Cua agrega control de Chromium sin extensiones a su controlador de agente multiplataforma

Why it matters

Browser agents often fail when work leaves the page. Cua is putting verified tab and desktop control beneath the model, while making permission scope part of the driver itself.

Francesco Bonacci (@francedot), fundador de Cua, lanzó el control del navegador para el driver de uso de computadora de la startup el 6 de agosto, dando a los agentes de IA una interfaz única para operar pestañas de Chromium y aplicaciones nativas de escritorio durante la misma sesión.

https://x.com/trycua/status/2085413700198916440

Cua describió la función en un hilo de ocho publicaciones en X como la primera interfaz de navegador sin extensiones integrada en un driver de uso de computadora neutral respecto al agente. Esa afirmación de ser la primera de su tipo corresponde a Cua. El lanzamiento subyacente y la documentación técnica confirman la afirmación de producto más precisa: Cua Driver puede vincular una pestaña seleccionada de Chromium con su proceso y ventana del sistema operativo, y luego alternar entre acciones del navegador y controles nativos sin instalar una extensión de Chrome.

Bonacci fundó Cua en San Francisco en 2025 después de trabajar en Xbox y Microsoft AI, según Y Combinator. La versión de Cua sobre su fundación dice que Bonacci y el investigador Dillon DuPont trabajaron en Windows Agent Arena en Microsoft, un benchmark para agentes que operan software de escritorio. Bonacci luego creó Lume, una herramienta de línea de comandos de código abierto para ejecutar máquinas virtuales nativas de macOS en Apple Silicon, antes de ingresar a la generación Spring 2025 de Y Combinator.

La nueva capa de navegador extiende esa apuesta original: los agentes necesitan acceso al computador alrededor del navegador, incluidos archivos locales, terminales, diálogos de permisos y software de escritorio.

Una sesión entre el navegador y el escritorio

Cua Driver usa el Chrome DevTools Protocol, o CDP, para inspeccionar una página y emitir acciones tipadas como navegación, clics e ingreso de texto. Antes de permitir una acción, el driver verifica que el objetivo del navegador, el proceso nativo y la ventana seleccionada se refieran a la misma superficie, según la publicación técnica de lanzamiento de Cua.

El driver luego crea capacidades con alcance de sesión y referencias de corta duración a elementos de la página. Esas referencias expiran después de la navegación, reconexión, una instantánea semántica más reciente o el fin de la sesión. Si el driver no puede probar la ruta hacia una pestaña o ventana, está diseñado para devolver una negativa estructurada en vez de adivinar.

Ese vínculo permite que un agente dirija pestañas inactivas sin traer Chrome al primer plano. Dentro de una página, el agente puede usar acciones de navegador estructuradas. Cuando un flujo de trabajo abre un selector de archivos, un aviso del sistema, un terminal o un editor, el mismo agente puede recurrir a datos de accesibilidad nativos y a la entrada del sistema operativo. Cua afirma que el puntero físico permanece intacto durante las acciones en segundo plano compatibles.

Las herramientas del navegador siguen limitadas a navegadores de la familia Chromium y aplicaciones Electron. La documentación de límites conocidos de Cua indica que Firefox y Safari no reciben capacidades tipadas de mutación del navegador en la versión actual, mientras que WebView2 y varias formas de aplicaciones basadas en WebKit devuelven negativas estructuradas. Cua también etiqueta la superficie tipada del navegador como de vista previa antes de la versión 1.0.

Cua dice que la interfaz del navegador es estable en Cua Driver 0.19.0 en macOS, Windows y configuraciones validadas de Linux. GitHub muestra la etiqueta como un pre-release, aunque la página de lanzamiento de Cua indica que esa etiqueta evita que el puntero global de última versión del monorepo se mueva entre productos separados; el driver sigue los canales normales de distribución estable de SemVer. Los desarrolladores pueden conectarse a través de la línea de comandos, MCP, Python o TypeScript.

El acceso del navegador amplía el límite de seguridad

Un diseño sin extensiones elimina un paso de instalación, pero CDP puede exponer las páginas abiertas, cookies y almacenamiento local de un perfil de Chromium. Cua recomienda que los agentes usen un perfil aislado propiedad del driver, el cual se elimina cuando la sesión termina, a menos que una tarea requiera un perfil autenticado existente.

Adjuntarse a un perfil de Chrome o Edge existente requiere una concesión explícita. Para trabajo sin supervisión, Cua recomienda un manifiesto de permisos acotado que especifique las herramientas, aplicaciones, perfiles de navegador y orígenes permitidos. La documentación advierte que el modo sin restricciones no tiene avisos de aprobación de Cua en tiempo de ejecución y no hace ninguna afirmación de seguridad frente a la inyección de prompts.

Las restricciones por origen de Cua también exponen una compensación práctica. Un runtime de navegador acotado no puede combinar herramientas tipadas de navegador con alcance por origen y clics genéricos de escritorio, porque la entrada genérica podría eludir la regla de origen. Los flujos de trabajo que requieren ambas superficies necesitan runtimes con ámbitos separados, impidiendo que el runtime de escritorio alcance las ventanas del navegador.

El benchmark inicial de Cua es inconcluso

Cua probó la capa de navegador en 37 tareas emparejadas válidas seleccionadas de OSWorld 2.0, un benchmark de 108 tareas que abarca flujos de trabajo de larga duración a través de sitios web, aplicaciones de escritorio y archivos locales. Cada brazo usó GPT-5.6 Sol con razonamiento medio por hasta 80 pasos.

Agregar estado y acciones tipadas de CDP elevó la puntuación oficial media de 0.0043 a 0.0298, una diferencia de 2.55 puntos porcentuales. El tratamiento también costó más, promediando $7.57 por tarea frente a $4.49 para control por capturas de pantalla y accesibilidad, y tomó 10.2 minutos en lugar de nueve minutos.

El resultado no establece una mejora de rendimiento. Cua reportó dos victorias, 34 empates y una derrota, con un intervalo bootstrap del 95% que va de -0.0054 a 0.0766 y un p-valor de inversión de signos apareados de 0.5. La prueba usó una compilación de desarrollo basada en Driver 0.12.6 en lugar del binario público 0.19.0, y nueve de las 46 tareas seleccionadas se pospusieron en lugar de contarse como fallas.

La propia conclusión de Cua es más limitada: las acciones exactas del navegador pueden mejorar el anclaje cuando los agentes deben inspeccionar estado denso a través de múltiples pestañas, mientras que la planificación y la orquestación de tareas siguen sin resolverse. El lanzamiento coloca ese acceso al navegador por debajo del modelo y del host del agente, dando a los desarrolladores un driver que puede seguir un flujo de trabajo cuando sale de la página. Si los modelos pueden usar la autoridad añadida de forma confiable sigue siendo el problema más difícil.