Shopify／EC カートと MCP｜在庫・注文照会をAIに任せるときのガバナンス（要確認）

Shopifyを活用したEC運営において、カスタマーサポート（CS）の工数削減は永遠の課題です。特に「在庫の有無」「注文した商品の配送状況」といった問い合わせは全体の数割を占めることも珍しくありません。これらの回答を生成AI（LLM）に任せる動きが加速していますが、そこで大きな壁となるのが「データのリアルタイム性」と「ガバナンス（統制）」です。

2024年末にAnthropic社が発表したMCP（Model Context Protocol）は、AIが外部データやツールと対話するためのオープンな規格であり、Shopifyの在庫データや注文管理システム（OMS）とAIをセキュアに接続する「標準の架け橋」として期待されています。本稿では、Shopify実務担当者が知っておくべき、AIに業務を委ねるためのガバナンス設計と実装の勘所を解説します。

1. Shopify×AI連携の新標準「MCP（Model Context Protocol）」とは

1.1 従来のAPI連携とMCPの違い

これまでShopifyのデータをAIで活用する場合、特定のチャットボットツール専用の連携機能を使うか、カスタムアプリでAPI（REST/GraphQL）を叩くコードを個別に書く必要がありました。しかし、これではAIモデルを切り替えるたびに実装を修正したり、複雑な関数の呼び出し（Function Calling）を個別に定義したりする手間が発生します。

MCP（Model Context Protocol）は、AIモデルとデータソースの間に共通のプロトコルを設ける思想です。一度「Shopify用MCPサーバー」を構築すれば、Claudeや他のMCP対応AIクライアントから、同じ作法で在庫確認や注文検索を呼び出せるようになります。

1.2 EC運営においてMCPが注目される理由

EC運営では、商品在庫や配送ステータスといった「常に変動するデータ」を扱います。AIの学習データにこれらの情報を含めることは不可能（かつプライバシー上不適切）であるため、AIが必要なときにだけ、最新のShopifyデータを「コンテキスト」として取得できるMCPの仕組みは、EC実務と極めて相性が良いのです。

なお、データ連携の全体像を把握する上では、単にAIを繋ぐだけでなく、基盤となるデータの整理が不可欠です。例えば、SFAやCRMとの役割分担については、以下の記事が参考になります。

【図解】SFA・CRM・MA・Webの違いを解説。高額ツールに依存しない『データ連携の全体設計図』

2. 在庫・注文照会をAIに任せる際のガバナンス設計指針

AIにShopifyの管理画面（Admin API）を操作・参照させることは、非常に強力な権限を与えることを意味します。ノーガードでの導入は、情報の誤回答だけでなく、機密情報の流出を招きます。

2.1 PII（個人情報）保護：AIに「渡してよいデータ」の定義

AIに対して「全ての注文情報を読み取らせる」のはガバナンス上、最も危険な行為です。以下の原則を徹底する必要があります。

• 最小権限の原則: AIが回答に必要な項目（例：配送状況、商品名、数量）のみを抽出し、顧客のクレジットカード情報や電話番号などはMCPサーバー側でマスク（非表示化）してからAIに渡す。
• セッションの分離: 問い合わせている顧客が、自分自身の注文情報のみにアクセスできるように、認証情報（メールアドレス＋注文番号など）の照合は、AIに判断させるのではなく、バックエンドのプログラム側で厳密に行う。

2.2 ハルシネーション防止：動的データの整合性確保

AIは「もっともらしい嘘」をつく性質があります。例えば「在庫はありますか？」という問いに対し、APIが「0」を返したにもかかわらず、AIが「間もなく入荷予定です」と勝手に補足して答えてしまうリスクです。

これを防ぐためには、「AIには事実のみを渡す」という制約と、「推測を禁じるシステムプロンプト」の徹底、そして必要に応じて在庫情報の「取得日時」を明示させることが有効です。

3. 【実践】ShopifyとMCPサーバーを接続するアーキテクチャ

実務として、どのようにAIをShopifyへ接続するか。その構成は以下の通りです。

3.1 構成図：Shopify Admin API × MCP Server × LLM

構成の肝は、LLM（Claude等）が直接Shopifyを叩くのではなく、間にMCP Serverを置く点にあります。

1. AI Client (User Interface): 顧客やスタッフが対話する画面。
2. MCP Server: Shopify APIとの通信を司る。APIキーの秘匿化やデータのフィルタリングを行う。
3. Shopify Admin API: 実際の在庫・注文データ。

3.2 MCPサーバーの実装ステップ

Node.jsやPythonを用いてMCPサーバーを構築する場合、基本的には以下の3つのコンポーネントを定義します。

• Resources: AIが参照できる静的なデータ（例：返品ポリシー、配送マニュアル）。
• Tools: AIが実行できる動的なアクション（例：get_inventory_by_sku、get_order_status）。
• Prompts: AIへの指示テンプレート。

例えば、在庫を確認する「Tool」を定義する場合、ShopifyのGraphQL Admin APIを呼び出し、必要なavailable数のみを返すように制限します。これにより、AIが不要な原価情報などを読み取るリスクを排除できます。

こうしたデータの自動連携は、バックオフィス業務の効率化にも直結します。例えば、経理処理との連携については、以下の解説が実務に即しています。

【完全版】Shopifyの売上をfreeeに直接連携してはいけない。決済手数料の分解と「月末在庫」を正しく処理する2つのコマースアーキテクチャ

4. 主要ツール・アプローチ比較表：自社開発 vs SaaS vs Shopifyアプリ

AIガバナンスを実現するための手法は複数あります。それぞれの特性を比較しました。

※料金や仕様は執筆時点（2026年4月）のものです。最新情報は各サービス公式サイトをご確認ください。

5. 在庫・注文照会AIのガバナンス実装 3つの鉄則

4.1 ガードレール：システムプロンプトと出力バリデーション

AIに対する命令（システムプロンプト）には、必ず「負の制約」を設けます。

「あなたはShopifyの在庫照会アシスタントです。APIが返した在庫数以外の数値は絶対に答えないでください。入荷予定が不明な場合は、勝手に日付を予測せず『不明』と回答し、担当者へ繋ぐよう案内してください。」

さらに、AIの回答をユーザーに表示する前に、正規表現や別のAI（チェッカー）を用いて、不適切な文言や個人情報が含まれていないか検閲する「出力バリデーション」の層を設けるのがIT実務上の定石です。

4.2 監査ログ：AIの行動履歴をどう保存し、評価するか

「なぜAIがその回答をしたのか」を後から追跡できなければ、ガバナンスは機能しません。MCPサーバーを介した全ての通信（リクエスト・レスポンス）はログとして保存し、特に「在庫情報の参照失敗」や「ユーザーからの低評価」が発生したログを抽出して定期的にレビューする体制を構築します。

4.3 人間による介入（Human-in-the-loop）の設計

AIに全権を委ねるのではなく、特定の条件（例：注文のキャンセル、高額商品の在庫予約など）においては、AIがドラフト（下書き）を作成し、最終的な実行ボタンは人間が押すという「Human-in-the-loop」の導線を設計します。これにより、AIの暴走による実損を防ぐことができます。

社内リソースが限られている中で、こうした高度な自動化を推進するには、既存ツールをいかに使い倒すかも重要です。以下のガイドも併せてご参照ください。

Excelと紙の限界を突破する「Google Workspace × AppSheet」業務DX完全ガイド

6. 運用開始後のトラブルシューティングと改善フロー

6.1 在庫の同期ズレが発生した場合の対処

Shopifyの在庫は実店舗や他モール（楽天市場、Amazon等）と連動している場合、数分〜数十分の同期ラグが発生することがあります。AIが「在庫あり」と答えた直後に売り切れる事態を防ぐため、MCPサーバー側で「最終更新日時」を取得し、AIに「〇分前の在庫情報です」と注釈を入れさせる実装が推奨されます。

6.2 顧客からのクレーム（誤回答）への初動対応

万が一、AIが誤った配送予定日を伝えてしまった場合、即座にAIの「当該ツール（API呼び出し機能）」を一時停止できるキルスイッチを管理画面に設けておくべきです。技術的な修正（プロンプト調整やAPIのフィルタリング強化）が完了するまでは、有人チャットに切り替える運用フローを事前に策定しておきます。

7. まとめ：データ基盤を整えることがAIガバナンスの第一歩

ShopifyとMCPを組み合わせたAI活用は、EC運営を劇的に効率化するポテンシャルを秘めています。しかし、AIは魔法の杖ではありません。安全かつ正確にAIを稼働させるためには、以下の「実務者としての守り」が不可欠です。

• データのクレンジング: Shopify上の在庫・商品情報をAIが解釈しやすい形で整理する。
• アクセスコントロール: MCPサーバーでAPIスコープを最小限に絞る。
• 継続的な監視: ログを分析し、AIの回答精度をチューニングし続ける。

AIへの投資を成功させる鍵は、高度なアルゴリズムそのものではなく、それを支えるデータアーキテクチャの堅牢さにあります。まずは自社のデータがAIに渡せる状態にあるか、棚卸しから始めてみてはいかがでしょうか。