
ヘッドレスブラウザと自動化の地殻変動:軽量エンジンとLLM直結ハーネスの「もう一つの選択肢」を探る
ウェブを「人間のための表示装置」から「機械のための入出力インターフェース」へと再設計する動きが、2025年から2026年にかけて加速している。汎用ブラウザをサーバーで無理やり走らせる従来のアプローチは、メモリ・コスト・検出耐性のすべてにおいて綻びを見せはじめた。
今回はその潮流のなかで、よく取り上げられる代表格とは別の、しかし同じ問題意識を共有する一連のツール群を深く掘り下げてみる。スクレイピング基盤として使える「人間向けではないブラウザ」と、LLMをブラウザに直結させる「自律エージェント側のハーネス」、この二軸でアーキテクチャの選択肢を整理していきたい。
軽量ヘッドレスエンジンという選択:Lightpandaという最右翼
まず注目したいのが、Zigというシステムプログラミング言語でゼロから書き直されたヘッドレスブラウザだ。このエンジンは「人間向けのものは捨てる、機械が必要なものだけ残す」という設計哲学を徹底している。CSSのレイアウト計算もしない。画像のデコーダーもない。GPUコンポジターも、フォントラスタライザも、アクセシビリティツリーも持たない。あるのはDOMとJavaScript実行とネットワークだけ。
その内部構成は意外なほど現実的だ。HTTPはlibcurl、HTMLパースはMozilla Servoプロジェクト由来のhtml5everをRust経由のFFIで呼び、JavaScript実行にはV8を使う。DOMエンジンだけはZigでスクラッチ実装している。要するに「車輪の再発明はしない、捨てる部分だけ思い切って捨てた」という構造だ。
ベンチマークの数字も率直に強烈で、AWS EC2 m5.largeインスタンスで100ページを並列取得するテストでは、ヘッドレスChromeに対して実行時間で約11倍、ピークメモリで約9倍の差がついたと報告されている。条件を変えれば速度差は数十倍まで開くケースもある。サーバーレスやコンテナでブラウザ数百インスタンスを並走させる前提のワークロードでは、この差はそのままインフラ請求書の桁を変える。
ただし弱点もある。レンダリングを持たない以上、レイアウトに依存するスクリーンショットや、CanvasやWebGLで描画される複雑なシングルページアプリケーションは扱えない。XHRとフェッチをひっくり返してデータを引き出すタイプのスクレイピングには最強だが、ピクセルベースの解析には不向きだ。Chrome DevTools Protocolに準拠しているので、PuppeteerやPlaywrightの接続先を差し替えるだけで切り替えられる点は、移行コストを劇的に下げる。
Rustエコシステムの実用解:Chromiumoxideとheadless_chrome
Rustでブラウザ自動化を組みたい場合、ゼロから新エンジンを書かないルートも存在する。Chromiumoxideは実際のChromeをCDP越しに非同期で操る、いわばRust版のPuppeteerに近い位置づけのライブラリだ。tokioランタイムと組み合わせて使うのが標準で、メンテナンスも活発に続いている。Rustですでに動いているサービスに「ついでに」スクレイピングを組み込みたいときの本命と言っていい。
もう一つのheadless_chromeはAPIがよりシンプルで、軽い用途には向いているが、開発の活発さではChromiumoxideに譲る。Rust側で重要な前提は、ボット検知の話と言語選択は本質的に独立しているということだ。アンチボットシステムが見ているのはCDPクライアントが書かれた言語ではなく、ブラウザ自体が露出しているJavaScript APIの指紋。`navigator.webdriver`を消したり、プラグイン情報を偽装したりするステルススクリプトはRustからも当然投入できる。Python側に存在するcamoufoxのようなFirefoxベースの本格的アンチ検出ツールに完全相当するものはRustにはまだないので、そこは自前で工夫する領域として残されている。
LLMが直接ブラウザを叩く時代:Stagehandの「外科手術的」アプローチ
ここからは「ブラウザを動かす側」の話に移る。LLM時代のブラウザ自動化フレームワークとして、もっとも洗練された折衷案を提示しているのがTypeScript製のStagehandだ。
Playwrightをベースに、自然言語のプリミティブを三つだけ追加するという構造を取っている。`act`は「送信ボタンを押す」のようなアクション、`extract`はZodスキーマで型付けされた構造化抽出、`observe`はページ状態の観察。決定的に書ける場所はPlaywrightのコードのまま、ページ構造が読みづらい局面だけAIに任せる。
Stagehandの戦略的に賢いのは、成功したアクションをキャッシュする点だ。一度動いたフローはLLMを呼ばずに再生され、DOMがずれてキャッシュが外れたときだけ再推論が走る。これにより繰り返しワークロードのトークンコストは初回以降ほぼゼロに収束する。バージョン3で導入されたアクションキャッシングと、後発の`agent()`メソッドによる多ステップ自律実行は、汎用エージェントと特化スクリプトの中間地点を埋めた。難点はTypeScriptで書く必要があることと、本来の運用パスがクラウドブラウザサービスとセットになっている点だ。
ビジョンで戦う異端児:Skyvern
DOMを読んでも勝てないサイトはこの世にいくらでも存在する。レイアウトが頻繁に変わる保険ポータル、アクセシビリティ構造が壊れている政府系フォーム、HTMLが意図的に難読化されているSaaSダッシュボード。Skyvernはそうした「DOMは嘘をつく」という前提に立ち、コンピュータビジョンで画面そのものを認識する道を選んだ。
ベンチマークではWebVoyagerで85%以上のスコアを出しており、特にフォーム入力タスクで他を引き離している。30フィールドのフォームを約90秒で完了させるという数字は、人間の手作業10分超に対して桁が違う。
料金体系も明快で1ステップ単位の従量制、認証や2要素やCAPTCHAも一通り組み込まれている。DOMベースより1ステップあたりの単価は高くつくが、レイアウト変更による「動かない」が起きにくいので、長期保守の総コストでは逆転することが多い。
最薄ハーネスという思想:自己修復型エージェントの系譜
そして、本当に新しい考え方として広がりつつあるのが「ハーネスを極限まで薄くする」というアプローチだ。エージェントの自動化フレームワークが分厚くなるほど、LLMの判断は「フレームワーク作者が想定した抽象化」に縛られる。AI研究で言う『苦い教訓(The Bitter Lesson)』──人間が設計した複雑なルールはモデルのスケールに長期的に負ける──をブラウザ自動化に応用すると、結論は「中間層を全部捨ててCDPに直接話させろ」になる。
このパラダイムでは、ヘルパー関数が足りなければエージェント自身がランタイムで書き足す。サイト固有の操作パターンは、エージェントが成功実行から自動で「スキル」として記録し、再利用可能なコードとしてディレクトリに蓄積していく。
人間がセレクタを定義することは原則禁止で、ブラウザの現実に即した、実際に動くコードだけが資産として積み上がっていく。JavaScript側の派生では、CDPの56ドメインと652メソッドすべてを型付きラッパーとして直接露出する設計まで存在する。Chromeにできることは全部エージェントから呼べる、という割り切り方だ。
セッション基盤の選択肢:SteelとBrowserbaseという二極
エージェントが暴れるための「土台」も、2026年時点では完全に商業化されている。Browserbaseはマネージドのクラウドブラウザフリート、Steelはそのオープンソース版という位置づけだ。Steelは完全に自己ホスト可能で、Apache 2.0ライセンス、Dockerで一発展開できる。
セッション管理、Cookie永続化、プロキシチェーン、ステルスプラグイン、ライブビューワでのデバッグまで「電池入り」で提供される。データのプライバシーやコンプライアンスを自分側で握りたいチームには、Browserbaseのプロダクション機能に近いものを月額数十ドルのVPSで再現できる選択肢が今ある、ということになる。
CloudCruise、Airtop、Hyperbrowserといった選択肢も存在し、それぞれグラフベースのDSL、非エンジニア向け会話インターフェース、CAPTCHA込みのスケーラブル基盤と、棲み分けがはっきりしてきている。Playwrightエコシステムに乗ったまま「壊れたセレクタを自動修復する」Healerエージェントを統合する道も、MCP経由で開かれた。
選び方の本質:DOMかビジョンか、決定的か自律的か
これらの選択肢を整理する軸は、結局のところ二つに集約される。ひとつめは「DOMで戦うか、ピクセルで戦うか」。DOMベースのスタックは共通タスクで12〜17ポイント信頼性が高く、コストも低く、デバッグもしやすい。一方ビジョンベースは、Canvas主体のアプリやアンチボット画面など、DOMが使えない領域に到達できる。実運用では「主軸はDOM、フォールバックはビジョン」というハイブリッドが安定解だ。
ふたつめは「決定的なスクリプトか、自律的なエージェントループか」。Playwrightのような決定的フレームワークは既知のページで100%近い信頼性を出すがセレクタ保守が必要で、エージェント型は新規タスクで70〜85%の成功率に止まる代わりにUI変更に強い。プロダクションでは「予測可能な80%を決定論で固め、残り20%だけAIに任せる」という構造が最終的に勝つ。
軽量エンジンの選択も同じ。レンダリングなしの超軽量エンジンを主体に据え、レンダリングが必要な少数の対象だけChromeにフォールバックする二段構えが、コストとカバレッジを両立させる。
結語:自動化の終着点ではなく、再構成の始まり
軽量エンジンと薄いハーネス、この二つの潮流が示しているのは、ブラウザという存在が「人間が見るためのアプリケーション」から「機械が情報を出し入れするためのコンポーネント」へと位相を変えつつあるという事実だ。CSSもGPUもフォントも要らないなら捨てる。フレームワークが推論能力を狭めるなら剥がす。スキルは人間が書かずエージェントに書かせる。
これは怠惰の話ではない。LLMという推論器が十分に賢くなった今、人間がやるべきは「具体的な手順を書くこと」ではなく「意図と制約を設計すること」に移った、という宣言だ。来た、見た、勝った──ウェブを征服する道具はもはや、ブラウザを我慢して使うことではなく、ブラウザを目的に合わせて選び直すことから始まる。
そして選択肢は、思っていたよりずっと深く、ずっと多様に揃っている。