AIエージェントがブラウザを自動操作する時代へ

Vercel Labs が公開した「agent-browser」は、AIエージェントがブラウザを自律的に操作するためのCLIツールです。GitHubのスター数は4.6万を超えており、開発者コミュニティの注目度は相当なものです。

これまで「ブラウザを自動操作する」といえば、SeleniumやPlaywrightのような既存ツールが主役でした。ただしそれらは「人間が手順を書いたスクリプトを実行する」構造で、判断はあくまで人間側にありました。agent-browserが違うのは、AIエージェントが状況を読みながら動的に操作を組み立てる、という設計思想にあります。日本でいうと「RPAとAIの間にあった壁を取り払った」イメージに近い。

Vercel Labsというのは、Vercel本体の実験的プロジェクトを公開する場所です。Nextjsを作ったチームが実験的に出しているという事実は、このアプローチが今後のWebインフラに組み込まれる可能性を示唆しています。

agent-browserがもたらす変化を具体的に整理すると、フォームへの入力、ページ間の遷移、特定条件に合う情報の収集、といった「人がブラウザを使って毎日やっていた反復作業」をエージェント側に委任する構造が、個人レベルでも実装できる段階に入ってきた、ということです。

注目したいのは、Rustで実装されている点。PythonベースのツールよりもCLIとして軽量に動かせる可能性があり、エージェントが大量のブラウザ操作を並行して走らせる用途に向いています。AIエージェントで並行作業、Gitを使い倒す新CLIでも触れたように、エージェントに「並列で仕事をさせる」という設計が各所で整備されつつある流れと重なります。

一方で、これはまだ「Vercel Labsの実験的リポジトリ」です。プロダクション利用を前提にする段階ではなく、むしろ「こういう設計がOSSとして出てきた」という事実を把握しておくフェーズと見るのが現実的でしょう。

agent-browserはCLIツールなので、ターミナルが使えることが前提になります。ただし「コードが書けないと何もできない」わけではありません。

コードなしでできる範囲としては、READMEに記載されているサンプルコマンドを実行して動作を確認するところまでは到達できます。自然言語で「このページのフォームに○○を入力してsubmitして」という指示を渡す設計になっているため、エージェントへの指示文自体は日本語でも書けます。

コードが書けると有利なのは、繰り返し操作をスクリプト化してCIに組み込む段階と、取得したデータを別ツールに渡して処理する段階です。たとえば「競合サイトの特定ページを定期的にチェックして変化があったらSlackに通知する」といった組み合わせはコード側の設計が要ります。

なお、同じタイミングでmetaが公開した「astryx」（TypeScript製のUIデザインシステム、スター数1.4万超）はエージェントが操作しやすいコンポーネント設計を提供するもので、agent-browserのようなツールと組み合わせることを意識した設計です。エージェントが「操作する側」に最適化されたUIが標準になる流れも、見えてきています。