OpenAI Operator リサーチプレビュー

OpenAIは、Operatorをリリースしました。これは、独自のウェブブラウザを使用してタスクを独立して実行できるAIエージェントの研究プレビューです。タイプ入力、クリック、スクロールを通じてグラフィカルユーザーインターフェイス（GUI）とやり取りすることで、OperatorはAIを受動的なツールから、反復的なブラウザベースのワークフローを処理できる能動的な参加者へとシフトさせます。

統合と利用可能性

2025年7月17日現在、Operatorは「エージェントモード」としてChatGPTに完全に統合され、コンポーザードロップダウンからアクセスできます。この統合は、サンセットが予定されているスタンドアロンサイト（operator.chatgpt.com）に取って代わります。このツールは当初、米国のProユーザー向けに研究プレビューとしてローンチされました。

テクニカルアーキテクチャ: Computer-Using Agent (CUA)

Operatorは、Computer-Using Agent (CUA)と呼ばれる新しいモデルによって駆動されます。このモデルは、GPT-4oの視覚能力と、強化学習を通じて開発された高度な推論を組み合わせ、ボタン、メニュー、テキストフィールドなどのGUIとやり取りします。

主な技術的特徴は次のとおりです：

  • 視覚的インタラクション: CUAはスクリーンショットを通じてブラウザを「見」て、標準的なマウスとキーボードの操作でやり取りし、カスタムAPI統合の必要性をなくします。
  • 自己修正: エージェントは、ミスや課題に遭遇したときに推論能力を使って自己修正します。
  • パフォーマンス: CUAは、WebArenaとWebVoyagerという2つの主要なブラウザ使用ベンチマークにおいて、新たな最先端のベンチマーク結果を確立しました。

機能とユーザーワークフロー

Operatorは、食料品の注文、フォームの入力、ミームの作成など、さまざまなタスクを実行できます。いくつかの高度なワークフロー機能をサポートしています：

  • ユーザー引き継ぎ: ユーザーはいつでもリモートブラウザの制御を取得できます。Operatorは、CAPTCHA、支払い詳細、またはログイン要件のために制御を引き継ぐように特に訓練されています。
  • パーソナライズ: ユーザーは、すべてのサイトまたは特定のドメイン（例：Booking.comでの航空会社の設定）に対してカスタム指示を適用できます。
  • プロンプト保存: Instacartでの食料品の補充などの繰り返しタスクは、ホームページでプロンプトとして保存し、素早くアクセスできます。
  • 並列実行: ユーザーは、別々の会話を作成することで複数のタスクを同時に実行できます。

エコシステムパートナーシップと公共部門での利用

OpenAIは、Uber、DoorDash、Instacart、OpenTable、Priceline、StubHub、Thumbtackなどのいくつかの企業と協力し、Operatorの実際のユーティリティとコンバージョン率を向上させています。

商用利用以外にも、OpenAIはストックトン市と協力し、市民参加を向上させ、住民が市のサービスやプログラムに登録しやすくしています。ストックトン市の情報技術ディレクターであるJamil Niazi氏は次のように述べています：

"Operatorの研究プレビューを進めるにつれ、AIが私たちの住民の市民参加をさらに容易にする方法を特定できるよう、よりよく準備できるようになります。"

安全性、プライバシー、およびガードレール

OpenAIは、ユーザーのコントロールを維持し、悪用を防ぐために3層のセーフガードシステムを実装しています：

1. ユーザーコントロールと監督

  • 引き継ぎモード: Operatorは、機密データ（ログイン/支払い）のユーザー入力を要求し、このモード中にスクリーンショットを撮ったり、入力された情報を収集したりしません。
  • ユーザー確認: エージェントは、メールの送信や注文の送信などの重要なアクションを最終確定する前に、承認を求めなければなりません。
  • タスクの制限: Operatorは、高リスクの意思決定（例：求人申請の決定）や機密性の高い取引（例：銀行取引）を断るように訓練されています。
  • ウォッチモード: 金融サービスなどの高度に機密性の高いサイトでは、厳密な監督が必要です。

2. データプライバシー

  • トレーニングオプトアウト: ChatGPTの設定で「Improve the model for everyone」が無効になっている場合、Operatorのデータはトレーニングに使用されません。
  • データ管理: ユーザーは、ワンクリックですべての閲覧データを削除し、すべてのサイトからログアウトし、過去の会話を削除できます。

3. 敵対的防御

  • 慎重なナビゲーション: システムは、敵対的なウェブサイトからのプロンプトインジェクションを検出して無視するように設計されています。
  • 監視モデル: 専用のモデルが不審な動作を監視し、タスクを自動的に一時停止できます。
  • 検出パイプライン: 自動レビューと人間のレビューの組み合わせを使用して、新たな脅威に対するセーフガードを特定および更新します。

現在の制限と今後のロードマップ

研究プレビューとして、Operatorは現在、カレンダー管理やスライドショーの作成などを含む複雑なインターフェイスで苦労しています。

OpenAIのこの技術に対する今後の計画には次のものがあります：

  • APIアクセス: CUAモデルをAPI経由で公開し、開発者が独自のコンピュータ使用エージェントを構築できるようにします。
  • ワークフローの強化: エージェントがより長く、より複雑なアクションシーケンスを処理できる能力を向上させます。
  • アクセスの拡大: Plus、Team、Enterpriseユーザーへの利用可能性を拡大します。

Sources