概要

OpenClawはチャットボットでも、ファインチューニングでも、MCPでもない。「人間がいなくても動き続ける自律エージェント」という新しいカテゴリだ。

• Claude Codeとの最大の違いは「呼ぶか、常駐するか」
• モデル本体は変わらず、指示ファイル群が育っていく
• イベントを起点に自律実行する設計が「従業員が要らなくなる」の正体

「実行するAI」とは何か ― Claude Codeとの違いを起点に

AIを使い慣れた人ほど抱く疑問がある。「Claude Codeもターミナルで動いてファイルを読み書きする。OpenClawと何が違うのか？」この問いへの答えが、OpenClawの本質を一番鮮明に照らし出す。

「呼ぶ」と「常駐する」の違い

Claude Codeはターミナルを開いた瞬間に起動し、ターミナルを閉じると止まる。セッションベースのステートレスモデルであり、常時稼働のプロセスがインフラを監視したり、イベントに反応したり、バックグラウンドジョブを実行したりすることはない。

OpenClawは逆だ。タスクを指定すると動き続ける。ハートビート機能によって毎時間自動でメールボックスを確認したり、深夜2時にNotionのToDoリストを読んで新しいタスクを実行し、朝起きたときに状況を報告してくれたりする。

つまり区別はシンプルだ。Claude Codeは「人間がいるとき動く」、OpenClawは「人間がいなくても動く」。

CLAUDE.mdとSKILL.mdは何が違うか

Claude CodeのCLAUDE.mdとOpenClawのSKILL.mdは、どちらも「AIへの指示をMarkdownで書く」という点で似ている。しかし役割の粒度が根本的に異なる。

CLAUDE.mdはプロジェクト全体の文脈をAIに伝えるための1枚のドキュメントだ。人間が書き、人間が管理する。SKILL.mdはタスク単位の手順書で、何十本、何百本と存在しうる。そして重要なのは、エージェント自身が新しいSKILL.mdを生成・追加できる点だ。

イベント駆動という設計思想

Claude Codeがない問題を解くのはここだ。深夜2時にチームがオフラインの状態で、重要なクライアントから緊急メールが届いたとする。Claude Codeではログインするまでそのメールは放置される。OpenClawベースのシステムなら、受信エージェントがメールを検知し、内容を分析し、担当者のスマートフォンにエスカレーションする、という流れをリアルタイムで処理できる。

これが「従業員が要らなくなるかも」という言葉の実態だ。AIが指示を待つのではなく、世界の変化を起点に自律的に動く。

既存概念との比較 ― 「モデルは変わらず、ファイルが育つ」

OpenClawは事前学習でもファインチューニングでもMCPでもない。「In-Context Learningを永続化した」という第三の道だ。

事前学習・ファインチューニングとの違い

事前学習とファインチューニングはどちらもモデルそのものの重みを書き換える。膨大な計算資源をかけてニューラルネットワークのパラメータを更新することで、モデルの「素の能力」を変える作業だ。

OpenClawはモデルに一切手を触れない。ClaudeはClaudeのまま、GPT-4はGPT-4のままで動く。代わりに変わるのはモデルへの指示書であるMarkdownファイル群だ。

例えるなら、事前学習・ファインチューニングは「社員の脳を鍛え直す」作業。OpenClawは「社員の脳はそのままに、マニュアルと引き継ぎノートを充実させていく」作業に相当する。

MCPとの違い

MCPはAIが外部ツールを呼び出すための接続プロトコルの標準規格だ。「どうやってツールと繋ぐか」という接続仕様を定めている。

OpenClawはそのMCPを内部で活用しつつ、その上にエージェントのランタイム全体を構築している。セッション管理、記憶の永続化、スキルの自動選択、自己改善ループ――これらはMCPが定義する範囲外だ。MCPが「電話回線の規格」だとすれば、OpenClawは「その回線を使って24時間稼働するコールセンター全体」に相当する。

In-Context Learningの永続化という新しいカテゴリ

LLMには「In-Context Learning」と呼ばれる特性がある。プロンプトの中に例や指示を含めるだけで、モデルの挙動が変わる現象だ。通常のIn-Context Learningはセッションが終わると消える。

OpenClawはコンテキスト（トークンウィンドウ内の一時的な情報）とメモリ（ディスクに永続化される情報）を明確に区別している。この設計によって、使うたびに蓄積された経験がファイルとして残り、次のセッションでコンテキストに注入される。モデルの重みは変わらないが、モデルに渡す文脈は使うほどに豊かになっていく。

アーキテクチャ概観 ― ファイルがエージェントそのものである

OpenClawの設計で最も特徴的なのは、エージェントの「人格・記憶・行動ルール」がすべて普通のテキストファイルとして存在することだ。

3層のアーキテクチャ

OpenClawは「チャンネル・ブレイン・ボディ」という3層構造で設計されている。

• チャンネル層（入口）：WhatsApp・Telegram・Slack・メールなどあらゆるメッセージプラットフォームとの接続を管理する
• ブレイン層（頭脳）：Claude・GPT・Gemini、あるいはOllamaで動くローカルモデルも接続できる。モデル非依存なのでプロバイダを替えても他の部分を作り直す必要がない
• ボディ層（手足）：ファイルシステム・ブラウザ・シェル・外部APIなど、実際にアクションを起こすすべての実行環境

ワークスペースファイル群 ― ファイルがエージェントの人格を作る

OpenClawのエージェントはデータベースや設定パネルの中に存在するのではなく、ワークスペースフォルダ内のプレーンテキストファイルとして存在する。セッション開始時にこれらのファイルを読み込み、エージェントの人格・行動ルール・記憶・タスクスケジュールをその場で組み立てる。ファイルがエージェントそのものだ。

SOUL.mdはエージェントの根幹となるアイデンティティレイヤーで、OpenClawはこれを起動時に読み込み、すべてのやり取りにシステムレベルのプロンプトとして適用する。朝のメッセージへの返信でも、メールの下書きでも、深夜3時のスケジュールタスクでも、常に同じ口調・同じ優先順位・同じルールで動く。

なぜファイルだけでイベント駆動ができるのか

「ファイルが常駐しているのではなく、ゲートウェイデーモンが常駐していて、イベントのたびに必要なファイルだけ読み込む」という設計だ。

外部イベント発生（メール着信・時刻・webhook）
        ↓
ゲートウェイデーモン（常時起動）が検知
        ↓
新しいターン（LLM呼び出し）を開始
「今回必要なファイルだけ」をコンテキストに組む
  - SOUL.md（毎回読む）
  - HEARTBEAT.md（毎回読む）
  - SKILL.mdは名前とパスだけ → 必要なものだけ本文を読む
  - 会話履歴は直近N件だけ
        ↓
LLMが推論・アクション実行
        ↓
結果をディスクに書き込み（セッション終了）

コンテキストが埋まる問題への対策が3つある。

1. SKILLは目次だけ読む：スキルはメタデータ（名前・説明・ファイルパス）だけがシステムプロンプトに入り、必要と判断したときだけ本文をオンデマンドで読み込む
2. ハートビートは軽量コンテキストで動く：HEARTBEAT.mdだけを読み込むオプションや、毎回フレッシュなセッションで動かすオプションでトークンを大幅削減できる
3. セッションはターンごとに完結する：「深夜3時に何かした」ように見えても、タイマーがその時刻にイベントを生成し、エージェントが1ターン実行して終了しただけだ

コストのトレードオフ

常駐＆イベント駆動の代償としてAPIコストがかかる。実際の月額コスト感は以下の通りだ。

最大の節約策はモデルの使い分けだ。ハートビートや簡単な分類には安価なモデル、コードレビューや複雑な判断だけ高性能モデルを使う「80/20ルーティング」でAPIコストを60〜80%削減できる。

なぜ今バイラルになったのか

「AIがタスクを実行する」という概念を、コードを書かない人たちが日常のアプリを通じて初めてリアルに体感できた。それがOpenClaw爆発的普及の本質だ。

「車の値引き交渉」が証明した現実

クラウドインフラ企業DatadogのスタッフエンジニアAJ Stuyvenbergは、ヒュンダイ・パリセードを買いたかったが、ディーラーとの交渉プロセスを避けたかった。彼はOpenClawに「車の価格を調べ、ディーラーに連絡し、最良の条件を交渉せよ」と指示した。エージェントはWebを検索し、ディーラーにメールを送り、返信に対応し、電話に誘導しようとするディーラーには「今は電話に出られない」という言い訳まで自動で作り上げた。

これはChatGPTにメール文面を作らせて自分でコピペするのとは根本的に違う。AIが人間の代わりに数日間、実際の交渉を完結させたのだ。

Karpathyの一言が火をつけた

元TeslaのAIディレクターAndrej Karpathyは、OpenClawを「最も驚くべきSF的テイクオフに近いものを最近見た」と表現した。Karpathy自身も自宅をOpenClawで管理するエージェント「Dobby」を設置し、玄関カメラがFedExのトラックを検知すると自動でWhatsAppに通知が届く仕組みを構築した。「Dobbyが家を管理している」と語っている。

権威ある人物が「自分も使っている」と語ったことで、夢物語ではなく現実の話として一気に広まった。

Mac Miniが売り切れた

OpenClawは24時間365日稼働し続ける必要があるため、開発者たちはAppleのMac Miniが最適なホストマシンだと気づいた。これが「OpenClawを動かすためにMac Miniを買う」というブームに火をつけ、Appleストアで在庫切れが相次いだ。Xやオンラインコミュニティでは、Mac Miniにターミナルが映った画像を投稿することがギークのステータスシンボルになった。

「非技術者が初めてエージェントを体感した」瞬間

OpenClawは5ヶ月以内に355,000のGitHubスターと320万アクティブユーザー、50万以上の稼働インスタンスを記録した。ReactがGitHubで25万スターに達するまでに10年以上かかったのに対して、OpenClawは60日で達成した。プロダクトハントへの掲載もなく、ローンチイベントもなく、純粋な口コミだけで広まった。

これほどの爆発的な広まりは単なる技術的優位性だけでは説明できない。WhatsAppやTelegramという日常のツールを通じて、コードを書かない人たちが「AIが仕事をする」という感覚を初めてリアルに体感できた。それが本質的な理由だ。