Chai Research：160万日活の対話モデル、3000万ドルのARRを達成

🔧 ワークフロー

毎日、ユーザーとAIキャラクターとの対話により膨大なインタラクションデータが生成され、システムは返答に対する「いいね」「よくないね」および対話継続といったユーザーの行動を自動的に収集し、これらの嗜好シグナルをモデルの重みの微調整に活用する。微調整されたモデルはより魅力的な対話を生成し、それによってサブスクリプションへの転換と継続率が向上し、データフライホイールが形成される。具体的には、入力はモバイルアプリ内のAIキャラクターのマルチターン対話ログとユーザーレベルのフィードバックタグであり、出力は更新された対話モデルの重みとパーソナライズされたキャラクターの返答戦略である。このプロセス全体が毎日自動的に実行され、モデルのトレーニングタスクはバックグラウンドのキューで処理されるため、運営チームはサブスクリプション転換率、翌日継続率、1ユーザーあたりの平均収益などの主要指標を週に1回確認するだけでよい。

🛠 構築のハードル

160万の日活を処理できるモバイルアプリ、自社開発またはオープンソースの大規模言語モデルに基づく微調整パイプライン、およびリアルタイム嗜好データ収集アーキテクチャが必要となる。技術的には、チームにモデルトレーニング、モバイル開発、推薦システムの能力が求められ、ゼロからの構築には少なくとも8カ月〜12カ月かかる。個人または小規模チームから始める場合は、Llama 3やMistralなどのオープンソース対話モデルを使用してMVPを構築し、StripeまたはiOS/AndroidのIAPサブスクリプション決済を統合し、Firebaseまたは自社製バックエンドを通じてユーザーの「いいね」「よくないね」データを収集するとよい。主要なインフラストラクチャには、GPUトレーニングクラスター、キャラクターの設定と対話履歴を保存するためのベクトルデータベース、および微調整の効果を検証するためのA/Bテストフレームワークが含まれる。

🧰 ツールチェーン

• 🔧 モバイルAIチャットアプリ
• 🔧 ユーザー嗜好データ収集パイプライン
• 🔧 大規模モデル微調整トレーニングフレームワーク
• 🔧 サブスクリプション決済システム（iOS/Android IAP）
• 🔧 GPUトレーニングクラスター
• 🔧 A/Bテストおよびデータ分析プラットフォーム

🚀 初心者ガイド

第一歩として、オープンソースの対話モデルをベースに最小限の機能を持つAIチャットアプリを構築し、「いいね／よくないね」のフィードバック収集機能を組み込む。第二歩として、初期の数百人のユーザーのインタラクションデータを用いて1ラウンドの微調整を行い、返答の品質と継続率の向上を検証した上で、段階的に広告出稿や規模拡大を行う。第三歩として、StripeやApple/Googleのサブスクリプション決済を導入し、週額、月額、年額の3つのプランを設定し、A/Bテストを通じて最適な価格設定を見出す。初心者はゼロから大規模モデルをトレーニングする必要はなく、Hugging Face上のオープンソース対話モデルを使ってまずループを回し、技術検証とデータの蓄積を行ってから、自社開発やディープファインチューニングを検討するとよい。

📌 実例

• 📌 Chai ResearchのモバイルアプリはAIキャラクターとの対話により、160万の日活と3000万ドルのARRを実現し、収益化効率はCharacter AIを大きく上回っている。
• 📌 36Krの報道によると、ChaiのARRは3000万ドルに達し、ユーザーは毎日平均20件以上のメッセージを送信しており、1ユーザーあたりの課金意欲が同種のAIチャットプロダクトに比べて著しく高いことが示されている。
• 📌 Chaiは2026年のロードマップにおいて、Mixture of Expertsによるポストトレーニングを通じた対話品質のトップクラス化を強調しており、iOSおよびAndroidの両プラットフォームにおけるサブスクリプション収入の約72%が週額プランに由来していることから、ユーザーの即時的な陪伴（寄り添い）に対する課金決定サイクルが非常に短いことが示されている。
• 📌 AIStart.aiのChaiツールページによると、同プロダクトは2026年も160万を超える日活を維持しており、サブスクリプション価格は週額6.99ドルから年額99.99ドルまで多岐にわたる。