El 1 de septiembre de 2026, la startup china Manus reanudó oficialmente su trabajo independiente tras el fracaso del acuerdo con Meta por 2 mil millones de dólares. La empresa, fundada en Singapur, declaró que su equipo continuará desarrollando agentes generales de IA capaces de realizar tareas complejas de múltiples pasos sin intervención humana constante.
A diferencia del período anterior de integración con Meta, Manus ahora enfatiza la transición hacia una implementación más profunda en flujos de trabajo reales, la interacción directa con el mundo exterior y la ejecución proactiva de tareas. Esto no es solo un regreso al estatus de startup independiente, sino un cambio estratégico hacia sistemas de agentes que no se limitan a generar texto, sino que actúan en entornos reales a través de navegadores, código y herramientas.
En paralelo, Recursive Superintelligence, fundada por Richard Socher, ha recaudado 650 millones de dólares con el objetivo explícito de crear sistemas recursivamente auto-mejorables. La empresa busca automatizar todo el ciclo de investigación científica: desde identificar debilidades en los modelos hasta proponer mejoras, implementarlas y validarlas. Rondas similares han tenido lugar en AMI Labs (1,03 mil millones), World Labs (1 mil millones), Lila Sciences (550 millones) y General Intuition (454 millones), lo que indica una afluencia masiva de capital hacia la IA de agentes.
Técnicamente, Manus es un orquestador que ejecuta modelos de frontera (a menudo Claude) dentro de una máquina virtual aislada con herramientas reales: navegador, sistema de archivos, intérprete de código. El usuario establece un objetivo de alto nivel, y el agente lo descompone en pasos, lo ejecuta, verifica el resultado y devuelve un artefacto. Las actualizaciones 1.5 y 1.6 han mostrado una reducción del tiempo de ejecución de tareas de 15 a menos de 4 minutos y un aumento de la satisfacción del usuario de más del 19 % en pruebas ciegas.
La metodología de evaluación de estos agentes sigue siendo controvertida. El benchmark GAIA, donde se dice que Manus supera a GPT-4, mide la capacidad de razonamiento y uso de herramientas, pero no garantiza fiabilidad en escenarios a largo plazo con incertidumbre. Faltan datos públicos sobre modos de fallo en la interacción con el mundo real, por ejemplo, errores en la navegación web o APIs inestables. Este es un problema típico de los sistemas de agentes: los buenos resultados en pruebas controladas no siempre se trasladan a producción.
En comparación con el enfoque de Recursive Superintelligence, Manus hace hincapié en la autonomía práctica ya hoy, mientras que RSI se centra en el bucle de auto-mejora a largo plazo. Recursive planea un sistema autónomo de «Nivel 1» para mediados de 2026, utilizando millones de dólares en cómputo. Manus, liberado de Meta, puede iterar el producto más rápido sin restricciones corporativas, pero corre el riesgo de quedarse atrás en la investigación fundamental de la recursión.
DeepMind con AlphaEvolve demuestra un camino intermedio: Gemini propone soluciones, se prueban automáticamente, se seleccionan las mejores y se mejoran. Esto funciona bien en matemáticas y código, donde el resultado es fácil de medir, pero es mucho más difícil en biología o robótica, donde los experimentos son lentos y multidimensionales. Manus y agentes similares intentan cerrar esta brecha mediante interacciones reales, pero aún no han demostrado escalabilidad más allá de tareas limitadas.
La independencia de Manus permite a la empresa adaptar el producto más rápidamente a escenarios de usuario reales, desde análisis competitivo hasta automatización de flujos de trabajo. Al mismo tiempo, la afluencia de capital hacia RSI y los modelos de mundo señala un cambio de paradigma: de escalar modelos de lenguaje a crear sistemas que generan su propia experiencia y se mejoran a sí mismos.
Queda por ver si agentes como Manus o RSI lograrán cerrar el ciclo completo de auto-mejora sin supervisión humana significativa. La verificación independiente en benchmarks a largo plazo y casos reales será la prueba clave para estas ambiciones en los próximos meses.
Manus, al recuperar su independencia, tiene la oportunidad de acelerar la implementación práctica de agentes autónomos, pero el éxito dependerá de su capacidad para demostrar fiabilidad en entornos no controlados.
