【ITニュース解説】How an AI agent runs its own Linux desktop and terminal to finish tasks

システムエンジニアを目指す皆さんは、AIの進化が私たちの働き方をどのように変えるか、日々関心を持っていることだろう。今回紹介するニュースは、従来のAIアシスタントの概念を大きく変革する、画期的な取り組みについてである。

これまでのAIアシスタントは、私たちが質問するとテキストで回答を返してくれるのが一般的だった。例えば「この3つのウェブサイトからWordレポートを作成してほしい」と依頼しても、AIは関連情報を集めた文章を提示するだけで、Wordファイルの作成や内容整理は私たちが手動で行う必要があった。AIが答える部分と、私たちが手作業する部分が明確に分かれていたのだ。しかし、この新しいAIエージェントは、この常識を打ち破る。AI自身が専用のコンピュータを操作し、指示されたタスクを完全に自動で実行するというコンセプトを採用している。

なぜテキストによる応答だけでは不十分だったのか。それは、現実のタスクには単なる情報収集だけでなく、具体的な「コンピュータ上での操作」が数多く含まれているからだ。例えば、前述のWordレポート作成タスクには、ウェブページを開く、必要な情報を抽出する、適切な形式のファイルに書き込む、ファイルが存在し、正しく開けるかを確認する、そしてファイルの場所を伝える、といった一連の動作が必要になる。これらはすべてコンピュータ上で実行されるアクションであり、単なる文章のやり取りでは完結しない。だからこそ、AIエージェント自身が操作できるコンピュータを持つ必要があったのだ。

このAIエージェントには、ユーザーごとに「プライベートなLinuxコンピュータ」が割り当てられる。このコンピュータは、私たちが普段使うパソコンと同じように、グラフィカルなデスクトップ画面、コマンドを入力するためのターミナル（コマンドラインインターフェース）、そしてファイルを管理するためのファイルマネージャーを備えている。AIエージェントは自分自身の仮想的な作業スペースを持っていると言える。

ユーザーは、AIエージェントが作業している様子をリアルタイムで監視できる専用インターフェースを利用する。これには主に4つのタブがある。一つ目の「エージェント」タブでは、AIとの会話履歴や、エージェントが今何をしているかを示すステップバイステップのログが表示される。二つ目の「ターミナル」タブでは、エージェントが実際にコマンドを入力しているシェル画面を直接見ることができる。三つ目の「ファイル」タブでは、エージェントが作業中に作成したファイルや最終的な成果物が格納される作業フォルダの内容を確認できる。そして四つ目の「コンピュータ」タブでは、ブラウザ上でAIエージェントの実際のグラフィカルデスクトップ画面をライブで見ることができる。この「コンピュータ」タブは、ログだけではエージェントが「何をしたか」を主張するにすぎないが、実際にデスクトップ画面が動いている様子を見ることで、ユーザーはエージェントの作業に対してはるかに早く信頼感を抱くことができるため、非常に重要視されている。

AIエージェントがタスクを完了するまでのプロセスは、常に「計画」「実行」「検証」「報告」という4つの明確なフェーズで構成されている。

まず「計画（Plan）」フェーズでは、ユーザーからのリクエストを小さなステップに分解し、それぞれのステップを実行するために最適なツールを選択する。例えば、ウェブページから情報を読み取るならブラウザを、スクリプトを実行するならシェルを、WordやPDFなどのドキュメントを出力するなら専用のライブラリを使用するといった具合だ。

次に「実行（Act）」フェーズでは、計画に基づいてステップを一つずつ、デスクトップ上またはターミナルで実行していく。この際、AIが無限ループに陥ったり無駄な処理を続けたりするのを防ぐため、各ステップには処理時間の上限が設けられており、さらに一連のタスク全体にもステップ数制限（例：1回の実行で25ステップまで）が設けられている。

三つ目の「検証（Verify）」フェーズは、このAIエージェントを単なるチャットボットと明確に区別する最も重要な段階である。エージェントは、例えばファイルを生成した後、「完了しました」と報告するだけでは終わらない。代わりに、生成されたファイルが本当に存在するか、そのサイズは妥当か、内容が正しく読み取れるかなどを、実際にコマンドを実行して確認する。例えば、ls -la ~/results/report.docx というコマンドでファイルを確認したり、Pythonスクリプトを実行してWordファイルが正しく開け、段落数が妥当かを確認したりする。もしファイルが見つからない、空である、あるいは読み取れないといった問題があれば、エージェントは成功を報告するのではなく、「実行」フェーズに戻り、問題解決のために再度作業を行う。この徹底した検証プロセスこそが、AIの出力の信頼性を飛躍的に高める鍵となっている。

最後に「報告（Report）」フェーズでは、最終的にどのような成果物が生成されたのか、そのファイルはどこにあるのか、そしてもし何か未達成の項目があればそれも合わせて、ユーザーに明確に伝える。生成されたファイルは「ファイル」タブからすぐにダウンロードできるようになっている。

また、長いドキュメントを作成するようなタスクでは、特に工夫が必要だった。当初、長い文章を一括で書き出そうとすると途中で処理が中断され、ファイルが不完全になる問題が発生した。これを解決するために、ドキュメントを章ごとに分割し、各章が完成するたびにファイルに追記していく方式が採用された。そして、全体の書き込みが完了した後、ドキュメント全体に対して再度「検証」ステップを実行し、もし一部が欠落していれば、その部分だけを再試行する。このように「小分けに書き込み、検証し、失敗したら再試行する」というアプローチによって、不安定だった機能が信頼性の高いものへと改善された。

セキュリティと安全性の面でも、重要な原則がある。それは「隔離（Isolation）」である。各ユーザーに割り当てられるAIエージェントのコンピュータは、そのユーザー「専用」であり、他のユーザーやシステムから完全に隔離されている。これは、個別のディスクスペース、プロセス、ファイルが保証されていることを意味する。ユーザーは常に自分のAIエージェントのマシンしか見ることができず、エージェントもそのサンドボックス（隔離された領域）内でのみ操作できる。この原則は、もしAIエージェントが誤って危険なコマンドを実行してしまっても、その影響範囲を「一人のユーザーのサンドボックス内」に限定するための重要な製品ルールと位置付けられている。AIに高い自由度を与える一方で、その潜在的なリスクを最小限に抑えるための基盤となる考え方だ。

このAIエージェントは、デスクトップだけでなく、モバイル環境でも利用できる。Androidアプリが提供されており、テキスト入力、音声入力、あるいは添付ファイルを使ってタスクを指示でき、後からデスクトップ版と同じ「ファイル」タブから結果を確認できる。

この開発を通じて得られた教訓は、システム開発における普遍的な原則にも通じる。まず、「AIの出力は鵜呑みにせず、必ず検証する」ことの重要性だ。壊れたファイルについて謝罪するよりも、作成時に正しく検証する方が、はるかに手間もコストもかからない。次に、「長い処理は小分けにして実行し、失敗した場合は再試行する」という頑健性を高めるアプローチ。そして、最もシンプルかつ効果的だったのは、「実際のデスクトップ画面をユーザーに見せる」という点だった。可視性が、ユーザーの信頼を得る上で最も安価で効果的な手段であると結論づけられている。

このAIエージェントは「POSITROM AI」として提供されており、AIが自分のコンピュータを操作し、タスクをこなすというこの新しいアプローチは、私たちがAIとどのように協力していくかという未来の姿を示していると言えるだろう。