GPT-5.4のネイティブComputer Use徹底解説｜APIの使い方と実装ガイド【2026年】

「なぜ今GPT-5.4のcomputer useが注目されているか」——その答えは数字に出ている。

2026年3月5日、OpenAIはGPT-5.4をリリースした。それまでのGPT-5.2でOSWorld（デスクトップナビゲーションのベンチマーク）スコアが47.3%だったのに対し、GPT-5.4は75.0%を記録。人間の専門家ベースライン72.4%を超えた（OpenAI公式ドキュメント、2026年6月時点）。

検証環境でこのモデルを動かしてみると、「フォームを開いて入力して送信する」「アプリを切り替えてデータを転記する」といった操作を自律的にこなしてくれる。従来のSeleniumやPlaywrightによるスクリプト自動化と根本的に異なるのは、UI要素のセレクタを書く必要がない点だ。モデルが画面を「見て」、何をすべきかを判断する。

この記事では、GPT-5.4のcomputer useを実際のAPIで使う方法を、実装コードと共に解説する。Anthropic Computer UseやClaude computer-use APIとの違い、実装時のハマりどころも含めて整理した。

GPT-5.4のモデルラインナップと仕様

GPT-5.4には3つのバリアントがある（OpenAI Models一覧、2026年6月時点）。

モデルID	コンテキスト長	入力価格	出力価格	用途
gpt-5.4	1,050,000トークン	$2.50/1Mトークン	$15.00/1Mトークン	汎用・フロンティア
gpt-5.4-mini	400,000トークン	$0.75/1Mトークン	$4.50/1Mトークン	コーディング・サブエージェント
gpt-5.4-pro	1,050,000トークン	$30.00/1Mトークン	$180.00/1Mトークン	高精度・深い推論

コスト上の注意点が1つある。gpt-5.4 と gpt-5.4-pro の1.05Mトークンコンテキストは、272,000トークンを超えるプロンプトを投入すると入力価格が2倍（$5.00/1M）、出力が1.5倍になる。長大なスクリーンショット履歴を渡し続けるcomputer useワークフローでは特に注意が必要だ。

computer use目的でコスト重視なら gpt-5.4-mini（400Kトークン、$0.75/$4.50）が有力な選択肢になる。

computer useの仕組み——Playwrightとスクリーンショットのループ

GPT-5.4のcomputer useは、大まかに言うと次のサイクルで動作する。

1. エージェントがタスクを受け取る
2. 現在の画面状態（スクリーンショット）をモデルに渡す
3. モデルが「次にすべきアクション」を返す（クリック座標、キー入力、スクロール等）
4. アクションを実行して新しいスクリーンショットを取得
5. タスク完了まで2〜4を繰り返す

内部的には、PlaywrightやPuppeteerなどのブラウザ自動化ライブラリを使ってアクションを実行するコードをモデルが生成・実行するか、またはモデルがマウス・キーボードのコマンドを直接返して環境側で実行する。OpenAIの公式ドキュメントでは「Playwrightを含むライブラリを使ったコード生成」と「スクリーンショットへの応答としてマウス・キーボードコマンドを直接発行」の両方が言及されている（developers.openai.com）。

重要なのは、モデルが「APIを知っている」わけではなく、「画面を見て操作する」という点だ。これにより、APIを持たない社内レガシーシステムや、WebアプリでもGUI操作が必要な箇所を自動化できる。

【実装】APIでcomputer useを有効化する基本コード

GPT-5.4のcomputer useは、Responses APIで tools パラメータに {"type": "computer"} を渡すことで有効化する。以下は最小構成の実装例だ。

# 動作環境: Python 3.11+, openai>=1.50.0
# 必要パッケージ: pip install openai pillow playwright
# playwright初期化: playwright install chromium

import openai
import base64
from playwright.sync_api import sync_playwright

# OpenAI クライアント初期化
client = openai.OpenAI()  # OPENAI_API_KEY環境変数から自動読み込み

def capture_screenshot(page) -> str:
    """現在の画面状態をbase64エンコードして返す"""
    screenshot_bytes = page.screenshot()
    return base64.b64encode(screenshot_bytes).decode("utf-8")

def run_computer_use_agent(task: str, url: str, max_steps: int = 10):
    """
    GPT-5.4 computer useを使った基本エージェントループ

    Args:
        task: 実行したいタスクの自然言語指示
        url: 操作対象のURL
        max_steps: 最大ステップ数（無限ループ防止）
    """
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=True)
        page = browser.new_page()
        page.goto(url)

        messages = [
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": task},
                    {
                        "type": "image_url",
                        "image_url": {
                            "url": f"data:image/png;base64,{capture_screenshot(page)}"
                        }
                    }
                ]
            }
        ]

        for step in range(max_steps):
            response = client.responses.create(
                model="gpt-5.4",
                input=messages,
                tools=[{"type": "computer"}],  # computer useを有効化
                reasoning={"effort": "medium"},     # 推論レベルはnone/low/medium/high/xhigh
            )

            # レスポンスを確認
            output = response.output
            if not output:
                print(f"Step {step+1}: No output received. Stopping.")
                break

            # 完了判定（モデルがアクションなしで応答した場合）
            has_action = any(hasattr(item, "type") and item.type == "computer_call" for item in output)
            if not has_action:
                print(f"Step {step+1}: Task complete.")
                break

            # アクションを実行（実際の実装では各アクションタイプを処理する）
            # 注意: 本番環境では必ず各アクションのバリデーションを行うこと
            print(f"Step {step+1}: Executing actions...")

            # 次のステップ用にスクリーンショットを更新
            messages.append({
                "role": "assistant",
                "content": [item.model_dump() for item in output]
            })
            messages.append({
                "role": "user",
                "content": [{
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{capture_screenshot(page)}"
                    }
                }]
            })

        browser.close()

# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# GPT-5.4は試験的なAPIを使用しており、仕様が変更される可能性があります。

動作環境： Python 3.11+、openai>=1.50.0、playwright

上記は概念的な実装フレームワークだ。実際のプロダクション実装では、OpenAI公式ドキュメントの最新APIリファレンスを必ず確認すること（GPT-5.4 Model Reference）。APIの具体的なレスポンス形式や利用可能なアクションタイプは公式ドキュメントで確認されたい。

reasoning.effortパラメータの使い分け

GPT-5.4はReasoning Effortパラメータで推論の深さをコントロールできる。computer useタスクの複雑さに応じて選択することでコストと精度のトレードオフを調整できる。

レベル	用途	特徴
none	単純なGUI操作（ボタンクリック1回等）	最速・最安、推論なし
low	数ステップのフォーム入力	軽量な推論
medium	一般的なブラウザ自動化タスク	バランス型（推奨起点）
high	複数アプリをまたぐ複雑なワークフロー	精度重視
xhigh	エラーが許されない重要タスク	最高精度・最高コスト

注意点として、reasoning.effort を none 以外に設定すると、temperature、top_p、logprobs などのサンプリングパラメータが無視される。reasoning effortとサンプリングパラメータは排他関係にある。

また、gpt-5.4-pro は medium、high、xhigh のみをサポートする（Responses APIのみ対応）。

Anthropic Computer Useとの違い——エンジニアが知っておくべき3点

AIエージェント実装の現場では「AnthropicのComputer Use API（Claude）を使っているが、GPT-5.4と何が違うのか」という疑問が多い。整理すると以下の3点が主な差異だ。

1. ベンチマーク上の性能差
OSWorldスコアはGPT-5.4が75.0%に対し、Claude Opus 4.6が72.7%（2026年6月時点の公表値比較）。ただしベンチマークスコアは特定のタスクセットでの結果であり、実際のユースケースで同じ差が出るとは限らない。

2. APIエンドポイントとパラメータ体系の違い
GPT-5.4はOpenAIの標準的なResponses API（v1/responses）またはChat Completions API（v1/chat/completions）で利用できる。AnthropicのComputer UseはAnthropic独自のAPI構造（betaヘッダー指定）が必要な点で異なる。既にOpenAI APIを使っている環境であれば、GPT-5.4への移行コストは低い。

3. モデルコストの比較
computer use用途でコストを比較する場合、各プロバイダーの最新公式価格を確認すること。モデル価格はAI業界では頻繁に変更されるため、この記事の数値は参考値として扱い、実装前に必ず公式で確認してほしい。

どちらが「正解」かはユースケース次第だ。既存のOpenAIエコシステムに乗っているチームはGPT-5.4、Anthropicエコシステムに乗っているチームはClaude Computer Useを選ぶのが合理的な場合が多い。

AIエージェント全般のマルチエージェント設計については、Grokマルチエージェント実装ガイドも参考にしてほしい。また、エージェントのメモリ設計についてはAIエージェントメモリ比較2026で詳しく解説している。

tool_searchによる大規模ツールセット対応

GPT-5.4には tool_search という機能がある。エージェントが多数のツールを持つ場合（例: 100個以上のツール定義）、全ツールをコンテキストに含めるとトークン消費が膨大になる。tool_search を有効化すると、モデルが必要なツールを検索してコンテキストに追加する仕組みになり、トークン使用量を大幅に削減できる。

# tool_searchを使った大規模ツールセット対応の例
# （概念的な実装——実際の構造は公式ドキュメントを参照）
response = client.responses.create(
    model="gpt-5.4",
    input=messages,
    tools=tools_registry,  # 大量のツール定義
    tool_search=True,      # 必要なツールを動的に検索
    reasoning={"effort": "medium"},
)

# 注意: tool_searchの具体的なAPIパラメータ名は
# 公式ドキュメント https://developers.openai.com/api/docs/models/gpt-5.4 で確認してください。

大量ツールを持つマルチエージェントシステムでは、このアプローチによりコスト削減効果が期待できるとされている（NxCode APIガイド参照）。ただし具体的な削減率は環境により異なるため、自分の環境で実測することを推奨する。

【要注意】computer use実装でよくある失敗パターン

失敗1：エラーハンドリングなしで本番運用する

OSWorld 75%という数字を別の角度から見ると、4回に1回はタスクを失敗するということだ。実際の業務ワークフローでcomputer useを使う場合、失敗時のリトライロジックとフォールバック処理は必須だ。

import time

def run_with_retry(task: str, url: str, max_retries: int = 3):
    """リトライロジック付きcomputer useエージェント"""
    for attempt in range(max_retries):
        try:
            result = run_computer_use_agent(task=task, url=url)
            if result.get("success"):
                return result
            print(f"Attempt {attempt + 1} failed: {result.get('error')}")
        except Exception as e:
            print(f"Attempt {attempt + 1} exception: {e}")

        if attempt < max_retries - 1:
            time.sleep(2 ** attempt)  # 指数バックオフ

    # 最終失敗時は人間へのエスカレーション通知を行うこと
    raise RuntimeError(f"Task failed after {max_retries} attempts")

# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。

失敗2：センシティブなシステムで無人実行する

OpenAIの公式ドキュメントでは「センシティブなシステムでcomputer useを無監督で実行しない」と明確に警告している。モデルはUI要素を誤クリックしたり、誤解釈した操作を実行する可能性がある。本番環境では、特に重要なアクション（送信・削除・決済等）の前に人間確認ステップを入れることを強く推奨する。

失敗3：コンテキストウィンドウを意識せずに長いセッションを走らせる

computer useはステップごとにスクリーンショットをコンテキストに追加していくため、長いセッションほどトークン消費が増える。1.05Mトークンのコンテキストは大きいが、無制限ではない。セッション管理として、定期的にコンテキストをクリアするか、重要な状態だけを要約してから次のステップに渡す設計が必要だ。

失敗4：reasoning.effortとサンプリングパラメータを同時に使う

前述のとおり、reasoning.effort を none 以外に設定すると、temperature などが無視される。実装コードに両方が混在していると、意図しない動作になる。APIドキュメントで現在のパラメータ互換性を確認することが重要だ。

どのユースケースに向いているか

GPT-5.4のcomputer useが特に有効な場面と、向いていない場面を整理する。

向いているユースケース：

• APIを持たないレガシーWebシステムのデータ入力・取得の自動化
• デスクトップアプリ（Office系、業務システム）の操作自動化
• 複数アプリをまたぐデータ転記ワークフロー
• スクレイピング困難なサイトからのデータ収集（利用規約の確認が必要）
• フォームベースのテスト自動化

向いていないユースケース（注意が必要）：

• APIが提供されているシステムの操作（APIを使う方が速く安定している）
• リアルタイム処理が必要な場面（computer useはステップごとに待ち時間が発生する）
• 金銭的・個人情報にかかわる重要操作を完全自動化する場面（人間レビュー必須）

よくある質問

Q1：GPT-5.4のcomputer useはどのAPIエンドポイントで使えますか？
A：Responses API（v1/responses）および Chat Completions API（v1/chat/completions）で利用できます。gpt-5.4-pro はResponses APIのみ対応です。最新情報はOpenAI公式ドキュメントを確認してください。

Q2：computer useのコストはどう計算しますか？
A：基本的にはトークン課金（入力$2.50、出力$15.00/1Mトークン）で、ツールコールごとの追加料金も発生する場合があります。272Kトークン超のセッションは価格が倍増します。正確な計算には公式価格ページを参照してください。

Q3：GPT-5.4 miniでcomputer useは使えますか？
A：はい、gpt-5.4-mini もcomputer useに対応しています。コスト重視の場合（$0.75/$4.50/1Mトークン）や高頻度の軽量タスクに適しています。

Q4：Anthropic Computer Use（Claude）からの移行コストはどのくらいですか？
A：AnthropicのAPIとOpenAIのAPIは構造が異なるため、ツール呼び出しの処理部分の書き直しが必要です。ただし、タスク指示やスクリーンショットの取り扱いロジックは概念的に似ているため、移行は一般的なAPI切り替えと同程度の工数です。

Q5：GPT-5.4のcomputer useを使う際の安全上の注意点は？
A：センシティブなシステムでの無監督実行を避け、重要なアクション前に人間確認ステップを設けることが重要です。また、モデルの誤操作に備えたロールバック手段や、操作ログの記録を実装することを推奨します。

まとめ：今日から試すための3つのアクション

1. 公式ドキュメントでAPIを確認する：developers.openai.com/api/docs/models/gpt-5.4 でGPT-5.4の最新仕様を確認する
2. テスト環境で最小実装を動かす：本記事のコード例を参考に、ローカル環境で非クリティカルなタスクから試す
3. gpt-5.4-mini から始める：コスト効率を考慮して、まず miniモデルで概念検証（PoC）を行い、精度が不足する場合に gpt-5.4 に切り替える

AIエージェントが実際のGUI操作をこなせるようになることで、これまでAPI化が困難だったシステムの自動化が現実的な選択肢になってきた。ただしこの技術はまだ発展途上だ。75%の成功率は印象的だが、25%の失敗率を前提とした設計が重要になる。

参考・出典

• GPT-5.4 Model | OpenAI API（2026年6月時点）
• GPT-5.4 mini Model | OpenAI API（2026年6月時点）
• GPT-5.4 Pro Model | OpenAI API（2026年6月時点）
• Models | OpenAI API（2026年6月時点）