第2章 AIに仕事を奪われるな、手足にしろ。老舗商社を継いだ僕が「PC2台」で自律型AIチームを召喚した話 ：手足を得たAI — browser-use × PlaywrightでWeb操作を完全自動化する

第2章：手足を得たAI — browser-use × PlaywrightでWeb操作を完全自動化する

「よし、拓海！ 先週教わった『n8n』と『Structured Outputs』の復習はバッチリだぞ！」

翌週の月曜日、午前9時。 僕は腕まくりをして、汎用PCの前に陣取っていた。 先週、拓海と一緒に組み上げた「マネージャー（n8n）」と「司令塔（OpenAI API）」は、汎用PCの中で静かに待機している。

「いい気合いだな、大輔」 拓海は缶コーヒーを飲みながら、僕の隣のパイプ椅子に腰掛けた。

「でもな、先週作ったのはあくまで『頭脳』と『心臓』だ。AIがどんなに賢い指示書（JSON）を作れても、それを実行する『手足』がなきゃ、お前の代わりにパソコンを操作してはくれない」

「ああ。僕が毎晩深夜3時までやってる、あの地獄の作業だな……」

思い出すだけで胃が痛む。 競合他社である「〇〇工具」や「△△機工」のWebサイトをブラウザで開き、検索窓に型番を一つずつ手入力し、表示された販売価格をコピーして、Excelのスプレッドシートに貼り付ける。これを毎日200品目。 途中でブラウザのタブを閉じ間違えたり、行をズレて貼り付けたりして、何度叫びそうになったかわからない。

「今日はその地獄を終わらせる。AIに『物理的な手足』を与えるぞ」

拓海は汎用PCの画面に、黒いターミナル（コマンドプロンプト）を呼び出した。

◇

「大輔、従来のRPA……たとえばUiPathとか、PythonのSelenium（セレニウム）を使ったWeb自動化の最大の弱点って何か知ってるか？」

「え？ 弱点……？ うーん、プログラミングが難しいこと？」

「それもあるが、最大の弱点は『脆（もろ）さ』だ」

拓海はキーボードを叩きながら説明を続けた。

「従来のRPAはな、Webサイトの裏側にあるHTMLの『ボタンの場所（XPathやCSSセレクタ）』をピンポイントで指定してクリックさせる仕組みなんだ。例えば『id="search-btn-top" というボタンを押せ』みたいにな」

「ふむふむ」

「でも、Webサイトって頻繁にデザイン更新（リニューアル）されるだろ？ ボタンのIDが変わったり、配置が左から右に移動したり、ポップアップ広告が突然挟まったりする。そうなると従来のRPAはどうなると思う？」

「あ……！ ボタンが見つかりません！ってエラーになって、止まっちゃうのか！」

「大正解。プログラムが『バカ』だから、画面の見た目がちょっと変わっただけでパニックを起こすんだ。結果として、サイトが変わるたびにエンジニアがコードを修正しなきゃいけない。中小企業でRPA導入が失敗する一番の原因がこれなんだよ」

「うわぁ……それじゃあ自動化の意味がないじゃん……」

「だからこそ、最新のAI技術を使う。今日使うライブラリは、今世界中のAIエンジニアの間で最も注目されてるオープンソース、browser-use（ブラウザ・ユース）だ」

拓海がターミナルにコマンドを打ち込む。

Bash

pip install browser-use langchain-openai playwright
playwright install

「browser-use……？ これまでのRPAと何が違うんだ？」

「決定的な違いはな、『LLM（AI）自身がブラウザの画面を見て、人間と同じように状況を判断して操作する』って点だ」

「画面を見る……！？」

「そうだ。browser-useは内部でPlaywright（プレイライト）っていう超高速なブラウザ操作エンジンを動かしてる。そして、ページのキャプチャ画像とHTMLの構造を丸ごとgpt-4oに渡すんだ。するとgpt-4oは『あ、画面の中央に検索窓があるな』『ポップアップが出てるから、まず×ボタンを押して消そう』って、人間と同じように目を配らせて自律的にマウスやキーボードを動かす」

僕は目を丸くした。

「じゃあ、サイトのデザインがちょっと変わっても……？」

「ビクともしない。ボタンの色が変わろうが、場所が右下に移動しようが、AIが『これが検索ボタンだな』と視覚的・文脈的に理解して正しく押してくれる。メンテナンスフリーの最強の『手足』なんだよ」

◇

「百聞は一見に如かずだ。実際に動くスクリプトを書くぞ」

拓海はエディタを開き、短いPythonコードを書き始めた。

Python

import asyncio
from langchain_openai import ChatOpenAI
from browser_use import Agent

async def main():
    # 1. 手足となるLLM（思考エンジン）の設定
    llm = ChatOpenAI(model="gpt-4o", temperature=0.0)

    # 2. 実行役に与える自然言語の「指示（タスク）」
    task_prompt = """
    1. 競合サイト『https://example-tools-shop.com』にアクセスしてください。
    2. 検索窓に型番『NK-2000-X』と入力して検索してください。
    3. 検索結果に表示された商品の『販売価格（税込）』と『在庫状況』を取得してください。
    4. 取得した結果を JSON 形式で出力してください。
    """

    # 3. browser-use エージェントの起動
    agent = Agent(
        task=task_prompt,
        llm=llm,
    )

    # 4. タスクの実行
    result = await agent.run()
    print("【実行結果】")
    print(result)

if __name__ == "__main__":
    asyncio.run(main())

「えっ……？ 拓海、コードこれだけ……？ たった20行ちょっと？」

僕は狐につままれたような気分だった。 昔、独学でSeleniumのWebスクレイピングを勉強しようとした時、ボタンの要素を探して、待機時間を設定して、例外処理を書いて……と何百行ものコードに挫折した記憶がある。

「そうだ。browser-useを使えば、面倒な要素指定（XPath）のコードなんて1行も書く必要がない。『人間に行動を指示するのと同じ日本語のプロンプト』を書くだけでいいんだ」

「す、すごすぎる……！ じゃあ、これ実行してみてくれよ！」

「よし、いくぞ。画面をよく見ておけよ」

拓海がターミナルで python main.py と入力し、Enterキーを叩いた。

◇

直後、僕の目の前で奇跡のような光景が始まった。

汎用PCの画面上に、自動でGoogle Chromeブラウザが立ち上がった。 だが、誰もマウスもキーボードも触っていない。

『思考中: https://example-tools-shop.com にアクセスします……』

ターミナルにAIの思考ログがリアルタイムで流れると同時に、ブラウザがスッと動き、競合他社のWebサイトが開いた。

『思考中: 画面中央上部に検索入力エリア（input）を検出しました。型番 NK-2000-X を入力します……』

ブラウザの検索窓に、まるで目に見えない透明人間がタイピングしているかのように、「NK-2000-X」という文字がパラパラパラと打ち込まれた。 そして、検索ボタンの上に赤い枠が表示されたかと思うと、カチッとクリックされた。

「う、うわあああぁぁぁっ！！！ 動いてる！ ブラウザが勝手に動いてる！！！」

僕は思わず椅子から立ち上がり、叫んでしまった。

画面は検索結果ページに切り替わり、AIは一瞬停止してページ全体をスキャンした。

『思考中: 商品名 NK-2000-X 超硬エンドミル を確認。価格「￥12,800（税込）」および在庫「残り3点」の要素を抽出しました。タスク完了です。』

カチッ、とブラウザが閉じ、ターミナルに綺麗な結果が出力された。

JSON

{
  "product_name": "NK-2000-X 超硬エンドミル",
  "price": "12800",
  "stock": "残り3点",
  "status": "SUCCESS"
}

所要時間、わずか15秒。

僕が毎晩、重い瞼をこすりながら手作業でコピペしていたあの作業が、たった15秒で、完璧な精度で完了したのだ。

「……嘘だろ……」

僕は脱力し、パイプ椅子に崩れ落ちた。 嬉しさと、安堵と、これまでの苦労は何だったんだという虚しさが混ざり合い、目頭が熱くなった。

「拓海……これ、マジでヤバいよ……。俺が深夜3時まで半泣きでやってた作業、全部これに置き換わるじゃん……」

「フッ、言ったろ？ AIを『手足』にするっていうのはこういうことだ」 拓海は誇らしげに腕を組んだ。

「このbrowser-useとPlaywrightの組み合わせがあれば、ログインが必要な会員制サイトだろうが、複雑なドロップダウンメニューの選択だろうが、人間ができるブラウザ操作ならほぼ100%自動化できる」

◇

「でもな、大輔。ここからが本番だ」 拓海は表情をキリッと引き締めた。

「え？ 本番？」

「そうだ。今動かしたPythonスクリプトは、まだ単体で動かしただけだろ？ これを先週作った『n8n（マネージャー）』と合体させて、完全自動のパイプラインに組み込むんだ」

拓海はn8nの画面を開き、先週作ったワークフローの先に新しいノードを追加した。

[Cron (毎朝8時)] 
  │
  ▼
[n8n: HTTP Request] ──> OpenAI API (司令塔: タスク分解JSON作成)
  │
  ▼
[n8n: Execute Command] ──> 汎用PC上の Python (browser-use 実行スクリプト)
  │
  ▼
[n8n: Google Sheets Node] ──> スプレッドシートに価格データを自動書き込み

「見ろ。n8nの中に『Execute Command』っていうノードがある。これを使うと、n8nの中から汎用PCのPythonスクリプトを自由自在に呼び出せるんだ」

「なるほど！

1. 毎朝8時にn8nが起きて

2. OpenAI（司令塔）に『今日の調査対象』を聞いて

3. Python（browser-use）を呼び出してブラウザを操作させて

4. 返ってきた結果を、Googleスプレッドシートに自動で書き込む ……っていう流れが、全部ノーコードで繋がるのか！」

「完璧な理解だ、大輔！」拓海はバシッと僕の背中を叩いた。

「これで、お前が会社に来る前の『毎朝8時』に、汎用PCの中でマネージャーと実行役が勝手に連携して、競合サイト200品目の価格調査を完了させて、社内のスプレッドシートを最新状態に更新しておくシステムが完成した」

僕はデスクの上に並んだGoogleスプレッドシートを見つめた。 n8nのテスト実行ボタンを押すと、数十秒後、スプレッドシートのセルにスルスルと新しい価格データが自動で埋まっていく。

もう、僕が深夜にExcelと格闘する必要は、どこにもなかった。

「……勝った……」

僕は拳を固く握りしめた。

「よし！ これで自動化は完成だな！ 拓海、今夜は飲みに行こう！ 俺のおごりで心斎橋の旨い焼肉屋……」

「待て待て待て！」 拓海はあわてて僕の肩を掴んで引き戻した。

「おい大輔、浮かれるな！ まだ全行程の半分も終わってないぞ！」

「えっ！？ だって、ブラウザも勝手に動くし、スプレッドシートも更新されるんだぞ！？ もう完璧じゃないか！」

拓海は溜息をつき、頭を振った。

「甘い。甘すぎるぞ、2代目社長。 いいか？ 今のシステムはな、『晴れの日のテスト走行』でうまく動いたに過ぎないんだ」

「晴れの日の……テスト走行……？」

「そうだ。もし明日、AIが競合サイトの価格を読み間違えて『10万円』の商品を『100円』ってスプレッドシートに書き込んだらどうする？ もし、AIが生成したSNSの投稿文に、他社製品の嘘の仕様（ハルシネーション）が混ざってて、そのまま自動で世の中に発信されたらどうする？」

「あ……」僕は冷や汗が吹き出るのを感じた。

「安全装置のない暴走特急ほど恐ろしいものはないんだ。来週は、このAIチームに『記憶（データベース）』と、嘘を見破る『厳格な監査役（QA機能）』を組み込む。これができて初めて、人間が安心して放置できる『完全内製化』が完成するんだよ」

拓海の鋭い眼光を見て、僕はゴクリと唾を飲み込んだ。

（第3章へ続く）