れを考えられます。これは理解のための単純化であり、特定のサービスの処理手順ではありません。
学習済みのモデルを新しいデータに当てはめて予測する処理は、「推論」と呼ばれます。Googleの機械学習用語集でも、従来の機械学習における推論は、学習したモデルを使って予測する過程と説明されています。(出典: Google Developers)
「推論」と聞くと、人が理由をじっくり考える姿を思い浮かべるかもしれません。ただ、ここでは技術上の処理を指す言葉です。おすすめを表示するたびに、人と同じように好みを考え直している、という意味ではありません。また、予測する処理と、モデルを学習し直す処理は区別できます。
この区別が分かると、画面の変化を見たときにも判断を急がずに済みます。候補が変わったという観察だけで、「今の操作を使って、すぐに学習し直した」とまでは断定できません。画面で確認できた結果と、内部でどの処理が起きたかは別の話です。仕組みが気になる場合は、推測を重ねるより、そのサービスが公開している説明に立ち返るのが確実でしょう。

架空の文具店で考える「当たりそうなのに外れる」理由
ここからは、仕組みを考えるための架空の例です。通販の文具店で、ある人が上司への贈り物として、落ち着いた色のノートと金属製のペンを何度か見比べたとします。購入後、おすすめ欄には似た雰囲気のノートやペンが並びました。しかし本人が次に必要としているのは、子どもが学校で使う色鉛筆です。
閲覧や購入の記録を手掛かりにするという仮定では、贈り物に近い商品が候補になることには筋が通っています。それでも、本人の買い物の目的には合っていません。ここで起きているのは、過去の行動に近い候補を選べても、次の用事まで同じとは限らない、というずれです。記録に表れた関心が、一時的なものだった可能性があります。
別の架空の場面も考えてみましょう。同じノートを何度も見た理由が、買いたいからではなく、「手持ちのカバーに入る寸法か、判断できなかったから」だったらどうでしょうか。繰り返し見たという行動だけでは、強い購入希望なのか、条件が合わず迷っているのかを区別できない場合を想像できます。
この例から考えたいのは、行動の記録を本人の希望そのものと扱わないことです。Google Cloudが説明するのも、データにあるパターンを使った予測であり、個々の買い物の事情を必ず言い当てる仕組みではありません。(出典: Google Cloud)
おすすめが合わないときは、「自分の好みが変なのだろうか」と考える必要はありません。贈り物か自分用か、すぐ必要か下調べかといった違いを、手元で整理してみてください。予測の良しあしを漠然と評価するより、表示された候補と今回の条件がどこで食い違うかを見つけやすくなるでしょう。

「おすすめ」と「品質の保証」を分けて読む
自分に合いそうな商品が出ると、「これを選べば間違いない」と感じるかもしれません。しかし、関心を持ちそうな商品を予測することと、その商品の品質や用途への適合を確認することは、別の作業です。候補として目に留まることから、購入後に満足できることまでを、一度に保証する説明として受け取らないほうがよいでしょう。
架空の文具店なら、好みに近い色のノートが表示されても、紙の寸法が用途に合うかは商品説明で確かめられます。ペンの外観が気に入っても、必要な替え芯が使えるかは別の確認事項です。おすすめを入口にしながら、購入条件は自分で照らし合わせる。この二段階にすると、便利さを使いながら判断の根拠も残せます。
また、「AIのおすすめ」と聞いても、必ずしも文章や画像を作る生成AIを意味するわけではありません。IBMは、AIにデータから予測する機械学習などが含まれ、生成AIは文章や画像などの内容を作り出す技術だと説明しています。商品候補を予測する話と、新しい紹介文を作る話は、役割を分けて考えられます。(出典: IBM)
画面に自然な紹介文が添えられていても、文章の印象だけで商品を選ぶ必要はありません。自分が知りたいのは、色や寸法なのか、使える場面なのか、購入にかかる条件なのかを分けてみましょう。これは特定の画面や機能の使い方ではなく、買い物の際の読み方としての提案です。
AIという名前を知ること以上に役立つのは、何を予測した結果なのかを意識することです。「興味を引きそうな候補」として受け止めれば、好みに近い点を参考にしつつ、足りない情報を商品説明などで確認できます。おすすめを全面的に信じるか、すべて無視するかの二択にする必要はありません。

次の買い物では、候補を見る前に条件を一つ決める
おすすめとの付き合い方として提案したいのは、商品を見る前に「今回、外せない条件」を一つ決めることです。架空の文具店の例なら、「学校で指定された種類の色鉛筆を探す」と決められます。すると、魅力的なノートが表示されても、今回の目的に合う候補かどうかを判断する軸ができます。
条件は、詳しい知識がなくても書ける内容で十分です。「誰が使うか」「何に使うか」「手持ちの物と組み合わせるか」など、自分の事情から選べます。おすすめに含まれているか分からない事情を、自分の判断では忘れないようにするためです。AIに追加の情報を入力することや、特別な機能を使うことを前提にした提案ではありません。
たとえば次の買い物で、候補を見ながら「好みには近いけれど、今回の用途には合わない」と言葉にしてみてください。おすすめを外れと感じた理由が具体的になります。逆に用途に合う候補なら、なぜ候補にしたいのかを自分で説明できるでしょう。表示順だけに判断を預けず、必要な確認へ進めます。
使った後の満足を考える際も、購入前に気になった点と、実際に必要だった条件を分けて振り返るとよいでしょう。ただし、その振り返りによって通販サイトの予測が必ず改善するとは限りません。ここでの狙いは、自分の選び方を整理することです。おすすめが何を学習するか、操作がどう反映されるかは、サービスの説明で確認する事項になります。
次に通販サイトを開くときは、探している物の用途を一文だけ決めてから、おすすめを眺めてみてください。「家族への贈り物として、持ち運びやすいノートを探しています」といった短い文で構いません。候補が目に留まった理由と、自分が買う理由を分けて考える。その小さな手順が、予測を便利な手掛かりとして使う出発点になります。
参考情報
- AI vs. Machine Learning: How Do They Differ? | Google Cloud
- What Is Artificial Intelligence (AI)? | IBM
- 机器学习术语表:生成式 AI | Google Developers
資料の取得日は2026年11月22日です。IBMの記事には公開日として2024年8月9日、更新日として2026年10月2日の記載があります。これらの日付を新機能の発表日として扱ってはいません。
