「AI拡張機能の幽霊」を退治する——Geigerが暴く、複数エージェント運用時の設定地獄とセキュリティリスク

「インストール忘れ」が招くAIエコシステムの暗部

AIエージェント・ハーネス・MCPサーバーといったツールを次々と試す開発者やテック愛好家にとって、あるいは企業のIT部門にとって、ある悪夢が繰り返される。インストールしたことすら忘れた拡張機能が、バックグラウンドでリソースを消費し続けている。プラグインのアクセス権限が不透明なまま与えられている。古いバージョンのMCPサーバーが複数動作して競合している——こうした「設定地獄」の実態は、多くの場合、気づかれないまま継続しているのだ。

テクノロジー環境が複雑になればなるほど、この問題は深刻化する。クラウド時代からローカルAI運用へシフトする今、PCは単なる計算機ではなく、複数のAIシステムが同居する「ミニデータセンター」と化しているのに、その内部状況は誰も把握していない。これは単なる「整理整頓の問題」ではなく、セキュリティホール、パフォーマンス低下、ライセンス違反といった実害につながりうる。

Geigerが「見える化」する、隠れたAI資産と権限構造

こうした背景から、新しい無料ツール「Geiger」が公開された。その本質は「AIエコシステムのX線検査機」だ。PC内に散在するすべてのAIエージェント、ハーネス、MCPサーバー、プラグイン、AI拡張機能をスキャンし、それらがどこに設定されているのか、どのような権限を持っているのか、一覧化してレポートしてくれる。

従来のシステムスキャンツールは、ファイルの位置やバージョン情報は検出できても、「このMCPサーバーが何にアクセスできるか」「このプラグインが収集するデータは何か」といったセマンティックレベルの権限構造まで可視化することはできなかった。Geigerはまさにその盲点を埋める。各AI拡張機能がアクセス可能な範囲を段階的にマッピングし、権限グラフとして表現することで、「見えない設定」を文字通り「見える化」するのだ。

自動検出機能——Windows/Mac/Linuxのシステムディレクトリ、ユーザー設定フォルダ、クラウドストレージ連携先を横断的にスキャン
権限マッピング——各プラグインが持つファイルアクセス権、ネットワークアクセス権、プロセス実行権を視覚化
相互依存関係の検出——複数のMCPサーバーが依存し合っている場合の競合リスクを警告
バージョン監視——古いバージョンのプラグインやサーバーが同時動作している状況を特定

セキュリティ・パフォーマンス・ガバナンスの三角形を整える

Geigerの活用が真価を発揮する場面は、大きく3つに分かれる。

第一はセキュリティリスク管理だ。開発中のAIプラグインが、無意識のうちにホームディレクトリ全体や機密プロジェクトフォルダへのアクセス権を保持していないか。外部APIと通信する拡張機能が、社内ネットワークにも接続されていないか。Geigerのレポートはこうした「知らないうちに与えていた権限」を浮き彫りにする。特に企業のIT部門にとって、複数の開発者が個別にツールをインストールする環境下での統制ツールとなりうる。

第二はパフォーマンス最適化である。複数のMCPサーバーが同時に起動し、リソースを奪い合っている状況は、ユーザーには不可視だ。Geigerで動作中のプロセス一覧を可視化することで、「この開発プロジェクトは実はこの5つのプラグインに依存していたのか」という構造が明らかになり、不要な重複インストールの削除や統合が可能になる。

第三はガバナンスとコンプライアンスの観点だ。特にセキュアな環境での開発が要求される業界では、PCに何がインストールされているかの定期監査が必須となる。Geigerはこの監査プロセスを自動化し、レポートのエクスポート機能を通じて企業のIT資産管理システムとの連携も視野に入れている。

「インストール資産」への意識転換——AIツール生態系の成熟度指標

Geigerの登場は、単なる「便利なスキャンツール」の供給ではなく、AIエコシステムの運用文化に対する問い直しでもある。

かつてスマートフォンのアプリ管理が課題だった時代、OSの標準機能やサードパーティツールによる「アプリ一覧表示」が当たり前になったように、AIエージェントやMCPサーバーの時代にも同様のインフラストラクチャが必要になってきた。その意味で、Geigerのような無料ツールの出現は、AIツール生態系が「個人的な試行錯誤の段階」から「組織的な資産管理が必要な段階」へシフトしていることの証拠である。

この転換は開発者にとって負担であると同時に、チャンスでもある。自分のPC環境を透明化することで、はじめてアーキテクチャレベルでの最適化が可能になるからだ。複数のAIツールがどう相互作用し、どこでリソースが消費されているか理解することは、より洗練されたAIパイプラインの構築につながる。