AIが最適価格を弾き出しても、消費者の脳が利益を削る理由

AI が「最適価格」を瞬時に算出できる時代になった。それでも現場では、生ビールのメニューは 3 段階、スーパーの棚は同一カテゴリに数個の価格点、書籍は少数のラインナップに価格が集約されている。

なぜ、細かく刻めるのに刻まないのか。UW-Milwaukee の Xiao Zuhui 助教が 2026 年に発表した研究「Consumer-Driven Class Pricing」が、その答えを行動経済学の言語で鮮明に示している。

AI が個別最適化しても「単純な価格」が勝る

Xiao の整理によれば、企業が価格点を増やすほど消費者は 近接する商品と自動的に比較 し始める。これが 参照価格 の形成だ。棚に 5 種類のワインが並べば、消費者は「隣より高いか安いか」で各ボトルを評価する。1 種類しかなければ、比較は起きない。

グラニュラー・プライシング は「選択肢の豊かさ」を提供するが、同時に「比較の機会」を提供してしまう。AI が一人ひとりに最適な価格を割り当てたとしても、消費者が棚や画面上で他の価格点を目にした瞬間、その最適価格は相対的な損失の文脈に置かれる。

粒度が上がるほど、損失回避が多く発火する

ここで 損失回避 の非対称性が問題になる。Tversky と Kahneman が Prospect Theory で示した損失関数の傾きは、利得側の 約 2 倍。同じ金額でも、「得した」感覚より「損した」感覚は倍重く響く。

価格点の粒度を上げると、消費者の脳内で「高い方を選んでしまった場合の損」を想像する場面が増える。

価格の粒度は、最適化の精度を上げながら、同時に損失回避を発火させる導火線を増やす。

スーパーで 350 円と 480 円のコーヒーを見れば、「480 円を選んで 130 円損した」という感覚が潜在的に浮かぶ。価格点が 350 円と 380 円と 420 円と 480 円と 520 円と 580 円になれば、その「損の想像」は各ステップで積み上がる。店全体の収益では、消費者の購買シフトを通じて利益が削られていく。

「何段階に丸めるか」の後処理レイヤー

Xiao 研究のマーケ実装への含意はシンプルだ。AI が個別最適価格を算出した後に、「何段階に丸めるか」を意図的に設計する後処理レイヤーが必要になる という指摘だ。

クラス・プライシング は商品群を少数の価格クラスに束ねる戦略で、粒度を意図的に落とすことで消費者の参照点形成を制御する。生ビールの種類は 30 あっても価格は「中 490 円・大 690 円」の 2 点にまとめる、というのがその典型例だ。

最適化アルゴリズムの出力をそのまま価格表に載せる誘惑は強い。しかし Xiao は「フレキシブルな価格決定は必ずしも利益を増やさない」と結論づけた。設計者が後から「段階数の上限」を課すことで、損失回避の発火を封じるほうが、全体の利益が大きくなる場合がある。

SaaS の料金ページで読み直す

SaaS の三段プラン設計は、クラス・プライシングの教科書例として読み直せる。Starter / Pro / Enterprise の 3 点に絞った価格表は、比較の構造を単純にして「高い方を選んだ損」の想像を抑制する。

価格点を 5 つ・7 つと増やすと、ユーザーは「自分がどのプランにいるか」の損得計算を始める。アップセルの機会が増えると同時に、ダウングレードの誘引も増える、という逆説が生まれる。

AI によるダイナミック・プライシングが SaaS に入り込む際も同じ設計原則が働く。ユーザーごとに異なる更新価格を提示する場合、そのユーザーが他の価格点を認知しない設計（個別メール通知でのみ提示など）なら損失回避は発火しにくい。しかし同一画面上で複数の価格点が並んだ瞬間、Xiao 研究が示す減益メカニズムが動き始める。

最適化の後に「単純化」を設計する

AI は価格を精緻化するが、消費者の脳は周囲の数字から自動的に参照点を作り、差分を損失として計上する。この非対称性は、アルゴリズムが進化しても変わらない。

設計者がやるべきことは、AIの計算力を否定することではなく、計算結果を「いくつの段階で届けるか」という後工程のデザインを怠らないことだ。粒度の制御こそが、最適化の実利を利益として回収する最後の鍵になる。

---

参考：Mirage News「AI Eases Pricing, Consumer Psychology Cuts Profits」(2026)