あなたのAndroidが、そのままMCPサーバーになる

AGI Incが実際に出したもの

2026年8月6日、AGI Incは二度読みしたくなる一文を投稿しました。新しいモデルでも、新しいチャットアプリでもありません。あなたのコーディングエージェントがすでに話しているのと同じプロトコルを、スマートフォンが話しはじめたのです。

あなたのAndroidは、いまやMCPサーバーです。

AGI, Inc.（@agi_inc）2026年8月6日

「AGI MCP」は同日、platform.agi.tech で公開されました。MCPクライアントを接続すれば、エージェントが端末そのものを手にします。画面を見て、タップして、入力する。人間がやるのと同じやり方です。投稿には、実機で動いている約2分30秒の動画が添えられています。

いちばん重要なのは最後の一行です。「ログインしているすべてのアプリで。連携（インテグレーション）は不要」。これはカバー範囲についての主張であり、そのカバー範囲こそがモバイルのエージェントをずっと足止めしてきた壁でした。

実際の投稿はこちら:

見る、タップする、入力する

プロトコルの話を取り払えば、やっていることは単純です。画面を見る。次にやることを決める。実行する。もう一度見る。あなたがスマホを使うときの手順そのままで、いまはエージェントが同じことをしています。

この3つの動詞は、それぞれが独立した技術的な難問です。そして3つが揃ってはじめて、誰もAPIを書いていないアプリの中でも動くようになります。

AGI Incは、この種のオンデバイスのタスク遂行を測る標準ベンチマーク「AndroidWorld」で最高水準のスコアを報告しています。ベンチマークは製品そのものではありませんが、このループが実用に足る頻度で完結していることの目安にはなります。

連携ゼロという設計と、その代償

エージェントにアプリを触らせる従来のやり方は「連携」です。誰かがコネクタを書き、アプリ側がAPIを公開し、トークンを交換して、対応アプリが1つ増える。動きはしますが、遅い。そしてその一覧は、スマホに入っているアプリの数よりいつも遥かに短いままです。

画面を直接操作するアプローチは、この行列を丸ごと飛ばします。あなたがログインできるなら、エージェントも使える。違いを並べてみます。

最後の行が、正直に言えばこの方式のコストです。画面レベルのアクセスは本質的に広く、広いアクセスを自律ループに丸ごと預ける前には一度立ち止まる価値があります。答えは「届く範囲を狭める」ことではありません。送信・購入・削除といった取り返しのつかない操作の手前に、人間の確認を置くことです。

本当に面白いのはMCPの部分

Androidの自動化自体は昔からあります。ADBは何年も前から存在し、アクセシビリティAPIでも画面は操作できます。新しいのは包み方です。端末をModel Context Protocol越しに公開したことで、AGI Incはスマホを「あらゆるMCPクライアントが手に取れる道具」に変えました。

投稿では具体名も挙がっています。Claude Code、Codex、Cursor、そしてMCPクライアントなら何でも。つまり、頭脳と手が別々の製品になったということです。すでに信頼しているモデルとエージェント環境をそのまま持ち込めば、スマホはファイルやターミナルと並ぶ、もうひとつのツール群になります。

いま実際に役立っているエージェントの仕事の多くは、この静かなパターンの上に成り立っています。誰かが全部を作る必要はない。あるチームが操作可能な面をつくり、別のチームが優れたエージェントをつくる。MCPは、その2つが噛み合う継ぎ目です。

画面がAPIになりつつある

この20年、ソフトウェアに別のソフトウェアを触らせるということは、APIをお願いすることを意味していました。この前提には「アプリの作り手が協力したがっている」という仮定があります。実際にはそうでないことも多く、協力してくれるのは自社の利益になる範囲までです。

画面レベルのエージェントは、この前提を丸ごと回避します。インターフェースが契約になるからです。インターフェースは、アプリが使ってもらうために必ず外へ出さなければならない唯一のものだからです。人が操作できるなら、見て動けるエージェントにも操作できます。

今回の発表が、個別の製品以上の意味を持つのはそのためです。自動化のラストワンマイルを、アプリごと・会社ごとに交渉して回る必要はない。それを実証してみせたのです。

同じ発想を、目の前のパソコンで

AGI Incはこれをスマートフォンでつくりました。VoiceOSは、同じ発想のデスクトップ側をつくってきました。

Macでは、あなたが頼んだときにVoiceOSが画面を見て、どこを指しているのかを理解し、そのうえで動きます。いま開いているアプリに書き込み、メールを送り、Slackに投稿し、カレンダーに予定を作り、コーディングエージェントに作業を渡す。すべて、話すだけで完結します。

肝心なところで、この2つはぴたりと重なります。質問に答えるだけのアシスタントは、少し賢い検索ボックスにすぎません。画面を見て、実際に手を動かすアシスタントは、オペレーティングシステムの層に近づきます。名前の由来もそこにあります。

VoiceOSもMCPサーバーに接続できます。つまり、AGI Incがスマホを公開するのに使ったプロトコルは、VoiceOSがあなたの既存ツールに手を伸ばすのに使っているものと同じです。Macに話しかけると、その一部の処理がスマホ側で実行される。そんな未来は飛躍ではありません。2つのMCPエンドポイントと、ひとことの指示で届く距離です。

まだ難しいこと

すべては信頼性にかかっています。画面を読んで次のタップを選ぶ処理は長い連鎖であり、1ステップあたり95パーセントの信頼性は、20ステップ通した先ではまったく95パーセントではありません。ベンチマークの数字が重要なのはそのためであり、同時にそれが「銀行アプリを任せられる」という話とは別物である理由でもあります。

2つめは速度です。1ステップごとにスクリーンショット、モデル呼び出し、タップのコストがかかり、そのあとアプリの応答も待ちます。本物のAPIが1回の呼び出しで済ませられることは、画面操作より速いままでしょう。画面操作は「必ず効く代替手段」であって、直通の道があるときの最短経路ではありません。

そして信頼の問題があります。ログイン済みセッションの中で動くエージェントは、その端末においてあなたと同じだけの力を持ちます。それが狙いであると同時に、影響の大きい操作の前の確認を、設定項目ではなく標準の流れに置くべき理由でもあります。

とはいえ、これらは今回の発表を軽く見る理由にはなりません。能力が先に届き、それを扱う作法が後から固まっていく。新しい能力が現れるときの、ごく普通の順番です。能力そのものは本物で、すでにここにあります。

よくある質問（FAQ）