最もエンゲージメントの高いユーザーが、今や最も粗利益率を悪化させる存在かもしれない。
過去10年間、コンシューマー向けサブスクリプションにおける財務のプレーブック（定石）は、1つの前提に依存していた。それは、一度ユーザーを獲得すれば、そのユーザーにサービスを提供するコストは低く、予測可能で、ユーザーベース全体でほぼ一律であるというものだ。
限界費用は極めて低く、エンゲージメントは純粋なパフォーマンス指標と見なされていた。あらゆる財務モデルや取締役会資料は、その前提に基づいて作成されていたのだ。
今日、AIがユーザー体験の真の一部となっているアプリでは、その土台は失われている。エンゲージメントとサービス提供コストは、今や結び付いている。かつて称賛していたパワーユーザーが、今では粗利益率を圧迫しているのだ。
多くの財務チームはまだこの変化に気づいていない。長年監視してきた指標には、この問題が表れないことが多いからである。
トークンは安くなっている。ユーザーは高くついている。
一般的な見方では、推論価格は下がっている。したがって、問題はいずれ自然に解決するということになる。
これは確かにトレンドではあるが、半分しか正しくないかもしれない。MIT FutureTechの研究者は、一定水準のAI性能に対する価格が年率でおよそ5分の1から10分の1に低下していることを明らかにした。しかし、それが製品レベルのAIコストも同じペースで下がることを自動的に意味するわけではない。コンシューマー向けアプリがより豊かな機能や長いセッションを追加するにつれ、推論の総消費量はなお増加し得る。
ユーザーは最高の体験を得ることに慣れており、アプリはユーザーを満足させるためにそれを提供しなければならない。今日、ユーザーはリアルタイム音声、動画、長い会話のような体験に対価を支払っている。これらはまさに、単価の下落よりもセッション消費量の増加が速いワークロードである。
私の経験では、こうしたコスト低下はしばしば再投資される。高度な機能の開発であれ、ユーザーにより長い利用セッションを提供することであれ、アプリのパワーユーザーがその節約分を吸収するのに多くは必要ない。つまり、投入価格が下がっても、エンゲージメントの高いユーザー1人当たりのコストは上がり得る。この点を注意深く見ているチームは十分ではない。
デュオリンゴ（Duolingo）が実例を示している。
コンシューマー向けサブスクリプションアプリの雄であるデュオリンゴは、おそらく最も透明性の高いケーススタディの1つである。同社は2026年第1四半期の株主向け書簡で、主にAIのユニットコストの継続的な低下により、粗利益率が前年同期比で190ベーシスポイント拡大したと報告した。これはまさに想定通りと言える。ところが同じ書簡で、CFOのジリアン・マンソンは、AI機能の利用が同社製品全体に広がるにつれ、粗利益率が第1四半期の73%から第4四半期にはおよそ69%に低下するとの見通しを示した。
この2つの文を並べて読むと、矛盾のように感じられるかもしれない。実際に起きているのは、同社がリアルタイムのビデオ通話（Video Call）機能を、プレミアムプランの「Max」層を超えて、はるかに規模の大きい「Super」層へ拡大し始めており、過去1年でビデオ通話におけるユーザー1人当たりの平均発話単語数を2倍超に増やしたということだ。
その結果、安くなったトークンは最終利益に届くのではなく、途中でとどまり、より多くのユーザーに対してより高度な体験を提供する原資となった。
同じ四半期に、1日あたりのアクティブユーザー数（DAU）は前年同期比21%増加した一方、予約（売上確定前の契約額）は14%の増加にとどまった。経営陣がAI利用による粗利益率への圧力を見込むのと同時に、予約の伸びはDAUの伸びを下回っている。これらを合わせると、従来のサブスクリプションの定石が前提としていた事業とは異なる姿が浮かび上がる。
誤解しないでほしいが、これは明らかに「現在のエンゲージメントが将来のリテンション（維持）を約束する」という、非常に妥当な賭けである。しかし、それが粗利益率の項目に何を意味するのかを忘れてはならない。
自社の損益計算書（P&L）に見る実態。
私の会社であるBornでは、上位10%のユーザーが、中央値のユーザーの5〜10倍の推論を消費している。一部のパワーユーザーは、価格設定、利用制限、モデルルーティングが実際の利用に基づいて設計されていなければ、利益率を希薄化させる存在になり得る。従来のプレーブックでは、彼らは最良の顧客だった。新しいプレーブックでも、我々は彼らを高く評価している。ただし同時に、彼らが設計上考慮すべき価格設定上の課題でもあることを忘れない。
この問題に対処する手法には、モデルルーティング、プロンプトキャッシング、バッチ処理、蒸留モデルなどがある。しかし私の経験では、これらは問題の規模を小さくするだけで、解決はしない。ほとんどの場合、エンゲージメントの拡大速度は、いかなる最適化ツールがユニットコストを圧縮する速度よりも速い。
これに代わる新たなプレーブック。
すべては測定から始まる。社内レポートにおいて、コホート別にセグメント化した「エンゲージドユーザーあたりのコスト」といった指標を追加することで、これまで加重平均に埋もれていた、コストへの影響が最も大きいユーザーが可視化できるようになる。
価格設定においては、従量制の階層、機能制限（ゲートルール）、利用上限のいずれであれ、提供内容が利用実態から乖離しないようにすることで、AI集約型のワークロードをコントロールできる。
プロダクト側では、あらゆるAI機能はリリース後ではなく、リリース前に独自のマージンモデルを策定する必要がある。こうした機能はしばしば、リテンションの大幅な改善が見込まれるとして正当化される。しかし、エンゲージメントの成功とコストの成功は、もはや同じではないのだ。
これは、AIへの取り組みを減速すべきだという意味ではない。プロセスに財務的な規律を導入し、エンゲージメントを設計すべき対象として扱うという意味である。
サブスクリプションの時代は、財務リーダーに、最良のユーザーは最良の経済性ももたらすと教えた。AIの時代は、それが2つの異なるグループになり得ることを教えている。どちらも同じように重要だが、混同してはならない。
勝ち残る企業は、自社の損益計算書に影響が出る前に、この変化を察知する企業である。
