Hugging Faceが無料の操作エージェント公開：Operator風に仮想マシンを操作

AI にパソコンの操作を丸ごと任せてみたいけれど、高額な利用料を払うのは気が引ける。そう思っていた人に朗報です。

AI コミュニティ大手の Hugging Face は 5 月 6 日、ブラウザ上で無料で試せる PC 操作型 AI エージェント「Open Computer Agent」を公開しました。

仕組みとしては OpenAI の Operator に近く、クラウド上で起動する Linux 仮想マシンを AI が直接操作します。Firefox などのアプリがあらかじめ組み込まれており、ユーザーが「Google マップで Hugging Face のパリ本社を探して」と指示を入力すると、AI が自動でブラウザを開き、検索バーをクリックして答えを探しに行きます。

まだまだ動作はぎこちない

夢のあるツールですが、使い勝手にはかなりクセがあります。

TechCrunch の検証によると、ごく単純な検索ならこなせるものの、航空券の検索のように複数ステップが必要な複雑な作業になるとすぐに処理が止まってしまいます。さらに、Web サイトで頻繁に出くわす CAPTCHA 認証を突破できないという致命的な弱点も抱えています。

無料のクラウド環境で動いているため、利用前に数秒から数分の順番待ちが発生し、マウスクリックや画面遷移のテンポもかなり鈍重です。

もっとも、開発チームも最初から完璧な最高峰モデルを目指したわけではありません。Hugging Face のエージェントチームに所属する Aymeric Roucher 氏は X への投稿で、オープンな視覚モデルが急速に進化し、クラウドインフラ上で安価に動作するようになったことを証明するのが狙いだったと説明しています。最新の視覚モデルには画像の座標を正確に把握するグラウンディング機能が備わっており、画面内のボタンや入力欄を自力で認識してクリックできるようになっています。

なぜ重要か

一般ユーザーやエンジニアにとって、敷居が高かった PC 自律操作 AI を完全無料で、しかもブラウザだけで手軽に体験できるようになった点は非常に魅力的です。環境構築や API キーの登録なしに、AI がデスクトップ画面をどう解釈して操作しているのかをその目で確かめる価値は十分にあります。ただし、動作の遅さやエラーの多さを考えると、日々の実務に組み込むのは現時点では時期尚早と言わざるを得ません。

業界全体に与える影響としては、高価なプロプライエタリ製品の独壇場と見られていたエージェント領域に対し、オープンソース陣営が一石を投じた形になります。KPMG の最近の調査では企業の 65% がすでに AI エージェントの検証を進めており、Markets and Markets も市場規模が 2025 年の 78.4 億ドルから 2030 年には 526.2 億ドルへ急拡大すると試算しています。こうした巨大な市場において、オープンな技術でも土台となる操作機能が成立することを示した意義は小さくありません。

私たちが注目すべき懸念点は、実際の Web 環境に張り巡らされたセキュリティとの衝突です。画面を認識してクリックできたとしても、CAPTCHA や Bot 対策に阻まれてしまえば処理は完全にストップします。実社会で実用的なエージェントへ進化するためには、モデルの認識精度だけでなく、Web 側の認証防御壁とどう折り合いをつけるかという泥臭い課題の解決が不可欠になりそうです。