スマホ画面をAIが勝手に叩く：智譜AutoGLMのOS侵食

1. 満員電車の中で「指を動かす苦痛」からの解放：スマホの主客が逆転する朝

平日の午前8時30分。東京や北京の地下鉄の車内は、吊り革に片手でつかまり、もう片方の手で必死にスマートフォンの画面をフリックする通勤客で埋め尽くされています。

片手にはカバン、もう片方の手にはスマートフォン。親指だけを小刻みに動かしながら、私たちは毎朝、無数の「デジタルな雑務」と格闘してきました。

「オフィスに着く9時ちょうどに、デスクにホットのオーツミルクラテが届くようにフードデリバリー（美団や出前館、Uber Eats）を注文したい。ついでに一番割引率の高いクーポンを適用しておきたい」 「昨晩同僚から届いたチャットに返信し、忘れないうちに誕生日祝いの祝儀（紅包やLINE Pay送金）を送らなければならない」 「来週末の新幹線チケットの予約開始時間をチェックし、リマインダーに登録しておきたい」

従来のスマートフォン生活において、これらのささやかな願望を果たすには、少なくとも3つの別々のアプリを立ち上げ、無数のポップアップ広告を親指で「×」ボタンを押して閉じ、複雑怪奇なクーポンの利用条件を睨みつけ、決済画面まで何度も画面遷移を繰り返す必要がありました。画面を見つめる視線はこわばり、親指の付け根には鈍い疲労が蓄積していきます。

しかし、清華大学発のAIユニコーン・智譜AI（Zhipu AI）が世に放った自律型モバイルエージェント「AutoGLM」を起動した瞬間、この15年間当たり前だと信じ込まされてきた「スマートフォンの作法」は、音を立てて崩れ去ります。

イヤホンのマイクに向かって、ただ普段通りの口調で呟くだけです。

「いつものオーツミルクラテをオフィス宛てに頼んでおいて。一番お得なクーポンを使ってね。それから李さんに88元（約1,800円）の誕生日のお祝いを送っておいて」

ポケットの中、あるいは片手で握られたスマートフォンの画面が、まるで不可視の専属執事が乗り移ったかのように自律的に動き始めます。

美団（Meituan）が自動で立ち上がり、検索バーに迷いなくキーワードが打ち込まれ、過去の注文履歴からお気に入りのカフェのラテが選択されます。「満減（まとめ買い割引）」のバナーをスクロールで見つけ出し、保有するクーポンの中から最大の割引額を自動で適用して注文確定ボタンの手前まで進むと、画面は瞬時にWeChatへと切り替わります。該当するチャットルームが開かれ、正確に88元のお祝いメッセージが生成され、生体認証（Face ID）の承認画面でそっとユーザーの顔を待ち受けます。

そこに、かつてあった「どのボタンを押すべきか」「広告の罠をどう回避するか」という認知的ストレスは一切存在しません。

人間がスマートフォンの画面の奴隷となり、アプリの設計者の意図通りに指先を動かしていた時代から、スマートフォンが人間の意図を汲み取って自律的に手足を動かす時代へ。「操作権の主客逆転」がもたらす圧倒的な心理的解放感こそが、AutoGLMが中国の若年層やビジネスパーソンを熱狂させている最大の理由です。

---

2. 「アプリを開く」という15年の呪縛：なぜ私たちは画面の奴隷になったのか

スティーブ・ジョブズが2007年に初代iPhoneを発表し、翌2008年にApp Storeを開設して以来、世界のデジタルライフは「四角いアイコンが敷き詰められた画面」によって定義されてきました。

この15年間、テック企業各社は何億人ものユーザーの可処分時間を自社のアプリ内に閉じ込めるため、神経科学や行動経済学を駆使してUI/UXを設計してきました。通知の赤丸バッジ、巧妙な無限スクロール、毎日ログインしなければ消滅するポイント、そして他社アプリへの離脱を徹底的に防ぐ「囲い込み（Walled Gardens）」の壁です。

特に中国のモバイルインターネット環境は、世界で最も利便性が高く、同時に最もプラットフォーム間の対立が激しい「閉鎖的な孤島」の集合体でした。テンセント（騰訊）のWeChat、アリババ（阿里巴巴）の淘宝（Taobao）、美団（Meituan）、バイトダンス（字節跳動）の抖音（Douyin）は、互いのリンクを遮断し、外部向けAPIの開放を拒絶し合ってきました。

結果として、ユーザー自身がアプリとアプリの狭間を往復する「人間API（ヒューマン・グルー）」として酷使される構造が定着していたのです。

従来のAIチャットボット（ChatGPTやClaudeなど）は、確かに賢い「相談相手」にはなってくれました。しかし、それらは常にテキストボックスの内側に幽閉されていました。「美団で出前を取って」と頼んでも、AIにできるのは「注文方法の手順」を箇条書きで教えてくれることだけであり、最後の数分間の面倒なボタン連打は、依然として生身の人間がやらなければならなかったのです。

AutoGLMのプロダクト的ブレイクスルーは、APIの開放を待つという優等生的なアプローチを完全に捨て去った点にあります。「プラットフォームがAPIを開かないのであれば、人間と同じように画面のピクセル（RGB情報）を目で見て、人間の指の代わりに画面をタッチすればいい」という、力強くも人間味あふれるアプローチを選んだのです。

---

3. 「見ているだけで用事が片づく」実機体験：カオスな日常UIを乗りこなす快感

AutoGLMを実際に日常で使い始めたユーザーが口を揃えて語るのは、効率化の数値以上に「見ているだけで日常のストレスが霧散していくエンターテインメント感」です。

中国のスーパーアプリのUIは、日本のアプリと比較しても極限まで情報過多です。セールの派手なアニメーション、飛び交う割引カウントダウン、画面半分を覆い尽くすライブ配信の小窓など、人間の目ですら目眩を覚えるカオスな空間が広がっています。

AutoGLMはその混沌とした画面を、マルチモーダルモデルの「視覚言語認識」によってミリ秒単位で解読していきます。

特に智譜AIの張鵬CEOが語る基礎研究への執念が結実した「AutoGLM 2.0」へのアップデートにおいて、ユーザー体験を劇的に変えたのが「云手机（クラウドフォン）」モードの導入でした。

初期の1.0では、AIがタスクを実行している最中、ユーザーは自分のスマートフォンの画面が勝手にスクロールされるのをじっと見守る必要がありました。それはまるで自分のスマートフォンを誰かに貸しているような落ち着かない感覚を伴っていました。

しかし2.0では、タスクがクラウド上のセキュアな仮想サンドボックス内で並行処理されるようになりました。

ユーザーは物理スマートフォンの画面で友人とLINEやWeChatで雑談したり、YouTubeの動画を見たりしながら、バックグラウンドのクラウド端末でAIに「フライトの座席指定」や「ECサイトの買い回り特売品の決済手続き」を完全に任せることができるようになったのです。タスクが完了した時だけ、画面上部に「決済の準備が整いました。顔認証を行ってください」という通知が静かに舞い降ります。

これは、単なる「自動化マクロ」ではありません。自分と同じ生活リズムで動き、自分の好みを熟知した「デジタルの分身（Digital Twin）」が、クラウドの中で黙々と働いてくれているという強烈な実感をユーザーにもたらしたのです。

---

4. モバイルOSの覇権争い：アップルやグーグルが最も恐れる「画面の透明化」

ユーザーがAutoGLMのような自律エージェントに依存し始めたとき、モバイル産業のピラミッドには地殻変動が起こります。

これまでのモバイルエコノミーにおける勝者は、「ユーザーの視線と滞在時間（Time Spent）」を最も長く奪った企業でした。アプリ起動画面のフルスクリーン広告、フィード広告、リコメンド枠——すべては「人間が画面を直視し、指でスクロールする」ことを前提に値付けされてきたビジネスモデルです。

もしユーザーがアプリの画面を二度と開かなくなったら、何が起きるでしょうか。

美団や淘宝がどんなに精緻な広告アルゴリズムを開発しても、画面を見ているのが「感情を持たず、広告バナーを一瞬で×ボタンで消去し、純粋に価格とレビューデータだけを比較するAIエージェント」であったなら、従来の広告ビジネスは成立しなくなります。

アプリは単なる「データの供給パイプ」に成り下がり、ユーザーとの接点（コンタクトポイント）のすべては「エージェントを握る者」へと移行します。これこそが、アップルやグーグル、そして大手プラットフォーマーが最も恐れている未来です。

比較項目	智譜AI「AutoGLM」	Apple Intelligence	Google Gemini on Android	従来型RPA / マクロ
操作対象の認識方式	画面のピクセルを視覚解読（VLM）	システム内部のApp Intents API	システム連携＋画面キャプチャ	座標決め打ち・HTMLタグ解析
アプリ側のAPI開放	一切不要（完全外付け）	必須（開発者の対応が必要）	部分的に必要	不要だが画面変化に極めて脆弱
実行環境の柔軟性	実機端末 ＋ クラウドフォン（非同期）	端末内（On-Device）中心	端末内＋クラウド連携	ローカルPC/端末のみ
エコシステム戦略	Open-AutoGLMとしてオープン化	垂直統合型（iOS内に厳重封鎖）	Android統合（自社サービス優先）	企業向けクローズドツール
ユーザーの実感	「スマホが勝手に働いてくれる執事」	「賢いSiriが文脈を教えてくれる」	「アシスタントが検索を補佐する」	「壊れやすいバッチ処理」

アップルの「Apple Intelligence」は、洗練されたプライバシー保護と美しいUIを誇るものの、外部アプリを操作するためには開発者が「App Intents」と呼ばれる専用の仕様に準拠してアプリを作り直す必要があります。しかし、競合関係にある巨大プラットフォーマーたちが、素直にアップルの軍門に下って自社アプリのコア機能をAPI開放するでしょうか。その歩みは極めて鈍重です。

一方、智譜AIは「相手の合意を待たない」というアプローチでこの膠着状態を一気に飛び越えました。さらに同社は、中核フレームワークである「Open-AutoGLM」をオープンソースとして公開し、自前のOSを持たない中国のスマートフォンメーカー（栄耀/Honor、小米/Xiaomi、vivo、OPPOなど）へ次々と技術を提供しています。

スマートフォンメーカーにとっては、アップルのiOSに対抗するための「究極の武器」が棚からぼた餅のように手に入ったことになります。ハードウェアのスペック競争が頭打ちになる中、端末に「AutoGLMベースの執事機能」が標準搭載されているかどうかが、若者の買い替え動機を左右する決定打になりつつあるのです。

---

5. 指先から言葉へ：私たちがスマートフォンと結び直す新たな「心の距離」

コンピュータの歴史を振り返れば、人間と機械のインターフェースは常に「人間の身体的負担を減らす方向」へと進化してきました。

キーボードで難解なコマンドを打ち込んでいたCUIの時代から、マウスでアイコンをクリックできるようになったGUIの時代。そしてスティーブ・ジョブズが「世界最高のポインティングデバイスは人間の指だ」と宣言して普及させたマルチタッチスクリーンの時代です。

しかし、タッチスクリーンが世界を覆い尽くした結果、私たちは一日のうち4時間も5時間も、小さなガラス板に視線と親指を縛り付けられることになりました。歩きスマホで人とぶつかりそうになり、食事中も通知に怯え、ベッドの中でもブルーライトを浴びてスクロールをやめられない——それは、テクノロジーの進化がもたらした「豊かな生活」とは到底呼べないディストピア的な光景でした。

AutoGLMが切り拓いたのは、単に「スマホを自動で操作する技術」ではありません。人間がスマートフォンというデバイスと結び直す「心の距離の健全化」です。

指示を出したら、スマートフォンをポケットにしまい、目の前に広がる朝の街並みを見上げたり、淹れたてのコーヒーの香りに集中したりする。機械がやるべき泥臭い手続きは機械に任せ、人間は「自分が何を食べたいか」「誰にどんな言葉を伝えたいか」という純粋な意志の決定だけに集中する。

日本の産業界にとっても、この潮流は極めて示唆に富んでいます。深刻な人手不足、超高齢化社会における「スマートフォンの操作が難しすぎて行政サービスやキャッシュレス決済から取り残されるシニア層」の課題に直面する日本こそ、アプリのUIを覚える必要がなく、言葉だけで端末が自律的に動いてくれる「Phone Agent」の恩恵を最も切実に必要としているはずです。

「画面を見るのをやめ、言葉を紡ぐだけで世界が動く」——智譜AIのAutoGLMが中国で引き起こした静かなユーザー体験の革命は、私たちが長年囚われてきた「アプリの檻」の扉が、ついに外側から開かれた瞬間を告げています。