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

これまでの生成AIは、優れたアドバイスを文章で提示してくれる相談相手に過ぎませんでした。週末の旅行計画を尋ねれば詳細なリストを作ってくれますが、ホテルの予約フォームを埋めたり航空券を購入したりするのは、依然として人間の手作業でした。

OpenAIはその壁を越える最初の一歩を踏み出しました。ウェブブラウザを直接操作してタスクを代行する自律型AIエージェント「Operator」の研究プレビュー版を公開しました。

まずは米国で提供が始まっており、利用できるのは月額200ドルの最上位プラン「ChatGPT Pro」の登録者のみです。同社は今後、PlusやTeam、Enterpriseなどの各プランへ順次拡大する予定としています。CEOのSam Altman氏は配信の中で、他国への展開も近いものの、欧州での提供には少し時間がかかる見通しを示しました。

人間のように画面を見てクリックする

Operatorを起動すると、ChatGPTの画面内に小さな専用ブラウザウィンドウが立ち上がります。ユーザーはそのウィンドウを通じて、エージェントがリアルタイムでページをスクロールし、メニューを選び、フォームに文字を入力していく様子を確認できます。

初期機能として用意されたのは、ネットショッピング、フードデリバリー、飲食店の予約、旅行プランの4つの主要カテゴリーです。各サービスの利用規約に配慮するため、OpenAIはDoorDashやeBay、Instacart、Priceline、StubHub、Uberといった各社と連携して開発を進めてきました。

裏側で動いているのは「Computer-Using Agent」（CUA）と呼ばれる新モデルです。GPT-4oが持つ画像認識力と上位モデルの推論能力を組み合わせて開発されました。開発者向けAPIを介すのではなく、人間と同じようにウェブサイトの見た目を認識してボタンや入力欄を操作する仕組みです。

エージェントの作業中に画面の操作権をいつでも人間が奪い返すことができ、完了したタスクを保存して共有する機能も備わっています。

厳重な安全装置と残る制約

AIにブラウザの自由な操作権を与えることには、大きなリスクが伴います。以前から指摘されているプロンプトインジェクション攻撃など、悪意あるウェブサイトの指示によってAIが暴走する懸念が消えていないためです。OpenAI共同創業者のWojciech Zaremba氏も、安全性への配慮から慎重な検証を重ねてきた経緯を明かしています。

そのため、Operatorにはかなり厳しい制限が設けられています。注文の最終決定やメール送信といった外部に影響を及ぼす決定的な動作の直前には、必ず人間の確認画面が挟まれます。

クレジットカード情報の入力や銀行口座の操作など、機密性の高い作業はAIが代行せず、ユーザー自身が入力しなければなりません。また、複雑な画面構成やパスワード入力欄、CAPTCHA認証に遭遇すると作業が中断し、人間への引き継ぎを求めてくる仕様です。一日に利用できる回数にも制限が設けられています。

なぜ重要か

言語モデル自体の性能向上が緩やかになるなかで、業界の主戦場は「賢い会話」から「タスクの自律実行」へと完全にシフトしつつあります。AnthropicのComputer UseやGoogleのProject Jarvisに対抗し、OpenAIがOperatorを投入したことで、エージェントの実用化競争は一気に加速しました。

もっとも、月額200ドルという価格設定を見ても、現時点で一般ユーザーが日常使いするツールではありません。飲食店の予約ひとつ取っても、途中でログインや確認作業を挟む必要があり、人間が自分で操作したほうが早い場面も少なくないはずです。現段階では、将来の自動化の可能性を確かめる実験的な意味合いが強いと言えます。

それでも、OpenAIが慎重なアプローチを取ったことは賢明だと評価できます。決済や個人情報の送信をあえてAIに任せず、常に人間を介在させる設計にしたことで、誤作動による致命的なトラブルを未然に防いでいます。完全な全自動化を目指す前に、まずは人間と協調しながら安全に動く実績を積み重ねられるかが、今後の普及の鍵を握りそうです。