AWS、仮想デスクトップをエージェントが操作可能に - クリックあたり最大50万トークンかかる可能性も
AWS が AI エージェントに仮想デスクトップを直接操作させる新機能をプレビュー公開し、エージェント固有のアイデンティティ管理と MCP エンドポイントによる制御された操作環境を提供している。
キーポイント
エージェント専用アイデンティティと操作権限
AWS IAM を用いて各 AI エージェントに一意の ID を付与し、人間との行動を区別・追跡可能にする仕組みを導入。
管理された MCP エンドポイントによる制御
スクリーンショット、マウス操作、テキスト入力などのデスクトップツールへのアクセスを「管理された MCP エンドポイント」経由で制限し、ガバナンスを維持する。
エフェメラルな仮想 PC の活用
タスク完了後にシャットダウン可能な一時的な仮想環境（WorkSpaces）を使用することで、セキュリティリスクを低減しつつ柔軟な自動化を実現する。
コスト構造と競合他社の動向
インスタンス規模に応じた従量課金や月額制が適用され、Microsoft の Windows 365 エージェント版など競合も同様の動きを見せている。
AI エージェントによる操作コストの高さ
Reflex の研究によると、ブラウザ使用ビジョンエージェントは単なるドロップダウンメニューのクリックに約50万トークンを要し、API を使用するよりも45倍高額になる可能性がある。
エージェントと API の根本的なコスト差
AI モデルの進化でコストは下がる可能性はあるが、エージェントはスクリーンショットの解析やアクション実行など多くのステップを要するため、API に比べて常に高コストになるという見解が示されている。
重要な引用
agents connect through a managed MCP endpoint that provides governed access to desktop tools such as screenshots, mouse control, and text input
gives developers a controlled interface for agents to interact with the desktop while maintaining guardrails around what actions they can take
using an agent can be 45 times more expensive than using an API
better AI models will eventually lower costs. But he insists that using agents will always require more steps to complete a job than APIs.
影響分析・編集コメントを表示
影響分析
この発表は、AI エージェントが単なるテキスト処理から実際のソフトウェア操作まで行う「自律型タスク実行」の段階へと移行したことを示す重要なマイルストーンです。企業にとっては、セキュリティリスクを管理しつつ大規模な業務自動化（RPA の次世代）を導入する現実的な選択肢が広がります。一方で、記事タイトルにある通りトークン消費コストや制御範囲の厳格化が今後の普及の鍵となるでしょう。
編集コメント
AI エージェントが物理的なキーボードやマウスを介さずとも、仮想環境内で人間同様の操作を行う能力を持つようになり、業務自動化の定義そのものが書き換えられつつあります。ただし、トークンコストとセキュリティガバナンスのバランス設計が実装における最大の課題となるでしょう。
Amazon Web Services は、そのクラウド上の WorkSpaces 仮想 PC で AI エージェントを解放しました。
現在プレビュー中のこの新サービスでは、ユーザーは Amazon の Identity and Access Management サービスを使用してエージェントにアイデンティティを割り当てることができます。これらの認証情報を用いて、エージェントは一意の事前署名 URL を通じて WorkSpace にアクセスし、そのクラウド PC で実行されているあらゆるアプリケーションを操作できます。
AWS の広報担当者は、各エージェントに固有のアイデンティティを与えることを開発者に推奨していると語りました。そうすることで、エージェントの活動を追跡しやすくし、人間による活動とエージェントによる行動を区別しやすくなるからです。
また、エージェントは「スクリーンショット、マウス制御、テキスト入力などのデスクトップツールへの管理されたアクセスを提供する、管理された MCP エンドポイントを通じて接続される」とも伝えられています。これは明らかに、「開発者がエージェントにデスクトップとの対話のための制御されたインターフェースを与えつつ、実行可能なアクションに関するガードレールを維持できる」ことを意味しています。
エージェントに専用の PC を与える主な理由は、ソフトウェアを自動的に使用してさまざまなタスクを実行できるようにするためです。クラウド型または仮想 PC はこのシナリオに適しており、一時的な存在として扱えるためです。つまり、エージェントがタスクを完了するだけ長く稼働させ、その後シャットダウンできます。エージェントを隔離された仮想プライベートクラウド内に保持することは、LAN やデータセンター内で自由に動かすよりも好ましい場合があります。物理 PC のみに依存している組織や、ローカルマシン上で VM をエージェントに運転させることに不安がある組織は、オンプレミス仮想 PC のセットアップの複雑さよりも、クラウド型 PC を好むかもしれません。
AWS は、WorkSpaces サービスが提供する多くのインスタンスタイプへのエージェントアクセスを許可します。これらは、単一の仮想 CPU と 2GB の RAM を提供する小規模なインスタンスから、GPU、32 vCPU、256GB の RAM を搭載した大規模な高性能マシンまで幅広く対応しています。Amazon は WorkSpaces をすべて、ノンストップアクセスが可能な月額定額料金、または小額の基本料金に時間課金を加えた料金のいずれかでレンタルしています。
エージェントにクラウド型 PC を運転させるのは Amazon だけではありません：Microsoft もエージェント専用バージョンの Windows 365 サービス just for agents を作成しました。
- HP のリモートデスクトッププッシュが撤退し、Anyware がライフサイクル終了へ
- Microsoft がクラウド型デスクトップ価格を 20% 引き下げ、起動が遅くなる可能性を警告
- NUC、NUC! 誰がいる？ASUS が Microsoft のクラウド型 PC 向けクライアントデバイスを発表
- Nutanix は、Azure のクラウドデスクトップの一部をオンプレミスに配置することで実用性を高めると考えている
エージェントはコンピュータビジョンを用いて PC を操作します。通常、デスクトップのスクリーンショットや動画を取得し、「見える」ものを解釈した上で、クリック、入力、スクロールなどのアクションを実行します（ただし、これらの操作を行う許可が与えられていることが前提です）。
AI コーディングツールの開発会社である Reflex は、これを実現するために必要な作業は決して軽視できないものだと考えています。同社は最近、ブラウザ使用を目的としたビジョンエージェントがドロップダウンメニューをクリックする際に [50 万トークン]（https://reflex.dev/blog/vision-agents-vs-api-calls/）が必要であると主張する研究を発表し、結論 として、エージェントの使用は API の使用よりも 45 倍も高価になり得ると示しました。
同社はベンチマークツールを GitHub で公開しており、ご自身でもアプローチを試して同じ結果が得られるか確認できます。
ブログにおいて、Reflex の成長担当責任者である Palash Awasthi は、より優れた AI モデルの登場によって将来的にはコストが低下すると認めています。しかし同時に、エージェントを使用する場合は API を使用するよりも多くのステップを要するため、タスク完了に時間がかかることを強調しています。
それでは、安易にクラウドデスクトップをレンタルする前に、一度検討してみるのもよいかもしれませんね。®
原文を表示
Amazon Web Services has let AI agents loose in its cloudy WorkSpaces virtual PCs.
The new service, currently in preview, allows users to assign agents an identity using Amazon’s Identity and Access Management service. Using those credentials, agents can access a WorkSpace at a unique pre-signed URL and drive any apps running there on the cloudy PC.
An AWS spokesperson told us the cloudy colossus recommends developers give each agent a unique identity, because doing so makes it easier to track their activities and to distinguish agentic actions from activity conducted by humans.
We’re also told that agents “connect through a managed MCP endpoint that provides governed access to desktop tools such as screenshots, mouse control, and text input.” This apparently “gives developers a controlled interface for agents to interact with the desktop while maintaining guardrails around what actions they can take.”
The main reason to give an agent its own PC is so it can automatically use software to perform various tasks. Cloudy or virtual PCs are well-suited to this scenario because they can be ephemeral – you can run them long enough for an agent to accomplish a chore, then shut them down. Keeping agents in an isolated virtual private cloud may also be preferable to letting them loose on the LAN or in the datacenter. Organizations that rely entirely on physical PCs, or don’t fancy letting agents drive VMs on a local machine, may also prefer cloudy PCs to the complexity of setting up on-prem virtual PCs.
AWS will allow agentic access to any of the many instance types its WorkSpaces service offers – and they run from small instances that offer a single virtual CPU and 2GB of RAM all the way up to big boppers that pack a GPU, 32 vCPUs, and 256GB of RAM. Amazon rents all its WorkSpaces for either a monthly flat fee that allows non-stop access, or a smaller fee plus hourly access charges.
Amazon is not alone in letting agents drive cloudy PCs: Microsoft has created a version of its Windows 365 service just for agents.
- HP's remote desktop push retreats as Anyware heads for end of life
- Microsoft cuts cloudy desktop prices by 20 percent, warns they’ll wake up slowly
- NUC, NUC! Who’s there? ASUS with a client device for Microsoft’s cloudy PCs
- Nutanix thinks some Azure cloud desktops belong on-prem to make them usable
Agents drive PCs using computer vision – they typically take screenshots or video of a desktop, interpret what they “see” and then take action, assuming they’ve been given permission to click, type, and scroll.
AI coding outfit Reflex thinks the work required to do so is non-trivial. The company recently published research that claims a browser-use vision agent needed half a million tokens to click on a dropdown menu and concluded that using an agent can be 45 times more expensive than using an API.
The company has published its benchmark tools on GitHub so you can test its approach to see if you get the same results.
In its blog, Reflex’s head of growth Palash Awasthi allows that better AI models will eventually lower costs. But he insists that using agents will always require more steps to complete a job than APIs.
So maybe check that out before rushing to rent a cloudy desktop? ®
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み