AWSが仮想PCにAI開放、1クリック50万トークン

AWSが仮想デスクトップサービスのAmazon WorkSpacesをAIエージェントに開放した。しかし同じ日、別の調査が「クリック1回に50万トークン」という重い数字を突きつけている。

岬徹

2026年5月6日 23:1700

Amazon

AWSが仮想PCをエージェントに明け渡した

Amazon Web Services(AWS)が、仮想デスクトップサービスである Amazon WorkSpaces をAIエージェントに開放するプレビューを開始した。これまで人間の従業員が使ってきたクラウド上のWindows・Linuxデスクトップにエージェントがログインできるようになるイメージだ。

仕組みはシンプルに見える。エージェントには AWS Identity and Access Management(IAM)経由で固有の身元が割り当てられ、その認証情報で WorkSpaces に接続する。AWS公式ブログによれば、エージェントは「マネージドMCPエンドポイント」を通じてデスクトップを操作し、CloudTrailとCloudWatchで全行動が監査される。AIに社員IDを発行するような構造だ。

エージェントが使える機能は3つに整理されている。スクリーンショットでデスクトップを「見る」コンピュータビジョン、クリックや入力を実行する「操作」、そしてストレージ機能。Model Context Protocol(MCP)に対応するため、LangChainやCrewAI、Strands Agentsといった主要なエージェントフレームワークから接続できる。

東京リージョンも対応リージョンに含まれており、追加料金なしでプレビュー利用できる。

狙いは「ラストマイル問題」の解消

AWSがこの機能をなぜ作ったのか。公式ブログには明確な回答が書かれている。ガートナーが2024年にまとめた調査では、組織の75%がモダンなAPIを持たないレガシーアプリケーションを動かし続けており、Fortune 500企業の71%がプログラムからアクセスできないメインフレーム上で重要業務を回しているという。

この数字は、AIエージェント導入の現実的な天井を示している。APIがない業務システムの上では、エージェントは何もできない。多くの企業は「AI採用を遅らせる」か「高価なモダナイゼーションに踏み切る」かの二択を迫られてきた。

AWSの提案は3つ目の道だ。レガシーアプリを書き換えず、画面をエージェントに見せて操作させる。公式ブログのデモでは、Strands Agent SDK と Amazon Bedrock で組まれたエージェントが、APIを持たない仮想薬局システムで処方箋の再発行を完遂している。アプリケーション側は「エージェントが触っている」とは知らない。

エンタープライズがAIエージェントを導入する際、レガシーなデスクトップアプリケーションこそが最大の壁になっている。AWSはこの「ラストマイル問題」を、アプリ改修なしで超えようとしている。

筋は通っている。実装としても理にかなっている。だが、別の場所で別の数字が出てきた。

クリック1回に50万トークン、APIの45倍

そんな構想に冷ややかな数字を突きつけたのが、Pythonフルスタックウェブフレームワークを手がけるReflexだ。同じ管理画面に対してビジョンエージェントとAPIエージェントの両方を走らせ、コストを直接比較したベンチマーク結果を公開している。

タスクは「Smithという顧客の中で最も注文数が多い人物を見つけ、最新の保留中注文を特定し、保留中レビューをすべて承認し、注文を発送済みとマークする」というもの。Reflexは同じClaude Sonnet、同じデータセットを使い、インターフェースだけを変えて両エージェントを走らせた。

結果は衝撃的だ。APIエージェントは8回の呼び出しで約20秒、入力トークンは1万2151だった。一方ビジョンエージェントは平均53ステップ、約17分、入力トークンは55万を消費した。コスト比は45倍。出力トークンも40倍の差がついた。

同じClaude Sonnet、同じアプリ、同じタスク。インターフェースだけが変数として残ったとき、ビジョンは53ステップで17分かかり55万トークンを消費した。APIは8コール、20秒、1万2000トークンで完了した。

しかも最初の試行では、ビジョンエージェントはタスクを完遂できなかった。4件あった保留中レビューのうち1件しか処理できず、残り3件が画面の下にあることに気づかなかったのだ。「ページネーション」というUIの常識が伝わらない。Reflexのチームは14ステップにわたるUI操作のウォークスルー指示を書き直して、ようやく完遂にこぎつけた。

「見るコスト」はモデルが進化しても消えない

Reflexの分析で核心的なのは、これがモデルの問題ではないという指摘だ。Reflexのグロース責任者である Palash Awasthi は、ビジョンエージェントは「見るために費用を払う」構造から逃れられないと書いている。AIモデルがどれだけ賢くなっても、スクリーンショットを撮る回数自体は減らない。

行動するために見なければならないエージェントは、モデルがどれだけ進化しても、見ること自体への代金を払い続ける。

APIエージェントは、UIが裏で呼んでいる関数をそのまま叩く。返ってくるのは構造化されたデータで、ページネーション処理も内部で完結している。ビジョンエージェントは、同じデータを表示するために描画されたピクセルを毎回読み解く必要がある。ステップ数を決めているのは、モデルではなくインターフェースだ。

Reflexは利害関係者でもある。同社はAPI生成プラグインを売っているため、API側に有利な結論を出す動機がある。サンプル数も少なく(API側は5回、ビジョン側は3回)、特定の browser-use 0.12 というツールに依存した結果でもある。それでも、APIコール8回が常に同じ手順で完了するのに対し、ビジョンエージェントは43〜68サイクルでばらつく現実は無視しにくい。

非決定的な動作と、不可逆な「見るコスト」。これがAIエージェントに仮想PCを与えるという決定の裏側にある現実だ。

それでもAWSとMicrosoftが進む理由

エージェント向けクラウドPCを売り込んでいるのはAWSだけではない。Microsoftはすでに2025年11月のIgniteで Windows 365 for Agents を公開プレビューに出している。Manus、GenSpark、Simularといったエージェントスタートアップが採用を進めており、Manusは Windows 365 を「常時稼働の安全な計算リソース」として組み込んでいる。

両社が同じ方向に向かう理由は明確だ。改修できないアプリは、現実には改修されないまま残る。レガシーシステム75%という数字が消えない以上、ビジョンエージェントへの需要も消えない。Reflexのベンチマークが指摘した通り、自社で改修できるアプリならAPI化が圧勝だが、サードパーティのSaaSや改修不可能な業務システムでは、ビジョンしか選択肢がない。

問題は、クラウドPCを「ぽんと」用意できる手軽さだ。AWSもMicrosoftも、エージェントに仮想PCを与える設定を数クリックで完了させる。簡単に始められるからこそ、知らないうちにトークン代が膨らむ。プレビューは無料でも、本番運用ではインスタンス料金とトークン代の二重請求が走る。

Reflexは「自分でコードを書けないアプリには依然としてビジョンエージェントが正解」と認めつつ、「自社で作る内部ツールなら計算は逆」だと結論づけた。判断の境界線は、アプリの改修権限を誰が持っているかに引かれる。

エージェントに仮想PCを与える前に、その画面で何をさせるかを真剣に問う段階に来た。クリックひとつが、思っていたより重い意思決定になっている。

参照元