生産性を解き放て：UIオートメーションとLLMベースオートメーションの組み合わせ

最近、多くの主要AI企業が、強力な基盤となる大規模言語モデル（LLM）を活用して、人々が画面上で行う多くのアクションを迅速に自動化する新機能を発表しました。AnthropicのComputer Use、Amazon Q Business、近日公開のOpenAI「Operator」は、画面を素早く理解し、使用中のソフトウェアを操作し、ユーザーの望むアクションをエミュレートできます。コーディングやモデルトレーニングは不要です。

LLMベースのオートメーションは、新しい自動化の形です。これは、情報抽出と画面、システム、ソフトウェアとのインタラクションに学習済みモデルとルールベースアプローチを用いるUIオートメーションとは大きく異なります。LLMベースのオートメーションは非常にシンプルに使えるため、一部の業界オブザーバーはUIオートメーションに取って代わる可能性を示唆しています。

これらの新技術を広範に評価しましたが、エンタープライズとユーザー全体に自動化のインパクトを拡大する可能性に期待しています。実際、それらの最高のものをプラットフォームに統合しています。AIが人間と同じようにソフトウェアとインタラクトできるため、人と画面のインタラクションを真に革命的に変える可能性があると信じています。個人の生産性を新たな高みに押し上げ、実質的に誰でもシチズンデベロッパーになり、面倒で繰り返しのタスクを自動化できる可能性を秘めています。

しかし、LLMベースのオートメーションがあらゆるプロセスでUIオートメーションに完全に取って代わることはありません。例えば、複数のシステムにアクセスし、機密データや独自データを扱う大量のミッションクリティカルな自動化プロセスでは、UIオートメーションがはるかに優れた選択肢です。このタイプのプロセスは企業全体に溢れており、一般的にUIオートメーションの方が適しています。

なぜそうなのか理解するために、各アプローチの仕組みを簡単に見てみましょう。

UIオートメーションとLLMベースオートメーションは異なる仕組みで動く、それが重要

LLMベースのアプローチは通常、マルチモーダルLLM（画像、言葉、音声などを理解）を用いて画面を「読み取り」、アクションを実行します。このアプローチは、クラウドにホストされたデータ、フィールドなどの画面上の情報をLLMが理解することに依存します。モデルは人間が取るアクションを予測し、アクション実行の指示を送信します（データのコピー＆ペーストなど）。

一方、UIオートメーションでは、ロボットが事前に開発された一連の指示に従って定義されたタスクを完了します。顧客および/またはユーザーの環境内で実行できます。データはローカルでのみ解釈され、ロボットは明確で決定論的な一連の指示に従います。最近のAI搭載の進歩により、安定性と信頼性が大幅に向上し、UIオートメーションの初期の問題であった脆さと破損の多くに対処しました。

UIオートメーションの明確なメリット

これら2つのアプローチの違いは、複雑、大量、マルチシステム、高セキュリティ、高精度を要するプロセスを自動化する際に決定的な違いを生みます。これらのタイプのワークフローでは、UIオートメーションがはるかに優れた選択肢です。理由は以下の通りです：

精度と完全性

オーダー・トゥ・キャッシュのようなミッションクリティカルなプロセスは、データの正確な抽出、移動、別場所への転記、これらの活動を取り巻く文書化とコミュニケーションに依存します。この領域では、LLMベースのアプローチはUIオートメーションのパフォーマンスに匹敵できません。

例えば、UiPathデータの分析では、UIオートメーションアプローチで全顧客のオートメーションの96.5%が正常に実行されています。公開されているAIベースオートメーションのデータでは、信頼性が大幅に低いことが示唆されています。例えば、Anthropicは、モデルにコンピュータを使用させる開発者の試みを評価するテストで14.9%の精度率を報告しました。これは人間のスキルレベル70〜75%より遥かに低いです。精度は時間とともに向上するでしょうが、UIオートメーションとの同等性達成には長い道のりがあります。

他の問題もあります。すべてのLLMは幻覚を起こしやすく、予測不可能なアクションを取る可能性があります。例えば、Anthropicの研究者たちは、LLMが突然タスクから外れ、間違った画面をクリックしたり、謎めいて国立公園の写真をダウンロードしたりする事例を指摘しています。UIオートメーションの決定論的ロボットには、そのように暴走する能力が単純にありません。

完全性の問題もあります。画面のスクリーンショットを撮るアプローチでは、マージンを超えて延びるドロップダウンリストのデータを見逃す可能性があります。また、スクリーンショット撮影時に発生していなかった短命なアクションを見逃すこともあります。UIオートメーションにはこれらの問題がありません。

セキュリティとガバナンス

プライバシーの確保、悪意ある侵入の阻止、独自データのファイアウォール内保持において、UIオートメーションは著しくリスクの少ない選択肢です。例えば、UIオートメーションでは必要なデータのみが収集されます。LLMベースのオートメーションとは対照的に、UIオートメーションでは意図せず機密データを含む可能性のあるスクリーンショットの大量抽出は行われません。さらに、UIオートメーションを実行するUiPathソフトウェアロボットは資格情報を付与でき、機密データへのアクセスを制御できます。そのレベルのセキュリティは、現在LLMベースのオートメーションでは利用できません。

我々にとっては「どちらか」ではなく「両方」

将来を見据えると、LLMベースのオートメーションの台頭が、特定のタイプのプロセスと活動にとって大きな飛躍であることは明らかです。世界は、画面とソフトウェアを使う実質的にすべての人の手に、その場でコード不要、プロンプト駆動のオートメーションを渡す夢の実現に近づいています。これまでにない個人の生産性とパフォーマンスの新時代を迎えようとしています。

これらのタイプの機能をUiPath Platform™に導入する措置をすでに講じています。特に、Autopilot™ for Everyoneのようなエンドユーザー体験に組み込むこと、またシチズンデベロッパーとオートメーション専門家向けの追加オプションとしてLLMベースのオートメーションを提供することです。

企業がこれらの新機能を活用したいが、安全かつ完全な制御下で行いたいことは承知しています。したがって、採用するモデル（またはモデル群）に関わらず、企業が必要とするオーケストレーション、管理、ガバナンスを提供するために、プラットフォームの機能を拡張してきました。

しかし、LLMベースのオートメーションの機能とサポートを拡張しながらも、UIオートメーション機能の前進を続けています。なぜなら、UIオートメーションは幅広いクリティカルなエンタープライズプロセスにとって最良のソリューションだからです。新たなAIの進歩を活用して、UIオートメーションをさらにインテリジェントに、大幅なコーディングとトレーニングなしで理解と行動をより容易に、よりレジリエントにしていきます。好例：新しいUiPath Healing Agent（現在パブリックプレビュー中）は、失敗しているオートメーションを自己修復できます。

要するに、UiPathはUIベースとLLMベースの両アプローチを含む、あらゆる形のLLM駆動オートメーションの未来を信じています。それぞれに独自の強みがあり、それぞれが特定の自動化機会セットにとってより良い選択肢です。我々の目標は、今日そして未来に利用可能な自動化オプションの全範囲を、オーケストレート、ガバナンス、管理できるエンタープライズプラットフォームを通じて両方提供することです。