ロボ・セクレタリーとは何か？――自律型コンピュータ群を運用するコンピュータ・エージェント

ロボセクレタリーとは？

「セクレタリー」の進化

「セクレタリー」という言葉は、かつて「秘密の守護者」を意味していました。数百年の時を経て、側近、閣僚、タイピスト、そしてアシスタントへと役割を変えてきたこの言葉に、私たちはAI時代における新たな定義を与えます。

• 1300年代〜1400年代（秘密の守護者）：王、教皇、貴族の個人的な秘密を託された忠実な側近を指しました。
• 1500年代〜1600年代（王室顧問）：個人の秘密を管理する側近が政治的権力を持ち、英国では政府の最高幹部へと昇格しました。
• 1789年（政府の役職）：米国では、王室を連想させる呼称を避けるため、閣僚（国務長官など）の呼称として「セクレタリー」を採用しました。
• 1800年代後半（オフィスアシスタント）：タイプライターの普及と企業の拡大により、タイピングやファイリングを主業務とする女性中心の職種となりました。
• 1970年代（事務専門職）：職場での専門スキルをより適切に反映させるため、「アドミニストレーティブ・アシスタント」という呼称が定着しました。
• 2020年代以降（ロボセクレタリーの時代）：AIエージェントが日常的なデジタルタスクを担い、人間はより高度な戦略的パートナーシップへと役割をシフトします。

ロボセクレタリー vs 汎用AIエージェント vs RPA

テクノロジー業界は長年、デスクトップソフトウェアの自動化に取り組んできました。RPA（UiPath、Automation Anywhereなど）は構築後の実行は正確かつ低コストですが、インターフェースが少しでも変わると停止してしまいます。汎用AIエージェントは推論能力が高く画面操作も可能ですが、クリックのたびにモデル呼び出しコストが発生し、ベンダーが提供する環境に制限されます。ロボセクレタリーは、GUIネイティブな対応力と、確実で再現性の高い実行能力という両方の特性を兼ね備えるよう設計されています。

何より重要なのは、ロボセクレタリーが単なる一つのエージェントではなく、クラウドやローカル環境にある自律型コンピュータ群を統括する司令塔であるという点です。何十ものエージェントを個別に管理する必要はありません。ロボセクレタリーであるSaiに指示を出すだけで、Saiが各コンピュータに割り当てられたサブエージェントのチームを指揮し、タスクを遂行します。

実用上の違いは「対応範囲」にあります。APIベースのワークフローツールはAPIを持たないソフトウェアには対応できず、RPAはソフトウェアの仕様変更に弱いです。一方、ロボセクレタリーは人間と同じインターフェースを操作するため、あらゆるアプリケーションに対応可能です。この議論についてはGUIエージェントの優位性で詳しく解説しています。

2026年現在、コンピュータ操作エージェント「Sai」の性能はどの程度でしょうか？OSWorldベンチマーク

OSWorldは、コンピュータ操作エージェントのための標準的なオープンベンチマークであり、実際のOS上の実在アプリケーションを使用し、タスクが実際に完了したかどうかでスコアが付けられます。

2026年6月に香港大学のXLANG Labが公開した、熟練した人間でも1時間以上かかるタスクで構成された108タスクのベンチマークOSWorld 2.0において、Saiは73.0%のパーシャルスコアを記録しました。これは、Claude Opus 5 Max Thinking（70.6%、1タスクあたり23.70ドル）やGPT-5.6 Sol Max（62.6%、1タスクあたり26.62ドル）を上回る、1タスクあたり15.70ドルというコストでの達成です。

ベンチマークの読み方について、一つ明確にしておくべきことがあります。OSWorld 1.0と2.0は測定対象が異なり、数値を単純比較することはできません。OSWorld 1.0は「設定変更、ファイル編集、クエリ実行」といった、有能なエージェントなら数ステップで完了する単発のタスクセットです。一方、OSWorld 2.0は「100ステップを超え、複数のアプリケーションにまたがり、単一のリクエストではなく実際のワークフローの形を模した」長期的な作業です。エージェントは前者には優れていても後者で失敗することがあります。100ステップにわたって状態を保持することは、単一の操作を正しく実行することとは全く別の問題だからです。ベンチマークのバージョンを明記しなければ、スコアに意味はありません。

Saiは、長期的なコンピュータ作業の完了において卓越しています。「毎日請求書をQuickBooksにアップロードする」といった数百回繰り返されるデスクトップタスクにおいて、SaiはLLM駆動型のエージェントラッパーと比較して、トークン消費量を少なくとも90%削減します。このコスト削減の原動力は、Simularの研究の中核であるニューロシンボリック・アプローチです。大規模言語モデルを探索と計画のために呼び出し、手順が確立されたらそれをコードにコンパイルして決定論的に再実行します。

Saiがタスクを初めて実行する際の推論コストは他のエージェントと同等ですが、コードを再実行する際の限界コストはほぼゼロです。他のエージェントは毎回同じ推論コストを支払うのに対し、Saiは環境の変化でレシピが壊れた時だけモデルに立ち返り、再考して再びコードによる反復に戻ります。

ロボセクレタリーを日常的に使いやすくする要素とは

ベンチマークスコアは、そのカテゴリーが機能するかを決定します。しかし、人が使い続けるかどうかは、4つの製品特性によって決まります。

ライブ可視化：何をしているか常に把握できる

Saiは、エージェントが作業中の仮想マシンをリアルタイムで表示する「VMビュー」を常時実行します。コンピュータ操作を伴わないステップ（API呼び出し、コード実行、ファイル変換など）では、同じウィンドウに現在のワークフローと進捗状況が表示されます。

これが重要な理由は、監視コストにあります。終了時にのみ報告するエージェントは、出力結果の全監査を強制しますが、一目で確認できるエージェントなら、問題が発生したステップで即座に介入できます。可視性こそが、自律的な実行を「盲目的な信頼」ではなく「検証可能なもの」に変えるのです。

モデル非依存：あらゆるモデル、オープンソースモデルにも対応

ロボセクレタリーは、特定のベンダーのモデルに依存するラッパーであるべきではありません。Saiは、最先端モデルや専門モデルを組み合わせてオーケストレーションを行い、独自のAPIキー、オープンウェイトモデル、オンプレミスモデルなど、必要に応じて切り替えることができます。特定のプロバイダーの価格設定や可用性にワークフローを縛られることはありません。

コスト効率は、より安価なモデルではなく、ニューロシンボリックな計画から生まれる

OSWorld 2.0におけるコストの差は、安価なモデルへの切り替えによるものではありません。それは「コードによる計画」から生まれます。コンピュータ操作エージェントであるSaiは、クリックごとにモデルを呼び出して課金されるのではなく、長時間のサブタスクに対してコードを記述・実行します。Simularの報告によると、Saiは1ターンあたりのアクション数を増やすことで、純粋なモデルベースのエージェントよりもモデル呼び出し回数を約1.5倍削減しています。また、適応型要約と一定のプロンプトプレフィックスにより入力サイズを制限することで、長期的なタスクにおけるトークン消費量を少なくとも90%削減しています。根本的な洞察として、エージェントには「習熟のべき乗則」が欠けています。人間は同じタスクを100回繰り返せば初回より速くなりますが、純粋なモデル駆動型エージェントは毎回同じ推論コストを支払います。シンボリックプラン（記号的計画）は、エージェントにその欠けている曲線をもたらします。一度タスクが解決されれば、その手順はコード化され、繰り返しのコストはほぼゼロになります。環境が変化してレシピが機能しなくなれば、エージェントはモデルに立ち返って再考し、再びコードへと戻ります。 

WindowsとBYOD：エージェントはあなたの代わりではなく、隣で働くパートナー

SaiはリモートVMだけでなく、手元のWindowsマシン上でも動作します。デスクトップエージェントの利便性を損なう最大の要因は「排他性」です。エージェントがマウスを操作している間、人間は作業を中断しなければなりません。Saiのピクチャ・イン・ピクチャ（PiP）モードは、セッションを常に最前面に表示される小さなウィンドウで実行するため、あなたがドキュメントを作成している間も、バックグラウンドでデスクトップアプリケーションの操作を継続できます。また、BYOD（私物端末の業務利用）運用により、データは元のマシン内に留まるため、ファイルを外部に出せない環境でも利用可能です。

マルチVM：もし100台のVMを使えたら？

単一のクラウドコンピュータは、開いて使うツールに過ぎません。しかし、フリート（群）は、目覚めさせて使うものです。Saiは、同じ種類のタスク（50のポータルへのフォーム入力、20のダッシュボードからのレポート抽出など）を、複数の仮想マシンで並列実行できます。これにより、処理能力はキューの長さではなく、マシンの数に応じてスケールします。作業の単位は「タスク」から「バッチ」へと変わり、ボトルネックは実行速度から「作業がいかに明確に定義されているか」へと移行します。

並列的なコンピュータ操作は、敵対的でリアルタイムな状況下でも有効です。Simularによるコンピュータ操作をリアルタイムゲームプレイに拡張する研究では、エージェントの思考を待ってくれない環境に対して、同じ知覚・行動ループがテストされています。

ロボセクレタリーの導入を検討すべき対象とは

以下に挙げる職種に共通するのは、APIのないソフトウェアを使用していること、小さなバリエーションを伴うタスクを繰り返していること、そして現在その作業を人間が手動で行っていることです。

• オフィスワーカーやナレッジワーカーは、本来連携するように設計されていないアプリケーション間で情報を移動させる作業に一日を費やしています。メールからスプレッドシートへ、スプレッドシートからスライドへ、スライドから共有ドライブへといった具合です。コンピュータ操作エージェントは、既存のツールを置き換えるのではなく、それらのツール間の隙間を埋める役割を果たします。
• 営業や事業開発のチームは、どのアカウントに対しても「レコードのエンリッチメント、最終接触の確認、フォローアップの作成、CRMへの活動記録」という同じ手順を繰り返しています。この手順は定型化されており、変化するのはアカウント情報のみです。これこそ、マルチVM並列実行が真価を発揮する領域です。
• 起業家や個人事業主には、業務を委任できる相手がいません。ロボセクレタリーは、契約社員を雇うよりも低コストで、請求書作成、サプライヤーポータル、書類提出、メールのトリアージなど、既存のツールをそのまま使って働いてくれる最初の「雇用」となります。
• マーケティング・広告チームは、プラットフォームごとに異なるエクスポート手順でパフォーマンスデータを抽出し、毎週レポートにまとめて照合しています。この作業は創造的な判断を伴うものではなく、定型的なバッチ処理です。
• Eコマース運営者は、Amazonセラーセントラル、Shopify、各地域のマーケットプレイスなど、複数の販売プラットフォームやセラーコンソールで出品情報、価格、在庫を管理しています。そのほとんどはAPIが限定的で、予告なくインターフェースが変更されることも珍しくありません。
• 経理・財務チームは、請求書処理、経費精算、銀行照合、月次レポート作成をERP画面で行っており、すべての項目を手入力する必要があります。これは、多くの企業において最も量が多く、かつ定型的なデスクワークです。
• 人事・採用チームは、履歴書の選考、複数の求人媒体への掲載、内定通知書の作成、そしてATS（採用管理システム）、給与システム、IDプロバイダーを横断したオンボーディングチェックリストの完了といった業務を行っています。
• 投資アナリストやリサーチャーは、多くの提出書類、ダッシュボード、データベースから同じ項目を収集し、照合します。収集はコストのかかる作業ですが、分析こそが人間にしかできない重要な役割です。
• IT管理チームは、アカウントのプロビジョニング、ライセンス監査、デバイスチェック、チケットのトリアージを管理コンソール経由で行います。これらは高頻度で仕様が明確でありながら、統合ツールを構築するほどの価値がない業務です。
• 開発者やQA担当者は、UIリグレッションテスト、フォームバリデーション、クロスブラウザチェックにコンピュータ操作エージェントを活用しています。これにより、頻繁に変更されるセレクタに合わせてテストスクリプトを保守する必要がなくなります。
• カスタマーサポートチームは、ナレッジベースに基づいて回答し、チケットを更新し、ケースごとに2〜3の社内システムを操作します。返信は目に見える部分ですが、システム更新こそが本来の業務です。