Ένας AI agent στον browser, ή agent που χειρίζεται υπολογιστή (computer use), είναι ένα μοντέλο τεχνητής νοημοσύνης που χειρίζεται ένα website ή ένα πρόγραμμα όπως ένας άνθρωπος: κοιτάζει την οθόνη ή διαβάζει τη δομή της σελίδας, κάνει κλικ, πληκτρολογεί, ελέγχει το αποτέλεσμα και επαναλαμβάνει. Είναι το εργαλείο για συστήματα χωρίς API, όπως ένα portal προμηθευτή, το σύστημα διαχείρισης μιας εταιρείας courier ή ένα παλαιότερο επιχειρηματικό πρόγραμμα. Είναι όμως και αργός, κοστίζει πραγματικά χρήματα ανά εργασία, και ολοκληρώνει εργασίες πιο συχνά απ' όσο τις κάνει σωστά. Ο πρακτικός κανόνας: χρησιμοποιήστε API όποτε υπάρχει. Αν δεν υπάρχει, βάλτε τον agent να διαβάζει το δέντρο προσβασιμότητας της σελίδας, τη δομημένη περιγραφή των κουμπιών και των πεδίων που χρησιμοποιούν οι αναγνώστες οθόνης, και καταφύγετε στα στιγμιότυπα οθόνης μόνο όπου η σελίδα δεν έχει δομή, όπως σε χάρτες, γραφήματα και περιοχές σχεδίασης.
Τι είναι ένας AI agent που χειρίζεται υπολογιστή;
Ένας agent που χειρίζεται υπολογιστή είναι ένα μοντέλο που έχει εργαλεία για να ελέγχει μια οθόνη: να τραβά στιγμιότυπο, να κάνει κλικ σε συντεταγμένες, να πληκτρολογεί, να κάνει κύλιση και να πατά πλήκτρα. Ένας agent στον browser είναι η ίδια ιδέα περιορισμένη σε έναν browser, συνήθως με επιπλέον εργαλεία που διαβάζουν τη δομή της σελίδας και συμπληρώνουν φόρμες απευθείας. Η Anthropic, η OpenAI και η Google προσφέρουν τέτοια εργαλεία, και έργα ανοιχτού κώδικα όπως το Playwright MCP επιτρέπουν σε οποιονδήποτε agent να χειρίζεται έναν browser (Anthropic, computer use). Ο agent δουλεύει σε κύκλο, όπως περιγράφω στο agentic AI: τι είναι: κοιτάζει την οθόνη, αποφασίζει, ενεργεί, και κοιτάζει ξανά για να ελέγξει τι έκανε πραγματικά η ενέργεια.
Πότε χρησιμοποιείτε agent στον browser αντί για API;
Χρησιμοποιείτε agent στον browser μόνο όταν δεν υπάρχει κάτι καλύτερο. Η σειρά προτίμησης:
- Ένα επίσημο API ή webhook. Ταχύτερο κατά τάξεις μεγέθους, φθηνότερο, προβλέψιμο, και δεν σπάει όταν κάποιος ανασχεδιάσει μια σελίδα.
- Ένα σταθερό endpoint που καλεί η ίδια η σελίδα, αν το επιτρέπουν οι όροι του site.
- Ένα σταθερό script σε Playwright ή Puppeteer, με μοντέλο μόνο για τα σημεία που πραγματικά αλλάζουν. Είναι φθηνό, γρήγορο, ελέγξιμο, και όταν αποτυγχάνει το βλέπετε αμέσως.
- Ένας agent στον browser, για εργασίες που αλλάζουν πολύ για να γραφτούν ως script.
Στην Ελλάδα οι τυπικές περιπτώσεις είναι τα portals προμηθευτών και εταιρειών courier, τα συστήματα πωλητών στα marketplaces, και παλαιότερα επιχειρηματικά προγράμματα με οθόνη στο web αλλά χωρίς API. Διαβάστε πρώτα τους όρους κάθε site, γιατί πολλά αναφέρονται ρητά στην αυτοματοποιημένη πρόσβαση. Οι δημόσιες υπηρεσίες που έχουν επίσημη διεπαφή πρέπει να χρησιμοποιούνται μέσα από αυτήν, για παράδειγμα το myDATA για τα φορολογικά παραστατικά, όπως εξηγώ στο myDATA και ηλεκτρονική τιμολόγηση.
Στιγμιότυπα οθόνης ή δομή σελίδας: πώς πρέπει να βλέπει ο agent;
Ο agent πρέπει να διαβάζει τη δομή της σελίδας όπου υπάρχει και να χρησιμοποιεί στιγμιότυπα οθόνης μόνο όπου δεν υπάρχει. Το δέντρο προσβασιμότητας ονομάζει κάθε κουμπί, πεδίο και σύνδεσμο, οπότε ο agent κάνει κλικ σε ένα συγκεκριμένο στοιχείο αντί να υπολογίζει συντεταγμένες, και μια φιλτραρισμένη ανάγνωση μιας συνηθισμένης σελίδας κοστίζει πολύ λιγότερα tokens από μια εικόνα. Τα στιγμιότυπα χρειάζονται εκεί όπου το δέντρο δεν λέει τίποτα χρήσιμο: σε γραφήματα, χάρτες, επιλογή θέσεων, προβολή PDF και στοιχεία που σέρνετε με το ποντίκι. Οι δύο τρόποι αποτυγχάνουν σε διαφορετικά γεγονότα. Ένας agent που δουλεύει με τη δομή της σελίδας σπάει όταν ένας ανασχεδιασμός μετονομάζει ή αναδιατάσσει στοιχεία. Ένας agent με στιγμιότυπα το αντέχει αυτό, αλλά σπάει σε ένα νέο banner για cookies, σε μια μετατόπιση της διάταξης ή σε διαφορετικό μέγεθος παραθύρου. Γι' αυτό τα εργαλεία των παρόχων επιτρέπουν σε έναν agent να συνδυάζει και τα δύο, διαλέγοντας σε κάθε βήμα. Για να έχετε μια τάξη μεγέθους: ένα στιγμιότυπο 1280 επί 720 pixels κοστίζει περίπου 1.200 tokens εισόδου στο Claude, με τον δημοσιευμένο τύπο της Anthropic, ένα token ανά τετράγωνο 28 επί 28 pixels.
Πόσο κοστίζει ένας agent στον browser;
Ένας agent στον browser κοστίζει περισσότερο απ' όσο δείχνει η τιμή ανά βήμα, γιατί σε κάθε βήμα ξαναστέλνεται ολόκληρη η συζήτηση, μαζί με τα στιγμιότυπα, οπότε το κόστος μεγαλώνει πιο γρήγορα από τον αριθμό των βημάτων. Ένα παράδειγμα με τις τιμές του Claude Opus 5 τον Σεπτέμβριο του 2026, 5 δολάρια ανά εκατομμύριο tokens εισόδου και 25 ανά εκατομμύριο εξόδου: μια εργασία 20 βημάτων με στιγμιότυπο σε κάθε βήμα χρησιμοποιεί περίπου 415.000 tokens εισόδου, δηλαδή περίπου 2,07 δολάρια χωρίς prompt caching και περίπου 0,40 με αυτό, συν περίπου 0,20 για την έξοδο. Αν την τρέχετε 500 φορές την ημέρα, φτάνετε περίπου τα 300 δολάρια την ημέρα με caching, απέναντι σε πάνω από 1.100 χωρίς. Οι πραγματικές εργασίες είναι μεγαλύτερες: ένα benchmark του 2026 με 350 εργασίες σε πραγματικά websites είχε μέσο όρο 37,9 βήματα (arXiv 2608.17319). Οι αποτυχημένες εκτελέσεις κοστίζουν όσο και οι επιτυχημένες, οπότε υπολογίζετε με βάση το κόστος ανά ολοκληρωμένη εργασία, όπως εξηγώ στο πόσο κοστίζει στην πράξη ένας AI agent. Μετράει και ο χρόνος: στα 38 βήματα, ακόμη και δύο δευτερόλεπτα ανά κλήση μοντέλου φτάνουν πάνω από ένα λεπτό ανά εργασία, οπότε αυτοί οι agents ταιριάζουν σε δουλειά στο παρασκήνιο, όχι σε έναν πελάτη που περιμένει.
Πόσο αξιόπιστοι είναι οι agents στον browser;
Οι agents στον browser είναι αρκετά αξιόπιστοι για δουλειά υπό επίβλεψη και όχι για δουλειά χωρίς επίβλεψη. Σε εκείνο το benchmark με μεγάλες εργασίες σε πραγματικά websites, ένα δυνατό εξειδικευμένο μοντέλο ολοκλήρωσε το 65,1% των εργασιών, απέναντι σε 80,6% σε ένα παλαιότερο benchmark με μικρότερες εργασίες, οπότε το μεγαλύτερο μέρος της διαφοράς οφείλεται στο μήκος της εργασίας. Και η ολοκλήρωση δεν είναι το ίδιο με την επιτυχία: ένας έλεγχος του 2026 σε 42 δημόσια websites βρήκε έναν agent που ολοκλήρωσε το 99,2% των εργασιών του αλλά τήρησε όλους τους περιορισμούς που του είχαν δοθεί μόνο στο 38,8%. Διαβάζετε βαθμολογίες 60% έως 80% σε πραγματικά websites ως «περίπου μία στις τρεις εκτελέσεις χρειάζεται άνθρωπο». Η αποτυχία που πρέπει να προλάβετε σπάνια είναι ένα λάθος κλικ. Είναι ένα σωστό κλικ σε μια σελίδα που δεν είχε φορτώσει ακόμη, και μετά δώδεκα βήματα χτισμένα πάνω του. Η λύση είναι ο agent να ξανακοιτάζει τη σελίδα μετά από κάθε ομάδα ενεργειών, και η εκτέλεση να σταματά όταν τρεις διαδοχικές παρατηρήσεις δεν δείχνουν καμία αλλαγή.
Πώς κρατάτε ασφαλή έναν agent στον browser;
Κρατάτε ασφαλή έναν agent στον browser περιορίζοντας τι μπορεί να φτάσει και τι μπορεί να επιβεβαιώσει μόνος του:
- Μην του δίνετε ποτέ κωδικό πρόσβασης. Ένας άνθρωπος συνδέεται μία φορά, η συνεδρία αποθηκεύεται, και ο agent ξεκινά από εκείνο το συνδεδεμένο προφίλ του browser. Αποκτά πρόσβαση χωρίς να δει ποτέ κάποιο μυστικό, και η ανάκληση της πρόσβασης σημαίνει απλώς τερματισμό της συνεδρίας.
- Επιτρέψτε μόνο τα domains που χρειάζεται η εργασία, με έλεγχο από τον δικό σας κώδικα σε κάθε πλοήγηση και ξανά μετά από κάθε ανακατεύθυνση.
- Αντιμετωπίζετε ό,τι υπάρχει στη σελίδα ως δεδομένα, γιατί μια σελίδα μπορεί να περιέχει εντολές που στοχεύουν τον agent, όπως περιγράφω στο prompt injection.
- Ζητήστε επιβεβαίωση από άνθρωπο για αγορές, μηνύματα, αλλαγές λογαριασμού και αποδοχή όρων, όπως στο human in the loop.
- Σταματήστε σε CAPTCHA ή σε σελίδα σύνδεσης και δώστε την εκτέλεση σε άνθρωπο. Ένα CAPTCHA είναι ένα site που λέει όχι στον αυτοματισμό, όχι εμπόδιο για να το λύσετε.
- Βάλτε όριο βημάτων και όριο δαπάνης στον δικό σας κώδικα, γιατί δεν τα επιβάλλει κάθε πάροχος για λογαριασμό σας.
Η απομόνωση μετράει όσο και οι κανόνες, οπότε τρέξτε τον browser σε δικό του container ή εικονική μηχανή. Η τεκμηρίωση του Playwright MCP λέει ξεκάθαρα ότι το εργαλείο «δεν είναι όριο ασφαλείας» (Playwright MCP). Το ευρύτερο μοντέλο δικαιωμάτων περιγράφω στο άρθρο δικαιώματα AI agents. Η μεταφορά δεδομένων ανάμεσα σε συστήματα χωρίς API είναι τυπική δουλειά για την τεχνητή νοημοσύνη σε λειτουργίες και εφοδιαστική αλυσίδα.
Συχνές ερωτήσεις
Μπορεί ένας agent στον browser να χρησιμοποιεί τους λογαριασμούς μου σε marketplaces ή portals προμηθευτών;
Τεχνικά ναι, μέσα από μια αποθηκευμένη συνεδρία. Αν επιτρέπεται, το ορίζουν οι όροι κάθε site, και πολλοί περιορίζουν την αυτοματοποιημένη πρόσβαση, οπότε διαβάστε τους πρώτα και προτιμήστε ένα επίσημο API όπου υπάρχει.
Είναι ο agent στον browser το ίδιο με το web scraping;
Τα δύο επικαλύπτονται. Ένα scraper διαβάζει σελίδες με σταθερό κώδικα, ενώ ένας agent στον browser αποφασίζει τι θα κάνει σε κάθε σελίδα. Για την ανάγνωση δημόσιων σελίδων, ένα απλό αίτημα για τη σελίδα είναι φθηνότερο και από τα δύο.
Πού αποδίδει πρώτα ένας agent στον browser;
Σε επαναλαμβανόμενη δουλειά γραφείου ανάμεσα σε συστήματα που δεν θα αποκτήσουν ποτέ API: έλεγχος της κατάστασης παραγγελιών σε portal εταιρείας courier, αντιγραφή δεδομένων ανάμεσα σε δύο παλιές εφαρμογές, λήψη μηνιαίων καταστάσεων. Η δουλειά πρέπει να αντέχει να ελέγχει ένας άνθρωπος το αποτέλεσμα.
Αν η ομάδα σας περνά ώρες αντιγράφοντας δεδομένα ανάμεσα σε συστήματα στο web που δεν έχουν API, στείλτε μου τη λίστα με τα συστήματα και τι μεταφέρεται ανάμεσά τους. Αν χρειάζεται agent, script ή ένα API που δεν ξέρατε ότι υπάρχει, φαίνεται συνήθως από αυτή τη λίστα.