AIのためのWebを構築せよ！AWIの設計とMLコミュニティの役割

紹介論文
1. この論文を一言でまとめると
Webエージェントの現状：人間中心設計の限界
AWIとは何か？AIのための新しいWebインターフェース
AWI設計の6原則：AIと人間の共存のために
AWI設計の具体的な提案：実装への第一歩
なぜMLコミュニティがAWIに関わるべきなのか？
AWIはMCPの代替？：Webエージェントの未来

紹介論文

今回紹介する論文はBuild the web for agents, not agents for the webという論文です。

https://arxiv.org/pdf/2506.10953v1.pdf

この論文を一言でまとめると

AIがWebをより効率的に活用するための新しいインターフェース「AWI」を提案。既存のWebインターフェースの限界を打破し、AIと人間の共存を目指す設計原則と具体的な提案を解説します。

Webエージェントの現状：人間中心設計の限界

Webエージェントとは、AIがWebサイトを自律的にナビゲートし、タスクを遂行するシステムのことです。近年、大規模言語モデル（LLM）の進化により、その開発が活発になっています。

しかし、現状のWebエージェントは、人間向けに設計されたWebインターフェースを前提としているため、多くの課題に直面しています。まるで、F1レーサーにママチャリでレースに出ろと言っているようなもの。ここでは、その現状と限界を具体的に見ていきましょう。

Webインターフェースの複雑さ

現在のWebエージェントは、Webページの情報を取得するために、主に以下の3つの方法を使っています。

* **スクリーンショット**: Webページ全体の画像データを使う
* **DOMツリー**: Webページの構造データを使う
* **Web API**: Webサイトが提供するAPIを使う

しかし、これらの方法にはそれぞれ大きな課題があります。

スクリーンショットの問題点

画像に写っていない情報（折りたたみメニューの中身など）は取得できない
Webサイトのデザインが変わると、認識できなくなる

DOMツリーの問題点

情報量が多すぎるため、処理に時間がかかる
Webサイトの構造を理解する必要がある

Web APIの問題点

WebサイトがAPIを提供していない場合がある
APIがWebエージェントに必要な機能を提供していない場合がある

これらの課題により、Webエージェントは効率的にWebサイトをナビゲートすることが難しく、タスクを完了するまでに多くの時間と計算資源を必要としてしまいます。

安全性とプライバシーのリスク

WebエージェントがWebサイトを操作するためには、ユーザーの個人情報（ログイン情報、クレジットカード情報など）へのアクセスが必要となる場合があります。しかし、これは大きなセキュリティリスクを伴います。

もしWebエージェントにセキュリティ上の欠陥があった場合、個人情報が漏洩したり、悪用されたりする可能性があります。例えば、Webエージェントが勝手にオンラインショッピングをしてしまったり、有害なメッセージを送信してしまったりするかもしれません。

Webサイトへの負荷

Webエージェントが大量にWebサイトにアクセスすると、Webサイトのサーバーに大きな負荷がかかります。その結果、Webサイトの表示速度が遅くなったり、アクセスできなくなったりする可能性があります。

Webサイト運営者は、このようなWebエージェントによる負荷を軽減するために、CAPTCHAなどの防御措置を講じる場合があります。しかし、これは人間のユーザーにとっても不便なものとなってしまいます。

このように、人間中心に設計された現在のWebインターフェースは、Webエージェントにとって必ずしも最適とは言えません。そこで、本論文では、Webエージェントのための新しいインターフェース、「Agentic Web Interface（AWI）」を提案します。

AWIとは何か？AIのための新しいWebインターフェース

従来のWebインターフェースは、その黎明期から一貫して、私たち人間が直感的に操作できることを最優先に設計されてきました。しかし、近年のAI、特にWebエージェントの急速な進化は、この人間中心設計が、AIにとって必ずしも最適ではないという課題を浮き彫りにしています。

このセクションでは、論文が提唱する新しい概念、Agentic Web Interface (AWI) について詳しく解説します。AWIは、従来のインターフェースと何が根本的に異なるのか、その核心に迫りましょう。

AWI：AIエージェントのための専用設計

AWIとは、一言で言えば、Webエージェント**専用**に設計された新しいタイプのWebインターフェースです。これは、人間が使いやすいように設計された従来のインターフェースとは対照的です。AWIは、WebエージェントがWebコンテンツへより効率的に、そして安全にアクセスできるよう、最適化されています。

AWIの設計は、特定のプロトタイプや実装に限定されるものではありません。むしろ、ML研究者、Web開発者、そしてエンドユーザーを含む、幅広い関係者による共同作業と反復的な改善を通じて進化していくべき概念として提唱されています。

AWIが解決する課題

従来のWebインターフェースは、Webエージェントにとっていくつかの課題を抱えています。

* **情報の過多または不足**: DOMツリーは情報量が多すぎる一方、スクリーンショットでは必要な情報が不足する場合があります。
* **アクションの制限**: Web APIは開発者向けに設計されており、Webエージェントに必要なアクションが提供されない場合があります。
* **セキュリティリスク**: Webエージェントがユーザーの個人情報にアクセスする際に、セキュリティ上の懸念が生じます。

AWIは、これらの課題を解決するために、以下のようなアプローチを取ります。

* **最適な情報表現**: Webエージェントに必要な情報のみを提供し、不要な情報を排除します。
* **カスタマイズ可能なアクション**: Webエージェントの目的に合わせて、アクションスペースを調整します。
* **組み込みのセキュリティ**: アクセス制御、ガードレール、プライバシー保護メカニズムを実装します。

AWIと従来のインターフェースの比較

AWIは、Webエージェントがより効率的かつ安全にWebを操作できるように設計されるべきであり、その設計にはWebエージェントの研究コミュニティが深く関与すべきです。

なぜAWIが必要なのか？

AWIは単なる技術的な改善ではありません。それは、Webエージェント研究におけるパラダイムシフトを意味します。つまり、人間向けに作られたインターフェースにWebエージェントを無理やり適応させるのではなく、Webエージェントの能力を最大限に引き出すための新しい相互作用モデルを開発する必要があるのです。

AWIは、Webエージェントがよりインテリジェントに、そして安全にWebを活用するための基盤となります。次のセクションでは、AWIを設計するための具体的な原則について詳しく見ていきましょう。

AWI設計の6原則：AIと人間の共存のために

Webエージェントが真価を発揮し、社会に浸透していくためには、単に高性能であるだけでなく、安全性や倫理的な側面も考慮した設計が不可欠です。そこで、本セクションでは、AWI（Agentic Web Interface）の設計における6つの重要な原則を紹介します。これらの原則は、AIと人間が共存し、Webに関わるすべてのステークホルダーが恩恵を受けられる未来を目指すための羅針盤となるでしょう。

1. 標準化：Webエージェント間の共通言語

AWIは、明確に定義された構造と、サポートされるアクションスペースを持つべきです。つまり、WebエージェントがWebサイトとどのように対話するかについて、共通のルールを定める必要があるのです。

標準化によって、異なるWebサイトでも一貫した操作が可能になり、Webエージェントの汎用性が高まります。

この標準化は、特定の企業や団体によって独占的に行われるべきではありません。ML分野全体の専門家が協力し、様々なエージェント設計との互換性を確保する必要があります。まるで、異なる言語を話す人々が、共通の翻訳ルールを持つことでコミュニケーションを円滑にするように、標準化されたAWIは、Webエージェント間の意思疎通を円滑にし、連携を促進します。

2. 人間中心：AIは人間のために

AWIは、人間のユーザーに利益をもたらすエージェントによって使用されるように設計されるべきです。AIはあくまで人間の生活を豊かにするためのツールであり、その主体性、安全性、プライバシーは常に保護されなければなりません。

ユーザーは進行中のタスクを一時停止したり、タスクの変更を要求したりして、エージェントを操作できる必要があります。

例えば、Webエージェントが航空券を予約する場合、最終的な決定は人間が行うべきであり、エージェントはあくまで選択肢の提示や情報収集をサポートする役割に留まるべきです。AWIは、人間が常にコントロールを維持できるようなインターフェースを提供し、AIの暴走を防ぐための安全弁として機能します。

3. 安全性：悪意からWebを守る盾

AWIは、悪意のあるエージェント、有害なコンテンツ、予期せぬシステム障害など、様々なリスクからWebサイトを保護するための防御メカニズムを備えている必要があります。

適切なアクセス制御、ガードレール、プライバシー保護方法を通じて、ユーザーとWebサイトの安全を確保することが重要です。

具体的には、Webエージェントがアクセスできる情報を制限したり、危険な操作を実行する前に人間の承認を求めたりする仕組みが考えられます。また、Webサイト自体も、悪意のあるエージェントからの攻撃に耐えられるように、セキュリティ対策を強化する必要があります。AWIは、Webを安全に利用するための盾として、重要な役割を担うのです。

4. 最適な表現：効率的な情報伝達

AWIは、Webエージェントに必要な情報を効率的に提供する必要があります。エージェントがタスクを遂行するために十分な情報を含みながら、不要な情報は排除することで、計算コストを削減し、処理速度を向上させることが重要です。

エージェントは、必要な情報の種類（画像、テキストなど）と、解像度や圧縮レベルなどのパラメータを正確に指定できるようにする必要があります。

例えば、画像認識AIがWebサイト上の画像を分析する場合、高解像度の画像全体をダウンロードする必要はありません。代わりに、AIが必要とする特徴量を抽出したデータのみをAWIが提供することで、通信量を大幅に削減できます。AWIは、AIにとって最適な形で情報を表現し、効率的な意思決定を支援するのです。

5. 効率的なホスティング：Webへの負荷軽減

Webエージェントが普及するにつれて、Webサイトへのアクセス数が増加し、サーバーに大きな負荷がかかる可能性があります。AWIは、Webサイトの総計算負荷を増加させないように設計される必要があります。

Webサイトの所有者にとって、効率はWebトラジェクトリのスケーラビリティを確保するために重要です。

具体的には、Webエージェントのアクセスを制限したり、タスクの実行を遅延させたりする仕組みが考えられます。また、Webサイト自体も、Webエージェントからの大量のアクセスに耐えられるように、サーバーの増強やキャッシュの活用などの対策を講じる必要があります。AWIは、Webサイトの持続可能性を支える基盤として、重要な役割を果たすのです。

6. 開発者フレンドリー：導入の容易さ

AWIは、Webサイトの開発者が容易に実装、展開、保守できるように設計される必要があります。既存のWebサイトのアーキテクチャとシームレスに連携し、Webサービスのホスティングと信頼性を損なわないことが重要です。

開発者はAWIを簡単に統合およびカスタマイズできるため、採用が促進されます。

APIの提供やドキュメントの整備など、開発者にとって使いやすい環境を整えることで、AWIの普及を促進することができます。AWIは、開発者とAIをつなぐ架け橋として、Webエージェントの可能性を広げるのです。

これらの6つの原則は、Webに関わるすべてのステークホルダーの利益を考慮し、AIと人間が共存できるWebの未来を築くための重要な指針となります。AWI設計は、ML研究者、Webサイト開発者、エンドユーザーなど、幅広い関係者の参加による、継続的な改善と進化が求められるでしょう。

AWI設計の具体的な提案：実装への第一歩

前セクションでは、AWI設計における重要な6つの原則を解説しました。ここでは、これらの原則を基に、AWIを実際に実装するための具体的な提案を紹介します。これらの提案は、AWIの可能性を最大限に引き出し、Webエージェントの未来を形作るための第一歩となるでしょう。

1. 統一された高レベルのアクション

WebエージェントがWebサイトを操作する際、より効率的なアクションスペースを提供するために、プリミティブな要素を抽象化し、統一された高レベルのアクションを定義することを提案します。これは、WebエージェントがWebサイトの内部構造を意識せずに、より複雑なタスクを実行できるようにするための鍵となります。

例えば、従来のWeb操作では、Webページを開くために、アドレスバーを選択し、URLを入力し、Enterキーを押すという複数のステップが必要でした。しかし、AWIでは、gotoという高レベルのアクションを定義し、URLを引数として渡すだけでWebページを開けるようにします。これにより、Webエージェントは、Webページの内部実装の違いを気にすることなく、同じgotoアクションを様々なWebサイトで使用できるようになります。

高レベルのアクションは、Webエージェントの認知負荷を軽減し、タスクの複雑さを抽象化することで、より高度な推論と計画を可能にします。

2. ユーザーインターフェースとの互換性

AWIは、Webエージェント専用のインターフェースですが、人間のユーザーとの連携も考慮する必要があります。AWIを従来のWebブラウザと互換性を持たせることで、Webエージェントと人間がシームレスにWebサイトを共有し、協力してタスクを実行できるようになります。

これを実現するためには、AWIでのアクションをUI上で実行可能にし、AWIの状態をUIの状態の更新と一致させることが重要です。例えば、AWI上で商品の検索結果をソートした場合、UI上でも同様にソートされるようにします。双方向翻訳ツールを使用することで、AWIとUI間でのアクションの変換を自動化し、よりスムーズな連携を実現できます。PlaywrightやSeleniumなどのツールを活用することで、双方向翻訳ツールの開発を効率化できます。

UIとの互換性は、Webエージェントの導入を促進し、人間のユーザーがWebエージェントの動作を監視、制御できるようにすることで、信頼性を高めます。

3. エージェントのアクセス制御

WebエージェントがAWIを介してWebサイトをナビゲートする場合、エージェントに固有のアクセス制御リスト (ACL) を定義し、機密情報へのアクセスを厳格に管理する必要があります。これにより、Webエージェントによる不正アクセスや誤操作を防ぎ、ユーザーのプライバシーとセキュリティを保護します。

例えば、Webエージェントがユーザーのクレジットカード情報にアクセスする必要がある場合、ACLによってアクセスを制限し、必要な場合にのみユーザーの明示的な許可を求めるようにします。また、Webサイトは、ユーザーがWebエージェントのアクセス許可レベルを設定できるようにすることで、より柔軟な管理を可能にします。

アクセス制御は、Webエージェントの安全性を確保するための最も重要な要素の一つです。不適切なアクセス制御は、重大なセキュリティ侵害につながる可能性があります。

4. 段階的な情報伝達

Webエージェントがタスクを実行するために必要な情報量を最小限に抑え、帯域幅と計算リソースを効率的に利用するために、情報を段階的に伝達する仕組みを導入することを提案します。特に、画像や動画などの大容量データを扱う場合、このアプローチは非常に有効です。

例えば、Webエージェントが商品の画像を認識する必要がある場合、最初に低解像度の画像を送信し、必要に応じて高解像度の画像を要求するようにします。また、画像全体を送信する代わりに、画像の特徴量を抽出し、特徴量のみを送信することで、データ量を大幅に削減できます。

段階的な情報伝達は、Webエージェントのパフォーマンスを向上させるだけでなく、Webサイトのサーバー負荷を軽減し、より多くのユーザーに快適なサービスを提供することにも貢献します。

5. エージェントタスクキュー

Webサイトへのアクセスが集中した場合でも、Webサイトのパフォーマンスを維持し、すべてのユーザーに公平なサービスを提供するために、エージェントタスクキューを導入することを提案します。これにより、Webサイトの開発者は、Webサイトにアクセスしてナビゲートする同時エージェントの最大数を設定し、アクセスを時間帯によって分散させることができます。

例えば、Webサイトへのアクセスが集中する時間帯には、エージェントタスクキューによってアクセスを制限し、Webサイトの応答速度を維持します。また、優先度の高いタスクを優先的に処理することで、重要なタスクの遅延を防ぎます。

エージェントタスクキューは、Webサイトの安定性と可用性を確保し、Webエージェントと人間のユーザーが共存できる環境を実現します。

これらの提案は、AWI設計の出発点に過ぎません。AWIは、Webエージェントの可能性を最大限に引き出し、AIと人間が共存できるWebの未来を創造するための鍵となるでしょう。次世代のWebを形作るために、これらの提案を参考に、AWI設計への挑戦を始めてみませんか？

なぜMLコミュニティがAWIに関わるべきなのか？

AWI（Agentic Web Interface）は、Webエージェントの可能性を最大限に引き出すための鍵となるだけでなく、機械学習（ML）コミュニティ全体に革新的な影響をもたらします。既存のWebインターフェースの限界を克服し、AIと人間の共存を促進するAWIは、ML研究の新たな方向性を示唆し、様々な分野の発展を加速させる触媒となるでしょう。

人間中心AI（HCAI）との連携：よりパーソナルなWeb体験の実現

HCAI（Human-Centered AI）の研究者は、AWIを活用することで、ユーザーの個々の好みに合わせた、よりパーソナルなWebエージェントを設計できます。例えば、特定のWebサイトでの操作履歴や、過去の検索傾向などを学習し、ユーザーが求める情報を的確に提供するエージェントの実現が期待できます。 AWIは、エージェントの自律性とユーザーの主体性のバランスを取りながら、より快適で効率的なWeb体験を提供するHCAI研究の強力なツールとなるでしょう。

AI Safety：安全なWebナビゲーションの実現

Webエージェントが普及するにつれて、その安全性は最重要課題となります。AI Safetyの研究者は、AWIの設計段階からセキュリティ対策を組み込むことで、悪意のあるエージェントや攻撃からユーザーを保護することができます。具体的には、プロンプトインジェクション攻撃や、ウェブサイトの脆弱性を悪用した攻撃など、様々な脅威に対する堅牢性をAWIに実装することが可能です。これにより、Webエージェントは、より安全で信頼性の高いWebナビゲーションを実現し、ユーザーは安心してAIの恩恵を享受できるようになります。

自然言語処理（NLP）：Web情報の理解と活用を深化

AWIは、NLP研究者にとって、Webテキストの理解と活用を深化させるための新たな機会を提供します。AWIを通じて、Webページの要約、キーワード抽出、感情分析などを効率的に行うことで、エージェントは必要な情報を迅速に把握し、より複雑なタスクを実行できるようになります。例えば、AWIは、複数のWebサイトから情報を収集し、特定のテーマに関するレポートを自動的に生成するエージェントや、ユーザーの質問に対して、関連性の高いWeb情報を検索し、自然な言葉で回答するエージェントの実現に貢献します。

Multimodality：視覚情報とテキスト情報の融合

AWIは、画像、動画、音声などの視覚情報とテキスト情報を効果的に融合させることで、Webエージェントの能力を飛躍的に向上させます。例えば、AWIは、商品画像を解析し、その特徴や価格に関する情報をテキストで提供したり、動画の内容を理解し、関連するWebサイトへのリンクを提示したりすることができます。これにより、Webエージェントは、より高度なタスクを実行できるようになり、ユーザーはより豊かなWeb体験を得ることができます。

強化学習：より賢く、より効率的なWebエージェントの学習

AWIは、Webエージェントの学習プロセスを効率化し、より賢く、より効率的なエージェントの開発を可能にします。標準化されたインターフェース設計により、報酬関数の設計が容易になり、エージェントは試行錯誤を通じて、より効率的にタスクを習得することができます。例えば、AWIは、Webサイト上での商品の購入や、オンラインフォームへの入力など、複雑なタスクを自律的に学習するエージェントの開発を加速させるでしょう。

Planning：複雑なタスクの自律的な実行

AWIは、Webエージェントが複雑なタスクを自律的に実行するための計画能力を向上させます。AWIを通じて、エージェントはWebサイトを安全に探索し、タスクを達成するための最適な経路を計画することができます。例えば、AWIは、複数のWebサイトを横断して、旅行の予約や、商品の比較検討を行うエージェントの開発を支援します。

Generalization：様々なWebサイトへの適応

AWIは、Webエージェントの汎化能力を高め、様々なWebサイトに柔軟に対応できるエージェントの開発を可能にします。標準化されたインターフェース設計により、エージェントは特定のWebサイトの構造に依存することなく、タスクを達成するための知識を獲得することができます。例えば、AWIは、異なるECサイトで商品を検索したり、異なるニュースサイトから情報を収集したりするなど、様々なWebサイトで共通のタスクを実行できるエージェントの開発を支援します。

AWIは、単なる技術的なインターフェースではなく、MLコミュニティ全体の創造性と革新性を刺激するプラットフォームです。 AWIを通じて、AIはWebをより深く理解し、より安全に活用し、より豊かなWeb体験を創造することができます。 MLコミュニティの積極的な関与こそが、AWIの成功、ひいてはAIと人間が共存する未来のWeb社会の実現に不可欠なのです。

AWIはMCPの代替？：Webエージェントの未来

Webエージェントの未来を語る上で、AWI（Agentic Web Interface）とMCP（Model Context Protocol）という2つの重要な概念を理解することが不可欠です。これらはどちらもLLMエージェントの能力向上を目指していますが、アプローチと役割が大きく異なります。

MCP：LLMエージェント間の通信を標準化

MCPは、LLMエージェント（ホスト）と様々な外部ツール（サーバー）との間の通信を標準化するためのプロトコルです。例えるなら、異なる言語を話す人同士がスムーズに会話できるように、共通の言語（プロトコル）を定めるようなものです。

特徴として、JSON-RPC 2.0というステートレスプロトコルを使用しており、クライアントサイドの状態追跡を直接サポートしていません。これは、過去の会話内容を覚えていない、毎回同じ質問を繰り返すようなイメージです。

AWI：Webエージェント専用のインターフェース

一方、AWIはWebエージェントがWebサイトをナビゲートするために特別に設計されたインターフェースです。人間がWebサイトを見るのと同じように、エージェントがWebを理解し、操作するための窓口を提供するイメージです。

特徴として、クライアントサイドの状態追跡をサポートしており、Webサイトの状態に依存するアクションをより効率的に実行できます。これは、過去の閲覧履歴や入力内容を記憶し、よりスムーズな操作を可能にするようなものです。

AWIとMCP：それぞれの役割

連携による可能性：より高度なWebエージェント

AWIとMCPは、それぞれ異なる役割を担いながらも、相互に補完的な関係にあります。AWIを介してWebサービスと通信し、MCPサーバーがAWIとサーバーサイドエージェントを介してWebサイトにアクセスすることで、より高度なWebエージェントの実現が期待できます。

例えるなら、AWIがWebサイトという街を自由に歩き回るエージェントの視覚と運動能力を向上させ、MCPが他のエージェントやサービスとの連携を円滑にするコミュニケーション能力を高めるようなイメージです。

AWIとMCPの両方を活用することで、LLMエージェントはより効率的かつ安全にWebを操作できるようになり、結果として、より高度なタスクの実行や、より複雑な問題の解決が可能になるでしょう。