【後編・2026年版-Palantir（パランティア）22箇条とEC】楽天・Amazon運営に使うAIプロンプト集

前編（【前編・2026年版-Palantir22箇条とEC】EC事業者が知るべきAI哲学22箇条）では、Palantir（パランティア・テクノロジーズ） の22箇条マニフェストの全体像と日本展開の動向を整理しました。

「面白い思想だな」と感じた方も多いかと思います。でも今回の本題はここからです。

楽天・Amazon・Yahoo!ショッピングで実際に商品を売っている事業者が、この思想を「明日の運営」にどう翻訳するか。

実践的なAIプロンプトを4本、サンプルアンサー付きでお届けします。

ひとつだけお断りを。本記事は特定企業の思想を教育目的で紹介するもので、その思想の全面的な支持を意味しません。紹介するデータは出典を明示していますが、EC運営への適用効果は個別状況により異なります。本記事内の体感値・目安として参照してください。

📌 この記事の結論（30秒まとめ）

要点①：Palantir（パランティア・テクノロジーズ）思想をEC運営に翻訳すると「5原則」になる。データ・AI役割・スピード・実験・顧客データ倫理の5軸

要点②：2026年3月に楽天AIが約7,000億パラメータのMoEモデルで刷新。AIエージェントが楽天市場内で「約5億点から最適な商品を提案」する時代に突入した

要点③：SalesforceのCyber Week調査では2025年の注文の20%がAIエージェント影響下。この流れに乗れるかどうかで事業者間の差が広がる

要点④：後編の核心はプロンプト4本（データ主権監査・AIベンダー評価・AIエージェント対応度・意思決定速度ベンチマーク）。どれも今日から使える

1️⃣ Palantir（パランティア・テクノロジーズ）思想をEC運営に翻訳した5原則

Palantir（パランティア・テクノロジーズ）思想をEC運営に翻訳した5原則とは、22箇条マニフェストの核心を「楽天・Amazon・Yahoo!出店者がすぐ実践できる形」に変換した行動フレームワークです。

要は自分の店でどう使うか、です。22箇条を何度も読み返して、EC運営に直結する5つの原則に絞りました。

原則1：データは「所有しないと意味がない」（第16条より）

第16条は「データの支配は新しい形の主権だ」と宣言しています。

EC文脈に置くとこうなります。

楽天・AmazonのプラットフォームでAIが「あなたのお客様」を管理している間、あなたはデータの小作人かもしれない。

楽天RPPで広告費をかけて集客した顧客のデータ——購買履歴・閲覧パターン・流入経路——は、楽天のシステム内に蓄積されます。あなたの店の顧客でも、プラットフォームの外に持ち出すことには制限があります。

日経新聞が「デジタル小作農」と表現した状態——米国クラウドサービス依存で約6兆円規模の赤字——が日本全体の課題です。EC事業者もこの構造の縮小版に置かれています（ただし国家レベルとは性質が異なります）。

💡 実践ポイント：自社CRMや自社サイトへの誘導強化、メールマガジン登録促進など、「プラットフォームの外で顧客と接点を持つ」活動をKPIに入れる。

原則2：AIは「補佐役」で人間が最終判断（第12条より）

第12条は「Human-in-the-Loop」、つまり「人間は必ず意思決定のループの中にいなければならない」という原則です。

英語原文："Humans must remain in the loop."
日本語訳：「人間は必ず意思決定のループの中にいなければならない」

AIが価格改定を提案する。AIがレビュー返信を生成する。AIが広告入札額を調整する。

でも最終的に「この判断でいいか」と確認するのは人間です。

「AIが提案したけど最後は自分で判断する」事業者と、「AIが言ったから」でそのまま動く事業者。半年後の差が怖い。あなたはどちらのパターンに近いですか？

💡 実践ポイント：AIの出力を「提案書」として扱う。承認フローを事前に決めておく。

原則3：不完全な情報でも「速く動く」（第14条より）

第14条は「不完全な情報下での意思決定能力を高めることが現代の競争優位だ」と言います。

楽天RPPの入札最適化を考えてみてください。競合の動向・季節性・在庫状況・利益率——これらの情報がすべて揃ってから動こうとすると、常に後手に回ります。

「データが足りない」は言い訳になりつつあります。AIが補完できる情報量が増えたからです。

💡 実践ポイント：「決定のための最小情報」を事前に定義しておく。AIで素早くシナリオを作り、7割の確信で動く。

原則4：思想を持つベンダーを選ぶ（第1条より）

第1条は「技術は中立ではない」と宣言しています。

あなたが使う在庫管理ツール・広告自動化ツール・レコメンドエンジン——どれも設計者の価値観が入っています。

特に2026年以降、AIベンダーのデータ処理方針・CLOUD Act対象かどうか・顧客データの利用規約は、「なんとなく選ぶ」ではすまない問題になりつつあります。

💡 実践ポイント：新しいAIツールを導入するとき、利用規約のデータ利用条項を確認する。

原則5：実験の速度が競争優位（第14条より）

Palantir（パランティア・テクノロジーズ）は「数週間でのAI導入実現」という速度感を自社の武器にしています。米国Commercial部門は前年比+137%成長を記録しました（Q4 2025単四半期。FY2024通年は+54%であり、期間によって成長率は異なります）。

EC運営でいえば「テスト→計測→改善のサイクルが速い店舗が勝つ」という原則に翻訳できます。

💡 実践ポイント：1週間以内に結果が見えるABテストを常時1本以上走らせる。AIでテスト案の生成を自動化する。

2️⃣ Bolt × Palantir（パランティア・テクノロジーズ）「Checkout 2.0」の実例

Palantir（パランティア・テクノロジーズ）思想がEC領域でどう機能するか。最もわかりやすい実例があります。

2025年6月、Bolt社とPalantir（パランティア・テクノロジーズ）が「Checkout 2.0」を共同発表しました。

Boltは8,000万人超の消費者ネットワークを持つ電子商取引決済プラットフォームです。Palantir（パランティア・テクノロジーズ）は意思決定エンジンを提供しました。

この統合で実現したのは、チェックアウト画面の「リアルタイム個別最適化」です。

💡 各ユーザーの行動・デバイス・購買文脈をリアルタイムで学習して、決済フローを動的に変化させる

たとえば、スマホでアクセスしてきた30代の食品定期購入ユーザーには、口座引落しを先に表示する。PCでアクセスしてきた初回購入ユーザーには、クレジットカード入力を最小ステップにする。

Palantir（パランティア・テクノロジーズ）のGlobal Head of Commercial、テッド・マブレイ氏はこう述べました。

💬 "This integration is the foundation that accelerates retail into the AI era."
日本語訳：「この統合はAI時代へのリテールの加速を支える基盤だ」

（出典：Bolt and Palantir（パランティア・テクノロジーズ） Partner to Launch Checkout 2.0, PR Newswire, 2025年6月）

楽天やAmazonが独占していたチェックアウト体験の「外」で、こういうモデルが動き始めています。日本のEC事業者が自社サイトを持つ理由が、また一つ増えました。

3️⃣ マニフェストとEC業界の6つの交差点

前編でも紹介しましたが、後編では「具体的にどう運営に関係するか」という視点から6つの交差点を整理します。

💡 交差点①：「データ主権」（第16条）× プラットフォーム依存

楽天・Amazon・Yahoo!での顧客データはプラットフォームのもの。ファーストパーティデータの自社保有率をKPIにすることが、デジタル主権の第一歩になります。

💡 交差点②：「不完全情報下の意思決定」（第14条）× 楽天RPP最適化

2025年サイバーウィーク、AIチャットボット経由のトラフィックは前年比670%増を記録しました（Adobe Analytics、サイバーマンデー当日・米国市場のデータ）。「広告を読まないAIエージェント」が購買経路の主役になりつつあります。楽天SEO・RPP戦略の前提が静かに変わっています。

💡 交差点③：「技術の中立性の否定」（第1条）× ベンダー選定リスク

Gartnerは2027年までに35%の国が地域固有のAIプラットフォームにロックインされると予測しています（注：予測であり、現時点での確定事実ではありません）。今から「どのベンダーのデータ処理方針に乗るか」を意識しておくのが先手です。

💡 交差点④：「精密な意思決定」（第13条）× ECパーソナライゼーション

無差別リターゲティングではなく、顧客行動・文脈・タイミングに応じた精度の高い接触が、顧客満足と広告費効率の両方を高めます。Checkout 2.0はその最先端モデルです。

💡 交差点⑤：「組織の意思決定硬直化」（第8条）× EC組織の意思決定

なお、第8条の原文は特定の政治・社会規範への批判を含み激しい論争を呼んでいます（前編で詳述）。ここではその批判的文脈を取り除き、「意思決定プロセスの硬直化」という普遍的な組織課題に絞って翻訳します。

承認プロセスの多層化・前例踏襲優先・データより「感覚」で動く意思決定文化。これが競合との「実験速度の差」を生みます。あなたの店は週次会議で何を「感覚」で決めていますか？

💡 交差点⑥：「工学エリートの使命」（第6条）× EC技術人材戦略

在庫予測・不正検知・顧客LTV予測・需要予測——こうした高付加価値領域への技術人材投資が後手に回っている事業者が多い。楽天SEO担当に優秀な人を集中させているだけで、本当にいいでしょうか。

4️⃣ 「3層分化」フレームワーク：あなたはどの層にいるか

2026年、日本のEC市場はAI・D2C・ポイント経済圏の三つ巴です。事業者は3つの層に分かれる——私はそう見ています。

💡 第一層（勝者）

AIエージェントに選ばれる商品データを整備している事業者。

楽天AI 3.0（2026年3月17日発表）は約7,000億パラメータのMoEモデルで、同規模比で最大90%のコスト削減を実現。楽天市場AIエージェント「Rakuten AI」（2026年1月5日）は約5億点の商品から最適な商品を提案します。

このエージェントに選ばれるかどうかが、集客の新しい入口です。

💡 第二層（共存）

楽天・Amazonを物流インフラとして使いながら、自社ファンと自社データを持つ中堅事業者。

プラットフォームに完全依存せず、自社メルマガ・自社SNSで顧客と直接つながっている。第14条的な「不完全情報での意思決定力」で差をつけています。

💡 第三層（転換を迫られる段階）

価格とスペックだけで比較される、コモディティ出品者。

プラットフォームに完全依存したまま、手数料・広告費の上昇が収益を圧迫しているケース。プラットフォームの外に出口を作れていない状態です。

サイバーウィーク2025でAIチャットボット経由トラフィックが前年比670%増（Adobe Analytics・米国市場）を記録し、AIエージェントが消費者の購買経路を再編しています。

SalesforceのCyber Week調査では2025年の注文の20%がAIエージェントの影響を受けており、AIエージェント経由で67,000億円規模（$67B）の貢献があったとしています。

「楽天AIエージェントに選ばれる商品データ整備」が次の競争軸になる可能性が高い。この一点だけでも、今日から動く価値があります。

5️⃣ 3フェーズ実践ロードマップ

Palantir（パランティア・テクノロジーズ）思想を「今すぐ→3〜6ヶ月→6〜12ヶ月」の時間軸で実践するロードマップです。

「いきなり全部やろう」と思うと、どこから手をつけていいか分からず、結局なにも進みません。なので段階を分けます。フェーズ1は今週中、フェーズ2は半年、フェーズ3は1年。この順番で積み上げる前提です。

💡 フェーズ1：今すぐできること（データ主権の棚卸し）

期間の目安：1〜4週間
かける費用：基本ゼロ円（既存ツールの設定確認だけで完結）
到達目標：自分の店が「どんな顧客データを持っていて、どこに置いてあるか」を一覧化する

なぜこのフェーズが先なのか

地図を持たないまま走り出すと、迷うからです。「うちはAmazonの売上が多いからAmazon顧客データを大事にしよう」と思っていたけれど、棚卸ししたら実は楽天購入者のメルマガ登録率の方が高かった——こういう発見はよくあります。

4つの具体アクション

①自社が保有するファーストパーティデータの一覧化
ファーストパーティデータとは「お客様から直接いただいた情報」のことです。具体的には次のもの：

• 自社サイト（Shopify・BASE等）の会員リスト：メールアドレス・購入履歴・住所

• メルマガ登録者リスト：配信ツール（Klaviyo・配配メール等）に格納されている

• LINE公式アカウントの友だちリスト：人数とブロック率

• 同梱物経由の自社サイト誘導からの会員登録数

これらを「リスト名／件数／最終更新日／管理者」の4列でExcelか Googleスプレッドシートに記録します。これだけで自社のデータ主権の現在地が見えます。

②楽天・Amazon・Yahoo!の購買データの「持ち出し可否」を利用規約で確認
それぞれのプラットフォームで「どのデータをCSV出力できるか」「どのデータを外部ツールに連携できるか」を利用規約・ヘルプページで確認します。たとえば：

• 楽天市場：購入者のメールアドレス取得は2024年改定で原則不可（同梱チラシ経由の自発的登録は可能）

• Amazon：購入者のメールアドレス取得は不可。Brand Registry登録ブランドは限定的に可

• Yahoo!ショッピング：PayPay連動経由の一部情報は閲覧可、外部持ち出しは制限あり

「不可」「制限あり」と書いてあっても、自店のロイヤル顧客と直接つながる別ルート（同梱物のQRコード・LINE誘導等）は使えます。規約違反を避けつつ、合法的な範囲で接点を作るのが目的です。

③使用中のAI/SaaSツールのデータ保存場所とCLOUD Act適用リスクの簡易確認
普段使っているChatGPT・Gemini・Claude・Notion・Shopifyなど、それぞれの「データ保存リージョン」「CLOUD Act対象かどうか」を利用規約・プライバシーポリシーで5分ずつ確認します。

特に注目すべきは「顧客の個人情報を投入しているツール」です。たとえばレビュー文をChatGPTに投げて返信文を作っているケースなど。投げているデータの種類と、そのデータが米国法の対象になりうるかを把握するのがゴール。

ここではP2プロンプト（後述）が役立ちます。

④自社CRM・MAへの顧客データ移行率を月次KPIに追加
①〜③が把握できたら、月1回「自社サイト会員数」「メルマガ登録者数」「LINE友だち数」を記録するだけのKPIを追加します。Excelの1行で十分です。

毎月この数字を見るだけで「プラットフォームの外で顧客と直接つながる活動」への意識が継続します。

💡 フェーズ2：3〜6ヶ月でやること（意思決定インフラの高速化）

期間の目安：3〜6ヶ月
かける費用：月額3〜10万円程度（中小EC事業者想定）
到達目標：日々の運営判断を「経験と勘」から「データとAI補助」に半分以上移行する

なぜこのフェーズなのか

第14条「不完全情報下の意思決定」をEC運営で実装するフェーズです。フェーズ1で土台を作ったので、ここから「実際に判断スピードを上げる仕組み」を入れます。

4つの具体アクション

①楽天RPP入札のAI自動最適化ツール導入
楽天市場の広告（RPP）入札を手動で週1回回している事業者が多いですが、競合店は1日に数回入札を変えています。AI自動最適化ツール（コマースフロー等）を入れると、競合の動きに対して数時間以内に対応できるようになります。

導入時の注意点は「全自動にしない」こと。第12条のHuman-in-the-Loop原則に従って、AIは「提案」だけにして、最終承認は人間が行うフローを設計します。

②在庫・需要予測のAI化（外部シグナル統合）
従来の在庫管理は「過去の売上から発注数を決める」でしたが、AIを使うと「天候・季節性・競合動向・SNSトレンド」など外部シグナルも統合できます。

シンプルなところから始めるなら、ChatGPTに「来週の気温推移と過去3年の同時期売上を見て、Aの商品の発注数を提案して」と毎週聞くだけでも始められます。専用ツール（フォーキャスター等）への移行は半年経ってからで十分です。

③チェックアウト離脱率の分析とABテスト自動化の仕組み作り
購入の最後の最後で離脱する顧客は、自社サイト全体の40〜70%もいると言われます（業種により幅あり）。Google Analytics 4＋ヒートマップツール（Microsoft Clarity等・無料）でどこで離脱しているかを可視化し、月1本ABテストを走らせる体制を作ります。

「ABテスト」と聞くと身構える方が多いですが、Shopify・カラーミーショップ等の自社サイトなら設定画面で簡単に切り替えられます。最初は「送料表示の位置」「カートアイコンの色」など小さな変更から。

④顧客セグメント別LTV予測モデルの初版構築
LTV（顧客生涯価値）を「全顧客平均」で見るのではなく、「初回購入時の流入経路別」「初回購入金額帯別」などセグメント別に見ます。

Excelで十分な分析が可能です。「楽天経由で初回3,000円以下で買った顧客のリピート率」と「自社サイト経由で初回5,000円以上で買った顧客のリピート率」を比べるだけで、広告費の配分の最適解が見えてきます。

💡 フェーズ3：6〜12ヶ月でやること（プラットフォームの外への投資）

期間の目安：6〜12ヶ月（ここが本番）
かける費用：月額10〜30万円（Shopify Plus・MA・分析基盤）
到達目標：プラットフォームが料率を上げても・規約を変えても、自店の事業が継続できる構造を作る

なぜここに時間がかかるのか

ここは「自分の城を建てる」フェーズだからです。フェーズ1・2は「既存の家の整理整頓」でしたが、フェーズ3は「新しい家を建てる」イメージです。家を建てるには時間とお金がかかります。

4つの具体アクション

①D2Cチャネル（Shopify等）の強化とブランドストーリーの確立
Shopify・BASE・STORES等で自社サイトを「ただ置いてある」状態から「お客様が指名で来る」状態に育てます。

具体的には：

• About Usページにブランドの背景・想い・スタッフの顔を載せる

• ブログ機能で月2本以上の記事更新（GEO対策にもなる）

• 自社サイト限定商品・限定セットを最低1つは用意する

楽天・Amazonでは絶対できない「直接の関係性」を、ここで作ります。

②GEO（生成エンジン最適化）対策：楽天AIエージェントに選ばれる商品データ整備
GEOとはGenerative Engine Optimizationの略で、ChatGPT・Perplexity・Google AI Overviews・楽天AI等の生成AIに「推薦されやすい」商品データの作り方です。

従来のSEO（タイトルにキーワード詰め込み）とは別のアプローチが必要で、具体的には：

• FAQセクション（Q&A形式）を商品ページに設置

• 「こんな方におすすめ」「こんな場面で使う」のペルソナ文脈を明記

• 競合との差別化軸を1〜2文で言語化

楽天市場の商品ページ全部に一気に対応するのは無理なので、売上上位10商品から始めます。

③構造化データ・ファクトシート・APIの整備
自社サイトには「schema.org」の構造化データマークアップ（Product/Review/FAQ）を入れます。Shopifyなら標準テーマに組み込まれているのでON/OFFを確認するだけです。

ファクトシートとは「商品の事実を箇条書きで列挙したテキスト」のこと。AIエージェントが情報を引用するときの出典になります。「原材料／産地／製造工程／賞味期限／保存方法／推奨用途」を1ページにまとめておくと、AIに正確に推薦されやすくなります。

④楽天経済圏データと自社データの統合分析基盤の初版構築
楽天RMSのデータと自社Shopifyのデータを別々に見ているうちは、「全顧客像」が見えません。BIツール（Looker Studio・無料）で両方のデータを月次でつなぐダッシュボードを作ります。

最初は「楽天売上＋自社売上＋メルマガ配信数＋LINE友だち数」を1つの画面で見るだけで十分です。月1回チームでこの画面を見る会議を設けると、データドリブンな判断が習慣化します。

💡 3フェーズに共通する3つのコツ

• 小さく始める：いきなり完璧を目指さない。「月1本のABテスト」「Excel1枚の管理」から

• 数字で測る：「メルマガ登録者数」「自社サイト会員数」など、月次で追える数字を1つ決める

• AIに頼りすぎない：第12条のHuman-in-the-Loop原則。AIの提案を最終判断にせず、必ず人間の承認を入れる

6️⃣ AIプロンプト集：Palantir（パランティア・テクノロジーズ）思想をEC運営に落とし込む4本

ここからが後編の核心です。

プロンプトはすべて7パーツ構造（規定AE・v4.7.16準拠）で設計しています。各プロンプトには「サンプルアンサー」と「解説」を必ずセットで掲載します。

P1：データ主権監査プロンプト

このプロンプトで解決する課題：楽天・Amazon・Yahoo!出店事業者が「自社データの保有状況」を棚卸しし、プラットフォーム依存リスクを可視化する。

# Role
私は楽天市場・Amazon・Yahoo!ショッピングを運営するEC事業者です。

# Goal
自社のファーストパーティデータ（1st Party Data）の保有状況を棚卸しし、
プラットフォーム依存リスクを可視化したい。
最終的に「データ移行の優先度リスト」を作りたい。

# Constraints
- 取り扱い商材の具体的な名前は含めなくてよい
- 出店しているプラットフォームは楽天市場・Amazon・Yahoo!ショッピングの3つ
- 自社サイトはShopifyで運営（ある場合の例として）
- 個人情報保護の観点から、実際の顧客データは含めない

# Success criteria
以下の3点が出力に含まれていること：
1. 保有データの棚卸し一覧（カテゴリ別の保有率目安）
2. GAP分析（今なく・今後必要なデータは何か）
3. 移行優先度リスト（優先度高/中/低で分類）

# Output
各項目を箇条書きで整理した日本語テキスト。
各プラットフォームごとのデータ帰属も1行で明記すること。
全体で400〜600字以内にまとめる。

# Stop rules
不明な点があれば「確認：」と付けて質問すること。
推測でデータを埋めない。

※対象：GPT-5.5・Claude Opus 4.6・Claude Sonnet 4.6・Gemini 2.0以降（2026年5月実行）／reasoning_effort: medium 推奨
※Claude 4.5+やGemini 2.0以降でも同様に動作。

サンプル出力例（執筆時の想定アンサー）

ファーストパーティデータ棚卸し

保有データ一覧（カテゴリ別）

• メールアドレス：自社Shopify会員・メルマガ登録者。保有率目安40〜60%（楽天・Amazon購入者は直接取得不可）

• 購買履歴：Shopify内は完全保有。楽天・Amazon・Yahoo!内は各管理画面でのみ参照可。CSV出力に制限あり

• 閲覧・カート履歴：Shopify内のみ追跡可。各プラットフォーム内の行動は不可視

• 顧客属性（年齢・地域・性別）：楽天は一部購入者情報として開示あり。AmazonはほぼNG。Yahoo!は一部条件付きで取得可

• レビュー・問い合わせ内容：各プラットフォームの管理画面で参照可。一括エクスポートは制限あり

プラットフォーム別データ帰属

• 楽天市場：顧客の購買・行動データは楽天が保有。店舗側は限定的な開示のみ

• Amazon：顧客データはAmazonの所有。メールアドレスも原則取得不可

• Yahoo!ショッピング：PayPayとの連動で一部購買データを閲覧可だが、持ち出しは制限あり

• 自社Shopify：全データを事業者が保有。最もデータ主権が確保された状態

GAP分析

• 今なく・今後必要なデータ：楽天・Amazon購入者のリピート率・LTV・顧客属性情報

• 対策候補：同梱チラシへのQRコード設置で自社サイトへの誘導強化、購後アンケート実施

移行優先度リスト

• 優先度高：楽天購入者へのメルマガ・LINE誘導強化（同梱物・商品ページ記載の活用）

• 優先度中：Yahoo!購入者の自社Shopify誘導設計（次回クーポン付き誘導）

• 優先度低：Amazon購入者の自社誘導（規約上の制限が多いため慎重に運用）

（執筆時の想定アンサー。実際のAI出力は使用モデル・タイミング・追加コンテキストにより変わります）

解説

このプロンプトは「データ主権の棚卸し」を目的に設計しました。Palantir（パランティア・テクノロジーズ）の第16条「データの支配は主権だ」というテーゼをEC文脈に落とし込んでいます。

重要なのは「Success criteria」に「GAP分析」と「移行優先度リスト」を明記した点です。これがないと、AIは現状報告だけで終わります。「何をすべきか」まで引き出す設計にしました。

自社の実態（プラットフォーム・自社サイトの有無・出店数）を「Constraints」に具体的に入れるほど、出力の実用性が上がります。

P2：AIベンダー思想評価プロンプト

このプロンプトで解決する課題：EC事業者が導入を検討しているAI/SaaSツールのデータ処理方針・CLOUD Act対象・規制リスクを5段階スコアで評価する。

# Role
私はEC店舗の事業責任者として、AIツール・SaaSツールの導入可否を判断する立場にあります。

# Personality
判断は慎重かつ実務的に。法的リスクより事業継続リスクに重点を置いてほしい。
質問は最小限で、与えられた情報から最大限の分析を行う。

# Goal
検討中のAIベンダー（以下の情報を提供）のデータ処理方針・
CLOUD Act対象リスク・規制リスクを評価し、
5段階のリスクスコアカードを作成する。

【評価対象のベンダー情報】
- ベンダー名：（例：ChatGPT / Gemini / Claude 等）
- 本社所在国：（例：米国）
- データ保存場所：（例：米国東部リージョン）
- 利用規約でのデータ利用条項：（例：モデルトレーニングへの利用あり・オプトアウト可）

# Constraints
- 法的判断ではなく「事業者としての判断材料」として提供すること
- 断定的な「違法」「問題なし」は使わず、「リスクあり」「要確認」で表現する
- 競合比較は行わず、指定ベンダーの評価に集中する

# Success criteria
以下の5軸で各1〜5点のスコアが示されていること：
1. CLOUD Act対象リスク（1=高リスク/5=低リスク）
2. 顧客データ利用制限の明確さ（1=不明瞭/5=明確）
3. データ保存場所の透明性（1=不明/5=完全公開）
4. サービス停止・提供終了リスク（1=高リスク/5=低リスク）
5. 規制・サービス継続リスク（1=高リスク/5=低リスク）

スコア合計と総合評価（A〜E）も示すこと。

# Output
スコアカードを箇条書き形式で出力。
各軸にスコアの根拠を1文で添える。
末尾に「推奨アクション」を1〜3点で記載する。

# Stop rules
ベンダー情報が不足している場合「確認：」と付けて質問すること。
不明な軸は「要確認（情報不足）」と明示し、推測スコアを入れない。

※対象：GPT-5.5・Claude Opus 4.6・Claude Sonnet 4.6・Gemini 2.0以降（2026年5月実行）／reasoning_effort: medium 推奨

サンプル出力例（執筆時の想定アンサー、評価対象：仮想の米国系AI SaaSツール「ToolX」）

AIベンダーリスクスコアカード：ToolX（仮称）

評価前提：本社・米国、データ保存・米国東部リージョン、利用規約上のモデルトレーニング利用あり（オプトアウト可）

スコア

• CLOUD Act対象リスク：2点（高リスク寄り）
  根拠：米国企業のため、CLOUD Actに基づき米国政府の要請でデータ提出義務が生じる可能性がある

• 顧客データ利用制限の明確さ：3点（中程度）
  根拠：オプトアウト設定を自社で行えば利用を止められるが、デフォルトが「利用あり」設定のため対応が必要

• データ保存場所の透明性：3点（中程度）
  根拠：米国東部リージョンとの記載があるが、第三国転送の有無は利用規約に明記なし。要確認

• サービス停止・提供終了リスク：3点（中程度）
  根拠：大手企業のため急な終了リスクは低いが、価格改定・機能制限のリスクあり

• 規制・サービス継続リスク：3点（中程度）
  根拠：米国企業のため輸出規制・制裁の直接リスクは現時点で低い。ただし米国の規制変化や政策転換でサービス方針が変わる可能性あり

スコア合計：14点 / 25点　総合評価：C（要注意）

推奨アクション

• 利用規約の「モデルトレーニング利用」のオプトアウト設定を即時確認・実施する

• 投入する顧客データの範囲を「個人識別情報を含まない形式」に限定する

• 代替ツール（国内ベンダー・EU圏ベンダー）の比較検討を3ヶ月以内に実施する

（執筆時の想定アンサー。実際のAI出力は使用モデル・タイミング・追加コンテキストにより変わります。法的判断は専門家にご相談ください）

解説

このプロンプトは「技術は中立ではない」（第1条）を実務に落とし込む設計です。

ポイントは「Success criteria」に5軸スコアの定義を明記したことです。定義なしでベンダー評価を依頼すると、AIは褒め言葉ばかりの定性レポートを返してきます。数値化すれば比較も承認稟議も楽になります。

「Constraints」で「断定的な判断をしない」と明示したのも重要です。AIに「問題なし」と断言させると、判断の責任の所在が曖昧になります。事業者が最終判断する設計を守ることが、Human-in-the-Loop（第12条）の実践です。

P3：AIエージェント対応度チェックプロンプト

このプロンプトで解決する課題：自社の楽天・Amazon商品ページが「楽天AI・ChatGPT Search等のAIエージェント」に推薦されやすい構造かどうかをチェックし、構造化データギャップと改善優先リストを出力する。

# Role
私は楽天市場・AmazonのEC事業者として、
自社商品ページのAIエージェント対応度を診断したい。

# Goal
提供する商品ページの構成情報（以下のテキスト）をもとに、
楽天AI・ChatGPT Search・Google AI Overviewsなどの
AIエージェントに「推薦されやすい状態か」を診断する。

【診断対象の商品ページ情報】
- 商品タイトル：（例：〇〇の無添加野菜スープ 200g×10袋 送料無料）
- 商品説明文冒頭100字：（貼り付け）
- 主な仕様：（例：原材料・産地・アレルゲン等）
- 現在設定しているキーワードタグ：（例：野菜スープ、無添加、子供向け）
- レビュー件数・平均評価：（例：142件・4.3）

# Constraints
- 実際のURL・商品コードは不要
- 業種は食品・家電・日用品・ペット用品・書籍のいずれかで想定
- 診断は推薦のされやすさ（構造・情報の充実度）に絞る
- 実際のアルゴリズムの内部仕様は公開されていないため、一般的なSEO・LLMO原則に基づく推測として提示する

# Success criteria
以下の3点が出力に含まれていること：
1. AIエージェント対応度のスコア（10点満点）と根拠
2. 構造化データのギャップ一覧（今ページにあること・不足していること）
3. 改善優先リスト（優先度高/中/低 各1〜2項目）

# Output
箇条書き形式の日本語テキスト。
各改善点に「期待される効果」を1文添えること。
全体で500〜700字以内。

# Stop rules
商品情報が不足している場合「確認：」と付けて具体的に質問すること。
アルゴリズムの内部仕様を断定しない。

※対象：GPT-5.5・Claude Opus 4.6・Claude Sonnet 4.6・Gemini 2.0以降（2026年5月実行）／reasoning_effort: medium 推奨

サンプル出力例（執筆時の想定アンサー、食品EC・野菜スープを想定）

AIエージェント対応度診断：野菜スープ商品ページ

診断前提：タイトル37字・説明冒頭100字（原材料・産地・無添加特徴を記載）・仕様あり・タグ3件・レビュー142件

AIエージェント対応度スコア：6.5 / 10

主な根拠：タイトルに商品特性と容量が明記されており基本要件は満たしている。ただし構造化データの充実度と「推薦文脈への適合性」に改善余地あり。

構造化データのギャップ一覧

現在あるもの：

• 商品名・容量・送料条件（タイトルに明記）

• 主要原材料・アレルゲン情報

• レビュー件数と評価（142件・4.3は信頼性シグナルとして有効）

不足しているもの：

• 「誰のためのどんな場面で使う商品か」の明示（ペルソナ文脈）

• 競合との差別化軸（「なぜ無添加なのか」の背景・ストーリー）

• Q&A形式のFAQ（AIエージェントが抽出しやすい形式）

• 構造化マークアップ（自社サイトの場合・楽天は内部で処理）

改善優先リスト

優先度高：

• 説明文に「こんな方に・こんな場面で」の一文を追加する
  → AIエージェントが「〇〇を探している人へのおすすめ」として推薦しやすくなる

優先度高：

• 商品ページ内にFAQ形式のQ&Aブロックを追加する（3〜5問）
  → ChatGPT Search・楽天AIが「よくある質問」スニペットとして抽出しやすくなる

優先度中：

• キーワードタグを「野菜スープ・無添加・子供向け」から「子供のお弁当・離乳食後期・アレルギー対応」等の文脈キーワードに更新する
  → 購買意図が明確なユーザーのAI検索にマッチしやすくなる

優先度低：

• 産地・製造工程の写真・動画追加（視覚的信頼性の向上）

（執筆時の想定アンサー。楽天・各プラットフォームのアルゴリズム詳細は非公開のため、一般的LLMO原則に基づく推測として参照してください。実際のAI出力は使用モデル・タイミングにより変わります）

解説

このプロンプトは2026年以降のEC競争軸である「AIエージェントに選ばれる商品ページ設計」を診断するものです。

楽天AIエージェント「Rakuten AI」（2026年1月5日）は約5億点の商品から最適な提案をします。楽天AI 3.0（2026年3月17日）は約7,000億パラメータのMoEモデルで精度を上げています。

このエージェントが「この商品を推薦しやすい」と判断する要素は、従来の楽天SEO（タイトル・キーワード詰め込み）とは異なります。「誰の・どんな場面の課題を解決する商品か」という文脈の明確さが重要になります。

Palantir（パランティア・テクノロジーズ）の第14条「不完全情報でも速く動く」の実践として、まず自社商品ページの現状を診断するところから始めましょう。

P4：意思決定速度ベンチマークプロンプト

このプロンプトで解決する課題：現在のEC運営における主要な意思決定プロセス（RPP入札・在庫発注・価格変更）をPalantir（パランティア・テクノロジーズ）的なリアルタイム基準と比較し、自動化ロードマップを出力する。

# Role
私は楽天市場・Amazon・Yahoo!ショッピングを運営する事業者として、
現在の意思決定プロセスの速度・精度を改善したい。

# Goal
現在の主要意思決定プロセス（以下に記載）をPalantir（パランティア・テクノロジーズ）が提唱する
「リアルタイム意思決定」基準と比較し、
自動化・高速化のためのロードマップを作成する。

【現在のプロセス情報】
- RPP入札の見直し頻度：（例：週1回・担当者が手動で調整）
- 在庫発注のタイミング：（例：在庫が残り30個になったら発注・Excelで管理）
- 価格変更の判断：（例：週次ミーティングで決定・担当者の経験則ベース）
- データ参照：（例：楽天RMS・Amazon管理画面を手動確認）

# Constraints
- 予算規模は中小EC事業者を想定（月商100万〜1,000万円規模）
- 高価なエンタープライズシステムは除外し、月額5万円以内のツールを優先
- 自動化は段階的に進める前提（いきなり全自動化は想定しない）

# Success criteria
以下の3点が出力に含まれていること：
1. 現状の意思決定速度の評価（A〜E評価＋課題の特定）
2. Palantir（パランティア・テクノロジーズ）的リアルタイム基準とのGAP分析
3. 自動化ロードマップ（フェーズ1〜3・各フェーズの期間・推奨ツール候補）

# Output
各フェーズを箇条書きで整理した日本語テキスト。
推奨ツール候補は「ツール名（月額費用目安）」の形式で記載。
全体で600〜800字以内。

# Stop rules
現在のプロセス情報が不足している場合「確認：」と付けて質問すること。
「完全自動化」を前提にせず、段階的改善を前提とした提案にすること。

※対象：GPT-5.5・Claude Opus 4.6・Claude Sonnet 4.6・Gemini 2.0以降（2026年5月実行）／reasoning_effort: medium 推奨

サンプル出力例（執筆時の想定アンサー、日用品EC・月商500万円規模を想定）

意思決定速度ベンチマーク：日用品EC事業者

前提：RPP入札週1回・在庫管理Excel・価格変更週次会議・手動RMS確認

現状の意思決定速度評価：D（要改善）

主な課題：

• RPP入札が週1回では、競合の値引き・在庫切れへの即応ができていない

• 在庫管理がExcelのため、欠品を「30個を切ったとき」まで気づけない可能性がある

• 価格変更が週次会議に依存しているため、急な競合値下げに対応するまで最大7日かかる

Palantir（パランティア・テクノロジーズ）的リアルタイム基準とのGAP分析

• Palantir（パランティア・テクノロジーズ）の意思決定支援：「外部シグナル（競合・天候・地政学）を統合したリアルタイム調整」を理想とする

• 現状とのGAP：外部シグナルはほぼ未統合。意思決定のトリガーが「時間（週次）」であり「状況（競合動向）」ではない

自動化ロードマップ

フェーズ1（1〜2ヶ月）：基盤データのデジタル化

• 在庫管理をExcelからクラウドシステムに移行する
  推奨ツール候補：ZAIKO Robot（月額1〜3万円程度）・ネクストエンジン（月額2〜4万円程度）

• RPP入札の「前週対比レポート」を毎朝自動生成するGoogleスプレッドシートを作成する（費用：ほぼ無料）

• 期待効果：欠品発生を在庫数30→15個の段階で事前検知できるようになる

フェーズ2（2〜4ヶ月）：条件トリガー型の半自動化

• 在庫数が閾値を下回ったら自動で発注候補リストを生成するワークフロー構築
  推奨ツール候補：Make（旧Integromat）+ クラウド在庫システム連携（月額1万円以内）

• 競合の価格変動を検知して通知するツール導入
  推奨ツール候補：楽天RPP自動最適化ツール（各社月額1〜5万円程度）

• 期待効果：価格変更の意思決定タイムラグを7日→2日に短縮できる（体感値・目安として）

フェーズ3（4〜12ヶ月）：AI活用型のリアルタイム意思決定

• 売上・在庫・広告費のダッシュボードをリアルタイム化（Looker Studio等・無料〜月額数万円）

• RPP入札の自動最適化ツール本格運用（週次レビューを月次に変更）

• 季節性・セール時期を加味した需要予測モデルの簡易構築（生成AIで補助）

• 期待効果：担当者の定型業務時間を週5〜10時間削減できる可能性（体感値・目安として）

（執筆時の想定アンサー。推奨ツールの費用は2026年5月時点の公開情報に基づく目安です。実際のAI出力は使用モデル・タイミングにより変わります）

解説

第14条「不完全情報下での意思決定能力が競争優位だ」を実践するプロンプトです。

このプロンプトのポイントは「Constraints」に予算上限（月額5万円以内）を入れたことです。Palantir（パランティア・テクノロジーズ）のエンタープライズシステムを中小EC事業者が使うのは現実的ではありません。でも「Palantir（パランティア・テクノロジーズ）的な考え方」は、手ごろなツールの組み合わせで実装できます。

「Success criteria」でフェーズ分けされたロードマップを要求することも重要です。「何をすれば改善できるか」という提案ではなく「いつ・何を・どのコストで」という実行計画として引き出せます。

7️⃣ Before/After対比：Palantir（パランティア・テクノロジーズ）思想なし vs あり

このセクションでは、同じ課題に対して「Palantir（パランティア・テクノロジーズ）思想なし」と「あり」のプロンプト対比を見てみます。

課題：新しいAI在庫管理ツールを導入するか検討したい

Before（Palantir（パランティア・テクノロジーズ）思想なし）

AIを使った在庫管理ツールを導入すべきか教えてください。
おすすめのツールを3つ教えてください。

このプロンプトで返ってくるのは、一般的なツール紹介記事と同じ内容です。「ToolA・ToolB・ToolCがあります。それぞれの特徴は〜」という出力になります。

あなたの店舗の規模・データ状況・意思決定プロセスの課題は何も考慮されません。「一般論」を得られますが、「あなたの店舗への具体的なアクション」は得られません。

After（Palantir（パランティア・テクノロジーズ）思想あり）

# Role
私は楽天市場・Amazonを運営するEC事業者で、在庫管理ツールの導入を検討しています。

# Goal
現在のExcel在庫管理の課題と、AIツール導入による改善可能性を評価したい。
最終的に「今導入すべきか・待つべきか」の判断材料が欲しい。

# Constraints
- 月額費用は3万円以内
- 担当者は1名（ITリテラシーは中程度）
- 現在の在庫は500SKU程度・倉庫は自社管理

# Success criteria
- 現状のExcel管理の定量的な課題（時間コスト・エラー率の目安）が示されること
- ツール導入後の期待効果が「体感値・目安として」の前置きで示されること
- 「今すぐ導入すべき」「3ヶ月後でよい」「不要」のいずれかの判断が示されること

# Output
300〜400字以内の日本語テキスト。箇条書きと結論文の組み合わせで。

# Stop rules
情報が不足している場合は「確認：」と付けて質問すること。
具体的なツール名は成果物の根拠として使ってよいが、ステマ的な推薦にならないよう注意。

このプロンプトでは「あなたの店舗の状況に基づいた判断材料」が返ってきます。「今すぐ導入すべきか・待つべきか」という経営判断の補助として機能します。

「Constraints（制約）に自社状況を入れる」「Success criteriaに判断基準を入れる」「Stop rulesで推測回答を防ぐ」。この3点がPalantir（パランティア・テクノロジーズ）思想から学べる「プロンプト設計の哲学」です。

自社の文脈を定義してから動く。不完全な情報でも判断基準を持つ。そしてAIの出力を「最終判断」にせず「判断材料」として扱う。

この3点だけ、明日のRPP入札の前に思い出してください。

8️⃣ 注意点とリスク

向かない場面・気をつけるべき点を整理します。

💡 Palantir（パランティア・テクノロジーズ）哲学はそのまま移植できない

22箇条にある「徴兵制の再考が必要だ」（第9条）や「進歩的な文化的規範の一部は有害だ」（第8条）は、EC事業者の組織論に直接当てはめられるものではありません。思想の「エッセンス（速い意思決定・データ主権・技術の中立性否定）」だけを借りて、残りは自社の文脈でアレンジしてください。

💡 CLOUD Actリスクは現時点では切迫していない

「今すぐ米国系ツールを全部やめるべきか」と思う方がいます。一般的なEC事業者が楽天RPP自動化ツールや生成AIを使う程度では、CLOUD Actが直接問題になるケースは少ないと考えられます（顧客の個人データを大量に扱う場合は専門家への相談を推奨します）。一方、Palantir（パランティア・テクノロジーズ） AIPを日本企業が利用する場合は、顧客データが米国法の対象になりうる可能性があります。SOMPOや富士通との契約構造がこのリスクをどこまでカバーしているかは、2026年5月時点では詳細を確認できません。「個人情報保護法上、顧客データをAIツールに投入する前に利用規約を確認する」——この基本は規模に関係なく守ってください。

💡 「データ主権確立」に過剰投資しない時期もある

起業直後・ローンチ直後のEC事業者がD2Cチャネル整備やデータ基盤構築にコストをかけすぎると、肝心の集客が止まります。まず楽天・Amazon・Yahoo!で売上の基盤を作り、安定した段階で段階的にデータ主権を強化する「フェーズ分け」が現実的です。

💡 Human-in-the-Loopの実態に注目する

Palantir（パランティア・テクノロジーズ）は「人間が最終判断する」（第12条）を掲げています。しかし思想と製品の実装がどこまで一致しているかは、第三者による継続的な検証が必要です。思想に共感したとしても、実際の製品・運用の確認は別途必要です。

💡 中小事業者が直接使うシステムではない

Palantir（パランティア・テクノロジーズ） AIPはエンタープライズ向け価格設定です。楽天市場の中小規模EC事業者が直接採用するのは現実的ではありません。今回のプロンプト集はPalantir（パランティア・テクノロジーズ）の「思想の借用」であり、「Palantir（パランティア・テクノロジーズ）システムの導入」ではありません。

💡 マニフェストへの世界の批判も知っておく

アルジャジーラはこの思想を「テクノファシズム」と批判しました。英国ガーディアンは「スーパーヴィランの独り言」と揶揄しました。第8条「文化的規範の批判」や第9条「徴兵制の再考」は激しい論争を呼んでいます。賛否は分かれます。でも「使える部分だけ借りる」で十分だと思っています。

9️⃣ まとめ：3つのアクションアイテム

今日から動けるアクションを3つだけ挙げます。

💡 アクション1：自社のファーストパーティデータを棚卸しする（今日）

P1のデータ主権監査プロンプトをGPT-5.5（またはClaude Opus 4.6・Gemini 2.0など最新モデル）に投げてみてください。「メールアドレスは何件あるか」「楽天購入者のリピート率は把握しているか」——この棚卸しだけで、自店のデータ主権の現在地が見えてきます。

💡 アクション2：自社商品ページの「AIエージェント対応度」を診断する（今週中）

P3のプロンプトを使って、主力商品ページを1枚診断してみてください。楽天AI・ChatGPT Searchに「推薦されやすい状態か」を知るだけで、次の打ち手がぐっと具体的になります。

💡 アクション3：新しいAIツール導入時に「P2の5軸チェック」を習慣化する（次回から）

AI/SaaSツールを導入するとき、P2のスコアカードプロンプトを使って最低限のリスク評価をする習慣をつけてください。「なんとなく便利そう」でAIツールを契約し続けると、あなたのデータがどこに流れているか分からなくなります。

22箇条マニフェストの全体像を前編で学び、後編で実践プロンプトに落とし込みました。

Palantir（パランティア・テクノロジーズ）の思想が「正しい」かどうかは別の議論です。でも「データを主権と捉える」「不完全情報でも判断基準を持って動く」「技術は中立ではないと認識する」——この3点だけでも、明日からのEC運営の判断基準が少しだけ鮮明になります。

次のRPP入札の前に、一度だけ「このツールは誰の価値観で動いているか」と問いかけてみてください。

✨ この記事が役に立ったら、応援していただけると記事執筆の励みになります ✨

❤️ スキ：ハートマークひとつが、次の記事を書く励みになります
🔔 フォロー：新しい記事をいち早くお届けします
💬 コメント：ご質問・ご感想は今後の記事づくりの参考になります

みなさまの応援が、毎回の執筆を支えてくれています 🙇‍♂️

📚 関連記事

前編：【前編・2026年版-Palantir22箇条とEC】EC事業者が知るべきAI哲学22箇条

シリーズ関連：

• 楽天・Amazon競合調査AIプロンプト集（第1部）

• 六色帽子思考法とAIプロンプト（後編）

• AI検索時代のLLMO対策・前編

次回予告

（次回予告は後日追記予定）

参考文献

• Bolt and Palantir（パランティア・テクノロジーズ） Partner to Launch Checkout 2.0（PR Newswire、2025年6月）
  https://www.prnewswire.com/news-releases/bolt-and-palantir-partner-to-launch-checkout-2-0-the-smartest-most-personalized-checkout-experience-yet-302473783.html

• Technology Is Never Neutral — Palantir（パランティア・テクノロジーズ）'s 22-Point Manifesto（pebblous.ai、2026年4月）
  https://blog.pebblous.ai/story/palantir-technological-republic/en/

• Adobe Analytics：サイバーマンデー2025年AIチャットボット経由トラフィック調査（米国市場、2025年12月）

• Salesforce：Cyber Week 2025 AIエージェント影響調査（2025年12月）

• 楽天グループ：Rakuten AI 3.0発表（2026年3月17日）
  https://corp.rakuten.co.jp/news/press/

• 楽天グループ：Rakuten AIエージェント発表（2026年1月5日）

• Fujitsu signs new licensing agreement with Palantir（パランティア・テクノロジーズ）（2025年8月）
  https://global.fujitsu/en-global/pr/news/2025/08/19-01-en

• 米依存が招く「デジタル小作農」 データ主導権手放すな（日本経済新聞）
  https://www.nikkei.com/prime/digital-governance/article/DGXZQOUC268IB0W6A320C2000000

• Gartner：2027年までに35%の国が地域固有のAI規制を導入との予測（ZDNet Japan）
  https://japan.zdnet.com/article/35243551/

• 'Technofascism': Critics accuse Palantir（パランティア・テクノロジーズ） of pushing AI war doctrine（Al Jazeera、2026年4月）
  https://www.aljazeera.com/news/2026/4/20/technofascism-critics-accuse-palantir-of-pushing-ai-war-doctrine

免責事項

本記事はPalantir Technologies（パランティア・テクノロジーズ）の思想・製品に関する情報を教育目的で紹介するものです。特定企業・製品・サービスへの投資・導入を推奨するものではありません。筆者と記事中で言及したすべての企業・サービスとの間に広告関係・利害関係はありません。記載の数値・データは出典を明示していますが、EC運営への適用効果は個別の事業規模・商材・運営体制等により異なります。法的判断が必要な事項については専門家にご相談ください。本記事の内容は2026年5月時点の情報に基づいており、最新情報は各一次情報源をご確認ください。

#Palantir #Palantir22箇条 #AIプロンプト #AI実践 #生成AI #AIプロンプト設計 #ChatGPT活用 #EC改善 #データ分析 #プロンプトエンジニアリング #楽天市場 #Amazon #Yahoo !ショッピング #EC事業者 #ネットショップ運営 #楽天店長 #2026年版 #AI活用2026 #AIマーケティング #プロンプト集 #マーケティング #AI活用