AIモデル価格はなぜ二極化するのか？GPT-5.6 Lunaの8割値下げとOpus 5の価格設計から読む

何が起きたか

OpenAIとAnthropicが、中位クラスのモデル価格を相次いで動かしました。OpenAIはGPT-5.6 Lunaについて、入力トークンを100万あたり1ドルから0.20ドルへ、出力トークンを6ドルから1.20ドルへ変更。Anthropicは新たにOpus 5を入力5ドル・出力25ドルで投入し、フラッグシップであるFable 5の半額に位置づけました。さらに同社は今週、9月から実施予定だったSonnet 5の値上げを取りやめています。両社ともこの件についてコメントを控えています。

背景にあるのは、DeepSeekやMoonshotといった中国勢の存在感の高まりです。今回の値下げは、中国製モデルと同じ土俵で戦う価格帯にちょうど重なります。

「表示価格」では比較できない

ここで注意すべきは、100万トークンあたりの単価だけでモデルの割安・割高は判断できないという点です。課金は入力トークン（モデルに与えるデータ）と出力トークン（モデルが生成した内容）に対して発生しますが、能力の高いモデルは同じ仕事をより少ないトークン数、より少ない試行回数で終わらせることがあります。結果として、表示価格が高いモデルのほうが1タスクあたりでは安く済むケースが生まれます。

さらに多くのモデルは「effort（努力度）」設定を持ち、回答に投じる計算量を変えられます。これが精度と最終的なコストの双方を左右するため、比較の軸は「単価」ではなく「タスクを完了させるまでの総額」に移りつつあります。

ベンチマークが示す実力差の縮小

数学・科学・コーディング・推論などでモデルを横断評価するArtificial Analysisの結果は、この構図を裏づけています。Anthropicのopus 5は「medium」設定で、MoonshotのKimi K3の「max」設定と同等の性能・タスク単価を示しました。一方、OpenAIのGPT-5.6 Lunaは「max」設定でDeepSeekのV4 Flashの「max」と同等の性能でしたが、タスクあたりのコストは2倍弱かかっています。

性能で並ばれ、価格で負ける領域が出てきた——それが中位帯の値下げという形で表面化した、と読むのが自然でしょう。

「中位を削り、上位を守る」

2020年から大規模言語モデルを使ってきたホスティング事業者Hostingerで技術リードを務めるMantas Lukauskas氏は、最高性能モデルの価格は「横ばいから上昇」だと指摘し、現在の状況を「米国ラボは中間を切り下げ、頂点を守っている」と表現しています。同氏は今回の価格改定を、AnthropicやOpenAIが最先端モデルの価格を防衛できるかどうかの「最初の本当の試練」だと位置づけました。

もっともAnthropicに近い関係者は、Opus 5がFable 5より安いのは「モデルファミリーの構成上そうなっている」だけで、競合との関連はないと説明しています。意図がどうであれ、買い手から見れば「高性能帯は高いまま、実用帯は急速に安くなる」という価格構造の二極化が進んでいる事実は変わりません。

💼 事業会社視点：これは自社にどう効くか

日本企業にとっての含意は「モデル単価の交渉」ではなく「原価計算の作り直し」です。GPT-5.6 Lunaのように入出力とも8割前後下がる帯域が出た以上、問い合わせ対応・商品説明文生成・議事録要約といった大量処理系は、原価が一気に軽くなります。ECなら数十万SKUの説明文リライトやレビュー要約が、費用対効果の議論を飛び越えて「やらない理由がない」領域に入りました。

一方、SaaS事業者は逆の圧力を受けます。最上位モデルの価格は横ばいから上昇であり、高度な推論を売りにした機能をフラットな月額に載せている場合、原価だけが固定化します。今すぐやるべきは、機能ごとにモデルとeffort設定を分離し、上位モデルを使う処理を全体の何%に抑えるかをKPI化することです。

受託開発では、見積もりの単位を「トークン単価」から「1タスク完了までの総額」へ変える必要があります。Artificial Analysisの結果が示すように、単価の高いモデルのほうが試行回数が少なく総額で安いことがあるためです。加えて、DeepSeekやMoonshotを選択肢に含めるかは技術判断ではなく経営判断です。データの所在と社内規程の整理を先に済ませておかないと、価格が下がった瞬間に動けません。