PromptQLの料金：2026年に実際いくらかかるのか

PromptQLが実際に何であるか（料金の意味が分かるように）

数字の前に、簡単な前提を確認しておきます。PromptQLの料金は、何を買っているのかが分かって初めて意味を持つからです。

PromptQLはチャットボットでもヘルプデスクでもありません。オープンソースのGraphQLエンジンを手がける企業Hasuraが構築した、企業データ向けのマルチプレイヤーAIエージェントです。Hasuraはこれを"AI時代のGraphQLの精神的後継"と呼んでいます。旧製品が開発者がアプリを構築できるようAPIを自動生成していたのに対し、PromptQLはその場でクエリプランを生成し、人が自然な言葉で質問するだけで、Slack、ドキュメント、CRM、ウェアハウステーブルから信頼できる答えを得られるようにします。

すべての売りは信頼性にあります。創業者のTanmai Gopal氏は、問題を率直にこう表現しています。

"最大の問題は、質問に正確に答えられないことではありません。本当の問題は、AIが正確でないときでも正確なふりをすることです。だからAIは自信満々に間違えるのです。それが問題です。"

Tanmai Gopal氏、VentureBeatインタビュー

この考え方は請求にとって重要です。なぜならPromptQLは、名前のついた機能やシートではなく、計算処理（クエリを信頼できる形で計画・実行する作業）に対して課金するからです。2025年6月にベータ版として登場し、2025年後半にはHasuraは評価額10億ドル超の企業と評され、Cisco、McDonald's、Instacart、Swiggyといった著名な顧客を抱えています。つまりこれはエンタープライズ向けの野心を持つエンタープライズデータツールであり、料金設定にもそれが反映されています。

PromptQLの料金の全体像

実質的に2つのプランがあります。セルフサーブで従量課金のStarterと、公開されている数字のない問い合わせ制のEnterpriseです。しかし表を見る前に、料金モデル全体を1枚の図で示しておきます。表示価格は、支払額を決める3つの要素のうちの1つにすぎないからです。

料金ページに表示される見出しは「0.20ドル → 0.14ドル/OLU」と書かれています。0.14ドルは原価相当の導入価格で、PromptQLによれば期間限定でマークアップなしのトークン原価の1倍に相当し、0.20ドルは標準価格で、トークンコストの約1.4倍です。どちらも全込み価格で、OLUあたりの単価にはモデルのトークンに加えて、インフラ、サンドボックスのホスティング、オーケストレーションが含まれます。別途のプラットフォーム手数料もシートライセンスもありません。

料金ページとしては、これは本当に分かりやすい部類です。落とし穴は単位そのものにあります。

OLUとは一体何なのか

**OLU（Operational Language Unit）**は、正規化されたトークンの単位です。PromptQLは、異なる種類のトークン（入力、出力、キャッシュ済み、キャッシュ作成）と異なるモデル（Opus、GPT、GLMなど）をまとめ、モデルを切り替えるたびに請求の形が変わらないよう、1つの一貫した単位に統一しています。より複雑なタスクほど多くのOLUを消費し、使用状況ダッシュボードでスレッドごと、ステップごとの正確な消費量を確認できます。

実際にはこのように動きます。PromptQLに実際の質問をすると、その作業過程を見せてくれます。クエリプラン、そして実際に実行されたコード、そして答えです。これらのステップのそれぞれがOLUを消費します。

私はこの正直さ（何に対してお金を払ったのかを正確に確認できる点）が気に入っていますが、あらかじめ認めておくべき偏見もあります。私はここ数年、AIツールがどのように価格を設定し、買い手が実際に何を求めているのかについて書いてきましたが、「独自に発明された課金単位」という表現には身構えてしまいます。それはどんなAIの請求書の中でも、最も予測が難しい要素です。なぜなら、実際のワークロードを実際のモデルで動かしてみるまで、自分のOLU消費量を知ることはできないからです。典型的なコスト例は参考にはなりますが、あくまで例であって見積もりではありません。

その話が出たついでに。

典型的なクエリコスト

PromptQL自身のFAQが、導入価格0.14ドルでの代表的な数字を挙げています。

つまり、1日に複雑なレポートを十数件処理するデータアナリストであれば、導入価格でフロンティアモデルを使った場合、1日あたり約17ドル、月あたり約370ドルに収まります。これが正直なざっくりとした目安です。しかしモデルを切り替えると、この数字は一気に下がる可能性があり、そこからが本題です。

モデル倍率こそが本当の価格レバー

もしできるなら、料金ページにタトゥーとして刻みたいくらいの部分です。OLUあたりの単価は固定ですが、選ぶモデルによって1つのタスクが消費するOLU数が変わります。PromptQLは倍率表の基準をClaude Opus 4.6 = 1.0倍に固定し、それ以外のすべてをそこと比較して測っています。倍率が低いほど、そのモデルは同じ作業をより少ないOLUでこなせる、つまり安いということです。

その幅は驚くほど大きいです。

これを上から下まで読むと、料金についての見方がひっくり返ります。Opusで5.60ドルかかるあの「深い調査」タスクも、DeepSeek V4 Flash(0.018倍)で実行すれば、同じ作業がわずか10セントほどで済みます。GPT-5.5 Proで実行すれば、75ドル近くになります。PromptQLはFireworksを通じてオープンウェイトモデルを提供し、スレッド単位、あるいはスレッドの途中でもモデルを切り替えられるようにしています。実践的なアドバイスとしては、プロトタイピングや日常的な作業は安価なオープンウェイトモデルで行い、本当に高度な推論が必要なタスクにのみフロンティアモデルを使うことです。

PromptQLが難しいデータ関連の質問でも安価なモデルで済ませられる理由はアーキテクチャにあり、それは1つの章に値します。

アーキテクチャが支払い額に影響する理由

多くの「あなたのデータに対するAI」ツールは、LLMをデータベースに直接つなぎ、うまくいくことを願うだけです。PromptQLの中心的な設計思想は、クエリの計画を実行から切り離すことです。LLMは詳細な複数ステップの計画を書き（これはLLMが得意とすることです）、その計画は、コンテキストウィンドウの中ではなく、モデルの外側で実際に決定論的なコードとして実行されます。

Gopal氏はこう述べています。

"答えを生成する代わりに、私たちはあなたのビジネスに固有のドメイン特化言語でプランを生成します。それらのプランは、実行時の検証とポリシーチェックを備えた決定論的なアクションにコンパイルされます。"

Tanmai Gopal氏、VentureBeatインタビュー

なぜこれが料金にとって重要なのでしょうか。それは、より安価なモデルでも作業をこなせることが多いからです。モデルが計画を立てるだけでよく、コンテキスト内で何千行ものデータを処理する必要がなければ、軽量なオープンウェイトモデルでもフロンティアモデルとほぼ同等に計画を立てられ、その差額を倍率の分だけ節約できます。HasuraはBerkeley Data Agent Benchmarkを根拠として挙げており、そこでは実世界のデータ質問において、フロンティアモデルでさえ43%(Opus-4.6)、38%(Gemini-3-Pro)、25%(GPT-5.2)しかスコアを出せない一方、素のデータベースクエリ生成は"ほぼ0%"にとどまります。計画してから実行するという分離こそがこのギャップを埋めており、それこそがあなたが実際に上乗せ料金を払っている対象です。

自分のPromptQL料金を見積もる

モデル倍率がこれほど大きな役割を果たす以上、静的な表であなたの数字を出すことはできません。そこで計算ツールを用意しました。利用量を入力し、モデルを選べば、導入価格と標準価格の両方での月額コストが表示されます。

モデルのドロップダウンを切り替えて、数字がどう動くか試してみてください。月に複雑なレポートを400件処理する場合、導入価格でOpusを使うと約56ドル、DeepSeekなら約1ドルです。これは端数の違いではなく、料金に関する判断そのものです。

無料プランとクレジット

クレジットカードなしで始められます。最初のプロジェクトを作成すると、PromptQLは50ドルの無料クレジットを付与し、最初のプロジェクトに参加する共同作業者ごとにさらに20ドルを追加します。クレジットはプロジェクト単位で管理されるため、複数のプロジェクトを立ち上げるチームは、それなりの余裕を蓄積できます。

軽量なオープンウェイトモデルであれば、PromptQLによると50ドルで「数千件の簡単なタスク」をこなせるとされ、1セントも支払わずに済みます。クレジットを使い切ると、支払い方法を追加してプリペイド課金に切り替えます。残高をチャージし、ゼロになると作業は自動的に一時停止、ユーザーごとの上限や支出アラートによって、暴走したスレッドに驚かされることもありません。最低利用料もなく、Starterプランに年間契約の縛りもありません。

Enterpriseプラン

ここまではセルフサーブの話でした。Enterpriseプランは問い合わせ制で公開された数字はなく、規制業界の買い手が必要とするものが揃っています。高度なセキュリティときめ細かな権限設定、データアクセスの監査証跡(どのデータがどのスレッドで、どのユーザーによって使われたか)、専用VPCまたはBring-your-own-Cloud、プライベートネットワーキングとVPCピアリング、シングルサインオン、独自LLMの持ち込み、そして顧客先常駐エンジニアによるサポートです。

調達プロセスを持つタイプの企業であれば、行き着く先はこのプランであり、OLUあたりの計算は交渉済み契約の中の1項目になります。また、Hasuraの時給900ドルのAIエンジニアリングサービスもここに紐づくことが多いため、Enterpriseの道を進む場合は、利用量に加えてサービス費用も予算に組み込んでおきましょう。

PromptQLの料金は妥当なのか

それが何であるか(企業データに対するAIの信頼性レイヤー)を踏まえれば、料金は公正で、異例なほど透明性が高いと言えます。シートなし、プラットフォーム手数料なし、原価相当の導入価格、そして各スレッドが何を消費したかを正確に示すダッシュボード。5万ドルのプラットフォーム最低料金を「お問い合わせください」の壁の向こうに隠されるより、こちらの方がずっと好ましいです。

唯一本当に気になる点はOLUです。よく設計された架空の単位ではありますが、それでも架空の単位であることに変わりはなく、架空の単位こそが買い手を何度もつまずかせてきたものだと私は見てきました。OLUの請求額は料金ページから予測することはできず、自分自身のワークロードを実際に動かした後でしか予測できません。PromptQLは典型的なコスト例、支出上限、自動一時停止でこれを和らげていて、それは確かに役立ちます。しかし「来四半期にいくらかかるのか」という問いは、0.14ドルというすっきりした数字が示唆するよりもここでは難しい問いです。正直な答えは「あなたのモデルの組み合わせとクエリの複雑さに完全に依存する」だからです。

これはPromptQL特有の欠点ではありません。不透明な単位の上に成り立つ従量課金に対して支払う税のようなものです。ここから、サポートツールの世界からやってきた方向けに、私ならどう考えるかという話につながります。

PromptQL対eeselのようなサポートAI

簡単に現実確認をしておきます。「PromptQL 料金」を検索する人の一部は、実際にはデータアナリスト向けエージェントに限らず、AIツール全般を比較検討しているからです。

PromptQLとeesel AIは、実際にはあまり競合しません。PromptQLはアナリストやエンタープライズのデータチーム向けのデータアクセスエージェントであり、eeselはZendesk、Freshdesk、Slack、そしてヘルプセンターに組み込まれる、サポートキューとコンテンツのためのAIチームメイトです。あなたの本当の仕事がチケットの解決やその返信の下書き作成であれば、PromptQLは形の合わないツールです。

とはいえ、この料金にまつわる教訓は確かに応用が利くもので、だからこそ上記の計算ツールを作りました。eeselの料金設計に携わったとき、あらゆる試行錯誤を経ても生き残ったルールはただ1つでした。**顧客がすでに考え慣れている単位で課金すること。**私たちは架空の単位も試しました。「クレジット」は人々に計算を強い(「あれ、クレジットって1つ何ドルだっけ?」)、それが静かに導入を妨げていました。だからeeselはチケット単位で、解決したチケット1件あたり約40セント、シート料金なしで課金しています。サポートマネージャーはすでにチケット件数で物事を考え、生活しているからです。今月のチケット量から、来月のeeselの請求額を頭の中で予測できます。それこそがすべての狙いです。

つまり、PromptQLを検討しているなら、私のアドバイスは、外挿する前に1週間、実際のワークロードを実際のモデルで動かしてみることです。OLUのせいで、大まかな見積もりはあてにならなくなるからです。そしてサポートの世界からやってきて、実際に予算を立てられるチケット単位のAIを探しているなら、eeselは無料で試せて、トークンではなくチケット単位で課金されます。

eeselを試す

もしあなたの課題がデータウェアハウスではなくサポートキューであるなら、eesel AIはそのために作られたツールです。数分で既存のヘルプデスクに組み込まれ、過去のチケットとヘルプセンターから学習し、初日から返信の下書きと解決を始めます。課金はチケット単位なので、請求額はあなたがすでに測定している指標に連動します。実際の顧客に触れる前に、過去のチケットデータでシミュレーションしながら無料で試すことができ、それはこのカテゴリで得られる最も予測に近いものです。