Anthropicがリリースした「Claude Sonnet 4.6」は、AIがソフトウェアを「使う」能力を搭載した画期的なアップデートを実現した。従来のAIは「ツール呼び出し」に依存しており、事前にAPIとしてラップされた機能に限って動作していた。しかしSonnet 4.6は、GUI（グラフィカルユーザーインターフェース）を通じてソフトウェアを操作する「コンピュータ使用」を本格的に実装。AIは画面のスクリーンショットを読み取り、マウスのクリックやキーボード入力、スクロールなどを判断し、実際に画面に操作を反映させる。APIの事前準備が不要な点が大きな進歩である。 この能力は、人間がPCを操作するのと同様のプロセスを踏む。タスク「経費精算書を入力」や「ロンドン行きのフライトを検索」といった指示を受けると、Claudeは画面状態を把握し、適切な操作を決定。結果を確認して次のステップへ。この「エージェントループ」は、AIが視覚情報から意思決定し、フィードバックに基づいて適応する仕組みだ。 ただし、この方法には課題がある。1回の操作にスクリーンショットの取得・送信・処理・実行という一連の流れが必要なため、1ステップあたり数秒かかる。20ステップのタスクでは2〜3分かかる可能性もあり、コストも視覚トークンの使用量に比例して増加する。そのため、Anthropicはリアルタイム対応より、背景情報収集やバッチ処理、自動テストといった遅延に強い用途を推奨している。 効率を高めるために、AIは必要に応じてbashやテキストエディタといったテキストベースのツールも活用。視覚操作が必要な場合にのみスクリーンショットを使用する「マルチモーダルな判断」が重要だ。 実装はシンプルで、AnthropicはDockerコンテナ形式の参考実装を公開。APIキーとローカル環境を設定するだけで、localhost:8080にアクセスし、Claudeが実際にPCを操作する様子をリアルタイムで確認できる。これは、開発者が自らのシステムにAIエージェントを組み込むための実用的なMVP（最小限の実行可能プロダクト）を提供している。 Sonnet 4.6は新しいモデル族ではなく、Sonnet 4.5のパフォーマンス向上版。価格とコンテキスト長は同一だが、推論の精度や指示理解力、過剰設計の回避が強化されている。テストでは、4.5よりも70％のユーザーが好む結果を示し、Opus 4.5よりも59％の評価で上回った。これは、サブプロダクトのモデルが上位モデルを凌駕するという、AI分野の重要な進展と言える。