全サービスを同一条件で実測した比較ではありません
本文の最終更新: 2026年7月
検証: AIツール図鑑編集部(AI自動化・ツール実運用 / 料金・規約は公式資料で確認)
ブラウザ操作AIエージェントとは、画面を見て次のクリックや入力を提案し、ブラウザ操作を自動化するAIである。
同じ「画面を見て操作する」機能なのに、選び方はまるで違います。GoogleのGemini、AnthropicのClaude、OpenAIのOperator、Microsoftのオープンウェイトモデル、そしてOSSのframework。名前を5つ並べて「どれが一番強いか」で選ぼうとすると、たいてい行き詰まる。理由は単純で、この5つは同じ土俵に立っていないからです。片方はクラウドで課金するモデル、片方は自前のGPUで動かす公開モデル、もう片方はそもそもモデルではなく「どのモデルでも動かす器」。ベンチマークの数字を横に並べても答えは出ません。選ぶ軸は精度スコアではなく、機密データを外に出せるか・料金体系・どこで実行するか、の3つになります。
- この5つは同一競合ではなく、hostedモデル／open-weightモデル／モデル非依存フレームワークの3レイヤーに分かれる
- 選定を分けるのはベンチ精度ではなく、機密データの経路・料金・実行場所（クラウドかローカルか）の3軸
- どれもpreview／beta段階のため、安全設計（プロンプトインジェクション対策・確認ステップ）が実用性を左右する
ブラウザ操作AIエージェントの共通の仕組み
呼び方は各社バラバラでも、内部で回っているループはほぼ同一です。ITmediaが報じたGoogleの発表資料によれば、Computer Useは次のように動きます。AIに「達成したい目標」と「今の画面のスクリーンショット」を渡すと、AIが「この座標をクリックする」「ここに文字を入力する」といった次の一手を提案する。その提案を開発者側のプログラムが実際に実行し、操作後の新しい画面を再びAIに送り返す。これをタスクが完了するまで繰り返します。
ここで見落としやすいのが、AI自体がブラウザを直接動かしているわけではない点。Google DeepMindの説明でも、AIの役割は従来の関数呼び出しと同じで「次に何をすべきかを返す」ところまで。手を動かすのはあくまで開発者のコードです。文章や画像を生成する使い方とは、この一点で性質が変わります。
流れを最小限のコードで書くと、こういう構造になります。
# ブラウザ操作エージェントの共通ループ（概念イメージ）
screenshot = take_screenshot()
while not task_done:
action = ai.suggest_next_action(goal, screenshot) # AIは「提案」だけ返す
execute(action) # 実際に操作するのは開発者側のコード
screenshot = take_screenshot() # 新しい画面をまた渡すFara1.5もFara-7Bもscreenshot-onlyでこのループを回し、browser-useはこのループそのものを回す器になっています。仕組みが同じだからこそ、比べるべきは「ループの精度」ではなく「誰がループを回すか・どこで回すか」なのです。
もう一つ共通するのがリスクの構造。Googleは開発者向けドキュメントで、Computer Useは現時点でプレビュー機能であり、エラーやセキュリティ上の脆弱性が生じやすいと明言しています。AIが画面上の信頼できない指示に従ってしまう可能性、目標やページ内容を誤解して誤操作する可能性。どのプレイヤーも同じ弱点を抱えており、重要なタスクでは密に監督し、取り返しのつかない操作には使わないよう推奨されている点も共通です。この「監督が前提」という制約は、以降の比較でも消えません。
5つの選択肢は同じ土俵にいない──モデルとフレームワークの切り分け
ここが記事の核心になります。5つを一列に並べて格付けしようとすると混乱する原因は、提供形態が3種類混在しているから。まずこの3レイヤーを頭の中で分けてしまえば、選定は一気にラクになります。
提供形態で3つに分かれる（hosted API / open-weight / OSSフレームワーク）
1つめがhostedモデル。Gemini 3.5 Flash Computer Use、Claude Computer Use、OpenAIのCUA（computer-using agent）モデルがここに入ります。ベンダーのクラウド上で動くモデルにAPI経由でアクセスし、使った分だけトークン課金される形。自分でモデルを持つ必要はなく、画面のスクリーンショットを送れば次の操作が返ってくる。手軽さと引き換えに、画面の内容は外部の推論APIへ送られます。
2つめがopen-weightモデル。MicrosoftのFara1.5がこれにあたります。モデルの重みが公開されているため、自前のGPUにダウンロードして動かせる。クラウドに画面を送らず、閉じた環境で完結させられるのが最大の違い。その代わり、動かすためのGPUと運用は自分で用意します。
3つめがモデル非依存フレームワーク。browser-useが代表格です。これはモデルではありません。上の2つのようなモデルを「駆動する器（harness）」であり、GeminiでもClaudeでもローカルモデルでも、好きなモデルを内側に差し込んで動かせる。つまり「Gemini vs browser-use」という比較は、本来成り立たない。エンジン単体と、エンジンを載せる車体を比べているようなものだからです。
この切り分けが効いてくるのは選定の場面。「モデルを選ぶ話」と「フレームワークを選ぶ話」は別問題で、実際には browser-use（器）× ローカルモデル（中身）のように組み合わせて使うこともできます。単独紹介の記事だと、この組み合わせの視点が抜け落ちがち。だからこそ、まず土俵を3つに割ってから個別を見ていきます。
5プレイヤー比較表（2026年版）
先に全体像を掴んでもらうため、5つを主要な軸で並べます。前提として、本記事の価格・API仕様・提供状態はすべて2026年7月時点の情報です。この領域は更新が速いため、実際に導入する際は各公式ドキュメントで最新のAPI・料金・提供段階を必ず確認してください（この注記は以降のセクションでは繰り返しません）。
なお、この表にベンチマークのスコアはあえて載せていません。後述する通り、各社が使う評価指標（WebVoyager / Online-Mind2Web / OSWorld）は別物で、数字を同じ列に並べると優劣を誤って読み取ってしまうため。精度は個別セクションで、どのベンチの値かを明示して扱います。
| ツール | 提供形態 | 料金体系 | ライセンス | 実行場所 | 提供状態（2026年7月時点） |
|---|---|---|---|---|---|
| Gemini 3.5 Flash Computer Use | hostedモデル | トークン課金 | プロプライエタリ | クラウド | public preview |
| Claude Computer Use | hostedモデル | トークン課金 | プロプライエタリ | クラウド（実行環境は自前VM） | API beta |
| OpenAI Operator（現ChatGPT Agent / Responses API computer use） | hostedモデル | サブスク＋トークン課金 | プロプライエタリ | クラウド | ChatGPT Agentに統合済み |
| Fara1.5 | open-weightモデル | 自前ホスト（GPUコストのみ） | 公開ウェイト | ローカル／自前サーバー | 9Bのみ提供中（4B・27Bは近日） |
| browser-use 0.13 | OSSフレームワーク | OSS（駆動モデル分は別途） | オープンソース | 任意（載せるモデル次第） | Rustコア版がbeta |
表の読み方で押さえておきたいのが3点。まず「実行場所」の列。ここがクラウドかローカルかで、機密データが外部に出るかどうかが決まります。次に「提供状態」。5つとも安定版（GA）ではなく、preview・beta・統合直後の段階にある。仕様変更や挙動の揺れを前提に組む必要があります。最後に browser-use の「実行場所＝任意」という値。これが3レイヤーの違いを象徴していて、器であるがゆえに、中身のモデルをローカルにすればローカル実行、hostedにすればクラウド実行と、性格そのものが差し替わります。
Gemini 3.5 Flash Computer Use──主力モデルへの標準搭載
比較の主軸になるのがこれ。米Googleは2026年6月24日（現地時間）、AIモデル「Gemini 3.5 Flash」にComputer Use機能を標準ツールとして搭載したと発表しました。開発者はこの機能を使い、Webブラウザやモバイル、デスクトップの各環境で動くエージェントを構築できます。
発表の要点は、機能を「主力モデルに統合した」こと。これまでComputer Useは独立した専用モデル「Gemini 2.5 Computer Use」としてのみ提供されていました。それを主力のGemini 3.5 Flashにネイティブ統合した。Googleはこれにより、エージェント型の画面操作タスクで同社として過去最高の性能を実現したとしています。Google検索やマップを使ったグラウンディングといった組み込みツールに、画面操作が並んだ形です。
料金はどうか。Google AIの公式pricingによれば、Gemini 3.5 Flashの標準価格は入力100万トークンあたり1.50ドル、出力100万トークンあたり9ドル、キャッシュ済み入力が100万トークンあたり0.15ドル（いずれも2026年7月時点）。hostedモデルの中では手を出しやすい価格帯で、「とにかく低コストで画面操作を試したい」場面の第一候補になります。想定される活用先としてGoogleが挙げているのは、継続的なソフトウェアテストや、複数の専門アプリケーションをまたぐナレッジワークなど。長時間に及ぶタスクや企業の業務自動化です。
見逃せないのが安全設計。Googleは、AIが画面上の操作を実行するこの種の機能には新たなリスクが伴うと認めています。AIが画面上の信頼できない情報や指示に従ってしまう可能性、目標やページ内容を誤解して誤った操作をする可能性。その対策として、Gemini 3.5 Flash向けに標的型の敵対的トレーニングを実施したうえで、企業向けに2つのオプションのセーフガードを用意しました。ひとつは、機密性の高い操作や取り消せない操作の前にユーザーへ明示的な確認を求める仕組み。もうひとつが、間接的なプロンプトインジェクションを検知した場合にタスクを自動停止する仕組みです。
つまりGeminiは、価格の安さと主力モデルへの統合という手軽さで「まず試す起点」になりやすい一方、preview段階ゆえに本番の重要タスクをそのまま任せる段階ではない、という位置づけになります。ここまでがhostedモデルの一角。次に、同じhostedでも実行環境の握り方が違うClaudeとOpenAIの経路を見ていきます。
ClaudeとOpenAI（ChatGPT Agent）：hosted APIの2つの経路
同じhostedモデルでも、GoogleとAnthropic・OpenAIでは「どこで画面操作を実行するか」の握り方が違います。Geminiが主力モデルへの標準搭載でAPI一本に寄せてきたのに対し、ClaudeとOpenAIは実行環境や提供形態が分かれる。この違いが、そのまま「自前インフラでどこまで制御を握りたいか」という選定軸になります。
Claude：自前環境で回すAPIツールとCoworkデスクトップ
Claude Computer Useは、Anthropicが提供する画面操作のAPIツールです。2026年7月時点ではベータ扱い。特徴は、実行環境を開発者側で用意する点にあります。GeminiのようにGoogleのインフラでツールをまとめるのではありません。Anthropic公式ドキュメントによれば、開発者が自前のVMやコンテナ（多くはDockerで隔離したLinux環境）を立て、そこにClaudeが「クリック」「入力」といった操作を返し、コンテナ内でその操作が実行されます。画面のスクリーンショットを撮り、Claudeへ送り返すループを回すのは開発者のコード側。つまり操作対象の環境を完全に手元へ置ける設計になっています。
信頼性の面では、Anthropicが新しいモデル世代を出すたびにデスクトップ操作ベンチ（OSWorld系）のスコアを更新しており、computer use の精度は世代を追って改善しています。ただしこの種のスコアはモデル世代ごとに変動し、しかもOSWorldはデスクトップ操作を測る指標で、後述するFara1.5のOnline-Mind2Web（Web操作）とは測定対象が別物です。特定の数値を機能全体の代表値のように扱ったり、別ベンチの数字と単純に大小比較したりしても意味を持ちません。導入時は使うモデルの最新の公表値を各自で確認してください。
自前環境で回せる強みは、裏を返すとセットアップの手間でもあります。VMやコンテナの用意・ネットワーク隔離・アクセス制御を自分で設計しなければならないため、「とりあえず動かす」までのハードルはGeminiより高い。そのぶん、機密データの経路や実行場所を細かく制御したい開発現場には向いています。
Operatorの現在地：ChatGPT AgentとAPIツールに統合済み
タイトルに「Operator」と入れていますが、この呼称は現在の正式な製品名ではありません。ここは誤解が多いので正確に整理します。
OpenAIが2025年初頭に公開したブラウザ操作エージェント「Operator」は、2025年後半にかけて単独プロダクトとしての提供を終え、ChatGPT側の「ChatGPT Agent」へ統合されました。機能そのものが消えたわけではなく、ChatGPT Agentとして引き継がれた形。非開発者がブラウザでエージェントに作業を任せたい場合は、ChatGPTの画面からこのAgent機能を使う流れになります。
開発者が同じ画面操作を組み込みたい場合は、OpenAIのResponses APIに用意されたcomputer use ツールを利用します（Agents SDK からも同じツールを呼べます。内部で動くのはCUA＝Computer-Using Agentの系譜のモデル）。つまり「Operator」は今や歴史的な呼び名で、実体は用途に応じて2つの入口（ChatGPT AgentのGUIか、Responses API / Agents SDK のAPIか）に分かれている、という理解が正しい。検索で「Operator」を追ってきた読者が最初につまずくのがこの点です。過去の名前で製品を探しても、そのままの姿では見つかりません。
Fara1.5とローカル実行という選択肢
ここまでのGemini・Claude・OpenAIは、いずれもベンダーのAPIを叩くhostedモデルでした。これに対してFara1.5は毛色が違う。Microsoft Researchが2026年5月21日（報道は22日）に公開したopen-weightのブラウザ操作モデルで、重みが配布されるため自前のマシンで動かせます。
パラメータ規模は4B・9B・27Bの3種類。ただし2026年7月時点でMicrosoft Foundry上に提供されているのは9Bのみで、4Bと27Bは近日公開予定とされています。ベースにはQwen 3.5系が使われ、Microsoftのエージェント基盤MagenticLiteのサンドボックスと統合して動く構成です。screenshot-onlyで画面を認識する点は他プレイヤーと共通ですが、「重みが手元にある」という一点が運用を大きく変えます。
精度についてMicrosoft Researchは、自社評価のOnline-Mind2Web（300タスク・136サイトで構成される実Webタスクのeval）で数字を出しています。同社の公表値では、Fara1.5の27Bが約72%、9Bが約63.4%。同じ評価上で比較対象として並べられたOperatorが58.3%、Gemini 2.5 Computer Useが57.3%、旧世代のFara-7Bが34.1%でした（いずれもMicrosoft ResearchがFara1.5発表時にOnline-Mind2Web上で公表した比較値）。ここで注意したいのが比較対象。この表に載るのはGemini「2.5」Computer Useであって、前半で扱った主力搭載版のGemini 3.5 Flashではありません。世代が違うモデルなので混同しないでください。
open-weight路線の実利は2つ。ひとつは、社内ネットワークに閉じた環境で画面操作を回せること。もうひとつが、トークン課金ではなく自前のGPUコストで運用できるため、大量のタスクを継続的に回す場合の単価を抑えやすい点です。反面、GPUの用意やモデルのホスティングを自分で面倒みる必要があり、hostedモデルのような「APIキーを1つ発行してすぐ試す」手軽さはありません。閉域性とコストを取るか、手軽さを取るかの分岐点になります。
browser-use 0.13でモデルを問わず動かす
Fara1.5までが「どのモデルを選ぶか」の話でした。browser-useはそこと層が違う。特定のモデルではなく、任意のモデルにブラウザ操作をさせるためのOSSフレームワーク（harness）です。「Gemini vs browser-use」という並べ方が本来成立しないのは、browser-useがGeminiやClaude、あるいはローカルモデルを内側で駆動する土台側だから、という前半の主張がここで回収されます。
2026年6月に公開された0.13系では、中核がRustで作り直されました（0.13.0以降のRust core beta）。公式のリリースノートは次のように説明しています。
Browser Use 0.13.0 introduces a new Rust-backed beta agent. It gives modern models a more direct browser control loop, guided by robust helpers instead of brittle browser abstractions. browser-use GitHub Releases（公式リリースノート）
従来のもろいブラウザ抽象化を避け、Rust製のヘルパー経由でより直接的な制御ループをモデルに渡す、という方向性。CDP（Chrome DevTools Protocol）経由でブラウザを制御します。導入は次の形。
uv add "browser-use[core]"from browser_use.beta import Agent新しいRust版のbeta agentはbrowser_use.betaから読み込みます。既存のPython版agentはそのまま変更なく併存するため、いきなり移行を強いられるわけではありません。スクリプト自動化の道具から、モデルを差し替えて使えるエージェント基盤へと性格が移ってきた格好です。ブラウザ操作を自前で組み立てたい開発者にとって、モデルの選択肢を固定されないharnessは扱いやすい選択肢になります。
こうした画面操作エージェントは、AIによる作業の自動化を量産していくうえでの入口にもあたります。自動化を仕組みとして積み上げる考え方はAI自動化のリサーチ層 ─ 量産型で勝ち筋を作る最初の関門でも扱っています。
タスク別の選び方：ベンチ数字ではなく実行場所と機密経路で選ぶ
5つ（正確にはhostedのGemini・Claude・OpenAI、open-weightのFara1.5、フレームワークのbrowser-use）を横並びのスコアで格付けしても、選定の役には立ちません。WebVoyager・Online-Mind2Web・OSWorldはそれぞれ測っている対象が別物で、数字を並べても優劣にならないからです。選ぶ軸になるのは、機密データを外に出せるか・実行場所をどこに置くか・料金体系という、読者側の要件で一意に決まる項目のほう。用途ごとの第一候補を整理します。
| こんな状況 | 第一候補 | 理由 |
|---|---|---|
| とにかく低コストで画面操作を試したい | Gemini 3.5 Flash Computer Use | 主力モデルへ標準搭載され、入力$1.50/出力$9（100万トークンあたり、2026年7月時点のGoogle公式標準価格）で試せる |
| 機密データを社外へ出せない | Fara1.5（自前ホスト）またはbrowser-use＋ローカルモデル | 重みが手元にあり、外部推論APIへプロンプトを送らずに運用できる |
| 自前インフラで実行環境を細かく制御したい | Claude Computer Useまたはbrowser-use | VM/コンテナや駆動モデルを開発者側で握れる |
| コードを書かずGUIで作業を任せたい | ChatGPT AgentまたはClaude Cowork | 非開発者向けのデスクトップ/チャット経路が用意されている |
| 駆動モデルを固定したくない | browser-use 0.13 | モデル非依存のharnessで、任意のモデルを差し替えて使える |
迷いやすいのが「低コスト」と「機密データ」がぶつかる場面です。トークン単価だけ見ればhostedのGeminiが手軽ですが、扱うデータを外部APIへ渡せない業務では選べません。この場合はFara1.5をGPUのある自前環境で回すか、browser-useからローカルモデルを駆動する構成に倒すのが筋。逆に、扱うデータが公開情報中心で単純に検証したいだけなら、セットアップの軽いGeminiから入るのが早い。「非開発者がGUIで」と「開発統合したい」も混ざりやすいので、コードを書く前提かどうかで最初に振り分けてください。
まとめ
ブラウザ操作AIエージェントは、画面をスクリーンショットで見て次の操作を提案し、開発者のコードがそれを実行するループを回す点で共通します。ただし提供形態は3レイヤーに分かれる。Gemini 3.5 Flash・Claude・OpenAIのhostedモデル、Fara1.5のopen-weightモデル、そしてbrowser-useのモデル非依存フレームワーク。この3つは同じ土俵の競合ではなく、組み合わせて使うものすらあります。
選定を分けるのはベンチマークの点数ではありません。機密データを外へ出せるか、実行場所をクラウドに置くか手元に置くか、料金をトークン課金で払うか自前GPUで払うか。この3点で要件はほぼ一意に決まります。低コストで手早く試すならGemini、機密データを閉じ込めるならFara1.5のローカル実行やbrowser-use＋ローカルモデル、実行環境を握りたいならClaude API、GUIで完結させたいならChatGPT AgentやCowork。自分のタスクをこの軸に当てはめれば、第一候補は自然に絞れます。いずれもpreview/beta段階である以上、不可逆な操作や機密データを無監督で任せず、監督付きで段階的に導入するところから始めてください。
よくある質問
Q. 無料で使えますか？
ものによります。open-weightのFara1.5は重みが配布されるため、自前のGPUで動かす分にはモデル利用料がかかりません（電気代とハードは自己負担）。browser-useもOSSで本体は無料です。一方、Gemini・Claude・OpenAIのhostedモデルはトークン課金で、Geminiは2026年7月時点で入力$1.50・出力$9（100万トークンあたり、Google公式の標準価格）が目安になります。
Q. 機密データは外部に出ますか？
hostedモデルはプロンプトや画面情報がベンダーのAPIへ送られます。Fara1.5を自前ホストし、外部モデル接続やWeb検索を使わない場合に限り、推論そのものは外部APIへ出ません。ただし操作対象が外部サイトなら、そのサイトへの通信は当然発生します。「外部の推論APIへ送らない」と「ネットワークから一切出ない」は別物です。
Q. OperatorとChatGPT Agentは違うものですか？
Operatorは2025年後半に単独プロダクトとしての提供を終え、機能はChatGPT Agentへ統合されました。開発者向けには、OpenAIのResponses APIに用意されたcomputer use ツール（Agents SDK からも利用可、内部で動くのはCUA＝Computer-Using Agentの系譜）経由で同等の画面操作を組み込めます。「Operator」は現在は歴史的な呼称と考えてください。
Q. Fara1.5のベンチ数字は他モデルと直接比べられますか？
同じベンチ（Online-Mind2Web、Microsoft自社eval）の中で並べた値なら比較できます。Microsoft公表では27Bが約72%、Operatorが58.3%、Gemini 2.5 Computer Useが57.3%。ただしこの比較対象はGemini「2.5」であって主力搭載版の3.5 Flashではありません。またOSWorldやWebVoyagerとは測定対象が異なるため、別ベンチの数字と横断で比べても意味を持ちません。
Q. 初心者はどれから触ればよいですか？
コードを書かないならChatGPT AgentやClaude Coworkなど、GUIで完結する経路が入りやすい。開発者がAPIで試すなら、主力モデルに標準搭載され価格も手頃なGemini 3.5 Flash Computer Useが起点にしやすいでしょう。いずれもpreview/beta段階なので、公開情報を対象にした軽いタスクから監督付きで始めるのが無難です。
