Netflixが、長年育ててきた本番レコメンドエンジンを大規模言語モデル（LLM）で置き換える実験を公開し、オフライン評価でランキング品質が約1.6パーセント改善したと報告しました。数千個の手作り特徴量を捨て、視聴履歴をそのまま文章に変換して読ませるという設計です。物件レコメンドAIを検討している不動産事業者にとって、示唆の多い事例だと感じました。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入コンサル100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）が解説します。
Netflixは2026年7月、視聴履歴を文章化してLLMに読ませる推薦システム「GenRec」の実験結果を公開しました。
GenRecは何をしたのか、数字で見る事実関係
結論から書くと、GenRecは「特徴量を作り込む」推薦から「入力文脈を設計する」推薦への移行を、実測値つきで示した事例です。The Decoderが伝えた内容と、一次情報であるNetflix Tech Blogの技術記事によれば、Netflixの現行本番モデルはユーザー・作品・その相互作用について数千個の手作り特徴量に依存しており、ゲームやライブ配信など新しいコンテンツ形式を追加するたびにコストが膨らんでいたとされています。
GenRecはこの構造を変えました。再生、視聴時間、高評価と低評価、リスト追加、途中離脱といった行動を数値ベクトルではなく平文のテキストに変換し、オープンウェイトのモデルをNetflixのデータで追加学習させたうえで、ランキング専用に二段階目の学習をかけています。存在しない作品を推薦してしまうハルシネーション対策として、実在するカタログの項目だけをスコアリングする仕組みを別途組み込んだ点も実務的です。
成果は控えめですが統計的に有意とされています。オフライン評価でのランキング品質改善は約1.6パーセント、しかも二段階目に必要なラベル付き学習データは従来のおよそ40分の1で済んだと報告されています。トラフィックの約10パーセントを対象にした4週間のオンラインA/Bテストでは、ホーム画面の短期エンゲージメント指標が0.115パーセント、長期のコア指標が0.006パーセント改善し、いずれも偶然では説明できない差だとされています。
日本の不動産事業者にとっての物件レコメンドAI3論点
物件レコメンドAIを考えるうえで、この事例から拾うべき論点は3つあります。順に説明します。
第一に、行動履歴の文章化という発想です。不動産のレコメンドは長らく、駅徒歩分数、賃料帯、専有面積、築年数といった属性を人手で組み合わせるルールベースで運用されてきました。GenRecの示唆は、閲覧した物件、保存した物件、問い合わせに至った物件、逆に一瞬で離脱した物件を「この人はこう動いた」という文章として書き出し、そのままモデルに読ませる設計が成立するという点です。特徴量設計の代わりに、どの行動をどれだけ入力に含めるかというコンテキスト設計が勝負どころになります。ここは既存のポータル対策とも地続きの話で、SUUMO掲載最適化とAI活用の整理と合わせて考えると理解しやすいはずです。
第二に、実在しない選択肢を出さない仕組みの重要性です。Netflixがカタログ照合を別コンポーネントとして持たせたのは、LLMが存在しないタイトルを作り出すからでした。不動産では、この問題は品質の話では済みません。募集が終了した物件を推薦して表示し続ければ、不動産の表示に関する公正競争規約が禁じるおとり広告に該当しうるためです。レコメンドAIを自社サイトや追客メールに組み込むなら、生成側の精度に頼るのではなく、募集中フラグとの突き合わせを推薦の外側に必ず置く設計にすべきだと考えます。
第三に、モデルの陳腐化スピードです。Netflixの報告では、ランキング特化の追加学習はベースモデルに対して35から50パーセントの上乗せ効果があり、ベースモデルが2週間古くなるとその差は約80パーセントまで広がったとされています。新作の追加と嗜好の変化にモデルが追いつかなくなるためです。賃貸の在庫回転はNetflixのカタログ更新より速い場面すらあります。一度作って放置するレコメンドは、不動産の場合むしろ危険だという理解が要ります。AIエージェント経由の物件探索については検索行動の変化に関する論点整理も参考にしてください。
明日から検討できる初動アクション
まず取り組むべきは、レコメンドAIの導入検討ではなく、行動ログの棚卸しです。自社サイトやCRMに、閲覧・お気に入り登録・問い合わせ・離脱がユーザー単位で時系列に残っているかを確認します。ここが欠けている状態でモデルを検討しても入力するものがありません。
次に、推薦候補と募集状況を突き合わせる経路を設計します。おとり広告リスクを技術側で潰すのは、AI活用以前の前提条件です。同時に、行動履歴を外部のAIサービスに渡す場合は、個人情報保護法上の第三者提供にあたるのか委託にあたるのかを整理し、プライバシーポリシーと同意取得の文言を先に確認しておくことをおすすめします。
そのうえで、期待値を現実的に置くことが重要です。Netflixほどのデータ量と体制で得られた改善が0.1パーセント台であるという事実は、母数の小さい事業者がA/Bテストで有意差を検出すること自体が難しいことを意味します。中小規模の不動産事業者にとっては、精緻なランキングモデルを追うより、物件写真とキャッチコピーの品質を上げる、反響への初動を速くするといった打ち手のほうが投資対効果は高い場面が多いはずです。レコメンドAIは、在庫数と流入が一定規模を超えてから検討する順序で構いません。
まとめ
Netflixの物件レコメンドAIに相当する取り組みが示したのは、手作り特徴量から文脈設計への移行、実在候補だけをスコアリングする安全弁、そして急速な陳腐化への対処という3点でした。改善幅は1.6パーセントと控えめで、Netflix自身も既存システムの全面置き換えは想定していないとしています。不動産事業者はこの温度感を踏まえ、まず行動ログと募集状況の整備から着手するのが現実的な順序です。
参考文献
- Netflix Tech Blog, GenRec: Towards LLM-Native Recommendation at Netflix
- The Decoder, Netflix tests language model as alternative to hand-built recommendation logic
- PLUM: Adapting Pre-trained Language Models for Industrial-scale Generative Recommendations（arXiv）
※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://fudosannochikara.jp/contact/
引用元: The Decoder
【監修】齋藤竹紘（株式会社オルセル代表 / EC支援19年5,000社超・AIコンサル100社超 / 宅建業免許 東京都知事(1)第113520号）