Browser Use：オープンソースのブラウザ操作エージェント、Webを自動操作させる前に知っておきたい3つのコスト

Browser Use はオープンソースのブラウザ操作エージェントです。指示を与えると、実際にブラウザを開き、リンクをクリックし、フォームに入力し、ページをめくり、ポップアップを閉じて、結果を持ち帰ります。チャット欄で「ネットを見たふり」をして答えをでっち上げるのではなく、AI が人間のようにブラウザを使うための仕組みです。実際の Web 自動化ニーズがある人に向いています。ちょっと試してみたいだけの人や、コマンドラインを見ただけで頭が痛くなる読者には向きません。

「ネット検索」「プラグイン」との本質的な違い

ネット検索は、大規模言語モデルに一度だけ「調べる」機会を与えるものです。検索して、読んで、答えて、終わり。ブラウザプラグインは、能力を特定のサイトに固定します。Browser Use は第三の道を選びました。エージェントループです。毎ステップでページの状態を観察し、次の操作（クリック、入力、スクロール、待機）を決め、間違えれば巻き戻して再試行できます。「3つのサイトで価格を比較して表にまとめて」といった複数ステップの作業も、ページをまたいで自力で完遂します。検索型の回答はリンクの束を渡すだけで、残りのクリックはあなた自身の仕事です。

なぜ人気が出たのか

3つの要素が重なりました。第一に、「AI がブラウザを操作する」を箱出しで使える形にした最も早い部類のオープンソースプロジェクトであり、GitHub のスターは 11 万超。この分野で最も注目されるリポジトリの一つです。第二に、3つの利用形態がすべて整っています。無料のローカル Python ライブラリ、既存エージェント向けの CLI、完全マネージドのクラウド API。初心者も本番環境も、それぞれに合った形を選べます。第三に、モデル選択が完全に自由です。OpenAI、Claude、Gemini が使え、ブラウザ自動化に最適化された自社の BU2 モデルもあり、ローカルの Ollama モデルにも対応。料金もプライバシーも自分で管理できます。

公式リポジトリ情報

プラットフォーム：GitHub。組織名：browser-use。プロジェクト名：browser-use。ライセンス：MIT。リポジトリの一言の位置づけは「Agents that use the browser.（ブラウザを使うエージェント）」です。ひとつ注意：Browser Harness（AI エージェントにブラウザ制御を与えるコマンドラインツール）などの姉妹リポジトリもあるので、間違ったリポジトリを掴むと遠回りになります。

リポジトリのアドレス（リンクではなく照合用）：github.com/browser-use/browser-use

導入前に、3つのコストをきちんと計算する

コスト1：モデルのトークン料金。Browser Use の核心ロジックは「毎ステップ、大規模言語モデルにページを見せて判断させる」ことです。ページの DOM テキストが毎ステップモデルに投入され、1タスクで数万トークンを消費するのは普通のこと。ビジョンモード（毎ステップスクリーンショットをマルチモーダルモデルに投入）はさらに高くつきます。コスト管理の鍵は「安価なモデル＋DOM モード」。テキストで本当に処理できないページでのみビジョンモードを使うのが鉄則です。

コスト2：ボット対策と CAPTCHA。オープンソースのローカル版は CAPTCHA を解けません。Cloudflare のような人間確認の壁にぶつかると、エージェントは壁を眺めるしかなく、「再試行—ブロック—再試行」の無限ループに陥り、トークンを無駄に燃やすことさえあります。公式の答えは、プロキシと CAPTCHA 処理を備えたクラウドのステルスブラウザですが、こちらは従量課金のサービスです。

コスト3：ローカル環境かクラウドサービスか。ローカル実行には Python 3.11 以上が必要で、すべての API は非同期呼び出し。ヘッドレス Chrome はもともとメモリを大量消費し、同時実行数を上げればマシンが先に音を上げます。中国本土のユーザーは、デフォルト拡張機能のダウンロードがつながらない落とし穴に遭うこともあります。クラウドブラウザはブラウザ時間あたり約 0.02 ドルで、モデル推論料金は別途。新規登録で 15 ドルのクレジットが付くので試用には十分ですが、長期利用は自分で計算が必要です。ローカルの Ollama モデルなら推論料金はゼロにできますが、結果はハードウェアに直結します。