AIエージェントの自動化基盤を比べる: デスクトップとブラウザの実務

2026年9月18日 ・ 朝倉 凛

• AIエージェント
• ブラウザ自動化
• デスクトップ自動化
• CLI

何を自動化し、どこで動かすかの前提をそろえる

英語圏で提案が相次ぐエージェント向け自動化は、同じ自動化でも層が異なる。 アプリの実UIをOSのアクセシビリティ経由で操作する層、ブラウザのレンダリングやDOMを直接扱う層、モデルの推論基盤そのものを用意する層に分かれる。 同じ課題に見えても入力の取り込み方と副作用の制御が違えば、失敗時の挙動やコストが変わる。 この記事では一次資料に書かれた主張だけを基準に、前提と実務上の差分を整理する。

価格や数値は資料の記述をそのまま引用し、筆者の推測は交えない。 意見は意見として明示し、選定の根拠と留保を分けて書く。

5つの一次資料から読み取れる設計の違い

対象の5件は、agent-desktop、webctl、Vibium、Magnitude、Workflow Useである。 以下の表は資料に記された範囲で、対象、実行形態、プロトコルや経路、要件、特徴を並べたものである。 記載のない項目は空欄のままにし、推測で埋めない。

文脈管理、権限、決定性が現場に及ぼす差

文脈管理では、webctlがCLIの利点として出力の事前フィルタと外部ツール連携を挙げ、MCPはサーバ側が返す情報で文脈が膨らむと主張している。 同じくagent-desktopは進行的スケルトン走査で密なアプリでもトークンを大幅に減らせるとしており、別経路で同じ課題に向き合っている。 どちらも入力を絞る設計だが、前者は利用者が選ぶ経路で、後者はプローブ手順が道具側に組み込まれている点が異なる。

権限と副作用の扱いは、デスクトップ自動化では避けて通れない。 agent-desktopはアクセシビリティ権限とスクリーン収録権限、通知の自動化に関わるオートメーション権限が必要とされ、権限要求は分離したヘルパーで行えるとしている。 権限チェックはプロンプトを出さないと記され、先に許可を整えないと操作が失敗する。

決定性と検証では、Workflow Useが決定的なステップ実行と自己修復をうたい、失敗時にBrowser Useへ自動で切り替えると説明している。 ただし早期開発段階で本番非推奨と明記され、型の良さと運用の成熟は分けて捉える必要がある。 Vibiumはcheck機能でブラウザ上の主張を独立に確かめる道具を提供するとし、失敗の検出を工程に組み込める。

推論基盤は自動化とは別の層だが、運用コストとプライバシーに直結する。 Magnitudeはローカルでモデルを選び、推論をオフラインで走らせ、既存のエージェントに接続できると説明する。 外部APIのレート制限やトークン費用の前提を外せると資料は述べており、評価環境の可用性を高めやすい。

用途別の選び方と留保

macOS上の複数アプリを横断し、安定した参照で安全に再試行したい場合はagent-desktopが合う。 アクセシビリティツリー経由の参照とヘッドレス既定の操作、構造化JSONの戻りが、エージェントの回復戦略とログ化に向く。 ただしmacOS 13.0以上と権限付与を運用に組み込めない環境では導入が止まる。

ウェブだけを対象にし、コンテキストの膨張を抑えたいならwebctlのCLI設計は扱いやすい。 スナップショットの絞り込みと外部ツールでの加工、キャッシュを前提に、長い会話履歴を避けつつ繰り返しを安くできる。 一方でプロトコルの標準や互換性については資料が触れていないため、将来の置き換え可能性は別途確認が要る。

ブラウザ自動化で標準プロトコルを優先し、作業の正しさを自動で点検したい場合はVibiumが候補になる。 WebDriver BiDiに基づく実装とcheck機能、複数言語のクライアントが、既存の開発資産と相性を取りやすい。 ただし導入フローに独自のスキル概念が含まれるため、社内標準の配布と権限モデルに沿うかを確認する。

外部APIに依存せずにモデルを回し、評価や社内検証を途切れさせたくない場合はMagnitudeを併用する。 これは自動化の操作層ではなく推論層であり、ブラウザやデスクトップ操作の道具と組み合わせて使う前提で考える。 モデルの選定と性能の見積もりが含まれるため、観測とメトリクス収集の仕組みを別途用意する。

決定的な再実行と自己修復の型を検証したいならWorkflow Useを試験環境で評価する。 自然言語からワークフローを生成し、データベースに保存し、別入力で再実行できるとある。 ただし本番非推奨の明記があるため、失敗時の代替経路とロールバックを必ず並走させる。