企業がAIを使い続ける余裕を失ったら、何が起きるのか？

創業初期のUberは、街を横断する移動をタクシーより安く提供していた。会社が収益を上げる必要に迫られるまで、その差額は投資家が補っていた。Rakuten Intelligenceのデータによると、米国の配車サービス料金は2018年から2021年にかけて92％上昇し、2023年には、ニューヨークで3マイルの移動に今いくらかかるのかを聞いて、UberのCEOでさえ驚いた。

人工知能も、同じような局面を迎えつつある。Anthropicは6月、米国での株式公開に向け、秘密裏に申請書類を提出したと認め、OpenAIもそれに続く準備を進めていると報じられている。上場企業は四半期ごとに株主への説明責任を負い、そうした監視の目は価格設定を変える傾向がある。

ここで、多くの企業がまだ問うていない疑問が浮かぶ。自社製品が依存するAIが、値上がりしたり、利用制限が強化されたり、あるいはその両方が起きたりしたら、どうなるのか。答えを左右するのは、AI研究機関が何を決めるかよりも、各企業がそれらのサービスを前提にどのような事業を築いてきたかだ。そして、備える時間はまだある。

AIコストはIT予算から事業モデルへと移っている

当初のAI利用料は、実験費として計上できるほど少額だった。今やAIは製品や業務フローに組み込まれ、その価格は利益率に直結する。現在の価格は、大規模な投資が続いた時期を反映している。

調査会社SemiAnalysisのテストでは、月額200ドルのClaude Maxプランで、標準的なAPI料金に換算して月あたり約8,000ドル分を利用できた。ユーザーにとっては手厚い内容であり、一部の価格がサービスの実際の提供コストからどれほどかけ離れているかを示している。

一部ではすでに調整が始まっている。2025年半ば、AIコーディングツールのCursorは月額20ドルのプランを、API料金に基づく従量課金制に変更し、AnthropicはClaude Codeを最も頻繁に利用するユーザーに週ごとの利用上限を導入した。開発者のSimon Willisonは、投資家の補助を受けたAI利用の時代は終わりつつあるのかもしれないと指摘した。

アナリストも同様の助言をしている。Gartnerが2026年8月に公表したガイダンスは、経営者に対し、AIの値上がりに備えるよう促している。同社のアナリストは、AIコストの増え方を把握していない組織は、コストを500％から1,000％も見誤る可能性があるとも警告している。

単位当たりの価格低下は助けになるが、それにも限界がある。Epoch AIによると、一定水準のAI性能を得るための価格は毎年大幅に下がっている。一方、MITの研究者らは、新しい推論モデルが回答を導き出すために、はるかに多くの計算処理を必要とすることを明らかにした。利用量が増えれば請求額も膨らみ、利用量は増え続けている。

上場するAI研究機関は、それを基盤に事業を築くスタートアップに何をもたらすのか

上場は規律をもたらす。上場するAI研究機関は、持続可能な利益率を実現する道筋を投資家に示す必要があり、価格設定はそのために使える最も直接的な手段の一つだ。その結果、定価の引き上げ、利用上限の厳格化、機能の上位プランへの移行、旧モデルの早期終了などが起こり得る。

スタートアップは、供給元とも市場で競合する。AnthropicがClaude Codeを提供しているように、AI研究機関は自社アプリケーションを提供するケースを増やしている。そのため、モデルそのものを超えて自社がどのような価値を付加しているのかを明確にすることが重要だ。

前向きな側面もある。上場企業はより多くの情報を開示するため、顧客はAIの価格設定をより明確に把握できる。また、プロバイダー間の競争に加え、急速に性能が向上するオープンモデルも、乗り換えの準備ができている企業にとって価格の抑制につながるはずだ。

企業が依存度を下げる方法

事業上のリスクを見極めるには、二つの問いが鍵となる。コストが上がった場合でも、顧客はそのサービスにそれだけの価値を感じ、より高い料金を支払うだろうか。そして、値上がりを吸収できるだけの利益率があるだろうか。答えに確信が持てない企業には、役立つ取り組みが五つある。どれも一から始める必要はない。

タスクごとのコストを把握する。多くのチームは月々のAI利用料を把握していても、顧客が一つの操作を行うたびにいくらかかるかは分かっていない。タスク単位のコストを測れば、価格が30％、50％、あるいは100％上昇した場合に、どの機能、顧客、ユースケースが採算割れするかを特定できる。

AIは最も大きな価値を生む場面で使う。大規模モデルは、初めて取り組む問題のように、曖昧さへの対処が求められる場面で特に力を発揮する。繰り返し行う作業には、従来型のソフトウェアが適していることが多い。たとえばソフトウェアテストでは、ユーザーの操作手順をどう検証するかをAIに一度考えさせれば、その後はモデルを呼び出すことなく、通常のコードとして同じテストを何千回も実行できる。

用途に合ったモデルを選ぶ。Epoch AIによると、一般消費者向けのグラフィックカード1枚で動作するオープンモデルのうち、最も性能の高いものでも、先行する最先端モデルとの差は約1年以内にとどまる。定型的な作業なら、小型モデルや自社運用モデルでも、価格を大幅に抑えながら許容できる結果を得られる。

乗り換えの選択肢を確保する。特定のプロバイダー独自の機能を中心に構築された製品は、最も乗り換えが難しい。製品とモデルの間にシンプルなレイヤーを設け、代替手段を定期的にテストしておけば、将来の値上げを交渉の機会に変えられる。

成果に応じて価格を設定する。トークン単位で顧客に請求すると、AI価格の変動がすべてそのまま顧客に転嫁される。完了したタスクや解決した問い合わせなど、成果ごとの定額料金なら、顧客にとって価格が安定し、企業側も自社コストの変動を吸収しやすくなる。同じ考え方はツールの購入にも役立つ。成果単位で価格が設定されたツールなら、将来の支出を予測しやすい。

手頃さは設計の段階で決まる

Uberの値上げによって、配車サービスが終わったわけではありません。終わったのは、乗車料金が常に補助されることを前提としたビジネスモデルです。AIも同じような道をたどる可能性があります。大手AI研究機関が株式市場に進出するにつれて、AIの価格は提供コストに近づき、その価格でも自社製品が機能するかどうかによって、企業の評価が決まるでしょう。

この変化に最もうまく対応できる企業は、AIを測定・管理すべき依存要素として捉えています。まだ取り組みを始めていない企業も、手遅れではありません。これらの手順はどれも今四半期から始められ、一つひとつが、次の価格変更を受け入れやすくします。