OpenAI Codex「Record & Replay」は単なるRPAではない──VS Codeのトークン効率改善と合わせて読み解く、エージェント設計の新潮流

2026年6月18日、OpenAIがCodexに「Record & Replay」機能を追加しました。名称だけ見ると、画面操作を記録して再生する従来型のRPA（Robotic Process Automation）ツールを連想するでしょう。実際、多くの開発者が「またRPAか」と流してしまったはずです。

しかし、ドキュメントを丁寧に読み込むと、この機能が従来のRPAとは**根本的に異なる設計思想**に基づいていることがわかります。さらに興味深いのは、同じ週にVS Codeチームが発表した「GitHub Copilotのトークン効率改善」という地味な技術記事との関連性です。

一見無関係に見えるこの2つの発表は、実はAIエージェント開発における同一の課題──**コンテキスト管理の最適化**──に対する異なるアプローチを示しています。

従来のRPAは「操作の再現」が目的でした。マウスの座標、クリックのタイミング、キー入力の順序を忠実に記録し、それを再生します。画面レイアウトが変わると動作しなくなるのは、この「手順の固定化」が原因です。

対してCodexのRecord & Replayは、**ユーザーの操作から「意図」を抽出**します。具体的には以下のプロセスを踏みます。

1. ユーザーの操作を観察

2. 操作の背後にある**タスクの構造**を理解（例：「特定条件のデータを抽出してフォーマット変換」）

3. その意図を**抽象化されたコード**として生成

4. 環境が変化しても意図を達成できる柔軟な実装を提供

これは「録画再生」ではなく「意図の学習と汎化」です。UIが変わっても、データ構造が少し異なっても、**達成すべきゴール**を理解しているため適応できます。

同週に発表されたVS Codeチームの取り組みは、表面的には「裏方の最適化」に見えます。しかしその実態は、**AIエージェントに渡すコンテキストの質的向上**です。

具体的には以下の改善が行われました。

これらの改善により、同じトークン数でも**より深い理解と正確な提案**が可能になりました。

Record & Replayとトークン効率改善──この2つは実は**同じ問題の表裏**を扱っています。

**共通の課題**：AIエージェントは無限の情報を処理できない。限られたコンテキストウィンドウの中で、いかに本質的な情報を保持するか。

**Record & Replayのアプローチ**：操作の詳細ではなく「意図」という高次の抽象概念を抽出することで、情報を圧縮しつつ再現性を確保。

**トークン効率改善のアプローチ**：コードの依存関係と重要度を分析し、タスクに本当に必要な情報だけを選別することで、限られたトークンを最大活用。

どちらも「**情報の量ではなく質**」を重視する方向へのシフトです。これは、LLMベースのエージェント設計における重要なパラダイム転換を示しています。

従来のRPAツールとの決定的な違い

UiPath、Automation Anywhere、Power Automate Desktopといった従来のRPAツールは、「手順の自動化」に特化しています。画面の座標や要素のXPathを記録し、それを忠実に再現します。

これに対しCodexのアプローチは**意味理解ベース**です。例えば「Excelの特定列から条件に合うデータを抽出してCSVに保存」という操作を記録した場合：

前者は画面レイアウト変更に弱く、後者はデータ構造さえ維持されていれば異なるツールでも実行可能です。

メリット：保守性と拡張性の劇的向上

1. **環境変化への耐性**：UI変更、バージョンアップに強い

2. **可読性**：生成されたコードは人間が理解・修正できる

3. **組み合わせ可能**：抽出された意図は他のワークフローと統合しやすい

4. **学習効果**：ユーザー自身がコードを理解し、応用できるようになる

注意点：適用範囲の見極めが重要

一方で、以下のケースでは従来型RPAの方が適切な場合もあります。

1. **レガシーシステムの操作**：APIが存在せず、画面操作以外に手段がない場合

2. **一時的な自動化**：使い捨ての作業で、コード生成のオーバーヘッドが見合わない場合

3. **非技術者による即座の自動化**：コードレビューや保守の体制がない環境

Codexのアプローチは、**中長期的に保守・拡張するワークフロー**において真価を発揮します。

トークン効率改善が開発者にもたらす変化

VS Codeの改善は、開発者の働き方に3つの変化をもたらします。

1. **より大規模なコードベースでの有効性**：従来は小規模プロジェクトでしか実用的でなかったAI支援が、エンタープライズレベルでも機能

2. **提案の精度向上**：ノイズが減ることで、本当に必要な提案だけが表示される

3. **レスポンス速度の改善**：不要な情報を送らないことで、APIコールの時間も短縮

これは「AIアシスタントは小規模開発の補助ツール」という認識を覆す可能性があります。

1. 自分のワークフローを「意図」で分解する

CodexのRecord & Replay機能にアクセスできなくても、その思考法は応用できます。日常の繰り返し作業を記録する際、**手順ではなく意図**をメモしてください。

❌ 悪い例（手順）:
1. Excelを開く
2. B列をクリック
3. フィルタを適用
4. 値が100以上を選択
5. コピーして新しいシートに貼り付け

✅ 良い例（意図）:
- 目的：売上データから高額取引を抽出
- 入力：月次売上Excel（B列に金額）
- 条件：金額 >= 100
- 出力：条件を満たすレコードのみの新規シート

この「意図ベース」の記述を、ChatGPTやClaude Codeに渡せば、より堅牢な自動化スクリプトを生成してもらえます。

2. Copilotのコンテキストを意識的に整理する

VS Codeの改善を最大限活用するため、以下を実践してください。

// ファイルの冒頭に、このファイルの役割を明確にコメント
/**
 * UserService: ユーザー認証とプロフィール管理を担当
 * 依存: AuthProvider, DatabaseClient
 * 使用箇所: UserController, AdminPanel
 */

こうした**構造的なコメント**により、AIは必要なファイルを的確に特定できます。また、作業前に不要なファイルを閉じることで、ノイズを減らせます。

3. 小さな自動化から「意図の汎化」を試す

簡単なタスクで実験してみましょう。例えば「毎週金曜日にチームの進捗レポートを生成」という作業を自動化する際：

1. **初回**：手動で操作しながら、各ステップの意図を記録

2. **抽象化**：「Gitコミットログから特定期間のアクティビティを抽出」「Jiraから完了タスクを取得」など、ツール非依存の意図に変換

3. **実装依頼**：その意図をAIに伝え、Pythonスクリプトなどを生成してもらう

4. **検証**：生成されたコードが、ツールのUI変更に影響されないか確認

このプロセスを繰り返すことで、「AIに自動化を依頼する際の効果的な伝え方」が身につきます。

OpenAIのRecord & ReplayとVS Codeのトークン効率改善は、AIエージェント設計における重要な転換点を示しています。

キーワードは**「量から質へ」「手順から意図へ」「記録から理解へ」**。これらは、LLMの能力が単なるパターンマッチングを超え、真の意味での「理解」に近づいていることを示唆しています。

開発者として押さえるべきは、この変化を「便利な新機能」としてではなく、**ワークフロー設計の根本的な見直しの契機**として捉えることです。「どう自動化するか」の前に「何を達成したいのか」を明確にする──このシンプルな原則が、これからのAI時代により重要になります。

この情報は @中村 啓｜LLMエンジニア さんの投稿を参考にしています。