तुमने अपने नए-नवेले AI agent को बोला — "flight prices check करो और $500 से कम में सबसे सस्ती book कर दो।" उसने browser खोला, चार मिनट तक click-click किया, और confirmation थमा दी — गलत airport की। अलग flight नहीं — अलग शहर। बधाई हो, तुमने $470 खर्च करके उस जगह का ticket खरीद लिया जहाँ जाने का plan ही नहीं था।

यही वो हिस्सा है जिसकी बात कोई नहीं करता। सब orchestration SDKs (वो glue code जो AI calls को chain करता है) और managed agent platforms (hosted boxes जहाँ तुम्हारा agent रहता है) पर बहस कर रहे हैं। इस बीच, actual infrastructure जो agent को "internet use" करने देता है — एक headless browser (बिना visible window वाला Chrome, code से चलता है) जिसे vision model (एक AI जो screenshots को इंसान की तरह पढ़ता है) pilot करता है — वो LLM (large language model — ChatGPT, Claude, Gemini के पीछे का दिमाग) layer से ज़्यादा नया, ज़्यादा flaky, और ज़्यादा concentrated है, जिस पर सब obsess कर रहे हैं।

2 अप्रैल से 15 अप्रैल, 2026 के बीच, browser-agent layer crystallize हो गया। 2 अप्रैल को open-source framework Browser Use ने v0.12.6 ship किया, जिसकी changelog line बड़ी बताने वाली थी — "fix O(n²) bottlenecks in DOM capture for heavy pages" — translation: उनका पिछला release बड़ी websites पर quadratically slow था, और किसी को पता ही नहीं चला जब तक production में नहीं फटा 😹। 3 अप्रैल को Browser Use Cloud free-to-start हो गया, और Claude Code जैसे coding agents अब CLI से खुद Browser Use accounts sign up कर सकते हैं। Agents, agents को provision कर रहे हैं। Welcome to 2026 🙀।

6 अप्रैल को Browserbase ने Stagehand Model Gateway launch किया — "one API key, one bill, access to top models without managing providers," authors Miguel Gonzalez और Harsehaj Dhami के अनुसार। वो अब सिर्फ़ browser vendor नहीं रहे। वो LLM layer के ऊपर की billing spine बनना चाहते हैं।

फिर वो बड़े 48 घंटे। 14 अप्रैल को Anthropic ने Claude Code desktop को rebuild किया और Routines launch किया — scheduled agent workflows जो Anthropic के cloud पर चलते हैं। 15 अप्रैल को OpenAI ने एक massive Agents SDK update ship किया — sandboxing (isolated workspaces ताकि parallel agents एक-दूसरे का state nuke न कर सकें), subagents, code mode, और 100+ LLMs का support। The New Stack ने इसे कहा "separating the harness from the compute" — यानी politely बोला जाए तो OpenAI Browserbase का lunch खाना चाहता है।

तीन architectures लड़ रही हैं। Accessibility-tree navigation (website का structured skeleton वैसे पढ़ना जैसे screen reader पढ़ता है)। Vision-model clicking (Claude Computer Use literally screenshot देखकर बोलता है "click at x=420, y=380")। और hybrid, जैसे Stagehand, जो दोनों use करता है। WebArena-Verified benchmark (agents के real web tasks करने का standard test) पर GPT-5.4 का score 67.3% है। OSWorld-Verified पर 75% — human baseline 72.4% से ऊपर। सुनने में ज़बरदस्त लगता है जब तक Berkeley का "Illusion of Progress" paper नहीं पढ़ते, जो argue करता है कि ज़्यादातर web agents अभी भी 2024 के baseline से कम perform करते हैं उन sites पर जिन पर वो train नहीं हुए 😾।

अब price की बात। Browser session-minutes + LLM tokens + retry loops + residential proxy fees — text-only agent के मुकाबले per-task cost आराम से triple कर देते हैं। और बुरी बात — failure modes silent हैं, loud नहीं। Agent confidently गलत flight book कर देता है। कोई stack trace नहीं। बस तुम्हारे card पर charge और Burbank में hotel जब तुम्हें Burlington जाना था 🐈‍⬛।

Asli बात यह है। अगर तुम कोई ऐसा agent ship कर रहे हो जो web को touch करता है, तो तुमने पहले से एक browser vendor pick कर लिया है — चाहे तुम्हें पता हो या नहीं। तुम्हारा orchestration SDK उसे transitively import करता है। तुम्हारा "agent platform" बस Browserbase, Browser Use, या Anthropic Computer Use के ऊपर का एक पतला wrapper है। जो procurement decision तुमने लिया ही नहीं, वो शायद तुम्हारे पूरे stack का सबसे बड़ा reliability risk है।

Agent era की Playwright war खत्म हो चुकी है, उससे पहले कि ज़्यादातर teams को पता चले कि शुरू भी हुई थी। Browser अब हर production AI system में एक metered, billable, LLM-mediated line item है। अपने invoices check करो 😼।