原題：「IOSG Weekly Brief | ブラウザがエージェントになるとき #289」

原著者：Mario Chow、Figo、@IOSG

はじめに

過去12か月間で、Webブラウザと自動化の関係は劇的に変化しました。ほぼすべての大手テクノロジー企業が、自律型ブラウザエージェントの構築に躍起になっています。この傾向は2024年末からさらに強まっています。OpenAIは1月にAgent Modeをリリースし、AnthropicはClaudeモデルの「コンピュータ使用状況」機能をリリースし、Google DeepMindはProject Marinerを立ち上げ、OperaはエージェントベースのブラウザNeonを発表し、Perplexity AIはCometブラウザをリリースしました。明確なシグナルがあります。AIの未来は、Webを自律的にナビゲートできるエージェントにあります。

このトレンドは、単にブラウザにスマートなチャットボットを追加するだけではありません。機械がデジタル環境とインタラクションする方法を根本的に変えるものです。ブラウザエージェントは、Webページを「見て」、リンクをクリックしたり、フォームに入力したり、スクロールしたり、テキストを入力したりといったアクションを人間のユーザーと同じように実行できるAIシステムです。このモデルは、現在手作業が必要なタスクや、従来のスクリプトでは複雑すぎるタスクを自動化することで、生産性と経済価値を大幅に向上させることを約束します。

▲ GIFデモ：動作中のAIブラウザエージェント。指示に従い、対象のデータセットページに移動し、スクリーンショットを自動的に撮影し、必要なデータを抽出します。

AIブラウザ戦争の勝者は誰か？

ほぼすべての大手テクノロジー企業（および一部のスタートアップ企業）が、独自の AI ブラウザエージェントソリューションを開発しています。代表的なプロジェクトをいくつかご紹介します。

OpenAI – Agent Mode

OpenAI の Agent Mode（旧称 Operator、2025 年 1 月リリース）は、独自のブラウザを備えた AI エージェントです。Operator は、Web フォームへの入力、食料品の注文、会議のスケジュール設定など、人間が一般的に使用する標準的な Web インターフェースを通じて完了する、さまざまな反復的なオンラインタスクを処理できます。

▲ AIエージェントはプロのアシスタントのように会議をスケジュールします。カレンダーをチェックし、空き時間を見つけ、イベントを作成し、確認を送信し、.icsファイルを生成します。

Anthropic – Claudeの「コンピューター使用」

2024年末、AnthropicはClaude 3.5に新しい「コンピューター使用」機能を導入し、人間のようにコンピューターやブラウザを操作できるようになりました。Claudeは画面を表示し、カーソルを動かし、ボタンをクリックし、テキストを入力できます。これは、この種の大規模エージェントツールとしては初めてパブリックベータ版となり、開発者はClaudeがWebサイトやアプリケーションを自動的にナビゲートできるようにすることができます。Anthropicはこれを実験的な機能と位置付けており、Webページ上の複数ステップのワークフローを自動化することを主な目標としています。

Perplexity – Comet

AI スタートアップ企業の Perplexity (Q&A エンジンで知られています) は、2025 年半ばに Chrome に代わる AI 搭載の代替として Comet ブラウザをリリースしました。Comet の中核となるのは、アドレスバー (オムニボックス) に組み込まれた会話型 AI 検索エンジンで、従来の検索リンクの代わりに Q&A や概要を即座に提供します。

Comet には、サイドバー常駐エージェントの Comet Assistant も含まれています。これは、Web サイト全体の定型タスクを自動化します。たとえば、開いているメールの要約、会議のスケジュール設定、ブラウザ タブの管理、Web の閲覧とクロールを行うことができます。

Comet は、エージェントがサイドバー インターフェースを通じて現在の Web ページのコンテンツを認識できるようにすることで、ブラウジングと AI アシスタントをシームレスに統合することを目指しています。

ブラウザ エージェントの実際の適用シナリオ

以前、大手テクノロジー企業 (OpenAI、Anthropic、Perplexity など) がさまざまな製品形態を通じてブラウザ エージェントに機能を組み込んでいる様子を確認しました。その価値をより直感的に理解するために、日常生活や企業のワークフローにこれらの機能が適用されている実際のシナリオを詳しく見てみましょう。

Daily Web Automation

# eコマースとパーソナルショッピング

非常に実用的なシナリオとして、ショッピングと予約のタスクをエージェントに委託することが挙げられます。エージェントは、オンラインショッピングカートに商品を自動的に追加し、固定リストに基づいて注文したり、複数の小売業者から最安値を検索して、お客様に代わってチェックアウトのプロセスを完了したりできます。

旅行の場合、「来月、東京行きの航空券を800ドル以下で予約し、無料Wi-Fi付きのホテルを予約してほしい」といったタスクをAIに依頼できます。エージェントは、航空会社とホテルのウェブサイトを通じて、航空券の検索、オプションの比較、乗客情報の入力、ホテルの予約完了まで、すべてのプロセスを処理します。このレベルの自動化は、既存の旅行ボットをはるかに超えています。単に推奨事項を提示するだけでなく、購入を直接実行します。

# オフィス効率の向上

エージェントは、人々がブラウザで実行する多くの反復的なタスクを自動化できます。たとえば、メールを整理してToDo項目を抽出したり、複数のカレンダーの空き状況を確認して会議を自動的にスケジュールしたりできます。Perplexity の Comet アシスタントは、Web インターフェースを介して受信トレイの内容を要約したり、カレンダーにエントリを追加したりできます。また、許可があれば、エージェントは SaaS ツールにログインして定期レポートを生成したり、スプレッドシートを更新したり、フォームを送信したりすることもできます。人事担当者がさまざまな求人サイトに自動的にログインしたり、営業担当者が CRM システムのリードデータを更新したりする様子を想像してみてください。これらの日常的なタスクは、そうでなければ従業員の時間をかなり消費しますが、AI は Web フォームやページ操作を自動化することでこれらを実現します。単一のタスクにとどまらず、エージェントはネットワーク化された複数のシステムにわたる完全なワークフローをオーケストレーションできます。これらのすべてのステップには異なる Web インターフェースが必要であり、まさにブラウザエージェントが優れた機能を発揮します。エージェントは、さまざまなダッシュボードにログインしてトラブルシューティングを行ったり、新入社員のオンボーディング プロセスの完了（複数の SaaS ウェブサイトにわたるアカウントの作成）などのプロセスを調整したりできます。基本的に、現在複数のウェブサイトをクリックする必要がある複数ステップの操作は、プロキシによって実行できます。

現在の課題と制限

今日のブラウザ プロキシは、その大きな可能性にもかかわらず、まだ完璧には程遠いものです。現在の実装には、長年にわたる技術面およびインフラストラクチャ面の課題がいくつかあることが明らかになっています。

アーキテクチャの不一致

現代の Web は、人間が操作するブラウザ向けに設計されており、時間の経過とともに自動化に積極的に抵抗するように進化してきました。多くの場合、データは視覚的なプレゼンテーションに最適化された HTML/CSS に埋め込まれており、インタラクション ジェスチャ（マウスオーバー、スワイプ）によって制限されていたり、ドキュメント化されていない API 経由でしかアクセスできなかったりします。

これに加えて、スクレイピング対策および不正行為対策システムは、人為的に追加の障壁を設けています。これらのツールは、IPレピュテーション、ブラウザフィンガープリンティング、JavaScriptチャレンジレスポンス、行動分析（マウスの動きのランダム性、入力リズム、滞在時間など）を組み合わせています。逆説的に、AIエージェントが「完璧」で効率的に見えるほど（例えば、フォームに瞬時にエラーなく入力するなど）、悪意のある自動化として識別されやすくなります。これは重大な失敗につながる可能性があります。例えば、OpenAIやGoogleのエージェントは、チェックアウト前のすべての手順を正常に完了したにもかかわらず、CAPTCHAや二次セキュリティフィルターによって停止してしまう可能性があります。人間向けに最適化されたインターフェースとボットに不向きな防御層の組み合わせは、エージェントに脆弱な「人間と機械の模倣」戦略を採用することを余儀なくさせます。このアプローチは失敗に非常に弱く、成功率も低くなります（人間の介入がない場合でも、完了した取引の3分の1未満しか完了しません）。

信頼とセキュリティに関する懸念

エージェントに完全な制御を与えると、多くの場合、ログイン認証情報、Cookie、2要素認証トークン、さらには支払い情報などの機密情報へのアクセスが必要になります。これにより、ユーザーと企業の両方に次のような懸念が生じます。

· エージェントがミスを犯したり、悪意のあるWebサイトに騙されたりした場合はどうなるでしょうか？

· エージェントが利用規約に同意したり、トランザクションを実行したりした場合、誰が責任を負うのでしょうか？

これらのリスクを考慮して、現在のシステムでは一般的に慎重なアプローチが採用されています。

· GoogleのMarinerは、クレジットカード情報を入力したり、利用規約に同意したりせず、代わりにユーザーに返します。

· OpenAIのOperatorは、ユーザーにログインまたはCAPTCHAチャレンジを引き継ぐように促します。

· Anthropic の Claude 搭載エージェントは、セキュリティ上の懸念を理由に、ログインを拒否する可能性があります。

その結果、AI と人間の間で頻繁に中断やハンドオフが発生し、シームレスな自動化のエクスペリエンスが損なわれます。

これらの障害にもかかわらず、進歩は急速に進んでいます。OpenAI、Google、Anthropic などの企業は、各イテレーションで失敗から学んでいます。需要が高まるにつれて、一種の「共進化」が起こる可能性があります。つまり、好ましいシナリオではウェブサイトがよりエージェントフレンドリーになり、エージェントは既存の障壁を回避するために人間の行動を模倣する能力を継続的に向上させるでしょう。

アプローチと機会

現在のブラウザプロキシは、対照的な2つの現実に直面しています。1つはWeb2の過酷な環境であり、ここではアンチスクレイピングやセキュリティ対策が遍在しています。もう1つは、自動化が推奨されることが多いWeb3のオープンな環境です。この違いが、様々なソリューションの方向性を決定づけています。以下のソリューションは、プロキシがWeb2の過酷な環境を回避するのに役立つものと、Web3にネイティブなものの2つのカテゴリーに大別されます。ブラウザプロキシが直面する課題は依然として大きいものの、それらの課題に直接対処しようとする新しいプロジェクトが登場しています。暗号通貨と分散型金融（DeFi）のエコシステムは、オープンでプログラム可能であり、自動化に対してそれほど敵対的ではないため、自然なテストの場になりつつあります。オープンAPI、スマートコントラクト、オンチェーンの透明性は、Web2の世界における多くの一般的な摩擦点を排除します。ソリューションには4つのタイプがあり、それぞれが現在のコアな制限の1つ以上に対処しています。オンチェーン操作用のネイティブプロキシブラウザ。これらのブラウザは、自律エージェントによって駆動されるようにゼロから設計されており、ブロックチェーンプロトコルと深く統合されています。オンチェーン自動化にSelenium、Playwright、ウォレットプラグインを利用する従来のChromeブラウザとは異なり、ネイティブプロキシブラウザは、エージェントが呼び出すための直接APIと信頼できる実行パスを提供します。分散型金融（DI）では、トランザクションの有効性はユーザーの「人間らしさ」ではなく、暗号署名に依存します。そのため、オンチェーン環境では、プロキシはWeb2の世界で一般的なCAPTCHA、不正検出スコア、デバイスフィンガープリンティングチェックを回避できます。しかし、これらのブラウザがAmazonなどのWeb2ウェブサイトに誘導された場合、これらの防御を回避できず、通常のボット対策が作動します。

プロキシ ブラウザの価値は、すべてのウェブサイトに魔法のようにアクセスできることではありません。むしろ、次の点にあります。

· ネイティブ ブロックチェーン統合: ウォレットと署名のサポートが組み込まれているため、MetaMask ポップアップや dApp フロントエンドでの DOM の解析が不要になります。

· 自動化優先の設計: プロトコル操作に直接マップされる安定した高レベルの指示を提供します。

· セキュリティ モデル: 洗練された権限制御とサンドボックスにより、自動化中の秘密鍵のセキュリティが確保されます。

· パフォーマンスの最適化: ブラウザのレンダリングや UI の遅延なしに、複数のオンチェーン呼び出しを並行して実行する機能。

Donutは、ブロックチェーンのデータとオペレーションを第一級オブジェクトとして統合します。ユーザー（またはエージェント）は、マウスオーバーすることでトークンのリアルタイムリスク指標を確認したり、「/swap 100 USDC to SOL」のような自然言語コマンドを直接入力したりできます。Web2の敵対的な摩擦点を回避することで、DonutはエージェントがDeFiでフルスピードで動作できるようにし、流動性、裁定取引、市場効率を向上させます。検証可能で信頼できるプロキシ実行 エージェントに機密性の高い権限を付与することはリスクを伴います。信頼できる実行環境（TEE）またはゼロ知識証明（ZKP）を使用したソリューションは、実行前にエージェントの期待される動作を暗号的に確認するため、ユーザーと取引相手は秘密鍵や資格情報を公開することなくエージェントのアクションを検証できます。

# 事例：Phala Network

PhalaはTEE（Intel SGXなど）を使用して実行環境を分離・保護し、Phalaオペレーターや攻撃者によるプロキシロジックやデータの覗き見や改ざんを防ぎます。TEEは、ハードウェアでバックアップされた「セキュアルーム」のようなもので、機密性（外部から見えない）と整合性（外部から変更できない）を保証します。

ブラウザプロキシの場合、これはログイン、セッショントークンの保持、支払い情報の処理が可能であり、これらの機密データはセキュアルームから外に出ることはありません。ユーザーのマシン、オペレーティングシステム、またはネットワークが侵害されたとしても、漏洩することはありません。これにより、プロキシアプリケーションの実装における最大の障害の1つである、機密性の高い資格情報と操作の信頼性の問題が直接軽減されます。

分散型構造化データネットワーク

最新のアンチボット検出システムは、リクエストが「速すぎる」か「自動化されている」かをチェックするだけでなく、IPレピュテーション、ブラウザフィンガープリンティング、JavaScriptチャレンジフィードバック、行動分析（カーソルの動き、入力リズム、セッション履歴など）も組み合わせて検出します。データセンターIPまたは完全に繰り返し可能なブラウジング環境から発信されたプロキシは容易に識別されます。

この問題に対処するため、これらのネットワークは人間向けに最適化されたウェブページをクロールしなくなりました。代わりに、機械が読み取り可能なデータを直接収集して提供したり、実際の人間のブラウジング環境を介してトラフィックをプロキシしたりします。このアプローチは、従来のクローラーの解析およびアンチクロールプロセスにおける脆弱性を回避し、よりクリーンで信頼性の高い入力をプロキシに提供します。

これらの実際のセッションにトラフィックをプロキシすることで、分散ネットワークはAIエージェントが人間と同じようにウェブコンテンツにアクセスできるようにし、即座にブロックを引き起こすことはありません。

# ユースケース

· Grass: ユーザーが未使用の住宅用ブロードバンドを共有する分散型データ/DePIN ネットワーク。エージェントフレンドリーで地理的に多様なアクセスを、パブリック Web データ収集とモデルトレーニングに提供します。

· WootzApp: 暗号通貨決済をサポートし、バックエンド エージェントとゼロ知識 ID を備えたオープンソースのモバイル ブラウザ。AI/データ タスクの「ゲーミフィケーション」を消費者にもたらします。

· Sixpence: 世界中の貢献者のブラウジングを通じて AI エージェントのトラフィックをルーティングする分散型ブラウザ ネットワーク。

ただし、これは完全なソリューションではありません。動作検出（マウス/スクロール トラッキング）、アカウント レベルの制限（KYC、アカウントの有効期間）、および指紋の一貫性チェックによって、依然としてブロックが発生する可能性があります。したがって、分散ネットワークは、人間を模倣した実行戦略と組み合わせて最も効果的に機能させる必要がある、基礎的なプライバシー レイヤーと見なすのが最適です。

エージェント向け Web 標準 (Foresight)

現在、ますます多くの技術コミュニティや組織が、次のような疑問を探求しています。将来の Web ユーザーが人間だけでなく自動化されたエージェントも含まれる場合、Web サイトはどのようにして安全かつコンプライアンスに準拠した方法でユーザーと対話できるでしょうか。

この疑問をきっかけに、新たな標準やメカニズムに関する議論が活発化しています。その目標は、現在のようにデフォルトでエージェントを「ボット攻撃」としてブロックするのではなく、Web サイトが「信頼できるエージェントのアクセスを許可します」と明示的に宣言し、対話のための安全なチャネルを提供できるようにすることです。

・「エージェント許可」タグ：検索エンジンが準拠している robots.txt ファイルと同様に、将来の Web ページには、ブラウザ エージェントに「アクセスしても安全です」と伝えるタグがコード内に含まれる可能性があります。例えば、エージェントを利用して航空券を予約する場合、ウェブサイトはCAPTCHAの連続表示ではなく、認証済みのインターフェースを直接提供します。

・認定エージェント向けAPIゲートウェイ：ウェブサイトは、認証済みのエージェント向けに「ファストレーン」のような専用のエントリポイントを作成できます。エージェントは人間のクリックや入力をシミュレートする必要がなくなり、より安定したAPIパスを使用して注文、支払い、データクエリを完了できます。

・W3Cの議論：ワールドワイドウェブコンソーシアム（W3C）は、すでに「マネージドオートメーション」のための標準化されたチャネルの開発方法を検討しています。これは、将来的には、セキュリティとアカウンタビリティを維持しながら、信頼できるエージェントをウェブサイトが識別して受け入れることを可能にする、世界的に受け入れられる一連のルールが確立される可能性があることを意味します。

これらの検討はまだ初期段階ですが、実装されれば、人間、エージェント、ウェブサイトの関係を大幅に改善できる可能性があります。想像してみてください。リスク管理を「欺く」ために人間のマウスの動きを必死に真似する必要はなくなり、「正式に承認された」チャネルを通じてタスクを公然と完了できるようになります。

暗号ネイティブインフラは、この方向をリードする可能性が高いでしょう。これは、オンチェーンアプリケーションが本質的にオープンAPIとスマートコントラクトに依存しているため、自動化に最適だからです。対照的に、従来のWeb2プラットフォーム、特に広告や不正防止システムに依存しているものは、依然として慎重な防御姿勢を維持する可能性が高いでしょう。しかし、ユーザーと企業が自動化による効率性の向上を徐々に受け入れるにつれて、これらの標準化の取り組みは、インターネット全体をエージェントファースト・アーキテクチャへと導く重要な触媒となるでしょう。

結論

ブラウザエージェントは、単純な会話ツールから、複雑なオンラインワークフローを完了できる自律システムへと進化しています。この変化は、ユーザーがインターネットと対話するコアインターフェースに自動化を直接組み込むという、より広範なトレンドを反映しています。生産性向上の可能性は計り知れませんが、既存のボット対策メカニズムの克服、セキュリティ、信頼性、責任ある利用の確保など、同様に重要な課題も存在します。

短期的には、エージェントの推論能力の向上、速度の高速化、既存サービスとの緊密な統合、分散ネットワークの進歩により、信頼性は徐々に向上していくと考えられます。長期的には、自動化がサービスプロバイダーとユーザーの両方にメリットをもたらすシナリオにおいて、「エージェントフレンドリー」な標準が徐々に導入される可能性があります。しかし、この移行は不均一です。DeFiのような自動化に適した環境では導入が急速に進む一方で、ユーザーとのインタラクションや制御に大きく依存するWeb2プラットフォームでは、導入が遅くなるでしょう。

今後、テクノロジー企業間の競争は、エージェントが現実世界の制約をいかにうまく乗り越えられるか、重要なワークフローにいかに安全に統合できるか、そして多様なオンライン環境においていかに確実に結果を提供できるかに、ますます焦点が当てられるようになるでしょう。これが最終的に「ブラウザ戦争」の様相を変えるかどうかは、純粋な技術力ではなく、信頼を築き、インセンティブを調整し、日常的な利用において具体的な価値を示す能力にかかっています。

オリジナルリンク

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia