2026年9月22日、OpenAIとAnthropicは同日に値下げを発表した。OpenAIはGPT-6 SolとLunaをリリースし、前者の入力・出力トークン単価はそれぞれ100万トークンあたり$2/$10と、プロモーション期のGPT-5.6 Solの$4/$20から半減した。Lunaは$0.10/$0.50で提供され、こちらも同様に半減した。Anthropicは同日にClaude Opus 5.5を発表し、典型的なワークロードにおける総合利用コストがOpus 5比で約40%低下、出力速度は30%以上向上したと明らかにした。
80%：弾性の限界を検証する実験
2026年7月30日、OpenAIはGPT-5.6 Luna のAPI価格を80%引き下げ、入力・出力それぞれ100万トークンあたり$1/$6から$0.20/$1.20へと変更した。
OpenAIのCFOであるSarah FriarはゴールドマンサックスのCommunacopia技術サミットで、LunaのAPI利用量が約10倍に増加したと明かした。企業顧客はAI投資に対して定量的なリターンを求めており、OpenAIもビジネス成果と連動した価格モデルの探索を進めている。
10倍という増加は、価格が臨界点を下回った際に需要の弾性が質的変化を起こすことを示している。以前はコストが高すぎて見送られていたユースケースが、値下げによって実現可能な領域へと入ってきたのだ。
キャッシュ読み取り：見落とされていた96%
コードエージェントや多ターンタスクエージェントといった典型的なワークロードでは、キャッシュ読み取りがトークン総コストの96%から99%を占め、キャッシュヒット率は通常90%〜100%に達する。キャッシュ読み取り価格を単独で引き下げることは、表面上の値下げ幅を超えて実際の利用コストに大きな影響を与える。
Anthropicは2026年9月1日にFable 5.1をリリースし、キャッシュ読み取り価格を$1/MTokから$0.25/MTokへと75%引き下げた。その他の価格は前世代のFable 5と同水準を維持した。minimaxir.comの試算によれば、エージェント方式で実行するプログラミングタスクにおける総合コストの削減幅は70%〜75%に達するという。
Claude Opus 5.5もこの考え方を踏襲している。入力・出力価格をそれぞれ20%引き下げ、キャッシュ読み取りは$0.50/MTokから$0.20/MTokへと60%削減した。この2つの引き下げが重なることで、典型的なワークロードのコストは約40%低下する。
DeepSeekという亡霊
Axiosの報道によれば、DeepSeekが2026年8月にリリースした新世代の低コストプログラミングモデルは、一部タスクの単価を数セントにまで圧縮した。OpenAIがGPT-5.6 Lunaの80%値下げを発表した際、公式のコスト効率比較図には、値下げをしなければLunaはコスト効率の面でDeepSeek V4 Proに負けていたことが示されていた。
より根本的な原動力は、米国の研究所自身の規模の経済が成熟しつつあることだ。推論インフラの最適化が進むにつれて限界推論コストが低下し、価格引き下げは競争への対応であると同時に、そのコスト削減の恩恵を開発者へと還元するものでもある。
edwardconard.comが引用するデータによれば、大規模モデルのAPI価格が年間80%低下するということは、収益を維持するだけでも研究所は400%以上の利用量増加を実現する必要があることを意味する。OpenAIの10倍という利用量増加は、Lunaの価格帯においてこの道筋が機能することを証明した。
フラッグシップモデル：市場シグナルはすでに変わった
GPT-6 Astra（9月3日公開）は$10/$50/MTokと設定され、Fable 5.1および前世代のFable 5と同水準に位置づけられており、中・低価格帯モデルの値下げには追随しなかった。OpenAIのGPT-5.6 Solは8月21日に約20%の段階的な値引きにとどまり、「3ヶ月間有効」と明記されていた。
edwardconard.comが引用する決済データ（7万社の企業をカバー）によれば、Anthropicの最高価格帯フラッグシップモデルへの支出は総消費の約11%で安定しており、成長は頭打ちになりつつある。AnthropicはOpus 5.5がほとんどのタスクでFable 5.1に「匹敵する」パフォーマンスを発揮すると主張しており、価格は後者の半分以下に設定されており、移行需要を直接受け入れる形となっている。
フラッグシップモデルの価格を維持することは、一方ではブランドプレミアムと研究開発投資のシグナルを保つためであり、他方ではフラッグシップクラスの演算リソースを消費する企業ユーザーが価格感応度よりも安定性と性能上限を重視するためでもある。
「タスク単位コスト」：次の課金フレームワーク
OpenAIはGPT-6 Sol/Lunaのリリース時に、トークン単価のみを提示するのではなく、ベンチマーク結果とともに「タスク単位コスト（cost-per-task）」のデータを公開した。
TechWire Asiaの報道によれば、GitHubが9月に公開した研究では、単一のモデル呼び出しにおけるトークン数を削減するだけでは、プログラミングタスクの総コスト削減には必ずしもつながらないと指摘されている。エージェントシステムが圧縮されたコンテキストを補うために追加の呼び出しを行う可能性があるためだ。Copilotの実験では、モデルへの入力から不要な情報を取り除いても、オフラインエージェントのベンチマークにおける推論コストの削減はわずか約5%にとどまった。
トークン単価だけでは、AI推論の実際の経済性を表現するには不十分になっている。開発者は「ビジネス目標を達成するためにいくらかかったか」を測る必要がある。OpenAIがこのフレームワークを導入したのは、純粋な価格比較で不利になることを防ぐ一方で、課金モデルが従量制から成果連動型へと進化していく方向性を示すものでもある。Sarah Friarが言及した「ビジネス成果と連動した価格実験」は、まさにこのトレンドの萌芽だ。
独自の見解
今回の値下げは、業界の課金基準の体系的なリセットである。
3ヶ月の間に、OpenAIの中位モデルは$1/MTokから$0.10/MTokへと90%低下し、Anthropicのフラッグシップモデルの総合利用コストは40%低下、キャッシュ集中型シナリオではさらに大きな削減となった。これらの変化は「価格の微調整」を超え、「市場が期待する価格帯の再定義」の領域に入っている。
開発者にとっての機会の窓は、以前はコスト面で実現不可能として棚上げされていたエージェントのユースケース——特に長いコンテキストや多ターンの反復処理を必要とするプログラミングエージェントやドキュメント処理エージェント——にある。これらの経済的な計算は今や根本的に変わった。モデル選定の論理は「どのモデルが最も優れているか」から「どのモデルが特定のタスクでコスト効率が最も高いか」へとシフトしている。
研究所側にとっては、10倍の利用量増加が弾性の存在を証明したが、Lunaのような低価格エントリー層での量的拡大と、数百億ドル規模の設備投資を支えるフラッグシップ層からの収益確保は、本質的に異なる問題だ。価格と利用量の好循環がフラッグシップ層まで波及するかどうかが、持続可能性を検証する鍵となる。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接