なぜAIに235万円を渡してネットショップを1年経営させると「黒字倒産」するのか？資産14.3倍のGPT-5.6と詐欺・健忘症の真実【海外AI一次情報深掘り 第15回】

もし今日、あなたの会社の銀行口座に十万人民元、日本円にして約二百三十五万円を入れて、最新鋭のAIエージェントにハンコとログイン権限を渡し、「一年間、ネットショップを最大四店舗まで自由に経営して、資産を最大化してこい」と命令して放置したら、いったい何が起きるでしょうか。あるAIは、一年間で元手を十四点三倍の約三千三百六十万円まで増やしました。

ところが、別の最新AIたちは、帳簿のうえでは商品が売れているのに、手元の銀行口座の現金が尽きて、次々と黒字倒産に追い込まれたのです。原典論文：S1 公式リーダーボード：S2

先に今日の結論をお伝えします。一年間エラーを出さずに動き続けられるAIと、一年間の経験から学んで賢くなるAIは、まったくの別物です。

会話の履歴、つまりコンテキストウィンドウの記憶だけに頼ってAIにビジネスを丸投げすると、AIは自分が過去にいくらで仕入れたかを忘れ、三割以上の時間で同じ検索を繰り返し、売上金を出金し忘れて倒産します。AIを実務で動かすには、記憶と会計ルールを会社の基幹システム側に持たせ、AIには推論と交渉だけを担当させる設計の分離が絶対に欠かせません。

原典論文：S1

こんにちは、限界コンサルおじです。この番組では、海外の一次資料から一つのテーマを徹底的に深掘りしています。

今回は、二〇二六年八月三十一日に中国アリババグループのクウェンチームと香港科技大学などの共同研究チームが発表し、日本のテックメディアでも大きな話題となった自律型店舗経営ベンチマーク論文「イーコマース・ベンチ」を軸に、関連する二本の最新論文と決済業界の動きを突き合わせて、AIエージェントに長期の仕事や商取引を任せる条件を解剖します。原典論文：S1 公式ブログ：S4

前提の整理と全体の見取り図（何をすべきかの全体像）

まず、今回の主役である「イーコマース・ベンチ」が、これまでのAIテストと何が決定的に違うのかを押さえておきましょう。これまでのEC関連のAIベンチマーク、たとえばウェブショップやショッピングベンチといったテストは、買い手として「この条件に合う赤いスニーカーを探してカートに入れる」といった、一回きりの短い検索や商品推薦のテストでした。

これに対してイーコマース・ベンチは、AIが「売り手、つまりネットショップのオーナー」になり、三百六十五日間、最大で約四千ターンにわたって会社を経営し続けるエンドツーエンドのシミュレーションです。原典論文：S1 公式GitHub：S3

ここで、ニュース記事などを読むときに一つだけ絶対に注意してほしい数字の罠があります。英語の論文や公式ギットハブには、初期資金が「円マークに十万」と書かれています。

これを見て機械翻訳などで「AIに十万円を渡した実験だ」と誤解してしまうケースがあるのですが、この円マークは中国の人民元、チャイニーズ・ユアンを表しています。十万人民元ですから、二〇二六年十月時点の為替レートである一人民元あたり約二十三点五円で換算すると、日本円で約二百三十五万円、キリよく言えば約二百万円の開業資金です。

原典論文：S1 公式GitHub：S3

しかも、この実験の舞台は架空の適当なゲームではありません。アリババ傘下の世界最大級のECプラットフォームであるタオバオ、漢字で書くと淘宝網、そしてティモール、天猫の実際のプラットフォームデータを匿名化・正規化して作られています。

具体的には、十二種類の店舗タイプ、六十の商品カテゴリにわたる六千八百八十六点のリアルな商品データと、五百七十六社の卸売サプライヤー、さらに年間八回の大型セールと、自然災害やサプライチェーンの混乱を含む年間十回の市場イベントが組み込まれています。原典論文：S1 公式リーダーボード：S2

評価されたAIの規模も本格的です。二〇二六年八月末に公開された原典論文の時点では、商用のクローズドモデル八種類と、重みが公開されたオープンウェイトモデル十種類の、合わせて十八種類の最先端モデルが評価されました。

各モデルにつき独立して五回ずつ、つまり合計九十回の「一年間経営シミュレーション」が回されています。さらに論文公開後、公式リーダーボードではクウェン三点八マックスの正式版や、クロード・オーパス四点八、ジーエルエム五点三などが同じ条件で追加テストされ、現在では七つのベンダーファミリーにわたる二十一モデル構成、合計百五回の試行データが公開されています。

原典論文：S1 公式リーダーボード：S2

そして、この過酷な一年間を戦った結果が実にドラマチックでした。総合一位に輝いたオープンエーアイの「ジーピーティー五点六ソル」は、五回の平均で初期資金の十万人民元を百四十三万一千四百二十五人民元、倍率にして十四点三一倍、日本円換算で約三千三百六十万円にまで増やしました。

ところがその一方で、全九十回の試行のうち十回、拡張後の百五回の試行で見ても十回が、一年を走り切れずに途中で「破産」に追い込まれたのです。一位のモデルと最下位のモデルの間には、実に一千二百六十四倍もの最終資産の格差がつきました。

なぜこれほど残酷な差がついたのか。第1章で、AIを追い詰めた市場ルールと「黒字倒産」のメカニズムを見ていきましょう。

原典論文：S1 公式リーダーボード：S2

第1章：海外一次データが示す現場の変化

第1章では、「AIはどうやってネットショップを運営したのか」、そして「なぜ帳簿のうえでは儲かっているはずなのに倒産するAIが続出したのか」という、このベンチマークの巧妙なルール設計を解き明かします。原典論文：S1

イーコマース・ベンチのシステムは、大きく四つの層で作られています。一つ目は、毎日のターン進行や会話履歴、外部メモリを管理する「エージェントループ層」。

二つ目は、市場調査や出店、仕入れ交渉、出品、発送、出金などを行う十八種類の専用ツールを備えた「ツール層」。三つ目は、顧客の需要とサプライヤーの価格決定を数式で厳密に処理する「決定論的環境層」。

そして四つ目が、タオバオと天猫の実データを収めた「データ層」です。原典論文：S1 公式GitHub：S3

ここで研究チームが徹底したのが、「サイコロの目のような運要素を排除する」という決定論的な設計、デターミニスティック・エンバイロメントです。もし商品が売れるかどうかや、業者が値引きしてくれるかどうかがランダムな確率で決まってしまったら、AIの経営判断が優秀だったのか、たまたま運が良かっただけなのかが区別できません。

そのため、ある商品がその日に何個売れるかは、カテゴリの基礎需要、四種類の価格応答曲線、週末の需要一・三倍効果、最大三〇パーセント割引で頭打ちになるプロモーション効果、季節変動、市場イベント、そしてお店の評判スコアから、数式で一意に決まります。原典論文：S1

たとえば、ある土曜日のセール日にアクセサリーの需要倍率が重なって、計算上は百二十八点二個の需要が期待されたとしても、カテゴリの飽和度や店舗の処理キャパシティの制約によって、実際に売れる個数は九個に頭打ちになる、といったリアルな天井まで数式で再現されています。また、二次関数型の価格反応が設定された商品では、相場より高く売りすぎたときだけでなく、安売りしすぎたときにも「安すぎて怪しい粗悪品ではないか」と警戒されて売れ行きが落ちる仕組みになっています。

原典論文：S1

さらに面白いのが、サプライヤーとの仕入れ交渉を裁く「二層交渉エンジン」、デターミニスティック・ネゴシエーション・カーネルです。AIはチャットツールを使って業者と自然言語で値引き交渉をしますが、実は業者側が「いくらまで譲歩するか」「絶対に譲れない原価の底値、フロア価格はいくらか」「提案を受け入れるか拒否するか」は、五種類の性格パターンを持つ数式カーネルが裏で完全に決めています。

業者役の言語モデルは、その数式が出した金額と結論を「人間らしい営業トーク」に言い換えるだけで、一人民元たりとも価格を動かす権限を持っていません。原典論文のプロンプトにも「価格エンジンが決定した正確な価格をそのまま伝えよ、決して別の価格を提案してはならない」と厳命されています。

つまり、AIがいかに口八丁のプロンプトで泣き落としたり、ハルシネーションを誘おうとしたりしても、数式上の底値を割らせることは絶対にできないのです。しかも、良い条件の業者であっても一定回数の取引をこなすと市場から引退してしまうため、一社の優良業者に一年間ずっと頼り続けることもできません。

原典論文：S1 公式リーダーボード：S2

そのうえで、AIの社長には二つの重い制約が課されます。一つ目は「一日六百分の労働時間バジェット」です。

お店の営業時間は朝八時から夕方十八時までの六百分、つまり十時間です。AIが十八種類のツールを一つ使うたびに、この持ち時間が削られます。

たとえば新しい店舗を開くなら六十分、市場調査やサプライヤー検索、チャットでの価格交渉には一回三十分、注文の発送には二十分、口座の確認やお金の引き出しにも十分かかります。状況を見るだけでも時間が減るので、「とりあえず全商品のデータを調べてから考えよう」という総当たり攻撃はできません。

十八時を過ぎるとその日の営業は強制終了し、使い残した時間は翌日に繰り越せず消えてしまいます。逆に、一回のチャット呼び出しで複数の業者にまとめて交渉メッセージを送る「バッチ処理」を使えば、何社に送っても消費時間は三十分で済むため、段取りの良さがそのまま業績を左右します。

原典論文：S1

そして二つ目の、AIを最も苦しめた最大の罠が「三口座遅延決済システム」による十六日間の資金拘束です。AIが持つお金は、「銀行口座」「プラットフォームのエスクロー口座」「プラットフォーム・ウォレット」の三つに分かれています。

ここが人間の起業家でも一番ハマりやすいポイントなのですが、「商品が売れたお金」は、すぐには「銀行口座の使える現金」にならないのです。原典論文：S1 公式リーダーボード：S2

お金の流れを日を追って見てみましょう。まず初日、AIがサプライヤーと交渉して商品を仕入れる契約を結んだ瞬間、仕入れ代金は「銀行口座」から即座に全額引き落とされます。

さらに、一店舗あたり五百人民元の出店費用や、店舗の規模に応じて毎日六十人民元、百人民元、あるいは百三十人民元かかる日次運営費、そして売れ残り在庫にかかる毎日の倉庫保管料も、すべて銀行口座から直接引き落とされます。ちなみに倉庫保管料は、在庫が長期間眠っているほど指数関数的に跳ね上がり、百八十日経つと基本料金の九倍に暴騰します。

お店を閉鎖しても倉庫の荷物は消えないので保管料は止まらず、在庫を損切り処分、リクイデーションすると仕入れ値のわずか一〇パーセントしか現金が戻ってきません。原典論文：S1

一方、お客さんに商品が売れた時点では、まだ一人民元の現金も入りません。受注から二日以内にAIが二十分を使って発送処理をして初めて、二パーセントの手数料を引いた売上金が「エスクロー口座」、つまり一時預かり口座に入ります。

もし二日以内に発送できなければ注文は強制キャンセルとなり、お店の評判スコアが一点〇も急落してしまいます。最低評価に落ちた店舗は、通常のわずか一五パーセントしかお客さんが来なくなります。

さらに、発送から三日〜七日の間に発生する返品があると、エスクロー口座から小売価格の全額が差し引かれ、手数料二パーセントと発送時の送料は店舗の丸損になるうえ、返品された商品は倉庫に戻ってまた保管料タイマーが回り始めます。原典論文：S1

こうして発送から九日間のエスクロー期間を無事に乗り切ってようやく、売上金は「プラットフォーム・ウォレット」に移ります。しかし、まだ終わりではありません。

ウォレットに入ったお金は、AIが自分から十分間を使って「出金ツール」、ウィズドローを叩かない限り、銀行口座には戻らないのです。原典論文の図解にある具体例では、中価格帯のアクセサリー四十個を初日に二千四百四十七人民元で仕入れて定価で売った場合、初日に銀行口座から二千四百四十七人民元が消え、エスクローとウォレットを経て最初の現金が銀行口座に回収されるまでに、実に十六日間もかかります。

原典論文：S1

そして、最も冷酷な鉄の掟がこれです。「毎朝のチェックで、銀行口座の残高マイナスが十日連続したら、その瞬間に破産、ゲームオーバーになる」。

たとえエスクロー口座に何十万人民元もの売上金が待っていようと、ウォレットに十分な現金が貯まっていようと、銀行口座が十日間マイナスなら容赦なく倒産です。これが、AIたちを次々と沈めた「黒字倒産」のからくりなのです。

原典論文：S1 公式リーダーボード：S2

第2章：技術的・構造的な仕組みと落とし穴

では、この過酷なルールの中で、世界トップクラスのAIモデルたちはどんな経営を見せたのでしょうか。第2章では、研究チームが測定した「七つの評価軸」と、そこから浮かび上がったAIたちの驚くほど人間くさい「経営者としての性格」を比較します。

原典論文：S1 公式リーダーボード：S2

研究チームは、三百六十五日終了時点の「最終総資産」、つまり銀行残高とウォレット残高と清算後のエスクロー残高の合計をメインの指標にしつつ、六つの補助軸を加えた合計七つの次元でAIを採点しました。なお、最終日に残った売れ残り在庫は現金化されずゼロ円扱いで切り捨てられ、途中で破産した試行も除外せずに五回平均の計算にそのまま含められます。

六つの補助軸とは、一つ目が仕入れ値をどれだけ叩いたかを見る「交渉の質」、二つ目が悪徳業者を見抜けたかを見る「詐欺回避」、三つ目が最大資産からの下落幅や破産回数を見る「資金繰りと支払能力」、四つ目がツール一回あたりの儲けを見る「業務効率」、五つ目が配送や品質選びで防げる返品を抑えたかを見る「業務遂行・返品管理」、そして六つ目が同じ業者へのリピート発注で価格を下げられたかを見る「長期学習能力」です。原典論文：S1 公式リーダーボード：S2

ここで判明した一番面白い事実は、「七つの評価軸すべてでトップ五に入る万能なAIモデルは、ただの一つも存在しなかった」ということです。それぞれのモデルに、極端なまでの得意・不得意、つまり経営スタイルのトレードオフが現れました。

原典論文：S1 公式リーダーボード：S2

まず、総合一位に輝いたオープンエーアイの「ジーピーティー五点六ソル」を見てみましょう。初期資金の十万人民元を五回平均で百四十三万一千四百二十五人民元、十四点三一倍の約三千三百六十万円に増やし、五回とも破産ゼロで完走した圧倒的な稼ぎ頭です。

ところが、その中身を覗くと、決して「非の打ち所がない完璧な経営者」ではありません。実はこの市場には、五百七十六社のサプライヤーのうち百五十二社、比率にして二六・三九パーセント、つまり約四社に一社の割合で「詐欺業者」が紛れ込んでいます。

ジーピーティー五点六ソルは、なんと仕入れ資金の一八・四八パーセントをこの詐欺業者に支払っており、詐欺回避ランキングでは十八モデル中十六位という散々な成績だったのです。原典論文：S1 公式リーダーボード：S2

では、なぜそんなに騙されながら一位になれたのか。答えは「圧倒的な物量と回転スピード」です。

ジーピーティー五点六ソルは、一年間で平均三千六百六十八回ものツールを呼び出し、商談を仕掛けた業者の三一・七パーセントと契約をまとめ、平均二百八十二点四件もの仕入れディールを成立させました。詐欺師に約一八・五パーセントのお金を騙し取られ、管理可能な返品率も四・四六パーセントポイントと高めだったにもかかわらず、それ以上に店舗を広げて大量に仕入れ、大量に売りさばくスケールメリットで、損失を力技でねじ伏せたのです。

いわば「細かい損は気にせず、とにかく売上規模で押し切るイケイケの豪腕営業社長」です。原典論文：S1

これに対して、総合二位に入ったアンソロピックの「フェイブルファイブ」は、まったく違う「スマートな職人肌」の経営を見せました。フェイブルファイブは初期資金を平均八十万四千五百四十一人民元、約八・〇五倍の約一千八百九十万円に増やしました。

注目すべきは手数の少なさです。ツール呼び出し回数は平均一千四百六十九回と、ジーピーティー五点六ソルの半分以下、正確に言うと五九・九パーセント少ない手数でお店を回しました。

その結果、ツール一回あたりの純利益は四百七十九人民元、約一万一千二百六十円となり、ジーピーティー五点六ソルの三百六十三人民元を抜いて全モデル中ナンバーワンの業務効率を記録しました。詐欺業者への支出も三・四六パーセントに抑え、無駄な確認や重複検索を省いて最短手数で利益を抜く、極めて洗練されたオペレーターです。

原典論文：S1 公式リーダーボード：S2

そして、この二人と並べると最高に面白いのが、同じくアンソロピックの「クロード・オーパス四点七」です。一言で言えば、「石橋を叩きすぎてビジネスチャンスを逃した、超慎重な監査役」です。

クロード・オーパス四点七は、誠実なサプライヤーとの交渉でどれだけの余剰を引き出したかを測る交渉スコアにおいて、〇・八一一という全モデル中ぶっちぎりの一位を叩き出しました。ちなみに、業者の最初の言い値で即決するとスコアは〇・五〇になり、交渉が一番苦手だったキミ・ケーツーポイントシックスは〇・五九六でしたから、オーパス四点七がいかに粘り強く、平均三・八八ラウンドをかけて原価の底値近くまで値切ったかがわかります。

さらに驚くべきことに、詐欺業者への支出比率はわずか〇・一二パーセントで、詐欺回避でも全モデル中堂々の一位でした。原典論文：S1 公式リーダーボード：S2

「交渉も最強、詐欺も見破るなら、さぞかし大儲けしただろう」と思いますよね。ところが、クロード・オーパス四点七の最終総資産は二十五万九千二百八十四人民元、約二・五九倍の約六百十万円にとどまり、論文の十八モデル中で総合八位、追加評価を含めた二十一モデル中では十位に沈んだのです。

なぜか。怪しい業者を警戒して慎重に交渉を重ねるあまり、アプローチした業者のうち実際に発注に至ったのはわずか四・〇パーセント、一年間で成立した仕入れディールは平均七十四・四件と、ジーピーティー五点六ソルの四分の一程度しかなかったからです。

ツール一回あたりの利益も百五十六人民元にとどまりました。「絶対に騙されないし値切り交渉も完璧だが、慎重すぎて商売の規模が一向に大きくならない」。

現実の会社でもよく見かけるコンプライアンス偏重のジレンマが、そのままAIの行動に現れたのです。なお、後継モデルのクロード・オーパス四点八ではこの慎重さが少し緩和され、詐欺支出率が五・四一パーセントに増えた代わりに、成立ディール数が二百二十一・四件へ増え、最終資産は約四十九万八千人民元、約四・九八倍へと大きく伸びています。

原典論文：S1 公式リーダーボード：S2

一方、オープンウェイトモデルの中でトップ、十八モデル中五位に入ったのが、アリババ自身の「クウェン三点八マックス・プレビュー」です。最終資産は四十一万六千二百五十二人民元、約四・一六倍の約九百七十八万円で、オープン勢二位のジーエルエム五点二ハイの約三十万一千人民元を三八パーセント上回りました。

そしてこのモデルの最大の武器は、第3章で詳しくお話しする「長期学習能力」で全モデル中唯一の明確な成長を見せた点にあります。原典論文：S1 公式リーダーボード：S2

しかしその裏で、名だたるフロンティアモデルたちが次々と破産の憂き目に遭いました。クウェン三点五プラスは五回中四回、つまり八〇パーセントが破産し、最終資産の平均はわずか一千百三十三人民元、約二万六千六百円でした。

さらに、オープンエーアイのジーピーティー五点五、アンソロピックのクロード・オーパス四点六、グーグルのジェミニ三点一プロも、それぞれ五回中二回、四〇パーセントの確率で途中破産しています。特にジーピーティー五点五は、完走した回は大儲けしたため平均資産では約七十万二千人民元で三位に入っていますが、破産した二回を含めてエピソードごとの効率を計算すると十七位に急落するなど、大勝ちか倒産かという極端な不安定さを見せました。

原典論文：S1 公式リーダーボード：S2

第3章：海外ポッドキャストの肉声と実務の壁

さて、ここからが今回の番組で一番知的に面白いパートです。第3章では、なぜ最新のAIモデルたちが同じミスを繰り返し、詐欺師のカモにされ、黒字倒産していくのか。

全九十エピソードの行動ログが暴き出した「AIの健忘症」の正体に迫ります。原典論文：S1

人間の店長やバイヤーなら、同じ誠実な業者から同じ商品を二回目、三回目とリピート発注するとき、「前回は一個五十元までまけてくれたから、今回は五十元以下から交渉を始めよう」と考えるのが当たり前ですよね。研究チームは、全モデルの取引ログから、同じ誠実な業者・同じ商品のリピート発注、十八モデル版で二千二百三十ペア・合計八千六百四十七回の再発注データを抜き出し、「アンカー・レシオ」という指標を計算しました。

これは、過去の発注順番をランダムにシャッフルした基準と比べて、回を重ねるごとに安く買えるようになったかを測る指標です。数値が一・〇なら「学習ゼロでランダムと同じ」、一・〇より小さければ「過去の最安値を活かしてだんだん安く買えている」、逆に一・〇より大きければ「最初の高値に引きずられるか記憶を失って、回を重ねるほど高く買わされている」ことを意味します。

原典論文：S1 公式リーダーボード：S2

結果は衝撃的でした。論文の十八モデルのうち、実に十六モデルが「アンカー・レシオが一・〇を超える」、つまりリピート発注なのに回を重ねるほど高値掴みをさせられていたのです。

一・〇を下回ったのは、クウェン三点八マックス・プレビューの〇・八三四と、ジェミニ三点五フラッシュの〇・九一八の二つだけで、そのうち統計的に有意な右肩下がりの価格学習曲線を描けたのは、クウェン三点八マックス・プレビューただ一つでした。あの単発交渉ナンバーワンのクロード・オーパス四点七でさえ、アンカー・レシオは一・四二一と悪化しており、「過去の自分がいくらまで値切ったか」を次の交渉でまったく活かせていなかったのです。

原典論文：S1 公式リーダーボード：S2

なぜこんな「健忘症」が起きるのでしょうか。行動ログを解剖すると、四つの決定的な証拠が見つかりました。

一つ目の証拠は、「コンテキスト上限による記憶消去と、外部メモリの放置」です。各AIには約十二万八千トークンのコンテキストウィンドウが与えられていましたが、一年分の経営ログは到底入りきりません。

会話履歴が十二万トークンを超えると古い履歴から自動的に消去される仕組みになっており、九十回の試行全体で合計一千四百九十五回もの履歴消去が発生しました。たとえば手数の多いジェミニ三点五フラッシュは一年間で約十九回分、ジーピーティー五点五は約二十八回分ものコンテキストウィンドウを丸ごと失っています。

それを補うために、消去されない「最大二十枠の外部メモリツール」が用意されていたのですが、AIがこのメモリツールを使った割合は、全ツール呼び出しのわずか二・一パーセントでした。クウェン三点五プラスに至っては、五回の試行で一度もメモリを書き込みませんでした。

しかも、せっかくメモを残していても、数か月後の再発注のときにはそのメモを見ないか、見ても業者の言い値に押し切られてしまう現象が多発したのです。原典論文：S1

二つ目の証拠は、「三四・二パーセントにのぼる完全重複検索」です。AIが一年間に実行したカタログ・業者検索二千百八十回のうち、なんと七百四十六回、三四・二パーセントが、その同じエピソードの中で自分がすでに実行したのと一言一句同じ条件の再検索でした。

これだけで合計七千四百六十分、一エピソードあたり平均八十三分もの貴重な営業時間を、自分が調べたことを忘れたせいでドブに捨てていたのです。原典論文：S1

三つ目の証拠は、「目先のルーティン作業に追われて、戦略的な価格改定をサボる現象」です。全ツールの呼び出し先を集計すると、発送処理、翌日への進行、出金、在庫出品という「毎日のルーティン作業」が全体の七一・八パーセントを占め、状況確認が一四・七パーセントを占めました。

それに対して、原価を下げるための「業者との交渉」はわずか六・〇パーセント、市場の季節やセールに合わせて販売価格を書き換える「価格改定、リプライシング」に至っては、全体のたった〇・六六パーセントしか使われていませんでした。十八モデルのうち九モデルは、一年間で平均三回未満しか販売価格を変えていなかったのです。

原典論文：S1

そして四つ目の証拠が、「うっかり出金忘れによる当座貸越と、塩漬け在庫による窒息死」です。全九十試行のうち十七エピソード、合計百七十七日において、朝の銀行口座チェックで残高マイナスが記録されました。

驚くべきことに、その百七十七日のうち六十六日、割合にして三七・三パーセントでは、プラットフォーム・ウォレットの中に銀行のマイナスを穴埋めできるだけの十分な現金が入っていたのです。つまり、AIがたった十分間の「出金ツール」を押すのを忘れたせいで、みすみす倒産カウントを進めていたのです。

一方で、五回中四回破産したクウェン三点五プラスの失敗ログは、さらに深刻な在庫破綻を示しています。このモデルは一月〜二月の序盤に四店舗を一気に開いて一年分の在庫を大量に買い込み、しかも二十四回の発注のうち十二回を詐欺業者に発注してしまいました。

商品が売れずに倉庫で塩漬けになり、指数関数的に膨れ上がる保管料が五月一日には一日あたり約四百二十六人民元、五月九日には一日四百二十八人民元に達しました。五月二日から銀行口座がマイナスに転落し、十日目の五月十一日には銀行残高がマイナス三千九百六十八人民元となったのに対し、ウォレットには二千六百二十二人民元しかなく、もはや出金しても救えない完全な資金ショートで破産しました。

原典論文：S1

しかも、市場に潜む百五十二社の詐欺業者は、五つの巧妙な手口でAIの弱点を突いてきます。取引前の罠が三つあり、一つ目は特別卸値の見返りに事前会費を要求する「VIP会費の恐喝」、二つ目は「今日中に決めないと値上げする」と一回の会話で最大六箇所も煽り文句を入れて水増し価格で買わせる「偽の緊急性」、三つ目は「今回高く買ってくれれば次回大幅割引する」と嘘をつく「次回割引の空手形」です。

さらに厄介なのが取引後の二つの罠で、四つ目の「数量ごまかし・中抜き」は、交渉中は誠実な業者とまったく同じように振る舞いながら、いざ倉庫に納品されると発注数の六〇〜七〇パーセントしか届きません。そして五つ目の「品質ダウングレード・粗悪品納品」は、お客さんに発送してから三〜七日後に大量の返品と店舗評価の急落として初めて発覚します。

入庫検品や原因の切り分けをしないAIは、何度も同じ詐欺師に発注し続けてしまったのです。原典論文：S1 公式リーダーボード：S2

第4章：私なりの解釈（何をすればいいか：構造変化の核心）

ここまで聞いて、「それでもジーピーティー五点六ソルが資産を十四倍にしたなら、もう人間のネットショップ店長はいらないのではないか」と思った方もいるかもしれません。第4章では、関連する二本の最新論文と決済業界の動きを突き合わせて、その疑問に明確なデータで答えを出し、私たちが実務でどうシステムを組むべきかを提案します。

MerchantBench論文：S5 VHD-Play論文：S6

まず、「AIは人間を超えたのか」という問いへの答えは、イーコマース・ベンチの一か月前、二〇二六年七月三十一日に発表された姉妹ベンチマーク論文「マーチャント・ベンチ」にあります。こちらは中国の巨大B2B卸売市場である一六八八ドットコムの九万八千八百四十三件の実商品データと二十六種類のツールを使い、三百六十五日間、一時間単位で八千七百六十ステップの店舗運営をシミュレーションした研究です。

ここで研究チームは、八種類の最新LLMと人間の参加者を同じ条件で直接対決させました。MerchantBench論文：S5

結果はどうだったか。最も成績が良かったAI構成であっても、人間の参加者が達成した最終純資産の平均に対して、わずか「二七・三パーセント」、つまり人間の四分の一強しか稼げなかったのです。

「人間より二七パーセント劣る」のではなく、「人間が百稼ぐところで二十七点三しか稼げなかった」という大差です。人間は数日遅れて返ってくる悪評や返品のデータからすぐに原因を推論して商品の仕入れ先を入れ替えるのに対し、AIは長期運用の途中でだんだん行動回数が減って思考停止に陥る「活動減衰」や、最初の方針から迷走する「戦略的漂流」を起こすことが確認されています。

MerchantBench論文：S5

「では、AIはいつまでも資金繰りを管理できないのか」というと、そこに技術的な突破口を示したのが、イーコマース・ベンチの翌月、二〇二六年九月二十三日に同じクウェンチームの研究者らが発表した続編論文「VHD-Play」です。この研究では、ただプロンプトでAIに考えさせるのではなく、市場や決済の背後にある数理的な状態遷移モデルを先に解いてから、三千三百個の検証可能な強化学習環境を自動生成し、「クウェン三点六・三十五ビリオン・エースリービー」というモデルを強化学習で鍛えました。

その結果、訓練後のモデルは診断スコアが〇・二〇四から〇・八一五へと劇的に向上しただけでなく、本番のイーコマース・ベンチの三百六十五日試行を「全試行で破産ゼロ」で完走し、上位モデルのクウェン三点七マックスを超える資産成績を叩き出したのです。つまり、「問題そのものを解く知能」よりも「長期にわたって状態を維持しながらツールを操作する作法」にこそ弱点があり、そこは強化学習や外部の仕組みで克服できることが証明されました。

VHD-Play論文：S6

そして現実のビジネス界でも、AIが直接お金を動かす時代に向けたインフラ整備が一気に始まっています。マッキンゼーの予測によれば、AIエージェントが自律的に購買や仕入れを行う「エージェンティック・コマース」の市場規模は、二〇三〇年までに世界で三兆ドルから五兆ドル、日本円で約四百五十兆円から七百五十兆円に達すると見込まれています。

イーコマース・ベンチが公開されたのと同じ二〇二六年八月十八日には、ステーブルコイン決済インフラ企業のレインが主導し、ビザ、マスターカード、ファイサーブ、サークル、ソラナなど二十六社が参加する「エージェンティック・ペイメンツ・アライアンス」、略してAPAが結成されました。誰がAIエージェントにいくらの決済権限を委譲したのかを証明する本人認証や、利用上限を厳格に縛るスコープド・カード、AI特有の詐欺検知の国際標準づくりがすでに動いているのです。

APA公式発表：S7

【実践・深掘りパート：具体的やり方・試行錯誤の記録】実務で機能する3層ハイブリッド設計

これらの一次資料を踏まえて、ここからは【私なりの解釈】として、私たちが自分の会社や現場でAIエージェントを設計するときの「三つの鉄則」を提案します。

今回の研究が企業のCTOやシステム設計者に突きつけた最大の教訓は、「LLMのコンテキストウィンドウ、つまり会話履歴を、会社の帳簿や基幹データベースの代わりに使ってはいけない」ということです。ベンチマーク実験では、AIの素の実力を測るために、あえて出金や発送期限の管理、過去の最安値チェック、詐欺業者の照合まで全部AI自身の記憶と判断に任せました。

しかし、実務でそんな丸投げをすれば、一位のジーピーティー五点六ソルですら仕入れ資金の一八・四八パーセントを詐欺師に抜かれ、他のモデルもうっかり出金忘れで黒字倒産します。

ですから、実務でAIエージェントを組むときは、役割を次の三つにきっぱり分けてください。

一つ目の鉄則は、「会計と決済の自動化」です。ウォレットから銀行口座への出金や、受注から二日以内の発送アラート、運転資金が一定ラインを下回ったときの仕入れ停止といった資金繰りルールは、AIの判断に任せず、従来の決定論的なプログラム、つまりバッチ処理やワークフローエンジンで百パーセント自動化します。

これだけで、口座マイナス百七十七日のうち六十六日を占めた「うっかり出金忘れ」はゼロにできます。

二つ目の鉄則は、「状態のデータベース化とハードガードレール」です。過去の取引で引き出したSKUごとの最安値や、発注数に対して納品数が六〇〜七〇パーセントしか届かなかった中抜き業者、返品が急増した粗悪品業者のリストは、消えてしまう会話履歴やAI任せのメモ帳ではなく、リレーショナルデータベースに構造化して記録します。

そして、AIが発注ツールを叩く直前にシステム側でチェックを挟み、「過去の最安値より高い見積もり」や「ブラックリスト業者への発注」「事前VIP会費の支払い」は、プログラムの側で自動的にブロックするか、人間の承認画面に差し戻すのです。

三つ目の鉄則は、「AIの役割を推論と交渉に絞る」ことです。帳簿の管理と安全装置をシステム側が引き受けたうえで、AIには「季節イベントやセールに合わせた商品ラインナップの選定」「初めて取引する業者との粘り強い値引き交渉」「市場の需要変化に応じた機動的な販売価格の改定」という、人間が毎日やるには時間が足りない推論タスクに集中させます。

イケイケの営業力を持つモデルに、システム側の厳格な会計ガードレールを組み合わせる。これこそが、詐欺被害〇・一二パーセントの安全性と、資産十四倍の成長力を両立させる唯一の実務アーキテクチャです。

結論：現場で実際に試してつまずいた箇所・修正手順と明日からの3大アクション

最初の問いに戻りましょう。AIに二百三十五万円を渡して一年間ネットショップを経営させたらどうなるか。

タオバオと天猫の実データを使った三百六十五日間の実験「イーコマース・ベンチ」が教えてくれたのは、AIはすでに一年間で資産を十四倍に増やす爆発力を持っている一方で、素のまま放置すれば過去の最安値を忘れ、三四・二パーセントの重複検索で時間を溶かし、詐欺師に資金を抜かれ、ウォレットにお金を残したまま黒字倒産するという生々しい現実でした。原典論文：S1 公式リーダーボード：S2

人間のベテラン店長と比べれば、素のAI単体ではまだ人間の二七・三パーセントしか稼げません。しかし、状態遷移を強化学習で鍛えた最新モデルが破産ゼロを達成し、ビザやマスターカードら二十六社がAI決済同盟を立ち上げたように、AI同士が直接商取引を行う数兆ドル規模の経済圏は、もう目の前まで来ています。

MerchantBench論文：S5 VHD-Play論文：S6 APA公式発表：S7

だからこそ、私たちが今日持ち帰るべき結論はシンプルです。「一年間動くAI」と「一年間で学ぶAI」を混同しないこと。

そして、記憶と会計ルールはデータベースとプログラムの仕組みに持たせ、AIの頭脳には交渉と戦略の推論だけを担わせること。この「頭脳と帳簿の分離」ができた企業だけが、エージェンティック・コマースの時代を生き残ることができます。

もしあなたの職場で明日、AIエージェントに業務や予算の一部を任せるとしたら、「ここはAIの推論に任せる仕事」「ここは絶対にプログラムのルールで縛る安全装置」と、どこに境界線を引きますか。また、たくさん騙されながらも十四倍稼ぐ豪腕タイプのAIと、絶対に騙されないけれど二・六倍で止まる超慎重タイプのAI、あなたの現場ならどちらをベースに選びたいでしょうか。

ぜひコメント欄であなたの考えを教えてください。

今回ご紹介したイーコマース・ベンチの原典論文、公式リーダーボード、ギットハブ、マーチャント・ベンチや強化学習の続編論文、そしてアイティメディアの解説記事のリンクは、すべて概要欄とノート記事にまとめています。今日の深掘りが面白かった、役に立ったという方は、ぜひ高評価とチャンネル登録をお願いします。

また終了画面に表示されている関連動画もぜひあわせてご覧ください。限界コンサルおじでした。

それでは、また。

参照した海外一次資料・出典リンク一覧

• E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation (arXiv:2608.30730v1)

• E-Commerce Bench 公式プロジェクトページおよびリーダーボード集計データ (ecbench.github.io/showcase_data.json)

• QwenLM/E-CommerceBench 公式GitHubリポジトリ

• Qwen Official Blog: E-Commerce Bench

• MerchantBench: Benchmarking LLM Agents for Long-Term Coherence in E-Commerce Operations (arXiv:2607.28956)

• Verifiable Hidden Dynamics Play: Generating Agentic RL Environments from Solved Mechanisms (arXiv:2609.27321)

• Rain Launches the Agentic Payments Alliance to Guide the Future of Agent-Driven Commerce (PRNewswire, 2026年8月18日)

この記事は、ポッドキャスト放送回（ep15-ecommerce-bench）の台本と一次資料をもとに再構成しました（確認日：2026年10月21日）。