編集者注：従来のユーザーベースの価格設定モデルは、AI製品にも依然として適しているのでしょうか？この記事では、AI製品は従来のユーザーベースの価格設定方法ではなく、ワークロードベースの価格設定モデルを採用すべきだと主張しています。

従来のユーザーベースの価格設定モデルは、AI製品においてリソースの無駄やコスト配分の不均衡につながることがよくあります。従業員の中にはAIツールを毎日頻繁に使用する人がいる一方で、ほとんど使用しない人もいます。これは、企業にとって不要な経費を増加させるだけでなく、組織全体におけるAIツールの広範な導入とイノベーションの阻害につながる可能性があります。

著者らは、AI製品の価格設定に関する考察と初期の試みを共有しています。本稿では、ワークロードベースの価格設定の利点を探求するとともに、「完了した作業」の定義や企業の予算管理の複雑さといった潜在的な課題についても率直に指摘しています。AI製品の価格設定を検討されている方にとって、この記事が新たな知見を提供してくれることを願っています。

著者 |ヴィクラム・スリーカンティ & ジョセフ・E・ゴンザレス

編纂者：岳陽

製品の価格設定は常に課題であり、私たちは価格設定の専門家だとは思っていません。現在、RunLLM (runllm.com) に適した価格設定モデルを模索する初期段階にあり、これは最近私たちの頭を悩ませている問題です。クライアントとの交流を通して深まり、洗練されてきた私たちの思考プロセスを共有し、AI製品の特性が価格設定戦略にどのような影響を与えるかを探求することで、何らかの洞察が得られるのではないかと感じています。

要するに、ユーザー数に基づく価格設定は理想的ではないということです。AIツールは、完了した作業量に応じて価格設定されるべきです。この見解は、ある人にとっては当然の真実であり、ある人にとっては斬新なアイデアかもしれませんが、決して斬新なアイデア、あるいは新しい概念でもありません。

出典: DALL-E 3.

歴史的に見て、ほとんどの生産性向上ツールの価値は、会社全体とシームレスに統合できる点にあります。Slack、Linear、Notionといったチームコラボレーションツールは、チームの規模が大きくなるにつれて利用が増加する傾向があります。新しいメンバーが増えるにつれて利用量が増えるという傾向は必ずしも直線的ではありませんが、チーム規模と製品利用量の間には確かに正の相関関係があります。新しいタスクを追加したり、ドキュメントを多く作成したりしなくても、チームメンバー全員がこれらのツールを使用することのメリットは明らかです。

しかし、AIを活用した効率化ツールは、この従来のモデルを覆しました。電子メールを例に挙げましょう。私がRunLLMのCEOであり、カリフォルニア大学バークレー校の教授でもあった頃、私が毎日受け取るメールの数は、RunLLMのエンジニアや大学院生が受け取る量とは大きく異なっていました。そのため、AIベースのメール返信ツールが受信メール数に基づいて料金を請求するのは不合理です。結局のところ、1日に100通のメールを作成する作業量は、たった2通のメールを作成する作業量をはるかに上回るからです。

まさにこの点において、Notion AIのようなツールは不公平だと感じます。チームメンバーの中には、業務上、かなりの時間をライティングに割く必要がある人がいる場合、Notion AIに月額10ドルを支払うのは理にかなっていないように思われます。（加えて、Notion AIの実用性には限界があると感じています…） Notion AIの料金モデルは、Notionの通常の料金モデルとは異なる必要があります。なぜなら、後者の場合、ユーザーが頻繁にライティングを行わなくても、社内文書へのアクセス自体に価値があるからです。AIの価値は、AIが提供する自動化されたサービス（つまり、AIが達成する作業）にあります。したがって、私たちは提供されるサービスの量に基づいて料金を支払うことを優先しています。

これは作業ベースの価格設定原則であり、この価格設定モデルを採用するAI製品が増えています。RunLLMの課金方法は、回答された質問の数に基づいています。AIベースのSDR（営業開発担当者）は、スケジュールされたミーティングの数に基づいて課金されます。そして、モデルプロバイダーは当然のことながら、生成されるトークンの数に基づいて価格を設定します。

01 サービスの使用量に基づいて価格を設定することは新しい概念ではありません。

ここで議論している作業ベースの料金設定とは、基本的にサービスの使用量に基づいた料金モデルです。このモデルはクラウドコンピューティングソフトウェアの黎明期から存在しており（その歴史は紀元前3000年頃のメソポタミアにおける灌漑用水の価格設定にまで遡ります）、現在、AWSやGCPなどのクラウドサービスプロバイダーが提供するサービスのほとんどは、レンタルしたコンピューティングリソースの時間（秒または時間単位）と保存されたデータ量に基づいて課金されます。サーバーレスアーキテクチャの台頭により、課金モデルはより細分化され、ユーザーはレンタルしたリソースではなく、実際に使用したリソースに対してのみ支払うようになりました。

しかし、企業はこれまで、サービス使用量のみに基づいた料金モデルに消極的でした。このモデルではコストの予測が難しく、予算編成も比較的困難だったためです。実際、クラウド機能が普及し始めた頃、ある大手クラウドサービスプロバイダーは、企業顧客がクラウド機能の固定使用量契約を受け入れる準備ができていないことが最大の課題であると明らかにしました。これは、純粋にサービスベースの課金モデルを採用していたためであり、企業顧客はこの種のインフラストラクチャの導入に積極的ではありませんでした。

インフラレベルでの使用量ベースの料金モデル導入は、これまで困難を極めてきました。関数の実行時間を計算することは比較的容易ですが、数千台のサーバーと数百のデータセンターにまたがるデータを確実に追跡することが（障害発生時も含め）今や不可欠となっています。さらに、サービスの起動と停止にはコストがかかり、異なるワークロード間の切り替え頻度に応じてコストは増大します。そのため、最近まで、使用量ベースの料金モデルは主にインフラレベル（これらの問題に対処するための専門知識を持つチーム）に適用され、他のセクターでは一般的にユーザーベースの料金モデルが採用されていました。

02 サービス使用量に基づく価格設定モデルはAI製品に適している

AI製品は特別な扱いを受けるべきです。ワークロードベースの価格設定モデルがAI製品にとってなぜ価値があるのか​​、上記で簡単にまとめましたが、このトピックはさらに深く掘り下げる価値があります。

巧みに設計されたAI製品は、ビジネスの生産性を大幅に向上させ、従来の方法に比べて時間とコストを抑えながら、人間のような高品質な成果を生み出すことができます。これは、数百、数千もの同一の顧客からの問い合わせへの対応、繰り返しのメール処理、潜在的な営業リードの発掘など、人々が一般的に嫌うような退屈な作業を人工知能が処理することを意味します。これらの退屈な作業が自動化されるほど、人々はより価値のある仕事に多くの時間を費やすことができます。

この変更は、2つの重要な成果をもたらします。まず、企業は人単位の課金モデルからワークロード単位の課金モデルに移行します。チームメンバーはAI SDRの作業内容を把握できるため、製品の成果物に影響を与えることなく透明性が向上します。次に、料金モデルにおいて、完了した作業の品質が考慮されるようになります。人間と同様に、AIエージェントもミスを犯すことがあります。これは、製品の付加価値を評価する際に考慮に入れることができます。

身近な例を挙げると、カスタマーサポートチームは通常、処理したチケットの数と処理速度で評価されます。RunLLMは、このタスクを低コストかつ高精度で実現するため、回答した質問の数に基づいて料金を請求します。ただし、「ナポレオン戦争の勝者は誰か？」といった関連性のない質問を受け取った場合や、関連する質問に答えるためのデータが見つからない場合は、お客様に何の価値も提供していないため、料金は請求しません。

議論が深まるにつれ、このアプローチはコンサルティング会社の業務にますます似通ってきています。一般的に言えば、これは良いことです。従来のソフトウェアとは異なり、AIは一貫性のあるエンドツーエンドの作業を生成できます。これはまさにコンサルティング会社が提供しようとしているサービスです。AIエージェントの流行を信じるなら、面倒な作業をすべてAIエージェントのチームが処理してくれるようになると考えるかもしれません。これがすべての分野で実現するかどうかはまだわかりませんが、顧客サポート、営業、ドキュメント作成など、AIが優れた能力を発揮している分野では既に現実のものとなっています。

03 作業量に基づく価格設定の課題

もちろん、ワークロードベースの料金モデルへの切り替えは万能薬ではありません。完了した作業量に基づいて顧客に料金を請求すると、いくつかの副作用が生じる可能性がありますが、従業員数ベースの料金モデルを採用することでこれを回避できます。

最も顕著な問題の一つは、「完了した作業」の定義です。AIベースのSDRサービスを例に挙げてみましょう。予約された会議、実際に開催された会議、あるいはコンバージョンに成功した会議のどれに基づいて料金を請求しているでしょうか？コンサルティング会社の中には、これら3つすべてに基づいて料金を請求しているところもあり、料金が高いほどサービスあたりのコストが高いことを示しています。標準的な答えはありませんが、最大の課題は、クライアントがAIにますます懐疑的になっていることです。人間のミスは簡単に修正できます。「申し訳ありません。二度と起こさないようにします！」しかし、AIのミスはより厳しく精査されるため、AIは人間のように（時には人間よりも速く！）学習できるということを、すべての人に徹底的に納得させなければなりません。製品を大規模に展開する場合、これらのAIエージェントは自律的に動作する必要があるため、製品が意図したとおりに機能するというクライアントの信頼を獲得する必要があります。

前述の通り、使用量ベースの料金モデルでは企業の予算管理は困難ですが、解決は比較的容易です。私たちが観察してきた一般的な原則、そしてRunLLMで採用しているアプローチは、段階的な使用量ベースの料金モデルです。お客様は想定される使用量に対して一定額を前払いし、超過分については課金単位で支払います。この課金モデルは過去にかなり標準的な慣行であったため、特別な秘訣はありません。

最も興味深く、かつ最も難しい問題は、ユーザーにとっての作業の価値を理解することです。先ほどご紹介したクラウドインフラストラクチャの例は、利益率が低く、ワークロードが高いビジネスです。GPUサービスの料金は、利用秒数だけでなく、使用するリソース（GPU）のコストにも左右されます。一方、作業の提供は利益率が高く、ワークロードが低いビジネスです。つまり、作業単位あたりの料金は高くなり、一部の企業を驚かせる可能性があります。しかしながら、作業の価値（その作業を人間に依頼する場合のコストとほぼ同等）に基づいた価格設定モデルが正しい方向性であると考えています。

繰り返しになりますが、この質問に唯一の正解はありません。しかしながら、お客様はコンピューティングリソースだけでなく、高品質な成果物に対しても料金を支払っていることを理解するようになり、認識が変化してきています。しかしながら、このメッセージを市場に効果的に伝えるには、まだ長い道のりが残っています。

04 例外は常に存在します。

例外は常に存在します。今回のケースで最も明白な例外は、GenAI革命の火付け役となった2つのツール、ChatGPTとGitHub Copilotです。どちらの製品も、サービス使用量に基づく価格設定ではなく、ユーザー数に基づく固定価格モデルを採用しています。

この価格設定アプローチが実現可能な主な理由は2つあります。まず、これら2つのツールの使用状況を予測することは非常に困難であるため、使用されるトークン数などの指標に基づいて価格設定を行うと、マイナスのインセンティブが生じる可能性があります。支払う金額がわからないため、誤って使用コストを増加させてしまうのではないかと心配するかもしれません。さらに重要なのは、この場合、 「ワークロード」を定量化することが、前述の例よりもさらに難しいことです。ChatGPTはタスクを完了したかどうかをどのように判断するのでしょうか。また、GitHub Copilotはコード自動補完が有益かどうかをどのように判断するのでしょうか。どちらの場合も、ユーザーからのフィードバックに依存しており、これは不正確で制御可能な場合があります。

これら2つの例は、比較的低コストでタスクの汎用性が高いことを考えると、人員ベースの料金モデルが短期的には引き続き効果的である可能性があることを示しています。他の汎用製品でも同様の動きが見られる可能性がありますが、市場が成熟するにつれて、Copilotのような製品がより包括的なタスク完了へと進化し、作業量に基づいて料金を請求するようになると予想されます。

過去18ヶ月間のAI市場は劇的な変化を遂げましたが、私たちはまだ非常に初期段階にあります。真にAIネイティブな企業は皆、顧客行動の理解を学んでいる段階です。これは、価格戦略からマージン、数量ベースの割引まで、あらゆることを常に探求し、調整していることを意味します。私たちも他の企業と同様に、この探索段階にあり、まだ答えを見つけていないと考えていますが、ここ数週間、RunLLMの価格戦略を再設計する中で、この問題について深く考えてきました。

「使用量ベースの課金モデルをどのように実装するか」、そしてこのプロセスを自動化するために登場している多くのサービスに料金を支払う価値があるかどうかというサブトピックもあります。私たちはまだ独自の意見を固めておらず、これはAI製品に限った話ではないため、今のところこの問題については深く掘り下げません。

最終的な具体的なメカニズムがどのようなものになるかはさておき、私たちはワークロードベースの価格設定こそがAIの未来だと確信しており、企業も同様のモデルを期待しています（訳注：このモデルは、企業の効率性とコスト管理のニーズにより適しています）。もしかしたら、一般消費者をターゲットとしたテクノロジー製品にも適用できるかもしれません。AIこそが、インターネット上でユビキタスなマイクロトランザクションを可能にする、私たちに必要なブレークスルーなのかもしれません。

読んでくれてありがとう！

このブログを楽しんで、新しいことを学んでいただければ幸いです。

著者について

ヴィクラム・スリーカンティ

RunLLMの共同創設者兼CEO

https://substack.com/@vsreekanti

ジョセフ・E・ゴンザレス

カリフォルニア大学バークレー校教授、Run LLM共同創設者

https://substack.com/@generatingconversation

終わり

今週のインタラクティブコンテンツ🍻

AIが行う作業の価値をより正確に測定するにはどうすればよいでしょうか？考慮すべき要素は何だと思いますか？

この記事は、原著者の許可を得てBaihai IDPによって翻訳されました。翻訳の転載をご希望の場合は、お問い合わせください。

オリジナルリンク:
https://frontierai.substack.com/p/the-future-of-ai-pricing