LLM製品を市場に出す：価格設定、利益率、反モートの罠

2023年と2024年には、LLMを搭載したスタートアップが相次いで登場しました。GPT-4やClaudeをUIで包み、特定のユースケースを提供し、サブスクリプション料金を課しました。多くが支持を集めました。そして、多くが消えていきました。

消滅したのは、製品が悪かったからではありません。製品にモートがなかったからです。同じ基盤モデルを使えば、誰でも同じものを構築できました。顧客はより安価な事業者へ乗り換えました。基盤モデル事業者が自社の価格を引き下げたり、競合機能を提供したりするにつれ、創業者は利益率が縮小するのを目の当たりにしました。

2026年には、教訓がより明確になっています。LLM搭載製品の構築は、従来のSaaS製品の構築と同じではありません。経済性も、競争力学も、モートも異なります。この違いを理解しないチームは、「消滅したAIスタートアップ」の事例になってしまいます。

本記事では、2026年にLLM製品を市場に出すことの実態を扱います。価格設定、利益率、戦略的パターン、そして持続するモートと持続しないモートを解説します。

LLM製品は何が違うのか

LLM搭載製品を従来のSaaSと区別する特徴には、次のものがあります。

変動費が利用量に応じて増える。 ユーザーとのやり取りのたびに、呼び出し単位の費用（推論費用）が発生します。1万人目のユーザーにサービスを提供しても実質的に費用が増えないソフトウェアとは異なり、1万回目のLLM呼び出しにも1回目と同じ費用がかかります。

利益率が低い。 多くの場合、推論費用は売上の10～40%を占めます。ホスティング、コンピューティング、その他のインフラ費用を差し引くと、AI製品の粗利益率は通常50～75%であり、純粋なSaaSの80～90%には達しません。

基盤モデルはコモディティである。 GPT、Claude、Geminiは誰でも利用できます。競合他社も同じモデルを使います。モデルに由来する能力は差別化要因ではありません。

基盤モデルは変化する。 新バージョン、廃止、価格変更が四半期ごとに起こります。製品は、自社で制御できないインフラに依存しています。

品質を守るのは難しい。 巧妙なプロンプトは容易にリバースエンジニアリングされます。独自のファインチューニングは再現できます。ワークフローの革新も模倣できます。

顧客の期待は急速に変わる。 今日感銘を与えるものが、6か月後には最低条件になります。基準は急速に上がります。

価格圧力。 基盤モデル事業者自身が、顧客と競合する製品を提供します。Salesforce + OpenAI、Microsoft + OpenAI、そして圧倒的な流通力を持つ競合他社が存在します。

これは理論上の話ではありません。2026年の製品開発における日常的な現実です。

コスト構造

一般的なLLM製品のコスト構造は次のとおりです。

変動費（ユーザー単位／利用量単位）：

• 推論（LLM APIまたはホスティング）。
• 埋め込み（RAG向け）。
• ベクトルDBまたはストレージ。
• 利用量に応じて増えるその他のインフラ。

固定費：

• チームの給与。
• オフィス／運営。
• ソフトウェアライセンス（CRM、ツール）。
• ホスティングの基本料金。
• マーケティング／営業。

従来と異なるのは変動費です。変動費がアクティブユーザー1人当たり1日€0.05で、月額€20を請求する場合、限界利益は€19.50 - days_active × €0.05です。ヘビーユーザーによって、この利益は大幅に減る可能性があります。

実例を見てみましょう。AI文章作成ツールを1ユーザー当たり月額€20で提供する会社です。

• 平均的なユーザー：5セッション／日 × 20日／月 = 100セッション／月。
• 平均的なセッション：LLM呼び出し5回 × 平均2Kトークン。
• 総トークン数：1Mトークン／月／ユーザー（入力 + 出力）。
• Claude Sonnetの価格（入力€3/M、出力€15/M）での費用：約€7～12／ユーザー／月。
• 粗利益率：約50～65%。

ヘビーユーザー（セッション数が10～20倍）の場合：

• 10～20Mトークン／月。
• 推論費用：€70～200／月。
• ヘビーユーザー1人当たり赤字。

利用量に基づく制御がなければ、ヘビーユーザーは採算割れになる可能性があります。従来のSaaSでは、これほど大きな規模では生じない問題です。

価格モデル

価格設定は、従来のSaaSより難しくなります。選択肢は次のとおりです。

ユーザー単位の定額制。 単純で標準的です。ただし、ヘビーユーザーが採算割れし、ライトユーザーがその費用を補填する可能性があります。

利用上限付きのシート単位制。 各シートに、月間N件のアクション／呼び出し／トークンを含めます。ヘビーユーザーは超過料金を支払うか、上限に達します。

完全従量制。 呼び出し、トークン、アクション単位で支払います。費用と売上が連動し、利益率を予測できます。ただし、請求額が不確実だと導入を妨げる可能性があります。

階層制。 無料階層、プロ階層（上限あり）、エンタープライズ（個別設定）です。標準的なSaaSのパターンを、利用上限に適応させます。

ハイブリッド。 シート単位の基本料金に、高度な機能向けの従量料金を加えます。予測可能性と費用・売上の連動を両立します。

成果報酬制。 成果（成約、解決したチケット、生成したコンテンツ）単位で支払います。価値は高いものの、運用への落とし込みは困難です。AIがより測定可能な業務を担うにつれ、一般的になりつつあります。

それぞれにトレードオフがあります。「適切な」モデルは次の点によって決まります。

• 予測可能性に対する自社と顧客のニーズ。
• 利用量のばらつき。
• 利益率の構造。
• 競争環境。

成功しているLLM製品の多くは、階層制またはハイブリッドを採用しています。ヘビーユーザーは上限に達するか超過料金を支払い、ライトユーザーは妥当な価値を得ます。

ユニットエコノミクスの問い

有用な考え方は、何を単位として料金を課し、その単位にいくらかかるかを問うことです。

チャットアシスタントの場合：

• 単位：1件の「会話」。
• 費用：長さに応じて1会話当たり€0.10～1.00。
• 売上：？

1ユーザー当たり月額€20を請求し、ユーザーが月に100件の会話を行う場合、会話1件当たりの平均売上は€0.20です。利益率は低いか、赤字になります。

1ユーザー当たり月額€30、会話上限を200件とし、大半のユーザーが50件利用する場合は、十分な利益率を確保できます。

行うべき作業は、単位当たりの費用を見積もり、単位当たりの売上を設定し、ユーザー分布全体で利益率が妥当になることを確認することです。

通常、赤字を生むのはヘビーユーザーです。補填するのか、エンタープライズへ移行させるのか、利用量を制限するのかを明示的に決めてください。

利益率の保護

利益率を守るための方法をいくつか紹介します。

1. 機能に応じてモデルを階層化する

実行コストが低い機能は基本階層で提供します。高価な機能（推論モデル、長いコンテキスト、大量の出力）はプレミアム階層で提供します。

Claude Haiku相当を利用する無料階層のユーザーにかかる推論費用は、おそらく月額€0.10です。Claude Opus相当を利用するプレミアム階層のユーザーには、月額€5～20かかる可能性があります。それに応じて階層を設定します。

2. コスト最適化（別の記事で解説）

キャッシュ、ルーティング、出力制御を行います。本番水準のコスト最適化では、通常60～90%を削減できます。多くの製品にとって、これが黒字と赤字を分けます。

3. 利用量の透明性

ユーザーに利用量を表示します。これにより、自分の利用方法を最適化するための暗黙的な指針を提供できます。

これは罰ではなく、双方に情報を提供するものです。ユーザーは、自分がどれだけ利用しているかを把握できることを好みます。ヘビーユーザーは自ら利用量を抑えるか、アップグレードします。

4. スマートキャッシュ

ユーザー固有または組織固有のキャッシュにより、パワーユーザーの費用を劇的に削減できます。利用上限で罰するより、製品をより多く使い続けてもらえます。

5. ホステッド／自社運用のハイブリッド

大規模な法人顧客に自社運用版またはBYOクラウド版を提供すると、推論費用を顧客側へ移せます。顧客はプライバシーと制御を得て、自社は費用負担を軽減できます。

6. 高価値業務には成果報酬制

一部のワークフローは、測定可能な成果（成約、解決したチケット）を生み出します。成果に基づく価格設定は、トークン単位とは異なる形で価値を取り込めます。利益率を大幅に高められる可能性があります。

モートの問い

こちらの方が難しい問いです。何が製品の防御力を生むのでしょうか。

実際にモートになるものと、疑似モートの一覧を示します。

本物のモート

独自データ。 競合他社が容易に入手できないデータを持っていることです。顧客固有のデータが典型例です。各顧客のデータから製品が学習するほど、乗り換えは難しくなります。

流通経路。 競合他社が入り込めないワークフローやプラットフォームに組み込まれていることです。Microsoft Copilotは、Officeを通じて圧倒的な流通上のモートを持っています。

信頼。 規制対象業界や機密性の高い分野の顧客から信頼されていることです。乗り換えには費用がかかります（セキュリティ審査、コンプライアンス審査、トレーニング）。

統合。 顧客の多くのツールと統合され、それらを置き換える、または強化していることです。統合の一つひとつがスイッチングコストになります。

ワークフローへの特化。 深いドメイン知識が必要なワークフロー向けに、専用の製品を構築していることです。汎用AIツールが再現するには、同様の投資が必要です。

ネットワーク効果。 ユーザーがほかのユーザーから利益を得ることです（コミュニティ、共有コンテンツ、比較ベンチマーク）。個人の生産性向上を目的とするAIではまれですが、一部の分野では現実に存在します。

ブランドとスイッチングコスト。 法人営業では、購入者のキャリアが選択に結び付いています。乗り換えは購入者にとってリスクであり、一度選ばれれば防御可能な地位を得られます。

垂直統合。 意味のあるインフラ（独自モデル、独自推論基盤、独自データパイプライン）を所有していることです。再現は困難です。

疑似モート

特定のプロンプトまたはワークフロー。 容易にリバースエンジニアリングできます。顧客自身で構築できます。

特定のモデル選択。 競合他社も利用できます。

巧妙なUI。 1四半期で模倣できます。

反復の速さ。 一定期間は効果がありますが、競合他社が追いつきます。単独では持続しません。

マーケティングまたはブランディング。 AI時代には失われやすく、評判は急速に形成され、急速に崩れます。

大半のAIラッパーが依存しているのは疑似モートです。これが高い消滅率の理由です。

戦略的パターン

防御力のあるLLM製品を生み出すパターンをいくつか紹介します。

パターン1：「AIツール」ではなくワークフロー + AI

「Xを行うAI」ではなく、より大きなシステムの一部としてAIを組み込んだワークフローを構築します。

たとえば、「法務契約書向けAI要約ツール」ではなく、「AIを内蔵した契約管理プラットフォーム」です。

プラットフォームの価値（保管、整理、共同作業、履歴、コンプライアンス）がモートであり、AIは機能です。

純粋なAIツールはコモディティ化します。AI機能を備えたプラットフォームは持続します。

パターン2：顧客データのフライホイール

各顧客による利用から、その顧客（場合によってはほかの顧客）の体験を改善するデータが生まれます。乗り換えると、蓄積されたパーソナライゼーションが失われます。

たとえば、各ユーザーの文体、アカウント、パターンを学習するAI営業アシスタントです。6か月後に競合製品へ乗り換えると、最初からやり直しになります。

このフライホイールを初日から構築してください。使い続けるほど製品が改善するようにします。

パターン3：業種への深い特化

1つの業種を選び、深く作り込みます。医療、法務、金融、不動産などです。

その業種の知識がモートになります。汎用AIツールは、ドメインへの特化度では競争できません。専門の競合他社とは競争になりますが、各業種は独立した市場であり、少数の専門事業者が入る余地があります。

パターン4：既存のワークフローに組み込む

ユーザーに自社製品まで来てもらうのではなく、ユーザーがすでに働いている場所に組み込みます。Slack、Microsoft 365、Google Workspace、顧客のCRMなどです。

組み込みによる流通は、本物のモートです。日常的に使うツールに入れば、それを取り除くには大きなコストがかかります。

パターン5：AIネイティブな運用

一部の企業は、端から端までAIネイティブです。人間にAIを販売するのではなく、AIを使ってサービスを提供します。AIによる個別指導、成果としてのAIカスタマーサービス、コモディティとしてのAIコンテンツなどです。

「製品」は成果であり、AIは運用手段です。同様のAIを使っていても、運用が劣る競合他社は敗れます。

パターン6：多面的なモート

製品は複数の側面でモートを築きます。業種 + データ + 統合 + ワークフローです。1つの側面だけではモートにならなくても、組み合わせれば再現は困難です。

成功するAI製品の多くは、このような形です。1つの大きなモートではなく、相互に補強する複数のモートを持っています。

価格設定の事例

実際の事例をいくつか紹介します（匿名化済み）。

事例1：「底辺への競争」に陥ったラッパー

あるスタートアップは2023年に、コンテンツ作成向けチャットインターフェースを提供しました。無料階層と月額€20のプロ階層です。

1年目：売上が成長。2年目：競合5社が類似製品を提供。価格圧力により、月額€10、さらに月額€5へ低下。利益率は圧迫され、成長が停滞。

3年目：ChatGPTが消費者向けサブスクリプションに類似機能を追加。競争上の立場を維持できず、事業を終了。

教訓： ほかのモートを持たないラッパーには、防御手段がありません。

事例2：業種特化型

ある企業は、製薬研究におけるAI利用に特化した製品を構築しました。研究データベースとの深い統合、医学用語に特化したプロンプト、FDAワークフロー向けのコンプライアンスを備えています。

価格：€1,500／ユーザー／月。利益率は健全。顧客の解約率は低い。直接の競合他社は、同等の深さを実現するのに苦労しています。

教訓： 業種への深い特化 + コンプライアンス + 統合は、本物のモートです。

事例3：組み込み型プラットフォーム

既存のプロジェクト管理プラットフォームにAI機能を追加しました。ユーザーはすでにプロジェクト管理のために利用しており、AIによって価値が高まりました。

価格：既存の階層に同梱。AIに個別の価格は設定しない。最終的な効果として、継続率とARPUが上昇。

教訓： 既存の流通経路 + 追加機能としてのAIは堅牢です。

事例4：データのフライホイール

時間とともに各顧客のアカウント、文体、パターンを学習する営業ツールです。12か月利用すると、モデルはその顧客固有の事業を深く理解します。

価格：シート単位、エンタープライズは個別設定。継続率は高く、乗り換えには実際のコストがかかります（12か月分のパーソナライゼーションを失うためです）。

教訓： 顧客固有のデータは、本物のモートです。

何が問題になるのか

よくある失敗モードは次のとおりです。

失敗1：利益率の圧縮。 当初は健全な利益率でしたが、競合と価格圧力に圧迫されました。今では売上が伸びても利益は伸びません。

失敗2：基盤モデル事業者による機能提供。 OpenAI／Anthropicが、自社製品と競合する機能を提供しました。差別化が消滅しました。

失敗3：ヘビーユーザーの経済性。 少数のユーザーが費用の大半を生み出します。そのユーザーは赤字です。適切な料金を課すか、損失を受け入れる必要があります。

失敗4：品質の回帰。 基盤モデルの更新によって挙動が変わり、調整済みのプロンプトが機能しなくなりました。顧客の信頼が低下し、回復には時間がかかります。

失敗5：無料の代替手段への顧客流出。 ChatGPTやClaudeが、自社製品の機能の大半をより安く実行できました。ユーザーは離れていきました。

失敗6：販売サイクルの期待。 エンタープライズ顧客は長期的な価値を期待します。自社製品は18か月後にMicrosoft Copilotに置き換えられるかもしれません。信頼を築くのは困難です。

失敗7：利益率の規律を欠いたスケーリング。 成長資金で成長を続け、利益率を無視しました。最終的に資金が尽き、黒字化への道筋もありません。

失敗8：基盤への依存リスク。 事業者によるAPIの値上げ、廃止、障害が発生します。自社で制御できない要因によって事業が混乱します。

機能する具体的な価格パターン

経済性を成立させた製品のパターンをいくつか紹介します。

上限付きのアクション単位制。 「完了したタスク」または「成功した成果」単位で課金します。階層ごとに利用量を制限し、ヘビーユーザーには超過料金を課します。価値と明確に対応します。

独自のAPIキーを持ち込む。 高度なユーザーは、自分のOpenAI／Anthropicキーを接続し、推論費用を直接支払えます。自社はその周辺製品に料金を課します。推論費用を自社の帳簿から外せます。

エンタープライズ向け個別価格。 大口顧客とは個別に交渉します。価格に費用を組み込めます。小規模な顧客には標準階層を適用します。

明確なアップグレード経路を持つ無料階層。 導入促進のため寛大な無料階層を設け、有料階層では明確な価値を提供します。無料階層のユーザーはセルフサービスで利用し、有料顧客へ移行します。

割引付き年間契約。 売上を確定し、利用予測を平準化し、解約を減らします。標準的なSaaSのパターンであり、今も有効です。

価格決定のフレームワーク

手順は次のとおりです。

1. コスト構造をモデル化する。 一般的なユーザー、ヘビーユーザー、ライトユーザーにサービスを提供する実際の費用はいくらですか？

2. 単位を選ぶ。 何に対して料金を課しますか？シート、アクション、成果、トークンでしょうか？

3. 適切な価格を見つける。 顧客価値、自社の費用、競争圧力が一致するのはどこですか？

4. 階層を賢く設計する。 無料／プロ／エンタープライズの間に、明確な価値の向上を設けます。

5. 上限を設定する。 ヘビーユーザーが利益率を損ない始めるのはどこですか？上限を適用するか、超過料金を課します。

6. 変化に備える。 基盤モデルの価格は下がります。自社の価格も追随させる必要があるかもしれません。または、価格を維持して利益率を高めることもできます。どちらにするか決めます。

7. 継続的に測定する。 顧客生涯価値、限界利益率、解約、契約拡大を測定します。学習に応じて調整します。

2026年のAIスタートアップについて

率直に見た市場の状況は次のとおりです。

ラッパー事業は通常、苦戦します。 基盤モデルを単純に包んだだけの製品が、単独で生き残ることはほとんどありません。例外には、特定の流通経路、ブランド、統合というモートがあります。実際に販売しているものの中で、ラッパーは最小の部分です。

業種特化型は成長しています。 深い顧客知識を持つドメイン特化型AI製品は好調です。

プラットフォーム戦略が支配しています。 Microsoft、Google、Salesforceなど、流通力を持つ大手事業者が、バンドル販売を通じて法人AI市場の大部分を占めています。

AIネイティブな運用は機能します。 AIを販売するのではなく、AIを使ってサービスを提供する会社は、AIをソフトウェアとして提供する会社より経済性が優れている場合が多くあります。

オープンソースの最先端モデルが市場を再形成しています。 高性能なオープンモデルは、一部の市場区分で競争力学を変えています。基盤モデルへのロックインは弱まりつつあります。

基盤モデル事業者はプラットフォームです。 OpenAI、Anthropic、Googleは、自社モデル上に製品レイヤーを構築しています。顧客は「OpenAI上に構築するのか、それともOpenAIに置き換えられるのか」という問いに直面します。

2026年に成功する新興企業は、こうした力学を意図的に乗り切ります。そうでない企業の大半は消えていきます。

何を最適化するか

創業者向けの優先順位は次のとおりです。

1. 実際の仕事をするものを構築する。 「XのためのAI」ではなく、顧客が価値を認める測定可能な成果を提供します。

2. 意図的にモートを構築する。 顧客データのフライホイール、業種への深い特化、統合、ワークフローへの組み込み。1つ以上を選び、製品に組み込みます。

3. ユニットエコノミクスを適正化する。 規模を拡大しても成立する利益率にします。価値を反映し、費用を保護する価格を設定します。

4. 変動する基盤に依存しない。 モデル事業者を分散します。交換可能な設計にし、事業者側の変更に備えます。

5. 優れた運用を拡大する。 オブザーバビリティ、評価、セキュリティ、品質。持続する製品と消える製品を分ける地味な要素です。

6. 関係を守る。 信頼、統合、スイッチングコスト。容易に離れられない顧客がモートになります。

これは、従来型の企業が成功するための原則と変わりません。ただし、基盤技術の変化が速いため、緊急性は高まっています。

モートを意識して構築する

2026年にLLM製品を市場に出すことは、2023年より困難です。ラッパーの時代はほぼ終わり、基盤モデル事業者やプラットフォームが直接競合しています。利益率は従来のSaaSより低く、競争相手は幅広くなっています。

成功する製品には、「AI」ではないモートがあります。独自データ、業種への深い特化、流通経路、統合、信頼、ワークフローへの特化です。意図的に構築し、複数を重ね、積極的に守ります。

経済性には厳密さが必要です。変動費は利用量に応じて増えます。キャッシュ、ルーティング、階層化、賢明な価格設定によって利益率を守ります。ヘビーユーザーには適切な料金を課すか、上限を設けます。

これを正しく行うチームは、AIを基盤に実在する事業を構築します。正しく行わないチームは事例になります。興味深いデモ、一時的な支持、そして忘却です。

初期の熱狂が示唆したより難しいゲームです。機会は現実に存在しますが、対象は限定されています。初日からモートを意識して構築してください。利益率を重要なものとして管理してください。基盤モデルを差別化要因ではなく、コモディティ化したインフラとして扱ってください。

そうすることで、3年後にも存在するLLM製品を市場に出せます。