WebArena (Web操作ベンチ)
読み: うぇぶあれな
最終更新: 2026-07-09・AI PICKS編集部
定義
WebArenaとは、AIエージェントが実際のWebサイト上でショッピングや予約、情報検索などのタスクをどこまで自律的にこなせるかを測る評価用ベンチマークのこと。
WebArena (Web操作ベンチ)とは — 詳しく解説
WebArenaとは、AIエージェントがブラウザ上でECサイトの購入・予約フォーム入力・掲示板投稿などの実タスクをどこまで自律的に完遂できるかを測る、業界標準の評価ベンチマークのこと。米カーネギーメロン大学などが開発し、成功率（タスク完了率）を主要指標として複数の実サイトを模したサンドボックス環境で採点する。2026年時点の実運用では、単純な情報検索は高スコアでも、複数ステップのフォーム操作や決済確認が絡むタスクになると成功率が大きく下がる傾向が現場で指摘されており、ベンチマークのスコアが高いエージェントでも本番導入前には自社の実際の業務フロー（社内システムや独自UI）で改めて検証するコストを見込む必要がある。相場感としては、汎用ベンチマークの数値を鵜呑みにせず自社ユースケース別に再評価することが、現場での選び方の基本とされる。
WebArena (Web操作ベンチ)の使用例
- 例:「ECサイトで商品Aをカートに入れ、クーポンを適用して注文確定まで完了せよ」という指示を与え、成否を自動判定する。
- 例:「予約フォームに氏名・日程を入力し確認画面まで進める」もWebArenaの典型的なタスク設定の一つ。
WebArena (Web操作ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・452語以上を体系的に整理しています
辞典トップへ