東北6県と栃木県・茨城県に458店舗を展開するドラッグストアチェーン・薬王堂が、公式アプリ搭載の「肌診断」機能を第3弾リニューアルとして、2026年4月10日に更新しました。
今回の最大の変更点は、診断結果の解説を担うAIの全面刷新です。これまで使用していた汎用LLMを廃止し、薬王堂が自社で独自開発した「肌診断特化型AI（オリジナルLLM）」への切り替えが行われています。店頭の化粧品接客担当スタッフが積み上げてきた知識と言葉づかいをAIに反映させることで、「薬王堂らしい言葉を毎回安定して届ける」という品質の実現を目指しています。
2026年3月末時点での総診断回数は60,000回に達しており、毎月約1,300人が新規利用を開始している状況です。今回のリニューアルではあわせて、レコメンド商品を後から見返せる「お気に入り機能」も新たに加わりました。設計・開発・検証のすべてを自社完結で進めている点も、このプロジェクトの際立った特徴です。
汎用AIから自社開発の専用AIへという判断は、地域密着型の小売事業者がDX推進においてどのような選択を取りうるかを示す、注目に値する事例として受け取れます。
ドラッグストアDXとパーソナライズAIの広がりを背景に
近年、小売業全体でデジタルトランスフォーメーション（DX）が加速しており、ドラッグストア業界も例外ではありません。特にビューティー・スキンケア分野では、オムニチャネル戦略の一環として、実店舗での接客体験をアプリやデジタルサービスで補完・拡張する動きが広がっています。
こうした流れの中で「肌診断AI」は、購買前の情報提供や商品レコメンドを担う重要な機能として注目を集めています。資生堂や花王など大手化粧品メーカーがAIを活用した肌分析サービスを展開してきた実績がある一方、地域密着型のドラッグストアチェーンが専用AIを自社開発するという事例は、これまであまり見られなかった取り組みといえます。
薬王堂は公式アプリの肌診断機能について、段階的なリニューアルを重ねてきました。第1弾では店頭スタッフ100名の接客知見をAIに学習させた解説機能を実装し、第2弾ではマルチレコメンデーション機能と商品カテゴリーの再設計を実施しています。そして今回の第3弾において、汎用LLMから自社開発の専用モデルへという、より根本的な転換を選択しています。
この判断の背景には、汎用LLMが抱える「ブランドトーンの一貫性」という実務上の課題があると考えられます。ChatGPTに代表される汎用型の大規模言語モデルは、幅広いタスクへの対応力に優れる反面、特定のブランドが持つ接客スタイルや言葉のトーンを毎回安定して再現することには、設計上の難しさをはらんでいます。薬王堂が自社開発に踏み切った理由は、こうした実務的な課題への対処として捉えることができそうです。
市場全体として見ても、「ファインチューニング」や「ドメイン特化型LLM」への関心が高まっており、汎用AIをそのまま使うのではなく、自社データや自社ブランドに合わせた専用モデルを構築するという方向性は、今後さらに広がりを見せる可能性があります。
汎用LLMとの比較で見えてくる、専用AIの強みと留意点
薬王堂が選んだ「肌診断特化型AIへの全面移行」という判断は、汎用LLMをそのまま活用する場合と比べて、どのような違いをもたらすのでしょうか。導入・選定の観点から、主な比較軸を整理します。
ブランドトーンの一貫性
汎用LLMは同じプロンプトを入力しても、生成される文章の語調や表現が毎回微妙に異なることがあります。「やさしく・わかりやすく・実感のある」というブランドの言葉を安定して届けたい場合、プロンプトエンジニアリングだけでは限界が生じることもあります。自社開発の特化型AIであれば、学習データとファインチューニングの段階で、一貫した文体・語彙・接客スタイルを組み込むことが可能です。
ドメイン知識の深さ
スキンケアや化粧品に関する商品知識・肌タイプの分類・成分の特性など、専門的な領域については、汎用LLMはある程度の知識を持ちつつも、業界固有の情報や自社の商品ラインナップへの対応には限界があります。薬王堂の場合、スタッフの接客経験を学習データとして活用することで、自社の取り扱い商品や店頭の状況に即した解説が可能になっていると推察されます。
コストと外部依存度
ChatGPTのAPIやGemini APIなど外部の汎用LLMを利用する場合、利用量に応じたAPI料金が発生し、モデルのバージョンアップや仕様変更への対応コストも生じます。一方、自社開発モデルは初期の開発・学習コストが高い反面、運用コストや外部依存度を低減できる可能性があります。また、自社でモデルの更新・改善サイクルをコントロールできる点も、長期的な運用において利点となりえます。
プライバシーとデータ管理
ユーザーの肌診断データや利用履歴を外部のLLMサービスに送信する場合、データのプライバシーやセキュリティへの配慮が必要です。自社開発モデルであれば、データを外部に出さずに処理できる設計も可能であり、個人情報の取り扱いに慎重さが求められる美容・健康領域において、一定の安心感を提供できると考えられます。
スケールと対応範囲の制約
一方で、自社開発モデルが全領域で汎用LLMを上回るわけではありません。特化型AIは、その学習範囲外のトピックや、急速に変化する市場情報への対応では、汎用LLMに比べて柔軟性が低くなる側面もあります。「何に特化するか」の設計が、専用AIの品質を大きく左右する点は押さえておく必要があります。
競合という観点では、ウエルシアやツルハドラッグなどの大手ドラッグストアチェーンがアプリ機能を拡充している一方、肌診断AIを自社開発した事例は表立っては見当たりません。この点で薬王堂の取り組みは、業界内においても先行した事例として位置づけられる可能性があります。
導入・検討時に確認しておきたいポイント
薬王堂の事例を参考に、同様の取り組みを検討する事業者やITシステム担当者が、評価・選定時に意識しておきたいポイントを整理します。
自社開発か外部API活用かの判断基準
自社開発の専用モデルは、ブランド一貫性や自社データの活用という面でメリットがある一方、開発・学習・保守のためのリソースが継続的に必要です。社内にAIエンジニアやデータサイエンティストのチームがいるか、あるいは外部パートナーとの協業体制が整っているかを、まず確認する必要があります。
学習データの量と質
専用AIの性能は、学習データの内容に大きく依存します。「スタッフ100名の知見」というベースがあったとしても、実際の学習データとしてどの程度の量・多様性・正確性が確保されているかは、モデルの品質に直結します。データ収集・整備のコストと体制についても、事前に見積もりを行っておくことが重要です。
モデルの更新・改善サイクル
薬王堂はAIの学習・改善を社内スタッフが継続して担うとしています。これは、モデルが陳腐化しないための継続的な運用コストが発生することを意味します。バージョン管理、評価指標の設定、定期的な再学習のフローが整備されているかを確認しておくと良いでしょう。
既存システムとの連携
肌診断AIを単体で導入しても、既存のECシステムや顧客データ基盤と連携できなければ、レコメンド精度や利用者体験の向上には限界があります。外部システムとのAPI連携や認証連携が必要な場合は、その複雑度を考慮に入れる必要があります。
法規制・ガイドラインへの対応
美容・医療隣接領域におけるAIの診断・推薦機能は、薬機法や景品表示法などの観点から慎重な設計が求められます。「診断」という言葉を使用する際の表現範囲や、商品レコメンドの根拠の透明性についても、リリース前に法務・コンプライアンス部門との連携を確認しておくことが望ましいといえます。
「汎用から専用へ」——小売業のAI活用が次のフェーズへ
薬王堂の肌診断特化型AIへの移行は、生成AIをめぐる企業の選択肢が広がりつつある現状を象徴する事例として受け取れます。ChatGPTのような汎用AIが「便利なツール」として企業に広まった段階から、自社のブランドや業務に最適化した専用モデルを構築する段階へと、AIの企業利用が次のフェーズに移りつつある流れが見え始めています。
ドラッグストアという業種は、来店頻度が高く、日常的な健康・美容ニーズに応える接点を多く持っています。そのため、デジタル上でも「店員さんに相談するような体験」を再現することへの需要は、確かに存在します。薬王堂が積み重ねてきた3段階のリニューアルは、その体験を段階的に磨き上げてきた過程とも見えます。
一方で、自社開発モデルが実際に汎用LLMを超える品質を実現しているかどうかは、利用者の評価や診断継続率といったデータが積み重なってこそ、明確になってくる部分です。今後、薬王堂が公表するデータや機能追加の方向性は、同様の取り組みを検討する他の小売事業者にとっても、重要な参考事例になると考えられます。
AIの学習・改善を社内スタッフが継続して担うというアプローチが、地域に根ざしたビジネスモデルとどのように融合し、どのような競争優位を生み出すのか——その答えは、今後の展開の中で徐々に見えてくることになりそうです。
