Le 1 septembre 2026, la start-up chinoise Manus a officiellement repris son activité indépendante après l'échec de l'accord avec Meta pour 2 milliards de dollars. La société, fondée à Singapour, a déclaré que son équipe continuerait à développer des agents d'IA généraux capables d'exécuter des tâches complexes en plusieurs étapes sans intervention humaine constante.
Contrairement à la période précédente d'intégration avec Meta, Manus met désormais l'accent sur une transition vers une intégration plus profonde dans les flux de travail réels, une interaction directe avec le monde extérieur et une exécution proactive des tâches. Ce n'est pas simplement un retour au statut de start-up indépendante, mais un changement stratégique vers des systèmes d'agents qui ne se limitent pas à la génération de texte, mais agissent dans l'environnement réel via des navigateurs, du code et des outils.
Parallèlement, Recursive Superintelligence, fondée par Richard Socher, a levé 650 millions de dollars avec l'objectif explicite de créer des systèmes récursivement auto-améliorants. L'entreprise vise à automatiser tout le cycle de la recherche scientifique : de l'identification des faiblesses d'un modèle à la proposition d'améliorations, leur mise en œuvre et leur validation. Des cycles similaires ont eu lieu chez AMI Labs (1,03 milliards), World Labs (1 milliard), Lila Sciences (550 millions) et General Intuition (454 millions), ce qui indique un afflux massif de capitaux dans l'IA agentique.
Techniquement, Manus est un orchestrateur qui exécute des modèles de pointe (souvent Claude) dans une machine virtuelle isolée avec des outils réels : navigateur, système de fichiers, interpréteur de code. L'utilisateur définit un objectif de haut niveau, et l'agent le décompose lui-même en étapes, l'exécute, vérifie le résultat et renvoie un artefact. Les mises à jour 1.5 et 1.6 ont montré une réduction du temps d'exécution des tâches de 15 à moins de 4 minutes et une augmentation de la satisfaction des utilisateurs de plus de 19 % dans des tests en aveugle.
La méthodologie d'évaluation de ces agents reste controversée. Le benchmark GAIA, où Manus prétend surpasser GPT-4, mesure la capacité de raisonnement et d'utilisation d'outils, mais ne garantit pas la fiabilité dans des scénarios à long terme avec incertitude. Il n'existe pas de données publiques sur les modes de défaillance lors d'interactions avec le monde réel — par exemple, en cas d'erreurs de navigation web ou d'API instables. C'est un problème typique des systèmes agentiques : des résultats solides dans des tests contrôlés ne se transfèrent pas toujours en production.
Par rapport à l'approche de Recursive Superintelligence, Manus met l'accent sur l'autonomie pratique dès aujourd'hui, tandis que RSI se concentre sur la boucle d'auto-amélioration à long terme. Recursive prévoit un « Niveau 1 » de système autonome d'ici la mi-2026, en utilisant des millions de dollars en calcul. Manus, libéré de Meta, peut itérer plus rapidement sur le produit sans contraintes corporatives, mais risque de prendre du retard dans la recherche fondamentale sur la récursion.
DeepMind avec AlphaEvolve démontre une voie intermédiaire : Gemini propose des solutions, elles sont automatiquement testées, les meilleures sont sélectionnées et améliorées. Cela fonctionne bien en mathématiques et en code, où le résultat est facile à mesurer, mais c'est beaucoup plus difficile en biologie ou en robotique, où les expériences sont lentes et multidimensionnelles. Manus et des agents similaires tentent de combler cet écart par des interactions réelles, mais n'ont pas encore prouvé leur évolutivité au-delà de tâches étroites.
L'indépendance de Manus permet à l'entreprise d'adapter plus rapidement le produit à des scénarios utilisateurs réels — de l'analyse concurrentielle à l'automatisation des flux de travail. En même temps, l'afflux de capitaux dans RSI et les modèles du monde signale un changement de paradigme : passer de la mise à l'échelle des modèles de langage à la création de systèmes qui génèrent leur propre expérience et s'améliorent eux-mêmes.
Il reste incertain si des agents comme Manus ou RSI parviendront à boucler le cycle complet d'auto-amélioration sans supervision humaine substantielle. La vérification indépendante sur des benchmarks à long terme et des cas réels sera le test clé pour ces ambitions dans les prochains mois.
Manus, ayant retrouvé son indépendance, a l'opportunité d'accélérer le déploiement pratique d'agents autonomes, mais le succès dépendra de sa capacité à prouver sa fiabilité dans un environnement non contrôlé.
