Column

7億人・数百億SKUのEC商品管理をAIが支える——JD.comの産業実装から何を学ぶか

中国最大級のEC企業JD.comが、LLM/VLMを核に据えた商品知識管理プラットフォーム「Oxygen AIIC」を構築した。情報品質問題37%削減、属性自動補完率80%超——その設計思想は、国内EC事業者や小売チェーンにとってPIM刷新の参照事例になる。

2026 / 06 / 29 5 分で読める English version →

「商品マスタが汚い」という問題は、EC事業者や小売チェーンにとって古くて新しい悩みです。

属性の抜け漏れ、カテゴリの表記ゆれ、同一商品の重複登録。これらは売上機会の損失に直結します。「検索しても出てこない」「比較しにくい」という体験は、すべて商品データの質の問題でもあります。

2026年6月にarXivで公開されたプレプリントで、JD.comのチームがその問いへの一つの答えを示しました。「Oxygen AIIC（AI Item Center）」と名づけられたプラットフォームは、7億人超のユーザーと数百億SKUを対象とした、産業規模の商品知識管理システムです。

今日伝えたいこと

JD.comが構築したOxygen AIICは、LLM/VLMを中核に置いた商品知識管理プラットフォームで、情報品質問題を37%削減・属性自動補完率80%超を達成
「意味的に検索してから識別する」2段階アーキテクチャが、産業規模での高精度処理を可能にした
国内EC・小売チェーンがPIM刷新を検討する際の参照事例として、設計思想ごと使える

① どんなシステムなのか

Oxygen AIICは、4つのコンポーネントで構成されています。

まず、オントロジー管理です。商品の属性体系（カテゴリ・仕様・関係性）を構造化し、数百万エントリ規模で動的に進化させる仕組みです。

次に、商品識別です。同一商品の重複や類似品の統合など、SKUレベルでの一致判定を担います。

そして、自己改善モデルです。利用データから継続的に精度を高め、人手による更新を最小化します。

最後に、統合データハブです。多様なデータソースを一元管理し、社内の各システムへ商品情報を供給します。

これらが組み合わさって、1日数億件の商品更新を処理する基盤が動いています。

② 「検索してから識別する」アーキテクチャの発想

技術的な核心は「Semantic Search then Discrimination」と呼ばれるアーキテクチャです。直訳すると「意味的に検索してから判別する」という2段階の処理です。

まず意味的検索で候補を絞り込み、次にLLM/VLMが精細な判別を行う。この分業によって、精度94.2%・再現率82.8%を達成したと報告されています。

大量のSKUを1ステップで処理しようとすると、精度と速度がトレードオフになります。候補を絞ってから精密判定するという発想は、産業実装における現実解として理にかなっています。

LLMは汎用の言語理解能力を持ち、VLM（視覚言語モデル）は商品画像まで読み取ります。テキスト情報と画像情報の両方を使って商品を「理解」する設計は、ECのような視覚情報が重要な領域では特に有効です。

③ 数字で見る成果

システムの導入効果は、明確なKPIで示されています。

情報品質問題の削減率は37%です。属性の抜け・誤りといった品質問題が、AIの介入によって3割以上減りました。

商品属性の自動補完率は80%超です。人が手動で入力していた属性情報の8割以上を、AIが自動で埋められています。

1日あたりの処理件数は数億件規模です。これは、人手では到底追いつけないスケールです。

これらの数字は「参考値」ではなく、7億人超が実際に使うECプラットフォームで実証されたものです。実験室のベンチマークとは重みが違います。

④ 国内EC・小売チェーンへの示唆——どの部署が動くべきか

JD.comのスケールは国内事業者には直接当てはまらないかもしれませんが、設計思想は参照できます。

ECオペレーション部門にとっては、SKU属性の自動補完が最もすぐ価値を感じやすいユースケースです。サイズ・素材・カラーといった属性は、ECの検索・絞り込み精度を左右します。これが抜けていると、ユーザーは欲しい商品に辿り着けません。LLMが商品タイトルや画像から属性を推定して自動補完する仕組みは、まさにこの課題へのアプローチです。

IT・データ部門にとっては、オントロジーの動的管理が重要なテーマになります。商品カテゴリは業界トレンドとともに変化します。数百万エントリのオントロジーをAIが動的に更新・拡張するという設計は、人手での分類体系メンテナンスが限界に達している組織には刺さるはずです。

マーケティング部門や商品部にとっては、商品理解の精度が上がることで、レコメンドや検索広告の効果も変わってきます。「AIが商品を本当に理解している」状態は、単なる効率化を超えた競争力につながります。

KPIとして意識すべき指標は、属性補完率（現状 vs. AI導入後）・情報品質エラー件数の削減率・商品登録にかかる人時数の3つが中心になるでしょう。

⑤ PIM刷新を検討する企業が聞くべき問い

Oxygen AIICの事例を踏まえると、以下の問いが検討の出発点になります。

現在の商品属性の補完率はどのくらいか。空欄や不正確な属性がどれだけあるかを定量化することが、AIによる自動補完の対象範囲と効果推定の起点です。

オントロジーの更新頻度と担当体制はどうなっているか。人手に依存した体制でボトルネックが生じているなら、AIによる自動進化の余地があります。

LLM/VLMを外部SaaSとして使うか、自社構築するか。JD.comは自社構築ですが、国内では外部サービスの活用が現実的な選択肢になることも多いです。自社の商品データをどこまで外部に出せるかという方針整理も同時に必要です。

まとめ——LLMを「業務インフラ」として使う視点

LLMをチャットボットや文書生成に使うという話は増えました。しかし、ECの商品管理という「地味だが重要な」領域への本格適用事例は、まだ少ないのが現状です。

Oxygen AIICの論文が参照価値を持つのは、スケールと実績の両方が揃っているからです。「やってみた」ではなく「産業規模で動かした」事例として、設計の妥当性が現場で検証されています。

LLMを「データ品質管理・知識体系の維持・属性理解という業務インフラ」として使う視点。これが、次の段階の企業AI活用を考えるうえで重要な参照軸になると思います。

参考論文

Oxygen AIIC, Chan Long, Chao Liu, et al. (JD.com team) (2026). JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。