生成AIマネタイゼーションリサーチレポートの状況
生成AIの価格設定指標とモデルの未来への考察
70社以上の企業データからのデータ駆動型分析
著者: マイケル・マンサード、サブスクライブド・インスティテュートEMEA会長
メソトロジー：このデータ駆動型分析では、生成AIを含んだサービスを持つ70社以上の企業の収益化戦略を調査しました。 2024年4月時点の分析です。
分析結果を探求
以下のリンクをクリックして、トピックごとに詳細を参照いただけます。
人工知能や生成AIが複数の業界で取り入れられている中、収益化戦略は成長を維持するための重要な要素となっています。革新と持続可能な収益モデルのバランスをとりながら、顧客満足度と市場競争力の両方を維持していくことがが重要です。
このシリーズを通じて、70以上の生成AI提供サービスを調査し、生成AIサービス提供の立ち上げに重要な戦略を分析しました。具体的にはコストの克服、生成AI採用の推進、価値の捕捉の3点です。
また、これらの生成AIの提供がどのように位置づけられているかという点とどのようにパッケージ化されているかという点についての主要なトレンドも見てきました。これにより、企業が現在直面しているさまざまな収益化戦略のポイントと課題が明らかになりました。
この記事では、生成AIの価格設定指標とモデルの範囲を探り、従量ベースの価格設定指標と価値重視の戦略を記載しています。例としてはハイブリッドモデルについて、価格を実際に顧客へ提供される価値にフィットするよう調整し、同時にコストに対するヘッジも行います。
生成AIの収益化に関するその他の探求 :
従来からあるユーザーベースの価格設定は一般的ですが、生成AIのユニークでダイナミックなバリューを捉えるには十分ではありません。実際、答えはおそらく一つの価格設定モデルが答えではありません。むしろ、この分野ですでに気づき始められているように、トータルマネタイゼーションのアプローチを生成AIに採用するためには、継続的な学習と反復が必要です。（ポイント1）
ポイント1: 生成AIのトータルマネタイゼーションを達成するための学習と反復
「私たちは積極的にさまざまなプランの採用を進めていますが、ユーザーの消費量や価値のパターンが明らかになるにつれて、価格設定モデルは進化し続けると考えています。」
– Colin Carroll, PwCのプライシングとコマースのスペシャリスト
セクション1：生成AIの価格設定指標のトレンドから学ぶ
価格設定指標は、製品やサービスの価格設定の基礎となる定量的な指標です。適切な価格設定指標を選択することは重要です。なぜなら、理想としてはサービスの価格とそれが提供する価値を一致させるべきだからです。これにより、価格設定の公平性と透明性が確保され、顧客満足度と継続性に大きな影響を与えます。
以下に示すように、これらの単位や指標は、「ユーザー数」などのコミットメントのあるものから、「チャットレスポンス数」などの使用量ベースのものまでさまざまです（ポイント2）。
ポイント2 : 生成AIの価格設定指標はビジネス全体にわたっています
価格設定指標の選択肢：
- フラット（指標なし）： 指標に基づいて課金しないサブスクリプションモデル。これらの製品は通常、エンタープライズよりも消費者やSMBを対象としているため、このアプローチは理にかなっています。
- インプット： 生成AIプロセスを運用するために必要なリソース、つまりインプットに焦点を当てる。たとえば、GitHubはCopilotツールでユーザーごとに課金しています。
- アクティビティ： アウトプットに寄与する特定のアクションに基づいています，例えば、生成AIのクエリ数や使用したGPU時間など。
たとえば、C3.AIは仮想CPU（vCPU）時間ごとに課金しています。MicrosoftのCopilot for Securityはセキュリティコンピューティングユニット時間ごとに課金されます。 - アウトプット： 生成AIのアクティビティによって生成される具体的なアウトプットに関連しています、例えば、生成されたメールや画像の数など。Adobe Fireflyは、AIが生成する画像の数に応じて使用量を測定しています。
- 成果ベース： 生成AIを通じて達成されたビジネスインパクトを測定しています、例えば、成功した顧客インタラクションのパーセンテージなど。Chargeflowは、顧客の有利に解決されたチャージバックごとに課金します。
ポイント2に示すように、私たちの調査対象のオファーの一部は固定額の価格設定を利用しており、指標を全く使用していません。調査結果によると、指標を使用する企業は用しない企業よりも30%高速に成長することが示されています。適切な価格設定指標を選択することは重要で、公平性、透明性、価値の実現、顧客満足度と継続性を確保するために不可欠です。
現在のオファーの約50%が入力ベースのカテゴリにある（ポイント2）一方で、状況はもう少し複雑です。セクション2で議論するように、これらのシートベースのオファーの一部はすでに、ユーザーベースの価格設定の上に使用量ベースのメータリングと閾値設定を一部導入しています。
まず、私たちの研究が現在の企業がこれらの4つの指標タイプをどのように活用して、生成AIのオファーを追跡し、マネタイズしているかを詳しく見てみましょう。
インプット
私たちの研究では、ユーザーあたりやシートあたりなどの入力ベースの指標が生成AIにとって最も一般的であることが明らかになりました。従来の確立されたSaaS価格設定指標が、生成AIのような新しいオファーを素早く市場に投入するための馴染みやすく簡単な方法であるからです。その結果、入力ベースの指標は、分析した70以上のオファーのうち、半数以上で使用されています―特に生成AIアプリケーション（展示3）。特筆すべき例としては、Salesforce Einsteinのアドオン（ユーザーあたり月額70ドル）やChatGPT Team（ユーザーあたり月額25ドル）などがあります。
ポイント3：生成AIアプリケーションおよびモデルの価格設定指標分布
*生成AI価値チェーンに関する詳しい情報は、以前のインストールメントをご覧ください：生成AIの収益化：なぜ多くのSaaS企業が機会を逃しているのか、そしてその解決策 そして SaaS企業が採用する主流のパッケージモデルとは。
この従来からある単位あたりのプラン展開は、初期のローンチ段階では上手く機能し、採用を促進するのに役立ちます。しかし、生成AIを含んだサービスの長期的な運用は価格設定のベストプラクティスを見直すように促しています。実際、早期のデータでは、シートベースの指標を単独で使用することが逆効果をもたらす可能性があることが示されています。
その理由は古いジム会員制のパラドックスや失敗した過去の無制限のフライトパスに類似ています―非常にアクティブなユーザーが、あまりアクティブでないユーザーと同じ料金を請求されます。結果として、これらのよりアクティブなユーザーは利益率を下げますが、ユーザーベースの指標はこの価値提供やコストの変動を追跡または調整することができません。
つまり、サービス提供者にとって、こうした「本来なら主力顧客であるべきユーザー」に対応するインセンティブが働かなくなるのです。
このようなミスマッチは、重大な結果を招く可能性があります。Microsoft の GitHub Copilot ではすでにそのポイントを感じ始めていると言われており、1ユーザーあたり月平均で約20ドルの損失、アクティブユーザーに至っては月に最大80ドルの損失が発生していることもあるようです。これは、エンタープライズ環境において、全社員にチャットボットやCopilotのライセンスを一律で提供することが、現時点ではコスト効率の良い選択ではないことを如実に示しています。
長期的には、入力ベースの指標だけに基づくベンダーは、価値の取り込みを制限し、将来の収益成長のボトルネックとなる価格設定のために、柔軟性と収益性が限定されることになるでしょう。これを考慮に入れて、ユーザーベースの価格設定は、生成AIオファーの大多数にとって過渡的なモデルに過ぎないと予測しています。実際、ますます多くの企業が既に、ユーザーベースの指標に加えて使用ベースの指標を利用した価値ベースのモデルに移行しています。
もっと効果的な価値ベースのアプローチを詳しく見てみましょう。
ユーザーベースから使用量ベースのメトリクスへの移行
従量課金、または消費型またはメーター制課金とも呼ばれるこのモデルは、製品やサービスの実際の使用量に基づいて顧客に請求する方式です。このアプローチは、近年、特にテレコム、ユーティリティ、SaaS、そして今ではAIといった業界で大きな注目を集めています。
一律料金やユーザーベースの課金だけでは生成AIに対して十分でないという認識を受け、多くの企業が使用メトリクス（アクティビティ、出力、結果など）を採用して生成AIの使用量を測定し、閾値を設定し始めています。
使用量に基づくメトリクスの利点：
- 導入を促進： 初期コストが低いことで、顧客は自分たちが使用する分だけ支払うため導入率が高くなります。
- 柔軟性： 顧客は最小限のコミットメントで始めて、価値を見つけ次第使用量を増やすことができ、低リスクのエントリーポイントを提供します。
- 顧客の維持： 価格をアクティビティ、出力、または結果に合わせることで、顧客の満足度とロイヤルティを維持します。量に比例して支払うため納得感を得やすいたいめです。
- 使用量の可視化と透明性： 活動のリアルタイムトラッキングにより、顧客は自分たちの使用量と支出を監視でき、透明性を高め、顧客の満足度とコントロールを向上させます。
- 品質を奨励： プロバイダーは、出力や結果を最大化するために、生成AIの品質と効率を向上させることに動機づけられます。これは両者にとって利益となります。
- イノベーションと実験： プロバイダーは、顧客満足度と収益を最大化する最適な構造を見つけるために、異なる活動ベースの課金モデルをテストし、反復することができます。
- 競争優位の強化： 使用量に基づく課金を提供するプロバイダー、特に結果に基づく課金を提供するプロバイダーは、確実な結果を求める顧客を引きつけることで市場で目立つ可能性があります。
- コストとの整合性： 生成AIのような無形のサービスに対してコストに基づいて価格設定することは通常は推奨されませんが、使用量に基づくメトリクスは、関連する高コストや低利益率を緩和するのに役立つ可能性があります。
使用量に基づく指標の課題：
- 複雑さの可能性： 使用量に基づく指標が単独で、何らかのコミットメントレベルなしで使用される場合、プロバイダーと顧客の両方にとって、コストと収益の管理と予測がより困難になる可能性があります。
- 請求の複雑さ： 請求プロセスがより複雑になり、請求に関するオペレーションコストが生じる可能性があります。リアルタイムの顧客使用データの可視性がビジネス全体で重要になります。
- プロバイダーにとってのリスク： 特に成果に基づくメトリクスの場合、目指す結果が達成されないか、または測定が困難な場合、リスクが高くなります。ベンダーと顧客の両方が、成功した結果を何とするかについての定義について合意しなければなりません。
- 顧客の過剰なコミットメント： ある程度のコミットメントがある場合、顧客が維持できる以上の使用量を約束してしまうリスクがあります。特に、生成AIサービスのような新しく発展途上のイノベーションでは、ユースケースと価値がまだ探求されている段階です。
アクティビティとアウトプット
アクティビティベースとアウトプットベースのメトリクスは、すでに生成AIのオファーに対するバリューチェーンのモデル層での主要なアプローチとなっています（ポイント3）。しかし、それらのケースでは、主に「コストプラス」の概念で設定されています。つまり、コストモデルを収益モデルに合わせるということです。これは、IaaSやPaaSのプロバイダー（Azure、Google Cloud Platform、AWSなど）が販売する典型的な方法であり、彼らが類似のバイヤーに対応しているからです。そして、ユーザー自身は直接生成AIモデルにアクセスするわけではなく、消費はアプリケーションレベルの別のシステムから発生します。しかし、アクティビティやアウトプットの「トークン」ごとに、アプリケーション層で実行されるユースケースやコンテキストによって、その価値は大きく異なります（ポイント4）。
ポイント4：アクティビティベースとアウトプットベースのメトリクスの例
成果ベース
特定のビジネス結果を提供する生成AIソリューションに適した成果ベースの指標は、価格をビジネスの結果に直接リンクさせることで生成AIの価値とリンクします。このタイプの指標は、セールスやマーケティングオートメーション、金融予測などのパフォーマンス指標に焦点を当てた業界でうまく機能します。
優れた成果ベースのモデルは、その本質上顧客中心の指標であるため価値の最大化をします。これらは、顧客サービスの解決策を達成したり、チャージバックの決済を行うなど、顧客の戦略的な目標と一致します（ポイント5）。このような指標は、プロバイダーとユーザー間で価値の相互理解を必要とします。これを行うために、ベンダーは、ソリューションがカバーするプロセスやワークフローの基礎となるコストと価値のドライバーを明らかにするための時間が必要となります。
これが、成果ベースのモデル採用者が、ソリューションに至るまでのコストがすでにわかっている顧客サービスやサポートのユースケースで見られる理由です。AIの顧客サービスソリューションであるIntercomは、これの代表的な例です（ポイント5）。
ポイント5: 成果ベースの指標の例
成果ベースの指標は、我々の調査で取り上げたオファーの6%だけが使用しています（ポイント3）が、このシリーズ全体で、今後数ヶ月から数年にわたってこのような指標の増加を予測しました。企業は、価値の実現を最適化するために、価格設定戦略を繰り返しています。
業界特化型の生成AIソリューションであるHarvey.aiやHippocratic.aiは、現時点では成果ベースの指標を使用しているようには見えませんが、戦略の成長ポテンシャルについて可能性があります。
前回の記事でも、同様の理由で、そのようなソリューションは時間と共にペルソナまたは機能ベースのパッケージングにシフトすると予測しました。両方の戦略は、価格設定とパッケージングを顧客が実際に受け取る価値と一致させることを目指しています。
以下の属性は、生成AI製品がより価値あるいは成果指向のモデルに移行し、ソリューションの高価値プレミアムを捉える成功の要因となる可能性があります。
| 基礎データセットの特異性 | 生成AIモデルを訓練するために使用されるデータの独自性、特にデータセットがユニークなインサイトや競争優位を提供する場合。 |
| 専門性 | 特定のドメインやユースケースにおける専門性。明確な問題に高精度で対応し、それをターゲットとする顧客にとってより価値があるサービス。 |
| 価値創造の帰属 | ソリューションが価値創造と継続的な投資回収（収益成長、コスト節約など）の観点から直接リンクできる能力。 |
| Time-to-value | 顧客がソリューションを展開し、具体的な利益を得るまでの速さ。早期の投資回収が投資の正当化と優先順位付けを支援します |
| ソリューションのスケーラビリティ | ソリューションをデータ、ユーザーなどの成長に合わせてスケーリングできる容易さ。これは長期的な価値と適応性に影響を与えます。 |
| 規制とコンプライアンス | 関連する規制やデータプライバシー対策、特にニッチまたは地域性があるものへの順守。これにより、顧客の法的リスクを最小化します。 |
| 生成AIバリューチェーンでのポジション | 広範な生成AIエコシステム内での重要性。 |
企業が成果ベースの指標に向かって移行するにつれて、これは 行われるべき仕事の理解とデータの要求が増すことを意味します。これにより、顧客中心の指標を使ったオファーの検討が進むでしょう。
既存のデータはすでにこのアプローチのポテンシャルを証明しています。Subscribed Instituteの研究によると、各チャージモデルが全収益の少なくとも10%を占める3〜5のチャージモデルを持つ企業は、年間収益成長、平均収益（ARPA）成長、平均月間チャーン率（ポイント6）の観点から最もパフォーマンスが良いことが示されています。
次のセクションでは、この成長を達成するために有効な価格設定モデルについて詳しく説明します。
ポイント6：より多くのチャージモデルを持つ企業の方がパフォーマンスが良い傾向がある
セクション2：生成AIのための価格設定メトリクスの組み合わせモデル
価格設定メトリクスについて説明したところで、次に、企業が生成AIのオファーを市場に出すために使用しているビジネス戦略と価格設定モデル、またはモデルの組み合わせのタイプを見ていきましょう。
我々が調査した生成AIのオファーのほぼ半分が、定期課金的ななモデルを採用しており、多くの場合入力ベースのメトリクスを使用しています（ポイント7）。これらの場合オファーには通常、ポリシーと共に生成AIの無制限の使用が含まれています（NotionAIがこれの一例です）。または、コミットされた定期的なプランには、上位のティアに移動することで成AIのインタラクションやクレジットの数を増加させることができる要素が含まれているかもしれません。どちらもHeyGenとAnaconda Assistantがこの戦術を採用しているようです。
もう少し深く掘り下げると、ベンダーはすでにさまざまな価格設定モデルを採用していることがわかります。
ハイブリッドモデルで両方を組み合わせる
ほとんどの生成AIアプリケーションは、従来のプライシングをモデルに定期課金またはユーザーベースの課金を採用しますが、今日ではハイブリッドの価格設定モデルが採用されてきています。現在収益成長が複雑な生成AIにとって、これは素晴らしい戦略です。実際、研究によればこれらのモデルを採用しているSaaS企業は成長が速いことが示されています。
しかし、このシリーズの最初の記事で議論したように、生成AIの収益化の最終目的は単に競争力のある価格設定ではなく、真の価値の創造です。コスト削減と自動化も必要である中、前進する道は価値提供とコストの調和です。
ハイブリッド価格設定モデルは、入力ベースと結果ベースのモデルなど、価格設定指標の組み合わせを統合することにより、この調和を達成するのに役立ちます（図7）。
シートベースの価格設定だけでは生成AIの変化する要求と能力に対応できませんが、その上に使用量をレイヤー化することでスケーラビリティを向上させることができます。実際、私たちの調査では、オファーの50％以上がすでに何らかのハイブリッドモデルを採用し、事前のコミットメントや定期的なコミットメントと使用量ベースの価格設定の一部を組み合わせていることがよくあります（図7）。
図7: 生成AIの価格設定指標とモデル
通常は前払いで課金されるシンプルな定期課金とは異なり、これらのハイブリッドモデルはより複雑な構造を持っています。ハイブリッド価格設定モデルは、主に従量課金型の消費から、前払い型の引き下げ、または最小限のコミットメントの前払いに加えて超過分の支払いまで、さまざまな形態を取ります。
使用量や消費ベースのハイブリッドモデルは、すでに生成AIモデル層で広く用いられています。これらのオファーは、MistralAIのようなもので、トークンごとの支払いなど、出力指向の指標をよく用いています。一方、Chargeflowや他の一部の先駆者はすでに、自分の有利に解決したチャージバックの値の%など、結果指向の指標を採用しています。
超過分の支払いを伴うコミットメント型の定期課金モデルは、通常、入力ベースの価格設定と一定数の生成クレジット、一定の使用量の閾値設定、及び超過時に追加購入するオプションを組み合わせた形を取ります。
使用量の閾値設定は、生成AIの巨大なコストを克服するのに役立ちます。現時点では、以下の3つのバリエーションが見られます。
- 数量の閾値設定：期間ごとのインタラクションの数が制限されます。
- 速度の閾値設定：処理速度が制限されます。
- サービスレベルの閾値設定：使用されるモデルの品質または生成される出力の品質を調整します。
Adobe Fireflyは、これらの閾値をうまく組み合わせています。なぜなら、ユーザーは割り当てられたクレジットを使い果たした後もサービスを引き続き使用することができますが、処理時間が遅くなるか、タスクが制限されるか、画像の品質が低下するといったサービスレベルを制限しています。
図8: ハイブリッドモデルを作成するために使用される指標
最後に、ハイブリッドモデルのための多くの指標の組み合わせオプションがあります。これらは、ティア型のモデルから、とある１ヶ月における使用量またはサービス消費の最高値で課金するモデルまで、さまざまです。図8にこれらのモデルを視覚化した図を示します。
ハイブリッドモデルは、使用量のメータリングにおける統制が必要であり複雑なモデルを管理する際の収益漏れのリスクがあるため、収益保証を確保するために必要です。しかし、適切な戦略とツールを持つことで、これらのモデルは生成AIのスタートアップやSaaS企業が必要とする成長、スケーラビリティ、柔軟性を提供できる可能性があります。
生成AIのためのハイブリッドモデルを選ぶ理由：
- 加速する年間定期収益（ARR）の成長：研究によれば、SaaS企業はハイブリッドモデルを使用することでより速く成長する傾向があることが示されています。サブスクリプションと従量の要素を統合することで、ビジネス価値の最適化と大幅な収益成長を達成することができます。
- スケーラビリティと柔軟性：ハイブリッドモデルは、進化する生成AIの要求と能力に合わせてスケールする柔軟性を提供します。従来の単位あたりベースの価格設定は、使用パターンの変化に対応できませんが、使用ベースのコンポーネントを追加することで、多様な顧客ニーズに対応します。
- スケーラビリティと柔軟性：リテンションと平均収益（ARPA）:：定期的な支払いと適切なレベルの使用料を組み合わせることで、ハイブリッドモデルはバランスをとり 平均収益（ARPA）の向上とより良いリテンションを実現します。
- 使用量に基づく価格設定の増加: 消費者とテクノロジーバイヤーはともに、特にAIと生成AIのセクターにおいて、使用量に基づく価格設定を強く好む傾向があります。
- 価値の担保: ユーザーベースや成果ベースのユニットなど、様々な価格設定メトリクスを組み合わせることで、ハイブリッドモデルは価格が顧客に提供される実際の価値により密接に一致することを保証します。これは生成AIの長期的な成功にとって絶対的に重要です。
- 収益保証の改善: ハイブリッドモデルでは、綿密な顧客使用量の計量が収益の漏出リスクを最小限に抑えます。この正確なトラッキングと、使用量に基づく請求額は、規律ある収益管理アプローチを後押しします。
- 予測性の向上: 顧客は、定期的な支払いの予測可能性と超過料金の柔軟性から利益を得ます。この二重のアプローチは、予算に対するニーズに対応し、顧客がコストを管理し必要に応じて使用量をスケールアップするのを容易にします。
- 段階的なコミットメントの奨励: ハイブリッドモデルは、顧客が最小限のコミットメントから始めて、価値を認識するにつれて投資を段階的に増加させること可能にします。この段階的なアプローチは、相互の価値発見と長期的なエンゲージメントを強化します。
- 多様なユースケースのサポート: これらのモデルは、出力指向（例：トークン毎の課金）から結果指向（例：チャージバックの決済のパーセンテージ）まで、幅広いメトリクスに対応します。この多様性は、ハイブリッド価格設定をさまざまな生成AIアプリケーションに適しています。
持続可能な生成AIの収益化戦略を採用する
使用基準やハイブリッド価格モデルへのシフトは、従来の席数やユーザー基準の価格設定からの重要な転換を意味します。これは生成AIのユニークな価値を適切に捉えることができません。トータルマネタイゼーションのアプローチを採用する企業は、コストと顧客価値を調整し、競争力と満足度を確保するためにデータを継続的に収集し、多様な価格設定でPDCAを実行していく必要があります。
生成AIの収益化はコスト効率と価値提供のバランスを取るアプローチが重要であり、これにより生成AI駆動の市場での長期的な成功と成長につながります。
主なポイント
- ユーザーベースの価格設定は、ほとんどの生成AIの提供にとって持続可能ではないため、価値提供のメトリクスに応じて課金する価格設定を試すことが極めて重要です。
- 結果ベースのメトリクスのには一定のプロセスが必要であはあるが、すべてサービスがこのアプローチに最適な候補ではありません。
- 企業が価格設定と価値をより密接に調整するアプローチを微調整するにつれて、データ収集の増加、顧客中心の考え方、PDCA、セグメンテーションが必要になります。
この記事には、リリースの利点と欠点、生成AIソリューションの異なる価格メトリクスとモデルに関する予想など、多くのリスク、不確実性、仮定を含む先見的な声明が含まれています。歴史的事実の声明でない任意の声明は、先見的な声明とみなされる可能性があります。先見的な声明により表明される実際の結果は、多くの要因により、実質的に異なる結果をもたらす可能性があります。この記事の先見的な声明は、この記事の日付時点の現行の期待に基づいており、Zuoraは新情報、将来のイベント、その他の理由により、先見的な声明を更新または改訂する義務を負わない。また、このプレスリリースが市場データやその他の統計情報も含んでいる場合、その情報は見積もり、予測、予測、または類似の方法論に基づいており、本質的に不確実性を含んでおり、実際のイベントや状況はこの情報に反映されているイベントや状況と実質的に異なる可能性があります。記事で述べられているように、この推奨事項は基本的なガイドであり、未来の予測や正確なアドバイスを意図したものではありません。
著者についてもっと知る
マイケル・マンサード
EMEAチェア、サブスクライブドインスティチュート
Zuoraのサブスクリプション戦略主任ディレクター
サブスクライブド・インスティテュート
Subscribed Instituteは、Zuoraが専門的に運営するシンクタンクで、研究、コンテンツ、イベント、アドバイザリーサービスを通じてビジネスリーダーのコミュニティを育成し、サービスを提供します。 Subscribed Instituteのストラテジストは、お客様が定期収入ビジネスモデルの成功に向けて戦略的な、パーソナライズされた道筋を描き、内部能力を構築し、加速するユーザーシップへの旅をナビゲートするのを助けるためのリソースです。
