おっと!フォームの送信中に問題が発生しました。
開発者にとってコンピュータ使用とは、モデルがアプリケーションのためにコンピュータを操作するAPIパターンです。目標を送信すると、システムがマウスやキーボードの次の操作、あるいは実環境や仮想デスクトップでの最終的な結果を返します。 これにより、レガシーなデスクトップアプリからベンダーポータルまで、APIを持たないソフトウェアを、画面ごとにセレクタを記述することなく自動化できます。この概念が初めての方は、まずこちらのガイドをご覧ください。 コンピュータ使用とは何かを提供しています。
すべてのコンピュータ使用スタックは3つの層で構成されており、以下のツールはそれぞれ提供する範囲が異なります。 モデル 次の動作を決定する層。 コンピュータ （VM、コンテナ、クラウドブラウザなど）操作が実行される環境。 ハーネス スクリーンショットと操作をループさせ、失敗時の再試行や承認の確認を行う層。モデルレベルのツールは最初の層のみを提供し、インフラプロバイダーは2番目の層を提供します。マネージドエージェントAPIはこれら3つすべてを提供します。
エンジニアリングリードやプラットフォームチームが客観的かつ実用的な比較を行えるよう、各ツールを5つの標準化された基準で評価しました。
仕組み： The Simular Platform API は、Simularのコンピュータ操作エージェント「Sai」にタスクを送信し、Server-Sent Eventsを通じて進捗をストリーミングします。 POST /v1/agents/message と wait: false は sessionIdからのIDを受け付けます。GET /v1/agents/events は、セッションがアイドル状態になるまでナレーションと結果をストリーミングします。 data-approval-request イベントは、ユーザーが POST /v1/agents/approve を呼び出すか、担当者が approvalUrlを開くまで、機密性の高いアクションを一時停止します。内部では、Saiが最先端モデルや専門モデルを調整し、 Simulang コードで計画を立て、解決済みの手順を self-healing codeを提供しています。
機能の境界： として再実行します。Simularのクラウドコンピュータ、または登録済みのMacやWindowsマシン上で、デスクトップアプリ、ブラウザ、ファイルシステム、ターミナルを操作可能です。SimularはOSWorld 2.0において、タスクあたり15.70ドルで73.0%の部分スコアを報告しており、これはClaude Opus 5 Max Thinking（70.6%、23.70ドル）やGPT-5.6 Sol Max（62.6%、26.62ドル）を上回ります。タスクの完全成功率は28.25%です（Simular）。 @simular-ai/sai-mcp serverはSaiをClaude Code、Codex、Cursorに接続します。Saiは Claude Codeセッションを実行できます クラウドデスクトップ上で。
ライセンス： クローズドサービス。モデル非依存型で、独自のキー、オープンウェイトモデル、オンプレミスモデルも利用可能です。Simularのオープンソース研究「Agent S」を基盤としています。
料金： 共有Windowsクラウドコンピューターを利用できる無料プラン、月額50ドルの従量課金プラン、月額500ドルの無制限プランがあります（料金）。キーは sapi_を提供しています。
最適な用途： で始まります。VMフリートの構築、リトライ処理、承認フローの作成なしで、デスクトップやブラウザでのタスクを完了させたい開発者や、同じワークフローを繰り返し実行する方に最適です。
制限事項： 低レベルな各アクションを個別に制御することはできません。デフォルトでは1ユーザーあたり1時間60メッセージ、アップロードは25MBまでです（APIリファレンスを参照）。
仕組み： スクリーンショットと computer_toolset_20260801 定義をMessages API経由で送信すると、Claudeが17種類のアクションのいずれかを返します（スクリーンショット、left_click、入力、ズーム など）。エージェントループがそのアクションを実行し、結果を取得して繰り返します。仮想X11ディスプレイを備えたDocker リファレンス実装 を使用すればすぐに開始できます。
機能の境界： ハーネスが公開するあらゆる環境に対応。Claude Opus 4.8/5/5.5、Sonnet 5/5.5、Fable 5/5.1、Mythos 5/5.1でサポートされており、Claude API、Vertex AI、Bedrock経由で利用可能です。データ保持ゼロの対象となります（Anthropicドキュメントを参照）。
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： トークン単位のAPI料金。各ステップにスクリーンショットが含まれるため、長時間タスクはコストが高くなります。
最適な用途： 独自のエージェント製品を開発しており、各アクションを完全に制御する必要があるチーム向け。
制限事項： サンドボックス化、リカバリ、認証情報、承認、監査の仕組みは自前で構築します。Anthropicは、権限を制限したVMの使用、ドメインの許可リスト設定、および重要な操作に対する人間による確認を推奨しています。
仕組み： The Responses API は、2つのモードを提供します。 computer ツールが構造化されたマウスおよびキーボード操作を返すモードと、モデルがインターフェースを操作するためのPlaywrightまたはPyAutoGUIコードを記述するモードです。OpenAIは、コード実行パスにはGPT-6 Astraを推奨しています。
機能の境界： 提供するブラウザ環境（Playwrightサンプル）およびデスクトップ環境（PyAutoGUIサンプル）。
ライセンス：クローズド。
料金： トークン単位のAPI料金。
最適な用途： 生成された自動化コードをレビューし、再実行したい開発者向け。
制限事項： ランタイム、スクリーンショットのキャプチャ、状態管理、安全制御は自身で維持する必要があります。Operatorに言及している古いチュートリアルは現在では古くなっており、同サービスは2025年8月31日に終了しました。
仕組み： Geminiは0〜999の正規化された座標グリッド上でアクションを返し、クライアント側でそれを実行します。Gemini 3.8 Flashが推奨されており、computer use機能は Gemini 3.5 Flashに組み込まれました 2026年6月に。
機能の境界： 実装するブラウザ、Android、デスクトップ環境。Dockerリファレンスが含まれています（Geminiドキュメントを参照）。
ライセンス：クローズド。
料金：Gemini APIのトークン単位料金。
最適な用途： モバイルアプリのテストや、Webタスクと並行したAndroidの自動化。
制限事項： プレビュー版。購入、機密データ、通信、アカウント作成、法的合意に関する操作には組み込みの確認機能が適用され、プロンプトインジェクション検知はオプトインで利用可能です。
仕組み： The Foundry コンピュータ使用ツール スクリーンショットに基づきクリック、タイピング、スクロールを提案し、アプリ側でそれを実行して新しい画面を返します。レスポンスには pending_safety_checks 続行する前に確認が必要です。
機能の境界： ブラウザおよびデスクトップアプリケーション。 computer-use-preview 米国東部2、スウェーデン中部、インド南部の各リージョンにおけるモデル。
ライセンス：クローズド。
料金： Azure従量課金制。
最適な用途： AzureおよびFoundry Agent Service上でエージェントを構築済みのチーム。
制限事項： プレビュー版のためSLA（サービス品質保証）はありません。機密データを含まないサンドボックス環境のVMでのみ実行するよう推奨されています。
仕組み： 自然言語によるステップとPythonを組み合わせた Nova Act SDK、プレイグラウンドやIDEでテストし、Bedrock AgentCore Runtimeにデプロイします。2025年12月2日より一般提供開始。
機能の境界： QA、フォーム入力、データ抽出などのブラウザワークフローに対応。ツールおよびMCP統合はプレビュー版です。
ライセンス： クローズドサービス、オープンソースSDK。
料金： アクティブな作業時間1時間あたり4.75ドル（待機時間は除外）クラスメソッドを参照）。
最適な用途： AWS環境でWebワークフローを大規模に自動化するチーム向け。
制限事項： ブラウザのみ対応。米国東部（バージニア北部）リージョンで提供開始。
仕組み： MITライセンスのPythonライブラリで、あらゆるLLMをブラウザに接続可能。Browser Use Cloudでは、ホスト型エージェントとリモートブラウザを1時間あたり0.02ドルから利用可能（Browser Useを参照）。
機能の境界： ブラウザタスクのみ。BU Bench V1において、同ライブラリを使用したClaude Fable 5は80.0%、Browser Use Cloudは78.0%を記録（ベンチマークを参照）。
ライセンス： MITライセンス。GitHubスター数は11万7000件。
料金：ライブラリは無料。クラウドエージェントはモデル料金の20%増しに加え、ブラウザ利用時間に応じた課金となります。
最適な用途： 検証可能なコードを備えた、あらゆるモデルで動作するWebエージェント。
制限事項： デスクトップアプリ、ファイルダイアログ、OSレベルのタスクには非対応。
仕組み： Browserbaseは、Playwright、Puppeteer、Selenium、およびオープンソースのAIフレームワーク「Stagehand」向けにヘッドレスブラウザを実行し、セッション記録や可観測性を提供します（料金プランを参照）。
機能の境界： クラウドブラウザセッション。エージェントのロジックは、お客様自身で構築するか、Stagehandを利用するかを選択できます。
ライセンス： インフラはクローズド、Stagehandはオープンソース。
料金： 無料（ブラウザ3つまで同時実行）、Developer 月額20ドル（25同時実行、ブラウザ利用100時間）、Startup 月額99ドル（100同時実行）。
最適な用途： 高並列ブラウザ自動化。
制限事項：ブラウザのみ対応。
仕組み： CAPTCHA解決と二要素認証（2FA）をサポートしたAI駆動のブラウザ自動化ツール。壊れやすいスクレイピングツールの代替として構築されています。GitHubスター数23.1k（Skyvernを参照）。
機能の境界： Webポータルおよびフォーム入力が多いサイト。
ライセンス：オープンソースコアおよびクラウド版。
料金： 無料（5,000クレジット）、Hobby 月額29ドル、Pro 月額149ドル、Enterprise（SOC 2およびHIPAA対応）。
最適な用途： 保険、調達、行政フォームなどのポータル自動化。
制限事項：ブラウザのみ対応。
仕組み： デスクトップ、ターミナル、ファイルシステムを備えた永続的なクラウドコンピュータ。REST、SDK、CLI、MCP、およびSSH経由で管理可能（Orgoを参照）。
機能の境界： 全プランでLinuxに対応。ScaleプランでWindows、クローズドベータでMacに対応。モデルとループは持ち込み。
ライセンス：クローズド。
料金：Hackerプラン：月額29ドル（PC 1台）、Startupプラン：月額99ドル（PC 4台）、Scaleプラン：月額399ドル（PC 16台）。
最適な用途： モデルレベルのツールとホスト型デスクトップの組み合わせ。
制限事項： インフラのみを提供。信頼性は構築するハーネスに依存します。
仕組み： Cua デスクトップ全体を操作するエージェントのトレーニングと評価のためのオープンソースインフラを提供します。
機能の境界：macOS、Linux、Windowsのサンドボックス。
ライセンス：オープンソース。
料金：セルフホストは無料。
最適な用途： ローカル開発、評価、研究向け。
制限事項： すべて自前で運用。
仕組み： Agent S(pip install gui-agentsOpenAI、Anthropic、Geminiなどのメインモデルと、以下のようなグラウンディングモデルを組み合わせます。 UI-TARS、Hugging FaceエンドポイントまたはvLLM経由で提供されます。
機能の境界： Linux、macOS、Windowsに対応。Agent S3はOSWorld 1.0においてbest-of-Nで72.6%を記録し、人間の基準値である72.36%を上回りました（Simular）；UI-TARS-2はOSWorldで47.5%、AndroidWorldで73.3%を記録しています（arXivを参照）。
ライセンス：Apache-2.0。
料金： 無料。モデル利用料とGPUコストのみ発生します。
最適な用途： 研究用途、オンプレミス環境、およびエアギャップ環境でのデプロイに適しています。
制限事項： 管理インフラや承認プロセスは不要です。本番環境への移行にはSimular Platform APIをご利用ください。
ベンチマークの詳細については、以下を参照してください： コンピュータ操作APIベスト8.開発を始める： Simular Platform APIキーを無料で取得するを提供しています。