OpenAIが「Operator」発表、ブラウザを自律操作するAIエージェント

面倒なチケット予約や日用品の注文を、AIが自分の代わりにブラウザを開いてクリックしながら済ませてくれる時代が現実になりつつあります。

米OpenAIは、ユーザーに代わってウェブ上でタスクを実行するAIエージェント「Operator」の研究プレビュー版を公開しました。まずは米国のProプラン利用者向けに専用サイトで提供が始まっています。

画面を見てキーボードとマウスを操作する新モデル

Operatorの頭脳となっているのは、CUA（Computer-Using Agent）と呼ばれる新しいモデルです。GPT-4oの画像認識能力に強化学習による高度な推論を組み合わせ、ウェブ画面上のボタンや入力フォーム、メニューといったGUIを直接操作できるように訓練されています。

専用のAPI連携を必要とせず、スクリーンショットで画面を見て、通常のマウス操作やタイピングでページを動かします。つまずいたりミスをしたりした場合は自律的に修正を試み、解決できない場合はユーザーに操作を戻します。主要なブラウザ操作ベンチマークであるWebArenaやWebVoyagerにおいて、業界トップクラスの性能を記録したとしています。

複数のタスクを並行して走らせることも可能です。あるタブでキャンプ場の予約を進めながら、別のタブで記念品の注文を任せるといった使い方ができます。特定のサイト向けに航空会社の好みを登録したり、頻繁に頼む買い出しのプロンプトを保存したりする機能も備えています。

パスワードや決済は人が操作する安全設計

安全面では3層の保護策が設けられました。ログイン情報の入力やクレジットカード決済、CAPTCHA認証が必要な場面では、自動的にユーザーが画面を直接操作する引き継ぎモードに切り替わります。この間、AI側は画面キャプチャを行いません。

また、商品の最終注文やメール送信などの重要なアクションには必ず人間の承認を要求します。銀行取引や採用判定のようなリスクの高いタスクは最初から拒否するよう設計されており、不正なプロンプト注入を監視する専用モデルも組み込まれました。

現時点ではスライド作成やカレンダー管理といった複雑なインターフェースの操作には課題が残るとしています。今後OpenAIはCUAモデルをAPI経由で開発者に提供し、ChatGPT本体への統合も進める方針です。

なぜ重要か

私たちは、Operatorがテキストで答えるだけのAIから、実社会のウェブサービスを直接動かす実行役への大きな転換点になると考えています。企業側が特別な連携機能を開発していなくても、一般の人間と同じように画面を見て操作できるため、既存のあらゆるウェブサービスへ即座に適応できる点が非常に合理的です。

一般ユーザーにとっては、買い出しやフォーム入力といった退屈なルーチン作業から解放される第一歩になります。ただし、現時点では米国のPro契約者に限られており、複雑なUIで失敗するケースもあるため、完全に放置して任せられる段階ではありません。

業界全体から見れば、自律型ブラウザエージェントの競争を一気に加速させる動きです。AIがユーザーの代理として買い物や比較を行うようになれば、検索エンジンや従来のウェブ広告のビジネスモデルにも影響が及ぶ可能性があります。

一方で、画面レイアウトの小さな変更や予期せぬポップアップにどこまで耐えられるかという脆さは依然として残ります。安全のために決済やパスワード入力を人間任せにする設計は極めて堅実ですが、それは裏を返せば、完全な自動化まではまだいくつもの壁があることを示しています。