ブラウザーエージェント
ブラウザーエージェント(browser agent)とは、ウェブブラウザーを操作して、検索、クリック、フォームの入力、ページの読み込みなどのタスクをこなす AI エージェントです。多くの場合、画面を表示しないヘッドレスブラウザーで動きます。
別名: headless browser, browser automation
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
ウェブの多くには API がありません。ブラウザーエージェントは、人が使うのと同じページを通じて作業します。
仕組み
エージェントは Playwright などの自動化ライブラリを通じて本物のブラウザーを動かします。Playwright は Chromium、Firefox、WebKit を、デフォルトではヘッドレスで実行できます。各手順で、エージェントはページを構造の簡略版かスクリーンショットとして読み取り、URL への移動、要素のクリック、テキストの入力などの操作を求めます。自動化の層がそれを実行し、新しいページの状態を返します。
ヘッドレスブラウザーは、ウィンドウなしで動くブラウザーです。これは基盤であってエージェントではなく、スクレイパーやテストスイートでも使われます。エージェント向けのツールには、Playwright MCP サーバー、Browser Use、Stagehand のほか、Browserbase などのホスト型ブラウザーサービスがあります。
関連する用語との違い
ウェブクローリングはページを大規模に集めるもので、ページを操作しません。コンピューター操作は、ブラウザーだけでなくデスクトップ全体をスクリーンショットを通じて操作します。
限界
ウェブ上のタスクは今も難しいままです。現実的なサイトを再現した WebArena ベンチマークでは、元の論文で最も成績のよかった GPT-4 ベースのエージェントがタスクの 14.41% を完了したのに対し、人は 78.24% でした。ログイン、CAPTCHA、レイアウトの変更でエージェントは止まってしまいます。すべてのページが信頼できない入力なので、ブラウザーエージェントはプロンプトインジェクションのよくある標的になります。
関連用語
- コンピューター操作
- コンピューター操作(computer use)とは、AI モデルが人と同じようにコンピューターを操作する能力です。スクリーンショットを見て、マウスのクリックとキー入力を送ることで、API のないソフトウェアでも作業できます。
- AIのためのWebクローリング
- AIのためのWebクローリング(web crawling)とは、リンクやURLのリストをたどってWebページを自動的に取得し、モデルの学習、検索インデックスの構築、アプリケーションが検索する新しいコンテンツの提供のためにテキストを集めることです。
- AI エージェント
- AI エージェント(AI agent)とは、言語モデルが次の手順を自分で決めるシステムです。固定の台本に従うのではなく、ツールを呼び出し、結果を読み、タスクが終わるまで繰り返します。
- BrowseComp
- BrowseComp は、1,266 問の難しい質問からなる OpenAI のベンチマークです。ブラウジングエージェントが、入り組んで見つけにくい事実を求めて粘り強くウェブを検索できるかを試します。答えは短く、確認しやすいものです。
- プロンプトインジェクション
- プロンプトインジェクション(prompt injection)とは、ユーザーが入力した、あるいはWebページ、ファイル、ツールの結果に隠されたテキストが言語モデルに渡され、開発者が意図しない形でモデルの挙動を変える攻撃です。