# AIコンピューターとは？従来のPCとエージェント向けコンピューター

エージェントがソフトウェアを操作すると、コンピューターはどう変わるのか。従来のPC操作と比べながら、ツールの実行、ブラウザーからの情報、プロセス、ファイル、セッション状態を解説します。

Canonical page: https://beeuni.ai/blog/ja/what-is-an-ai-computer

Windowsデスクトップを開けば、誰のために設計されたものかがわかります。ブラウザーの横に表計算シートを置き、フォルダーから文書を探し、メニューからコマンドを選べます。今ではエージェントも、こうしたソフトウェアを使えます。指示を出す人がすべての操作を自分で行わなくなったとき、コンピューターには何が求められるでしょうか。

この問いがBeeuniの出発点です。私たちはAIネイティブなコンピューターを構築しています。エージェントがプログラムを実行し、ブラウザーを操作し、ファイルを扱い、連携アプリケーションを使える環境です。人は目標を伝え、許可するアクセスを決めます。コンピューターは、エージェントが作業するためのソフトウェアと実行環境を提供します。

## デスクトップが人を中心に仕事を整理した方法

コマンドライン環境では、ユーザーは機械が実行できる言語で操作を記述します。プログラムを指定し、引数を渡して、出力を読み取ります。特に、実行したい処理が明確な場合や、多数のファイルに同じ操作を繰り返す場合に、今も有効な作業方法です。

グラフィカル環境は、より多くの作業を目に見える形にし、直接操作できるようにしました。Windowsは、ほかのグラフィカルシステムとともに、デスクトップを幅広いパーソナルコンピューター利用者に広める一助となりました。あらゆる操作のコマンドを知らなくても、ファイルを閲覧し、アプリケーションを開き、文書を切り替えられるようになりました。コマンドラインは、こうしたインターフェースと並行して使われ続けました。

その意義は、ウィンドウという見た目以上のものでした。共通の環境によって、アプリケーションがファイルを開いて保存する方法、ダイアログを表示する方法、クリップボードを介して情報を共有する方法などに共通の慣習が生まれました。ユーザーは、複数のプログラムで通用する操作習慣を身につけられます。人が目の前の作業に集中できるよう、オペレーティングシステムがプロセス、ストレージ、リソースを管理していました。

その後、ブラウザーはソフトウェアを使う共通の場となり、スマートフォンでは操作の多くがタッチを中心に組み立てられました。こうした変化によって以前のインターフェースがなくなったわけではありません。人々がソフトウェアにアクセスする方法や、周囲のシステムに期待する役割が変わったのです。コンピューターは常に、ユーザーの働き方によって形づくられてきました。

## エージェントもソフトウェアのユーザーになる

レポートを作成するという、ごく一般的な仕事を考えてみましょう。資料を探し、文書を開き、数値を計算し、レポートを書いて、仕上がりを確認します。アプリケーション間の調整は、あなたが担います。ファイルの保存場所を覚え、エラーに気づき、次に試す操作を決めるのです。

エージェントは、こうした調整作業の一部を担えます。モデルを使って依頼を解釈し、ツールを選び、その出力を確認して、次の行動を決められます。操作にはブラウザーのインターフェース、コマンド、APIなどを使う場合があります。適切なインターフェースは、タスクと利用できるソフトウェアによって異なります。

作業を委ねると、人の役割も変わります。必要な成果を伝え、背景情報を提供し、判断が必要な場面を確認します。エージェントは一連の操作を担います。そのためには、ソフトウェアへのアクセス、操作対象のファイル、各操作の結果を返せる実行環境が必要です。

依頼を伝える場としては、チャットインターフェースが便利です。しかし、タスクの残りの部分はソフトウェアを通じて進みます。レポートはどこかに書く必要があります。スクリプトは実行しなければなりません。ウェブサイトは読み込まれ、失敗したリクエストと成功したリクエストは区別できる必要があります。これらを担うのが、エージェントを取り巻くコンピューティング環境です。

## モデル、エージェント、コンピューターはそれぞれ異なる役割を担う

モデルは情報を解釈し、応答や行動案を生成します。計算結果を出力することはありますが、応答に計算式が書かれていても、実際に計算が実行されたとは限りません。ファイルの編集案を示すことはできますが、その編集を適用し、結果を返す仕組みが別途必要です。

エージェントは、モデルの判断とツールを結びつけます。指示と実行ロジックに従って、コマンドを実行するか、ページを読むか、質問するか、停止するかを決めます。エージェントフレームワークは、開発者がその動作を定義するためのものです。

コンピューターは、それらのツールが操作する対象を提供します。プログラムを実行し、作業ファイルを保持し、ブラウザー環境を用意します。Beeuniはさらに、実行環境にエージェントの設定、ツールへのアクセス、セッションの状態を組み合わせます。これらの要素を一緒に提供することはできますが、それぞれの役割は異なります。

システムを選ぶうえで、この違いは重要です。より高性能なモデルは、エージェントが問題を推論する能力を高めることがあります。しかし、それだけで実行中のタスクにメモリを追加したり、失われたファイルを復元したり、アプリケーションへのアクセスを許可したりはできません。コンピューティング環境には、それ自体が果たすべき役割があります。

## 従来のPCとエージェント向けコンピューターでは何が違う？

従来のPCも、プログラムの実行、ファイル管理、ネットワーク接続を行います。通常は人がアプリを開き、出力を読み、失敗に気づき、次の操作を選びます。エージェントがその調整を担うなら、コンピューターは呼び出し可能なツールを通じて、操作とその結果をエージェントに提供する必要があります。

| 作業 | 従来のPC | エージェント向けコンピューター |
| --- | --- | --- |
| 操作の開始 | 人がアプリを開くか、コマンドを入力する | エージェントが引数と作業のコンテキストを指定してツールを呼び出す |
| 結果の確認 | 人がウィンドウ、端末出力、エラーダイアログを読む | ツールがコマンド出力、エラー、ページ内容、スクリーンショットを返し、エージェントが確認する |
| 長時間かかる作業 | 人が端末を確認し、アプリを切り替える | エージェントが作業を開始し、進捗を確認しながら、ほかのツールも使う |
| アプリへのアクセス | 人がサインイン済みのソフトウェアを直接操作する | エージェントがタスクに許可された接続と操作を使う |

従来のOSの役割は変わりません。プロセスにはリソースが、ファイルには保存先が、アプリにはネットワーク接続が必要です。エージェント向けのツールは、これらの操作をタスクにつなぎます。コマンドには作業ディレクトリと確認できる結果が必要です。ブラウザー操作には、対象となるページと、操作後の変化を調べる手段が必要です。

## ツールの呼び出しから次の操作へ

ウェブアプリを確認するエージェントを考えてみます。プロジェクトの起動手順を読み、必要な依存パッケージをインストールし、端末から開発サーバーを起動します。エージェントがブラウザーでサイトを開いている間も、サーバーは動き続ける必要があります。端末とブラウザーは別のツールですが、同じタスクの環境で動きます。

コマンドを起動しただけでは、サイトの準備が整ったとは言えません。エージェントはプロセスの出力を調べ、サーバーが接続を受け付けていることを確かめてからページを読み込みます。パッケージ不足で起動に失敗すれば、エラーが具体的な調査の手がかりになります。ページが開いたら、ボタンなどをクリックし、その後の画面を確認して、指定されたテスト内容と実際の動作を照合できます。

観察した結果は、モデルの次の判断に使われます。コマンドなら標準出力、エラー出力、終了時のステータスなどです。ブラウザーなら、現在のページ、表示されているテキスト、スクリーンショットなどが該当します。モデルは返された情報を使って、次の操作、誤りの修正、支援の依頼、作業の終了を選びます。ツールのリクエストを受け付けるだけでは、作業を続けるための根拠が得られません。

この仕組みは、失敗箇所の特定にも役立ちます。モデルが間違ったコマンドを選ぶこと、プロセスの起動に失敗すること、サイトがリクエストを拒否することは別の問題です。操作と実際の出力を確認できれば、作業の停滞をすべてモデルの問題とせずに、原因を切り分けられます。

## ファイル、プロセス、セッション状態の役割

ファイルはツール間で作業をつなぎます。エージェントはブラウザーでCSVをダウンロードし、Pythonで読み込み、計算結果を使ってレポートを書けます。入力、スクリプト、出力には、作業環境からアクセスできる必要があります。複数のアプリをまたぐタスクでコンピューターが役立つ理由の一つは、作業全体を通じて実際のファイルを扱えることです。

プロセスには独自のライフサイクルがあります。起動コマンドが制御を返しても、ウェブサーバーや学習ジョブは実行を続ける場合があります。エージェントは出力と進捗を確認し、終了を認識し、不要になったプロセスを停止する必要があります。起動コマンドを記したファイルがあるだけでは、プログラムが正常に実行された証拠にはなりません。

セッション履歴は会話とツールの活動を記録します。ファイルの変更をコミットしてプッシュすると、セッションのブランチに保存されます。変更リクエストが承認されてマージされると、プロジェクトのデフォルトブランチに反映されます。どちらも実行中のプロセスやメモリの状態は保存しません。作業を再開するときは、ファイルを確認し、プログラムを起動し直す必要があるかもしれません。会話に戻っただけで、すべてのプロセスが動き続けているとは限りません。

アクセス権と同時実行には、別の境界もあります。セッションの環境を分ければローカルのファイルやプロセスは分離できますが、同じ外部サービスに接続する二つのエージェントが、同じレコードを変更する可能性はあります。各エージェントができることは、ツールの権限と承認ルールで管理します。コンピューターを分離しても、送信済みのメッセージや、ほかのアプリで行った変更が取り消されるわけではありません。

## エージェントのフレームワークに加えて、なぜコンピューターが必要なのか

エージェントのフレームワークは、モデルがツールを選び、その結果にどう対応するかを定義できます。ただし、その選択を実行するには、ブラウザー、言語ランタイム、インストール済みの依存パッケージ、プロセスを動かす場所が必要です。ブラウザーツールを宣言するライブラリが、そのまま動作するブラウザー環境を提供するわけではありません。

Beeuniはエージェントの実行機能と、そのための環境、準備済みのツール、プロジェクト設定、セッション管理をまとめて提供します。開発者は自分のアプリのロジックや画面を保ちながら、APIを通じてこれらの機能を使えます。コンピューターはエージェントが操作するソフトウェア環境を担い、その上に作る製品が、作業の目的を決めます。

## Beeuniではどのように実現しているか

Beeuniでは、プロジェクトで一連の作業に関するファイルとエージェント設定をまとめます。指示を定義し、モデルを選び、スキルを追加して、連携ツールを設定できます。セッションは、分離された環境で動作するエージェントの個別の実行単位です。会話や進捗を追い、作成されたファイルを確認し、追加の指示を与えられます。

サポート用ナレッジベースをAIデータセットに変換する仕事を考えてみましょう。エージェントは、許可された接続を通じて文書を読み、関連リンクをたどって、元の資料を集めます。テキストを抽出し、変換スクリプトを書いて実行します。その後、必須項目の欠落やレコードの重複がないか確認します。エージェントが情報の取得、ファイル操作、プログラム実行を担う一方で、曖昧なラベルはあなたが確認します。

スクリプト、参照元、検証レポート、エクスポートされたデータセットを確認できます。エージェントの最終メッセージを読むだけでなく、さまざまな方法で成果を判断できます。ルールに誤りがあれば修正を依頼し、変更後の出力を確認できます。

別のエージェントがウェブサイトをテストし、さらに別のエージェントが調査レポートを作成することもできます。それぞれ指示、ツール、出力が異なります。Beeuniは各セッションに実行環境を用意し、その作業を製品上で確認できるようにします。委ねたい操作に応じて、ツールの権限や承認ルールを設定できます。

## インターフェースにはBeeuni、別のエージェント、または独自の製品を使える

直接利用する場合は、ウェブまたはクライアントからBeeuniを開き、エージェントを選んでタスクを伝えます。ファイルを渡し、作業の進行状況を確認できます。自動化が必要なタスクなら、スケジュールやWebhookからセッションを開始することもできます。

既存のエージェントクライアントはMCPを通じて接続できます。開発者はAPIとTypeScript SDKを使って、独自のアプリケーション内でセッションを作成し、リクエストを送信し、進捗や結果を受け取れます。たとえば購買製品では、独自の審査画面を維持しながら、Beeuniに仕入先情報の収集、商品の比較、結果の作成を任せられます。

これらは、同じ製品の考え方にアクセスするための異なる方法です。人が入力するインターフェースそのものが、コンピューターである必要はありません。別のアプリケーションやエージェントが作業を進めるための環境として利用できます。

## 異なる種類のユーザーに向けたコンピューター

Windowsは、人が操作しやすいデスクトップを通じて、アプリケーションやファイルを使いやすくしました。エージェントを使えば、操作や調整の一部を委ねられます。設計上の問いは、エージェントに作業手段を与えながら、担当者がその行動を理解できる状態をどう保つか、ということになります。

人とエージェントが一緒にソフトウェアを使うようになると、私たちは考えています。人はこれからも文書を開き、選択を行い、アプリケーションを直接操作します。エージェントは、そうした判断の合間にある作業の一部を担うでしょう。Beeuniはこの関係を中心に構築されています。エージェントがコンピューターを使い、人は何を依頼し、どこまで信頼するかを決めます。

この考え方の背景にあるエンジニアリング上の判断については、[ツール呼び出しからエージェントコンピューターへ](/blog/ja/from-tool-calls-to-agent-computer)をお読みください。試してみるには、[データセット作成のチュートリアル](/blog/ja/build-ai-training-dataset-jsonl)をご覧いただくか、[SDKガイド](/docs/ja/sdk)を使ってBeeuniをアプリケーションに接続してください。