EC商品画像をAIで認識・タグ付けする方法｜「似ている商品が探せない」を画像から解決する

「言葉で検索しても見つからない」の次に来る、"画像で探したい"というニーズ

ECサイトの検索改善というと、多くの場合は「入力された言葉」から商品を探すサイト内検索の精度をどう上げるかという話になります。表記ゆれや言い換えを吸収する意味検索（セマンティック検索）の考え方は、ECサイトの商品検索をAIで改善する｜「探しているのに見つからない」の解決策で整理したとおりです。

ただ、お客様の探し方は「言葉」だけではありません。「この商品に似ているものが欲しい」「この画像みたいな柄・形のものを探している」——お客様が頭の中に持っているのは、言葉にしづらい"見た目のイメージ"であることも少なくありません。ところが多くのECサイトでは、商品画像そのものに「何が写っているか」を表す情報（色・柄・形・素材・カテゴリといったタグや属性）が整理されておらず、画像を手がかりにした検索や「似ている商品」の提案がうまく機能していません。

この記事では、テキスト検索の精度改善（/blog/53）とは切り分けて、商品画像そのものに埋もれている情報をAIでどう認識・整理し、検索や提案に使える形にするかを整理します。

なぜ商品画像は「見た目のまま」放置されやすいのか

商品画像は、登録された瞬間から「見た目を伝える写真」以上の役割を持たされていないことがほとんどです。次のような状態に心当たりがないでしょうか。

• 商品画像に紐づく情報が「商品名」「価格」「簡単な説明文」程度しかなく、色・柄・形・素材・シーンといった画像に写っている要素が言葉として登録されていない
• 撮影角度や背景がバラバラで、同じカテゴリの商品でも画像同士を機械的に比較しづらい
• 新商品を登録するたびに、担当者が目視で似ている過去商品を探して分類・タグ付けしており、商品点数が増えるほど手が回らなくなっている
• 紙のカタログや仕入先から届く画像に、色・型番などの情報が画像の中の文字としてしか存在せず、システム側にはテキストとして取り込まれていない

こうした状態では、いくら検索機能そのものを高度にしても、そもそも"探す手がかり"になる情報が画像に埋もれたまま整理されていないため、検索や提案の精度が上がりません。

AIで画像に埋もれた情報を認識・構造化するとは、どういうことか

ここで押さえておきたいのは、awaiがご提供するのは「画像認識AI」という単体の製品ではなく、LLM（大規模言語モデル。文章など非定型のデータを扱えるAI）を使って非構造化データを整理するデータ構造化コンサルティングの一環として、画像に埋もれた情報を認識・タグ化し、構造化データとして扱える形に整えるという支援です。

具体的には、商品画像から色・柄・形状・素材・カテゴリといった属性をAIに認識させ、それを検索やレコメンドで使えるタグ・属性データとして構造化します。すでに近い取り組みとして、Shopify移行時に商品画像の代替テキスト（altテキスト）を一括整備するオプションや、紙・PDFカタログの画像をOCR（画像の中の文字を読み取る技術）でテキスト化したうえでLLMが構造化する支援を行っており、本記事のテーマはその延長線上にあります。「画像の中身を認識してタグ・属性として言語化し、構造化データにする」ところまでがawaiの役割で、そのタグ・属性を使ってサイト内検索や「似ている商品」のレコメンド機能をどう実装するかは、既存の検索基盤やECプラットフォームの機能と組み合わせて設計します。

なお、画像認識の精度について、多くの画像認識サービスは「認識精度◯◯%」といった数値を掲げていますが、この数字は測定条件によって大きく変わるため、awai自身が自社の認識精度を数値で保証することはしません。実務では、精度そのものよりも「どこまで自動で認識・タグ化し、どこは人が確認する運用にするか」という切り分けの設計のほうが、導入後の実用性を左右します。

進め方（4フェーズ）

商品画像すべてを一気に対象にするのではなく、段階を踏んで進めるのが実務的です。

①診断では、現在の商品画像にどんな情報が紐づいているか（あるいは紐づいていないか）、画像の撮影条件や登録フォーマットがどれだけバラついているかを洗い出し、AIでの認識・タグ化がどこまで自動化でき、どこに人の確認が必要かを見立てます。

②PoC（概念実証。小規模に試して効果を確認する工程）では、一部の商品カテゴリだけを対象に、AIによる色・柄・形状の認識とタグ付けを試し、認識結果の精度と、人による確認・修正がどの程度必要になるかを確認します。

③実装では、PoCで見えた範囲を踏まえて対象カテゴリを広げ、画像認識で得たタグ・属性データを検索やレコメンドの仕組みに連携できる形で構造化・蓄積します。

④運用は、新規商品が追加されるたびに画像の認識・タグ付けの精度を維持し、タグの粒度や分類基準を実態に合わせて見直し続ける工程です。

費用の目安

費用は対象商品数・画像の状態（撮影条件のばらつき・既存タグの有無）・目指す活用範囲（検索だけか、レコメンドまで含むか）によって変わりますが、市場の一般的な目安として、awaiがご案内している水準は次のとおりです（相場感の参考としてご覧ください）。

• 初期診断・設計：20〜30万円（現在の商品画像の状態把握・認識対象の設計・ROI試算）
• 実装：50〜200万円（商品数・画像の複雑さによる）
• 保守・運用：5〜15万円／月（新規商品の認識精度維持・タグ分類の見直し）

awaiでは、この初期診断そのものを入口としてご提供しています。有償の診断で「どこまで自動で認識・タグ化でき、費用はどれくらいか」を先に見える化し、その後に実装をご発注いただいた場合は診断費を全額実装費に充当します。「診断だけで終わってもレポートは残り、進めれば診断費は実質無料になる」形なので、いきなり大きな開発費をかける前に、費用対効果を確かめてから判断していただけます。手作業で商品画像を目視確認・分類していた工数が減れば、データ品質向上による検索・CVR（購入率）改善は一般的にEC売上の3〜8%程度の余地があるとされ、投資回収は一般的に6〜12ヶ月が目安です（数値はいずれも一般的な目安であり、実際の効果は貴社の商品数・画像の状態により異なります）。

まとめ——画像に埋もれた情報も、検索・提案の"材料"として整理できる

「似ている商品が探せない」「新商品の分類・タグ付けが目視作業のまま回らなくなっている」と感じているなら、原因は検索機能そのものより、商品画像に埋もれた色・柄・形状・カテゴリといった情報が言葉として整理されていないことにある可能性があります。

awaiは、LLMを使って商品画像に埋もれた情報を認識・タグ化し、検索・レコメンドで使える構造化データに整えるところまでをご支援します。ECサイト（Shopify）の構築・改修や、紙カタログ・非構造化データの整理と同じ体制で行っているため、「画像から何が読み取れるか」を人が確認しながら実用的な精度に整える設計が可能です。テキスト検索の改善はECサイトの商品検索をAIで改善するで扱っていますので、あわせてご覧ください。「商品画像のタグ付け、いつも目視で似ている過去商品を探して回している気がする」と感じたら、まずは現状をお聞かせください。

※本記事の費用・ROIは市場の一般的な目安であり、対象範囲・商品数・画像の状態によって変動します。正確なお見積りは診断にて算出します。

画像認識・構造化の費用目安や進め方はよくあるご質問でも回答しています。