Pada tanggal 1 September 2026, startup Tiongkok Manus secara resmi melanjutkan operasi independennya setelah gagalnya kesepakatan dengan Meta senilai 2 miliar dolar. Perusahaan yang berbasis di Singapura ini menyatakan bahwa timnya akan terus mengembangkan agen AI umum yang mampu mengeksekusi tugas kompleks multi-langkah tanpa intervensi manusia yang konstan.
Berbeda dengan periode integrasi sebelumnya dengan Meta, Manus kini menekankan peralihan ke adopsi yang lebih dalam dalam alur kerja nyata, interaksi langsung dengan dunia luar, dan eksekusi tugas secara proaktif. Ini bukan sekadar kembali ke status startup independen, melainkan pergeseran strategis menuju sistem agen yang tidak terbatas pada generasi teks, tetapi bertindak di lingkungan nyata melalui browser, kode, dan alat.
Secara paralel, Recursive Superintelligence, yang didirikan oleh Richard Socher, telah mengumpulkan 650 juta dolar dengan tujuan eksplisit untuk menciptakan sistem yang dapat menyempurnakan diri secara rekursif. Perusahaan ini bertujuan untuk mengotomatisasi seluruh siklus penelitian ilmiah: dari mengidentifikasi kelemahan model hingga mengusulkan perbaikan, mengimplementasikannya, dan memvalidasinya. Putaran serupa juga terjadi di AMI Labs (1,03 miliar), World Labs (1 miliar), Lila Sciences (550 juta), dan General Intuition (454 juta), yang mengindikasikan masuknya modal besar-besaran ke dalam AI agen.
Secara teknis, Manus adalah orkestrator yang menjalankan model frontier (seringkali Claude) di dalam mesin virtual terisolasi dengan alat nyata: browser, sistem file, interpreter kode. Pengguna menetapkan tujuan tingkat tinggi, dan agen secara mandiri memecahnya menjadi langkah-langkah, mengeksekusi, memverifikasi hasil, dan mengembalikan artefak. Pembaruan 1.5 dan 1.6 menunjukkan pengurangan waktu penyelesaian tugas dari 15 menjadi kurang dari 4 menit dan peningkatan kepuasan pengguna lebih dari 19% dalam uji buta.
Metodologi evaluasi untuk agen semacam itu tetap kontroversial. Tolok ukur GAIA, di mana Manus diklaim melampaui GPT-4, mengukur kemampuan penalaran dan penggunaan alat, tetapi tidak menjamin keandalan dalam skenario jangka panjang dengan ketidakpastian. Tidak ada data publik tentang mode kegagalan saat berinteraksi dengan dunia nyata — misalnya, kesalahan dalam navigasi web atau API yang tidak stabil. Ini adalah masalah umum sistem agen: hasil kuat dalam tes terkontrol tidak selalu terbawa ke produksi.
Dibandingkan dengan pendekatan Recursive Superintelligence, Manus menekankan otonomi praktis saat ini, sementara RSI berfokus pada putaran peningkatan diri jangka panjang. Recursive berencana mencapai 'Level 1' sistem otonom pada pertengahan 2026, menggunakan jutaan dolar untuk komputasi. Sementara itu, Manus, setelah terbebas dari Meta, dapat mengiterasi produk lebih cepat tanpa batasan korporat, tetapi berisiko tertinggal dalam penelitian fundamental tentang rekursi.
DeepMind dengan AlphaEvolve menunjukkan jalur perantara: Gemini mengusulkan solusi, yang diuji secara otomatis, yang terbaik dipilih dan ditingkatkan. Ini bekerja dengan baik dalam matematika dan kode, di mana hasilnya mudah diukur, tetapi jauh lebih sulit dalam biologi atau robotika, di mana eksperimen lambat dan multidimensi. Manus dan agen serupa mencoba menjembatani kesenjangan ini melalui interaksi nyata, namun sejauh ini belum membuktikan skalabilitas di luar tugas-tugas sempit.
Kemandirian Manus memungkinkan perusahaan untuk lebih cepat mengadaptasi produk ke skenario pengguna nyata — dari analisis kompetitif hingga otomatisasi alur kerja. Pada saat yang sama, masuknya modal ke RSI dan model dunia menandakan pergeseran paradigma: dari penskalaan model bahasa ke penciptaan sistem yang menghasilkan pengalaman sendiri dan meningkatkan diri.
Masih belum jelas apakah agen seperti Manus atau RSI akan mampu menutup siklus penuh peningkatan diri tanpa pengawasan manusia yang signifikan. Verifikasi independen pada tolok ukur jangka panjang dan kasus nyata akan menjadi ujian kunci bagi ambisi ini dalam beberapa bulan mendatang.
Manus, setelah kembali ke kemandirian, mendapat kesempatan untuk mempercepat adopsi praktis agen otonom, tetapi keberhasilan akan bergantung pada kemampuan untuk membuktikan keandalan di lingkungan yang tidak terkontrol.
