LLMプロダクトの粗利構造：推論コストと価格設計から事業の持続性を読む
LLMプロダクトの評価では「機能が優れているか」「ユーザーが増えているか」に目が向きがちですが、事業の持続性を左右するのは粗利構造です。結論を先に述べます。LLMプロダクトの原価はトークン量・モデル選択・呼び出し回数という3変数で決まり、これを従量課金でない価格設計（定額・シート課金）と組み合わせると、利用が増えるほど赤字が拡大するという逆説的な構造が生まれます。投資判断・技術DDでは、機能や成長率だけでなく「利用量と原価の関係」「価格モデルとの整合性」「粗利改善の技術的打ち手が実装されているか」の3点を確認することが不可欠です。
LLMプロダクトの原価は何で決まるか
LLMプロダクトの原価は、突き詰めれば3つの変数の掛け算で決まります。
トークン量は、1回の呼び出しで処理する入力・出力の文字数（正確にはサブワード単位のトークン数）です。長いコンテキスト（会話履歴・RAGで注入する文書・システムプロンプト）を渡すほど入力トークンが増え、詳細な出力を求めるほど出力トークンが増えます。多くのAPIプロバイダは出力トークンの単価を入力トークンより高く設定しており（目安として数倍程度になることが多く、比率はプロバイダ・モデル・時期によって変動します）、「長い回答を返す」設計はコストに直結します。
モデル選択は、原価に最も大きな倍率をかける変数です。最上位モデルと軽量モデルの間には、トークン単価で数倍から一桁以上の差があるのが一般的です。LLM組み込みのアーキテクチャ選択は精度・機密性・コスト・スピードの4軸で決まると整理しましたが、コスト軸を軽視して「常に最上位モデルを使う」設計にしていると、粗利構造が最初から悪化した状態でスタートすることになります。
呼び出し回数は、1ユーザーあたりの利用頻度とプロダクト設計に依存します。見落とされがちなのが、ユーザーから見えない「裏側の呼び出し」です。RAGの検索クエリ生成、出力の自己検証（セルフチェック）、エージェント的な多段推論では、ユーザーの1回のリクエストに対してモデル呼び出しが3〜10回発生することが珍しくありません。表面上の「1機能」が、原価上は「複数回のAPIコール」に相当している場合、原価試算はユーザー体験からではなく実装のログから行う必要があります。
この3変数を掛け合わせた「1ユーザー・1ヶ月あたりの推論原価」が、LLMプロダクトのユニットエコノミクスの土台になります。この数値を即答できないチームは、価格設計の妥当性を検証できていない可能性が高いといえます。
価格設計パターンと原価の相性
LLMプロダクトの価格設計は、大きく3パターンに分類できます。それぞれ原価構造との相性が異なります。
| 価格モデル | 原価との相性 | リスク |
|---|---|---|
| 従量課金（トークン量・呼び出し回数に連動） | 良い：原価と収益が連動するため粗利率が安定 | 顧客にとって価格が予測しにくく、大口顧客の離脱要因になりうる |
| 定額課金（無制限利用・使い放題） | 悪い：ヘビーユーザーほど原価が青天井に増える | 「使い放題」を謳うほどヘビーユーザーが集中し、逆選択が起きる |
| シート課金（ユーザー数に連動、利用量は不問） | 中：1シートあたりの利用量にばらつきがあると原価が読めない | 一部の重利用ユーザーが平均原価を押し上げる「クジラ問題」が生じる |
従量課金は原価と収益が連動するため理論上は健全ですが、SaaSの慣行として「シンプルな価格」を求める顧客の期待とぶつかります。多くのプロダクトが定額・シート課金を採用する背景には、この顧客体験上の要請があります。
問題は、定額・シート課金を選んだ場合、利用量の分布を必ず監視しなければならないという点です。全ユーザーの平均的な利用量を前提に価格を設定すると、上位数%のヘビーユーザーが平均を大きく引き上げ、想定原価を超過します。この「利用量の分布」を無視した価格設計は、後述する「利用が増えるほど赤字」構造の直接的な原因になります。
粗利率を改善する技術手段
原価と価格設計のミスマッチが判明した場合でも、事後的に粗利率を改善する技術的な打ち手は複数存在します。
キャッシュは、同一または類似の入力に対する応答を再利用し、モデル呼び出し自体を削減する手法です。プロンプトキャッシング（システムプロンプトや長いコンテキストの再利用部分を安価に処理する仕組み）は、多くのAPIプロバイダが提供しており、繰り返し使われるコンテキストが多いプロダクトほど効果が大きくなります。
モデル切替（ルーティング） は、タスクの難易度に応じて呼び出すモデルを動的に変える設計です。簡単な分類・要約には軽量モデルを、複雑な推論には上位モデルを割り当てることで、平均原価を大きく下げられます。「常に最上位モデルを使う」設計から「タスク別に最適なモデルを選ぶ」設計への移行は、粗利改善の中でも実装コストに対する効果が大きい打ち手です。
プロンプト最適化は、同じ品質の出力をより少ないトークンで得るための設計改善です。冗長なシステムプロンプトの削減、出力フォーマットの簡潔化、不要な確認ステップの削除などが該当します。地味に見えますが、月間の呼び出し回数が数百万件規模になると、1回あたり数百トークンの削減が原価に大きく効いてきます。
蒸留（Distillation） は、大規模モデルの出力を教師データとして小型モデルを学習させ、特定タスクに限定して大規模モデルを代替する手法です。Fine-tuningと組み合わせて使われることが多く、Fine-tuningは初期投資と引き換えに精度と原価の両面で最適化余地を生む選択肢です。特定タスクの呼び出し頻度が高く、かつ要求される精度の幅が狭い場合に効果を発揮します。
これらの打ち手は独立ではなく、組み合わせることで相乗効果を生みます。キャッシュとモデルルーティングを併用し、頻出パターンには蒸留モデルを充てる、といった多層的な設計が、成熟したLLMプロダクトの原価構造には見られます。
「利用が増えるほど赤字」構造の見分け方
この構造は、成長期のLLMプロダクトが陥りやすい典型的な罠です。ユーザー数・利用回数といった成長指標が好調であるにもかかわらず、粗利率が悪化していく現象として現れます。見分けるための着眼点は以下の4つです。
第一に、利用量の分布を確認します。 平均値ではなく中央値と上位10%の利用量を比較し、乖離が大きい（上位10%が平均の5倍以上など）場合は、一部のヘビーユーザーが原価を押し上げている可能性が高いといえます。
第二に、価格モデルと原価連動の有無を確認します。 定額・シート課金であるにもかかわらず、利用量に上限（レートリミット・機能制限）が設けられていない場合、原価の上限が存在しないことを意味します。
第三に、コホート別の粗利率推移を見ます。 新規ユーザーのコホートごとに、契約後3ヶ月・6ヶ月・12ヶ月時点の粗利率を追跡し、時間の経過とともに悪化しているかを確認します。ユーザーがプロダクトに習熟するほど利用量が増える設計（成功指標としては良いが原価面ではリスク）のプロダクトでは、この推移が右肩下がりになりやすい傾向があります。
第四に、「利用促進」と「原価管理」が組織的に分離されていないかを確認します。 グロース部門が利用回数を増やすインセンティブで動き、コスト管理が後追いになっている組織では、この構造が是正されないまま拡大を続けるリスクがあります。
これらの兆候が複数該当する場合、成長率の高さは必ずしも事業の健全性を意味しません。むしろ「成長すればするほど資金が必要になる」構造を内包している可能性を疑うべきです。
投資判断で確認すべき指標
投資・買収検討における技術DDでは、以下の指標を具体的な数値で確認することを推奨します。
1ユーザーあたりの月次推論原価（Cost per User）：この数値と契約単価を比較すると、まず「推論コストを差し引いた後の限界利益率」が算出できます。ここで注意すべきは、これはサポート費用・LLM以外のインフラ費用など他の原価を含まない推論コストベースの近似値であり、そのまま粗利率と同一視すべきではない点です。この近似値がSaaS平均の粗利率（一般に70〜80%程度が目安とされる）を大きく下回る場合、他の原価を積み上げる前の時点ですでに価格改定または原価削減の打ち手が必要という強いシグナルになります。
利用量の分布（中央値・上位10%・最大値）：上位ユーザーの利用量が損益分岐点をどの程度超過しているかを確認します。
原価削減ロードマップの有無：キャッシュ・モデルルーティング・蒸留などの技術的打ち手が実装済みか、計画段階かを確認します。何も手を打っていないチームは、スケール時に粗利が急速に悪化するリスクを抱えています。
モデルベンダー依存度とコスト変動リスク：単一プロバイダの価格改定に対する耐性（複数モデルでの代替可能性）を確認します。
契約構造における利用量の扱い：定額・シート課金であっても、フェアユースポリシーや利用量に応じた段階的な価格改定条項があるかを確認します。契約面での原価吸収余地がある企業は、技術的な粗利改善が間に合わなくても財務的なバッファを持てます。
これらの指標を経営チームが即答できるかどうかは、AIプロダクトの評価軸として使える技術的成熟度の指標にもなります。「粗利は把握しているが、原価削減の打ち手は未着手」という回答は正直な現状把握として評価できますが、「粗利の議論自体が社内でされていない」場合は、成長を優先するあまり事業の持続性を検証していない可能性を示唆します。
まとめ
LLMプロダクトの粗利構造は、トークン量・モデル選択・呼び出し回数という原価の3変数と、従量・定額・シート課金という価格設計の組み合わせで決まります。この組み合わせを誤ると、成長指標が好調に見えても「利用が増えるほど赤字が拡大する」構造に陥ります。
投資判断・技術DDにおいては、機能や成長率だけでなく、1ユーザーあたりの原価・利用量の分布・粗利改善の技術的打ち手の実装状況を具体的な数値で確認することが、事業の持続性を見極める鍵になります。技術DDでLLMプロダクトのユニットエコノミクスを評価する際は、AI時代の技術DDに求められる追加論点と合わせて確認すると、評価の抜け漏れを防げます。
LLMプロダクトの技術DDやユニットエコノミクスの検証について相談したい投資家・買収担当者の方は、投資家向けTiedProからお問い合わせください。