Menu Pricing of Large Language Models

この論文は、大規模言語モデル（LLM）の提供者が、ユーザーの多様なタスク価値を単一の指標に集約し、トークン予算のメニューやコミットメント支出契約などの最適価格設定メカニズムを導き出す理論的枠組みを提示し、その理論が Anthropic や OpenAI などの実際の価格戦略と一致することを示しています。

要約

🍳 核心となるアイデア：「複雑な注文」を「1 つの数字」にまとめる

【背景：なぜ難しいのか？】
AI を使うユーザーは、それぞれ「何に使いたいのか」が全く異なります。

• A さんは「法律の条文を 100 件読む」のが得意。
• B さんは「短いメールを 1 万件書く」のが得意。
• C さんは「複雑なプログラミング」が得意。

AI 会社（売り手）は、「A さんはこれくらい使うだろう、B さんはこれくらい使うだろう」と予測して価格を決めたいのですが、ユーザーの本当のニーズ（タイプ）は隠れていて、かつ無限に多様です。さらに、ユーザーは「どのタスクにどのくらい AI を使うか」を自由に決めることができます。これは、**「無限の種類の注文がある料理屋が、客の好みを知らずにメニューを作る」**ようなもので、一見すると不可能に見えます。

【この論文の発見：魔法の「集約インデックス」】
しかし、この論文は**「実はそんなに複雑じゃない！」**と発見しました。

AI の性能向上の仕組み（数学的には「斉次性」と呼ばれる性質）には、ある法則があります。それは、**「どんなタスクでも、AI の使い方の『比率』は同じで、使う『量』だけが違う」**というものです。

• 例え話：
  料理屋が「材料の比率（肉：野菜：スパイス＝1:2:3）」を決めれば、客が「1 人分」注文しようが「100 人分」注文しようが、**「全体の量」**だけが問題になります。
  • A さん（法律）も、B さん（メール）も、C さん（プログラミング）も、それぞれ「AI という料理」を「どのくらい大量に食べるか」という**「1 つの数字（総量）」**で表すことができるのです。

この「1 つの数字（総需要の大きさ）」さえわかれば、売り手はユーザーの細かい違いを無視して、**「1 種類の客」として扱えるようになります。これにより、超複雑な問題が、「1 次元の価格設定」**という簡単な問題に変わりました。

---

💰 最適な価格設定：3 つの「メニュー」の形

この研究では、AI 会社が最も利益を出しつつ、ユーザーにも喜んでもらえる価格設定（メカニズム）を 3 つの形で見つけました。これらは、すでに現実の AI 会社（OpenAI や Anthropic など）で使われている手法と驚くほど一致しています。

1. 「予算付きのクレジットカード」方式（コミットメント・スペンディング）

• 仕組み： ユーザーは「月額 200 ドル」払って、**「100 万トークンの予算」**をもらいます。その予算内で、好きなモデル（高性能なものは 1 回で多く消費する）を自由に使い倒せます。予算を使い切ったら、その月は使えません。
• 現実の例： Quora の Poeなどがこれに近い形です。ポイント（予算）を払って、好きな AI を使い倒します。
• メリット： ユーザーは「どれだけ使うか」を自分でコントロールでき、会社は「予算枠」で収益を安定させられます。

2. 「最低利用額」方式（ボリュームディスカウント）

• 仕組み： 「1 回 100 ドル以上使えば、1 回あたりの単価を安くします」という契約です。
• 現実の例： GitHub Copilotなどがこれに近い形です。基本料を払い、さらに使えば使うほど単価が安くなる、あるいは「使いすぎても追加料金で OK」という形です。
• メリット： 大量に使うユーザーには安く、少量のユーザーには高く設定することで、両方の層を納得させます。

3. 「モデルごとの差別化」方式（バージョンング）

• 仕組み： 「安いプランは基本モデルのみ」「高いプランは超高性能なモデルも使える」というように、**「使う AI の性能そのもの」**でランク分けをします。
• 現実の例： OpenAI の ChatGPT（Plus や Pro プラン）。Pro になると、最も頭の良い「o1」モデルが使えますが、安いプランでは使えません。
• 発見： 論文によると、**「高性能なモデルは、より多くの価値を生むユーザー（高所得者や大企業）に限定して売る」**のが最適です。

---

🏁 競争がある場合：「リーダー」と「フリー」の戦い

現実には、高価な「プロプライエタリ（独占）AI」と、無料で使える「オープンソース AI」が競合しています。

• 低需要のユーザー： 無料の「フリー AI」だけで十分満足します。
• 中程度のユーザー： 「プロ AI」を使いたいけど、無料 AI も併用したい。そこで、プロ AI は**「無料 AI を使わせないくらい十分な量」**を提供して、ユーザーを囲い込みます。
• 高需要のユーザー： 無料 AI なんて眼中にありません。プロ AI は独占状態に近い価格設定で、高値で売ります。

このように、**「競争の圧力」**が、誰がどの AI を使うか（広義の範囲）と、どれだけ使うか（狭義の量）の両方を形作っていることがわかりました。

---

📝 まとめ：なぜこれが重要なのか？

この論文は、**「AI の価格設定は、単なる『適当な値付け』ではなく、深い経済原理に基づいている」**ことを示しました。

1. 複雑なユーザーのニーズは、実は「使う量」だけでまとめられる。
2. 最適な売り方は、「予算制約（クレジットカード型）」や「モデルのランク分け」である。
3. 今の AI 会社の価格設定（OpenAI や Anthropic など）は、偶然ではなく、理論的に「正しい」形に収束している。

つまり、私たちが日々使っている AI の料金プランは、**「数学的に最も効率的に設計された」**ものだったのです。この理解があれば、今後の AI 業界の価格戦略や、新しいビジネスモデルの登場を予測するヒントになります。

技術概要

論文「Menu Pricing of Large Language Models」の技術的サマリー

ディルク・ベルゲマン（Dirk Bergemann）、アレサンドロ・ボンナティ（Alessandro Bonatti）、アレックス・スモリン（Alex Smolin）によるこの論文は、大規模言語モデル（LLM）のアクセス権を販売するプロバイダーが直面する最適価格設定と製品設計の問題を理論的に解明したものです。

LLM の利用は多様なタスクにまたがり、ユーザーの価値評価は高次元（無限次元）であるため、従来のメカニズム設計の枠組みでは扱いにくい問題とされてきました。しかし、本論文は**生産技術の同次性（homogeneity）**という仮定に基づき、この複雑な問題を一次元のスクリーニング問題に還元することに成功し、業界で観察される実際の価格戦略の経済的根拠を提示しています。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 問題設定 (Problem)

LLM プロバイダーは、多様なタスク（コーディング、法律調査、コンテンツ生成など）を行うユーザーに対して、トークン（入力・出力・ファインチューニング）の予算を販売します。この環境には以下の複雑な要因が存在します。

• 高次元の非対称情報: ユーザーは連続的なタスクリストを持ち、各タスクに対する価値評価（タイプ）が異なります。これは無限次元の私的情報となります。
• モラルハザード（隠れた行動）: プロバイダーは総トークン使用量は計測できますが、ユーザーがどのタスクにどのトークンを割り当てたか（タスクごとの配分）は観察できません。
• 多次元スクリーニング: ユーザーは複数のトークンクラス（入力、出力、ファインチューニング）を組み合わせるため、多次元のメニュー設計が必要になります。

これらを総合すると、従来の理論では「扱いにくい（intractable）」とされる問題ですが、本論文はこれを解明可能であることを示しています。

2. 手法とモデル (Methodology)

2.1 基本モデル

• タスク環境: ユーザーは $[0,1]$ の連続的なタスクリストに直面します。
• 利得関数: モデルの性能（利得）$g(x_i, z)$ は、推論トークン $x_i$ とファインチューニングトークン $z$ の積で表されます。
  $$g(x_i, z) = \Psi(x_i) \Phi(z)$$
  ここで、$\Psi$ は推論トークンに対する**同次関数（degree $\sigma \in (0,1)$）**であり、$\Phi$ はファインチューニングの利得を表します。
• コスト: トークン処理には一定の限界コストがかかりますが、クラス間で異なります。

2.2 集約性（Aggregation）の発見

本論文の核心的な技術的貢献は、生産関数の同次性がもたらす「十分統計量（sufficient statistic）」の発見です。

• 利得関数が同次であるため、各タスクにおける最適なトークンの構成比率（mix）はタスクの価値に関わらず一定になります。
• 結果として、ユーザーの無限次元のタイププロファイル（各タスクの価値の分布）は、スカラー指標である「集約タイプ（Aggregate Type）」$\theta(w)$ に集約されます。
  $$\theta(w) \triangleq \left( \int_0^1 w_i^{\frac{1}{1-\sigma}} di \right)^{1-\sigma}$$
• この集約により、プロバイダーの多次元スクリーニング問題は、Mussa-Rosen (1978) のような一次元のスクリーニング問題に簡略化されます。

3. 主要な結果 (Key Results)

3.1 単一モデル独占の場合（Section 4）

• 最適メカニズム: 最適メカニズムは、**コミットメント支出契約（Committed-Spend Contracts）**の形をとります。
  • ユーザーは事前に一定の金額（予算）を支払う。
  • その予算内で、プロバイダーの限界コストでトークンを自由に割り当てることができる。
• 間接実装: この最適メカニズムは、以下の現実的な価格設定形式として実装可能です。
  1. 最大支出メカニズム（Maximum-Spend）: 予算上限を設定し、上限を超えるとアクセスが停止する（例：Quora の Poe）。
  2. 最小支出メカニズム（Minimum-Spend）: 一定の支出をコミットすることで、単価が安くなる（例：GitHub Copilot のオーバーアゲージ）。
  3. 二部料金制（Two-Part Tariff）: 固定費と従量料金の組み合わせ。
• 結果: 低タイプ（需要の低いユーザー）は排除され、中・高タイプは効率的な水準よりもトークン量が下方に歪められますが、高タイプほど単価（1 トークンあたりの実効価格）が安くなる「数量割引」が観察されます。

3.2 複数モデルとバージョンリング（Section 5.2）

• 複数のモデル（性能やコスト構造が異なる）が存在する場合、ユーザーはタスクをモデル間で割り振ることができます。
• モデル選択の性質: 最適解において、各ユーザータイプはすべてのタスクに単一のモデルを使用することが示されました。
• 最適メニュー: 高タイプほど、より高性能なモデル（より高いファインチューニング能力を持つモデル）にアクセスできるプランを選択します。
  • これは、OpenAI のように「上位プランでより高度な推論モデル（o1 など）へのアクセスを限定する」という戦略と一致します。
  • Anthropic のように「モデルは共通だが、使用量（トークン予算）で差別化する」戦略は、単一モデルの枠組みに合致します。

3.3 独占リーダーとオープンソースの競争（Section 5.3）

• 独占的なプロプライエタリモデル（リーダー）と、限界コストで販売するオープンソースモデル（フリンジ）が競合する場合、3 つの領域が生まれます。
  1. 低タイプ: フリンジ（オープンソース）のみを利用。
  2. 中位タイプ: リーダーから購入するが、フリンジからの追加購入（トップアップ）を完全に抑止するだけの量を提供される（「抑止領域」）。
  3. 高タイプ: 独占的な歪みが生じる（フリンジの制約が効かない）。
• 競争は、供給量（集約的マージン）だけでなく、どのユーザーがプロプライエタリモデルを採用するか（広義的マージン）も変化させます。

3.4 効率的配分と API 価格（Section 3 & 6.4）

• 容量制約がある場合、効率的な配分は限界コストに影の価格（シャドウコスト）を上乗せした線形価格によって実現されます。
• これは、開発者向け API 市場で観察される「トークン単価の線形価格（数量割引なし）」を理論的に裏付けるものです。プロバイダーが利益最大化よりも市場シェア獲得（採用の促進）を優先している場合、この線形価格が最適となります。

4. 現実の価格戦略との対応 (Significance & Empirical Relevance)

本論文の理論的構成要素は、主要な LLM プロバイダーの実際の価格設定と驚くほど一致しています。

理論的メカニズム	現実の事例	説明
トークン予算メニュー	Anthropic	全有料プランで同じモデルにアクセス可能だが、使用量（トークン数）の制限で差別化。
複数モデルのバージョンリング	OpenAI	プランの階層に応じて、より高性能なモデル（o1 など）へのアクセスを限定。
最大支出メカニズム	Quora (Poe)	月額料でポイント（予算）を付与し、使い切るとアクセス停止。
最小支出メカニズム	GitHub Copilot	月額料で基本枠を提供し、超過分は追加料金（線形価格）で利用可能。
線形 API 価格	OpenAI, Anthropic, Google	開発者向け API はトークン単価の線形価格で、数量割引なし。

5. 結論と意義

• 理論的意義: 高次元の非対称情報とモラルハザードが共存する複雑な環境において、生産技術の同次性という仮定を通じて、問題を解析的に解ける一次元問題に還元する手法を確立しました。
• 実務的意義: LLM 業界の価格設定が「場当たり的（ad hoc）」に見えるのではなく、経済学的な最適メカニズム（スクリーニング、モラルハザードの緩和、競争戦略）に基づいていることを示しました。
• 将来展望: 本フレームワークは、クラウドコンピューティングや他の汎用技術の価格設定にも適用可能です。また、データ利用の制約やネットワーク外部性、寡占競争への拡張が今後の課題として挙げられています。

総じて、この論文は LLM 経済学の基礎を築く重要な理論的枠組みを提供し、なぜ現在の市場で特定の価格戦略が支配的なのかを深く理解するための指針となっています。