おっと!フォームの送信中に問題が発生しました。
コンピューター操作エージェント とは、人間と同じようにコンピューターを操作するAIシステムのことです。画面を見て、ポインターを動かし、クリック、入力、スクロール、ウィンドウの切り替えを行い、結果を読み取ってから次の行動を決定します。ベンダーが提供するAPIを呼び出すのではなく、既存のインターフェースを直接操作します。
この違いは重要です。なぜなら、実際の業務の多くはAPIが存在しないインターフェース上で行われているからです。社内の管理コンソール、サプライヤーポータル、デスクトップ版ERPクライアント、 レガシーなCRM、あるいは3つのチームが手作業で編集しているスプレッドシートなどがその例です。コンピューター操作エージェントは、統合プロジェクトを必要とせずにこれらのシステムにアクセスできる唯一の自動化カテゴリーです。
本ガイドでは、このカテゴリーの正体、RPAやブラウザエージェントとの違い、ベンチマークが何を測定し（そしてどこで誤解を招くのか）、さらに2026年に知っておくべき22のツールについて解説します。各ツールについて、そのアプローチ、機能の限界、ライセンス、価格、最適なユーザー、そして率直な制限事項を網羅しています。
すべてのコンピューター操作エージェントは、以下のループを実行します。
技術的に興味深い部分は、ほぼすべてステップ2と4に集約されます。グラウンディングは、スプレッドシートの正しいセルをクリックできるエージェントと、40ピクセル左をクリックしてしまうエージェントを分ける境界線です。検証は、放置して実行できるエージェントと、一度だけうまく動くデモを分ける境界線となります。
現在、3つのベンチマークが議論の中心となっています。どれも実際のワークロードそのものではありませんが、これらを総合的に見ることで、どのシステムが真にタスクを完遂できるかを判断できます。
コンピューター使用エージェント で、ブラウザだけでなく、PC上のあらゆるアプリケーションを操作できます。
仕組み Sai は、OSレベルのアクセシビリティデータと視覚的なグラウンディングを組み合わせることで、アクセシビリティノードが存在する場合はそれを介してボタンを操作し、存在しない場合はピクセル情報に基づいて操作を行います。実際のPC（ノートPCやクラウドワークスペース）上で動作するため、サンドボックス内で再認証を求めることなく、ログイン中のセッション、ローカルファイル、ネットワーク環境をそのまま利用できます。
機能の境界 アプリケーションを横断するワークフローが設計の中心です。CRMからレコードを取得し、スプレッドシートと照合し、例外をチケット管理ツールに登録し、 要約をメールで送信するといった一連の作業が可能です。Webページだけでなく、デスクトップアプリケーションやファイルダイアログも操作でき、自然言語による指示や、スケジュールやトリガーに基づいた無人実行にも対応しています。
ライセンス クローズドソース製品です。開発チームはこの分野に関するオープンな研究成果も公開しています（後述の「Agent S」を参照）。
料金 コンピューター利用時間に制限のある無料プランと、より高頻度・無人利用向けの有料プランがあります。予算を立てる前に、最新の料金ページをご確認ください。
最適な用途 複数のツールを横断して業務を行うオペレーション、財務、GTM（市場参入）チーム向け。APIが利用できないツールが含まれており、サービスアカウントではなく、ログイン中のユーザーとしてエージェントを操作させたい場合に適しています。
制限事項 実行にはマシンが必要となるため、ゼロフットプリントのクラウドAPIではありません。このカテゴリの他のエージェントと同様、ハードコードされたスクリプトと比較するとステップごとの処理速度は遅く、コストも高くなります。安定したUIに対して1日1万回実行するようなタスクであれば、RPAや直接的な統合の方が適しています。
ChatGPT内で仮想コンピュータをブラウジングおよび操作する、OpenAIのホスト型エージェント。
仕組み クラウドホスト型の仮想マシン ブラウザ、ターミナル、ファイル操作機能を備えています。エージェントはスクリーンショットとページ構造を推論し、タスクに応じて視覚的なブラウザとテキストベースのブラウザを切り替えます。以前のブラウザ専用リサーチプレビュー版「Operator」は、この統合エージェントに統合されました。
機能の境界 リサーチ、フォーム入力、Web作業からの成果物（スライド、スプレッドシート）作成に強みがあります。OpenAIのサンドボックス内で実行されるため、アップロードや接続を行わない限り、デスクトップ、ローカルファイル、社内ネットワークにはアクセスできません。機密性の高い操作は確認のために一時停止します。
ライセンス クローズドソース、ホスト型のみ。 料金 ChatGPT Plus / Pro / Businessプランに含まれており、各プランに応じた利用枠が設定されています。
最適な用途 すでにChatGPTを標準利用しており、インフラ管理なしでWebベースのエージェント業務を必要とする個人およびチーム。
制限事項 ローカルシステムやオンプレミスシステムにはアクセスできません。データセンターのIPをブロックするサイトや、独自のログインセッションを必要とするサイトでは問題が発生することがあります。また、セルフホストはできません。
「コンピュータ使用」という製品カテゴリを確立したAPI機能。スクリーンショットからマウスやキーボードの操作を生成するモデルです。
仕組み ツール使用のループ： Claude にスクリーンショットとツール定義を送信すると、モデルがアクション（座標指定のクリック、入力、キー操作、スクロール）を返します。ユーザー側のハーネスがそれを実行し、次のスクリーンショットを返送します。Anthropicはリファレンス用のコンテナイメージを提供していますが、ループ自体の実行はユーザー側で行います。Claude for Chromeは、この仕組みをブラウザ拡張機能内で応用したものです。
機能の境界 ハーネスが公開する環境（コンテナ、仮想マシン、実際のデスクトップなど）であれば何でも操作可能です。Anthropicのモデルは現在OSWorld-Verifiedリーダーボードでトップに位置しており、グラウンディング（根拠付け）の精度は最高水準です。
ライセンス クローズドモデル、オープンなリファレンスハーネス。 料金 標準的なAPIトークン料金が適用されます。ステップごとに画像を送信するため、コンピュータ使用はトークン消費量が多くなります。
最適な用途 最も強力なグラウンディングモデルを使用して、独自のAIエージェント製品や社内用ハーネスを構築するエンジニアリングチーム。
制限事項 これは機能であり、完成された製品ではありません。サンドボックス化、リトライ処理、検証、認証情報の管理、監査証跡の記録はすべてユーザー側の責任となります。ブラウザ限定のツールと比較すると、タスク完了あたりのコストは高くなります。
ターミナルネイティブなコーディングエージェント リポジトリ、シェル、そしてブラウザを操作するものです。
仕組み ターミナル（またはIDE）上で動作し、ファイルの読み書きやコマンドの実行を行い、テスト結果に基づいて反復処理を行います。厳密な意味でのGUIエージェントではありませんが、開発者のワークフローにおいて、コンピュータ操作エージェントがUIを通じて低速で行うような作業を代替するため、このリストに含めています。
機能の境界 コード、ビルドシステム、移行作業など、ファイルとコマンドで表現可能なあらゆるタスクに優れています。MCPサーバーを介してテスト用にブラウザを操作することも可能ですが、ERPの画面をクリックして操作するようには設計されていません。
ライセンス クローズドソース。ClaudeのサブスクリプションおよびAPIキーで利用可能です。 料金 Claude Pro/Maxプランに含まれるか、API利用料として請求されます。
最適な用途 エンジニア 制限事項 開発者向けの作業に限定されます。ターミナル主体のインターフェースであるため、非技術者には適していません。
Googleの ブラウザ操作エージェント 機能であり、モデルツールおよび研究用プロトタイプとして公開されています。
仕組み スクリーンショットとページコンテキストからブラウザ操作（クリック、入力、スクロール、ナビゲーション）を出力するように学習されたモデルバリアントです。Marinerは、ユーザーに代わってマルチタブでのタスクを実行するChrome側の体験を提供します。
機能の境界 ブラウザ優先。Webナビゲーションやフォーム操作には優れていますが、デスクトップアプリケーション向けには設計されていません。
ライセンス クローズド 料金 モデルへのアクセスはGemini API経由でトークン単位の課金となります。Marinerへのアクセスは、上位のAIサブスクリプションプランに限定されています。
最適な用途 Google CloudやGeminiをすでに利用しており、同一の請求体系内でブラウザ制御を行いたいチーム。
制限事項 提供状況や名称が頻繁に変更されているため、導入を検討する際は最新のステータスを確認してください。デスクトップ操作には対応していません。
ホスト型汎用エージェント 長期的なタスクを計画し、クラウド上の仮想マシンで実行します。
仕組み タスクの分解に加え、ブラウザ、シェル、ファイルシステムを備えたサンドボックス環境の仮想マシンを使用します。非同期で動作するため、目標を指示した後は、成果物（レポート、サイト、スプレッドシートなど）が完成するのを待つだけです。
機能の境界 広範なWebリサーチや成果物の作成が可能ですが、サンドボックス環境は社内システムとは切り離されています。
ライセンス クローズド、ホスト型。 料金体系 クレジット制のサブスクリプション。長時間の実行には多くのクレジットを消費します。
適した用途 システム内部の変更ではなく、ドキュメント作成などの成果物を目的とする調査業務。
制限事項 クレジット消費量の予測が困難。ローカル環境やオンプレミスソフトウェアへのアクセスは不可。入力した認証情報はサードパーティの仮想マシンに委ねることになります。
最も広く採用されている オープンソースライブラリ LLMによるブラウザ操作を実現します。
仕組み 内部でPlaywrightを使用。ページをインタラクティブな要素のインデックスリストに変換し、モデルが番号で選択します。生のピクセル情報を解析するよりも低コストで信頼性が高い手法です。
機能の境界 Chromium内で実行可能なあらゆる操作。自社運用を避けたいチーム向けに、ホスト型のクラウドオプションも用意されています。
ライセンス オープンソース（MIT）。 料金体系 セルフホストは無料。クラウド版は従量課金制。モデルのトークン料金は別途発生します。
最適な用途 ウェブ自動化を構築する開発者で、完全な制御と大規模なコミュニティを求める方。
制限事項 定義上ブラウザ専用です。信頼性レイヤー（再試行、検証、シークレット管理）は自身で用意する必要があり、品質は使用するモデルに大きく依存します。
オープンソースのエージェント で、ローカルでコードを記述・実行してタスクを完了させます。GUI操作用のOSモードも備えています。
仕組み モデルがPython、シェル、またはJavaScriptを出力し、マシンがそれを実行して結果をループに戻します。オプションのOSモードでは、スクリーンショットに基づいたマウスとキーボードの操作が可能です。
機能の範囲 スクリプト化可能なあらゆる作業（ファイル操作、データ変換、システム管理など）において非常に広範です。GUI操作も可能ですが、専用のグラウンディングスタックに比べると成熟度は低めです。
ライセンス オープンソース (AGPL-3.0)。 料金 無料（モデル利用料は別途発生します）。
最適な用途 ローカル環境で動作し、モデルに依存せず、マシンへの直接アクセスが可能なエージェントを求める技術者。
制限事項 モデルが生成したコードを自身のマシンで実行することには重大なリスクが伴います。必ずサンドボックス環境で実行してください。GUIモードの精度は、トップクラスのモデルには及びません。
コンパクトな オープンソースフレームワーク で、マルチモーダルモデルがスクリーンショットを通じてコンピュータを操作できるようにします。
仕組み スクリーンショット → モデル → マウス/キーボード操作という流れで、バックエンド（GPTクラス、Gemini、Claude、またはローカルのビジョンモデル）を自由に選択可能です。
機能の限界 本番環境向けのシステムというよりは、リファレンス実装や学習ツールとしての側面が強いものです。
ライセンス オープンソース (MIT)。 料金 無料。ただしモデルの利用料金は別途発生します。
用途 ループの仕組みを学ぶ、またはプロトタイプの立ち上げに最適です。 制限事項 座標ベースのクリックは不安定で、検証、復旧、認証情報の管理といった機能はほとんど備わっていません。
オープンソースのエージェントフレームワーク であり、研究文献におけるリファレンスアーキテクチャの一つです。
仕組み モジュール設計を採用しています。プランナー、過去の実行経験を再利用する経験拡張型メモリ、そして意図を正確な座標に変換するグラウンディングモジュールで構成されます。後のバージョンでは、単一のモデルにすべてを任せるのではなく、専門モジュールに問題を分解するアプローチをとっています。
対応範囲 デスクトップ全般。OSWorld、WindowsAgentArena、AndroidWorldでベンチマーク済みです。
ライセンス オープンソース。 料金 無料（モデル利用料は別途発生します）。
推奨用途 ブラックボックスではなく、公開された強力なベースラインを基盤として開発したい研究者やエンジニア向け。
制限事項 製品ではなくフレームワークであるため、UIやサポート契約はなく、運用環境の構築は自身で行う必要があります。
オープンウェイトのネイティブGUIエージェントモデル であり、クローズドなグラウンディングモデルに代わる主要なオープンな選択肢です。
仕組み プロンプトで制御するパイプラインではなく、GUIの認識、グラウンディング、アクションをエンドツーエンドで学習させた単一の視覚言語モデルです。画面上でモデルを実行するアプリケーション「UI-TARS-desktop」も併せて提供しています。
対応範囲 デスクトップおよびモバイルのGUI操作に対応。OSWorldクラスのベンチマークにおいて、オープンウェイトモデルとして最高水準の性能を誇ります（UI-TARS-2はOSWorld-Verifiedで約53%のスコアを記録）。
ライセンス オープンウェイト（公開されているチェックポイントはApache-2.0ライセンス。各チェックポイントで要確認）。 料金 モデルのウェイトは無料ですが、GPUリソースやホスティングエンドポイントの利用料が必要です。
最適な用途 データを外部に出さず、オンプレミス環境でコンピュータ操作の自動化を行いたい組織。
制限事項 マルチモーダルモデルを実用的なレイテンシでセルフホストするには相応のインフラ構築が必要であり、成功率の面では最先端のクローズドモデルに依然として大きな開きがあります。
オープンソースのブラウザ自動化ツール チャットではなく、反復的な業務プロセスを対象としたワークフロー自動化ツールです。
仕組み ビジョンモデルとDOM解析を組み合わせることでWebワークフローを完遂し、それらをパラメータ化された再実行可能なワークフローオブジェクトとしてAPI経由で提供します。オープンソースエコシステムにおいて「適応型RPA」に最も近い存在です。
対応範囲 Webサイト専用。フォーム入力、ログイン、2要素認証（2FA）の受け渡し、ファイルのダウンロードに強みがあります。保険、調達、行政ポータルなどの業務フローに最適です。
ライセンス オープンソースコア（AGPL-3.0）および有料のマネージドクラウド。 料金 セルフホスト版は無料。クラウド版は実行数/ステップ数に応じた従量課金。
最適な用途 大規模なWebプロセスにおいて、不安定なSeleniumスイートを置き換えたいチーム。
制限事項 ブラウザスコープに限定。商用製品に組み込む場合、AGPLライセンスの制約に注意が必要。
スマートフォンおよびWeb対応エージェント 実際のアプリ上でタスクを実行し、中国の主要エコシステムを強力にカバー。
仕組み GLMベースのマルチモーダルエージェント。GUI操作を通じてAndroidアプリやWebページを操作し、アシスタント機能やAPIとして提供。
対応範囲 モバイルアプリおよびWeb。欧米のエージェントでは対応困難な中国のスーパーアプリも網羅。
ライセンス クローズド製品。GLMモデルファミリーの一部はオープンウェイト。 料金 コンシューマー向けプランおよびAPI料金。
最適な用途。 中国市場で活動するチーム。 制限事項。 西欧のデスクトップ環境との関連性は低く、ドキュメントは主に中国語で提供されています。
A 研究用フレームワーク 汎用的なコンピュータ制御を目的とし、ピクセル情報のみから複雑なソフトウェアを操作できることで知られています。
仕組み。 情報収集、自己反省、タスク推論、スキルキュレーション、アクションプランニング、メモリという6つのモジュールからなるループ構造を採用。スクリーンショットを解析しながら、エージェントが再利用可能なスキルライブラリを構築していきます。
機能の境界。 ゲームや複雑なソフトウェアを研究対象としており、スキルキュレーションの概念が応用可能な要素となっています。
ライセンス。 オープンソース (MIT)。 料金。 無料（モデル利用料は別途発生します）。
最適な用途。 長期的な制御やスキルの再利用を研究する研究者。 制限事項 ビジネス自動化製品ではありません。ドキュメントではなく、論文や技術資料を想定しています。
オープンソースのインフラストラクチャ層 エージェントが動作するための、サンドボックス化されたmacOSまたはLinux仮想マシンを提供します。
仕組み 軽量な仮想マシン（Appleシリコン上のApple Virtualizationフレームワークを使用）とエージェントSDKにより、あらゆるモデルをクリーンで再現可能な状態の使い捨てコンピュータ上で実行できます。
機能の境界 これは基盤であり、頭脳ではありません。モデルとポリシーはご自身で用意してください。
ライセンス オープンソース (MIT)。 料金 セルフホストは無料です。クラウドコンテナオプションも提供しています。
最適な用途 エージェントの実行において分離環境と再現性を必要とする方、またはエージェントを安全にテストしたい開発者向け。
制限事項 エージェント自体は構築する必要があります。macOS仮想マシンの機能はAppleシリコンに依存します。
オープンソースのプロセス自動化ツール 人間によるGUI操作のデモンストレーションから学習します。
仕組み 人間がタスクを実行する際の画面、マウス、キーボードの操作を記録し、大規模マルチモーダルモデルを使用して、その記録を再現可能かつ適応性のあるプロセスへと一般化します。
対応範囲 人間が一度実演できるデスクトップGUI操作。プライバシーを重視しており、機密データはローカル環境で削除されます。
ライセンス オープンソース (MIT) 価格 無料
おすすめの用途 「プロンプトで指示する」よりも「実演して教える」ことを好み、すべてのデータをローカル環境で完結させたいチーム。
制限事項 デモンストレーションに基づく一般化は、分岐の多いフローではまだ不安定です。また、Browser UseやSkyvernと比較してコミュニティの規模が小さいです。
自律型ソフトウェアエンジニア エディタ、シェル、ブラウザを備えた独自のクラウド環境で動作します。
仕組み チケットが与えられると、計画の立案、コードの記述、テストの実行、ドキュメントの閲覧、プルリクエストの作成を自動で行います。永続的なワークスペース内で非同期に動作するため、いつでも状況を確認し、作業を引き継ぐことが可能です。
対応範囲 ソフトウェアエンジニアリング業務および関連するWeb操作。一般的なオフィス業務の自動化エージェントではありません。
ライセンス クローズドソース、ホスト型。 料金 チームプランに加え、使用量に応じた従量課金（ACU）制。これまでのエージェントと比較して、作業単位あたりのコストは高めです。
最適な用途 明確に定義されたバックログタスクを外部委託したいエンジニアリング組織。 制限事項 コスト面。また、範囲が明確なタスクでは高いパフォーマンスを発揮する一方、曖昧なタスクでは性能が低下するという、この種のツール特有の傾向があります。
閲覧中のページに対して AIブラウザ アシスタントが直接操作を実行します。
仕組み Chromiumベースのブラウザに、エージェント機能を備えたサイドバーを統合。現在表示しているページやタブのコンテキストを読み取り、ログイン済みのセッションを利用してブラウザ内でマルチステップのアクションを実行します。
対応範囲 ブラウザベースで消費者向けに最適化：比較ショッピング、予約、受信トレイの整理、開いているタブの要約など。
ライセンス クローズド 料金 無料プランあり。より高度なエージェント機能はPerplexityの有料プランに紐付け。
最適な用途 日常のブラウジングでエージェントのサポートを求める個人ユーザー。 制限事項 無人での実行や監査が必要な業務プロセスには不向き。ブラウザ外での操作は不可。
オープンソースのエージェント ランタイム。オープンウェイトモデルを基盤としており、セルフホストを好むチームに人気。
仕組み Hermesモデルファミリーを活用したツール呼び出しエージェントループ。設定に応じてブラウザやシェルツールを利用可能。
機能の範囲 幅広いが開発者による構築が必要。ベンダー依存のない完全なセルフホスト環境として最適。
ライセンス オープンソース (MIT) 料金 無料（インフラおよびモデルサービングの費用は別途発生します）
最適な用途 データが自社インフラから一切外部に出ないことが厳格に求められるチーム
制限事項 管理UIやサポートSLAはなく、GUIのグラウンディング品質は接続するビジョンモデルに依存します
反復的な業務フローを自動化するAIアシスタント構築のためのノーコードプラットフォーム
仕組み トリガーベースのエージェントが、数百もの SaaS連携と接続。ビジュアルビルダーと豊富なテンプレートライブラリを備え、連携レイヤー上で限定的なブラウザ操作機能を提供します
機能の境界 連携重視型。コネクタが存在する場合は非常に強力ですが、存在しない場合は機能が制限されます
ライセンス クローズドソース、ホスト型 料金 無料枠（月間タスククレジット付与）あり。有料プランではクレジット数に応じてスケールします
最適な用途 技術的な知識がなくても、メール、スケジュール管理、CRMの整理、リードへのフォローアップを自動化できます。
制限事項 真のコンピュータ操作エージェントではありません。デスクトップ操作はできず、対応範囲はコネクタカタログに限定されます。
オープンソースのワークフロー自動化 プラットフォームで、AIエージェントノードを標準搭載しています。
仕組み ノードグラフをビジュアルまたはコードで構築します。AIエージェントノードがモデルやツールを呼び出し、必要に応じてコミュニティノードでブラウザ操作（Playwright、Browser Use）を追加できます。
機能の境界 決定論的なオーケストレーションを主軸とし、必要に応じてエージェント的なステップを組み込む形式です。コンピュータ操作エージェントとは重点が逆になります。
ライセンス Sustainable Use Licenseに基づくソース公開型（セルフホスト可能、再販には制限あり）。 料金 セルフホストは無料。クラウドプランは実行回数に応じた課金制です。
最適な用途 監査可能でバージョン管理されたパイプラインを構築し、モデルによる判断を部分的に取り入れたい技術チーム向け。
制限事項 すべてのステップを自分で作成する必要があるため、UIが変更された場合、手動で修正しない限り自動的には適応されません。
エージェント型自動化 業界最大規模の統合カタログを活用。
仕組み Zapierのアプリ連携をツールとして利用するエージェント。イベントやスケジュールに基づいて実行され、自然言語で記述された指示に従って動作します。
対応範囲 Zapierコネクタが存在するものすべて。画面操作やデスクトップ操作、GUIベースの推論には対応していません。
ライセンス クローズドソース、ホスト型。 料金 エージェントのアクティビティに制限のある無料プランと、タスクやアクティビティの量に応じた有料プランがあります。
最適な用途 すでにZapierを利用しており、アプリ間のより高度な連携を求める組織。
制限事項 API経由の操作に限定されます。これは、コンピュータ操作エージェントが提供する機能とは対極にあります。利用量が増えるとコストが急速に増加します。