Il 1 settembre 2026 la startup cinese Manus ha ufficialmente ripreso il lavoro indipendente dopo il fallimento dell'accordo con Meta da 2 miliardi di dollari. L'azienda, fondata a Singapore, ha dichiarato che il suo team continuerà a sviluppare agenti di IA generali in grado di eseguire compiti complessi e multi-step senza intervento umano costante.
A differenza del precedente periodo di integrazione con Meta, Manus ora sottolinea il passaggio a un'integrazione più profonda nei flussi di lavoro reali, l'interazione diretta con il mondo esterno e l'esecuzione proattiva dei compiti. Non si tratta semplicemente di un ritorno allo status di startup indipendente, ma di uno spostamento strategico verso sistemi agenziali che non si limitano alla generazione di testo, ma agiscono in ambienti reali tramite browser, codice e strumenti.
Parallelamente, Recursive Superintelligence, fondata da Richard Socher, ha raccolto 650 milioni di dollari con l'obiettivo esplicito di creare sistemi ricorsivamente auto-miglioranti. L'azienda mira ad automatizzare l'intero ciclo di ricerca scientifica: dall'identificazione dei punti deboli del modello alla proposta di miglioramenti, alla loro implementazione e validazione. Round simili sono stati effettuati da AMI Labs (1,03 miliardi), World Labs (1 miliardo), Lila Sciences (550 milioni) e General Intuition (454 milioni), indicando un massiccio afflusso di capitali nell'IA agenziale.
Tecnicamente, Manus è un orchestratore che esegue modelli frontier (spesso Claude) all'interno di una macchina virtuale isolata con strumenti reali: browser, file system, interprete di codice. L'utente imposta un obiettivo di alto livello e l'agente lo suddivide autonomamente in passaggi, lo esegue, verifica il risultato e restituisce un artefatto. Gli aggiornamenti 1.5 e 1.6 hanno mostrato una riduzione dei tempi di esecuzione delle attività da 15 a meno di 4 minuti e un aumento della soddisfazione degli utenti di oltre il 19% nei test alla cieca.
La metodologia di valutazione di tali agenti rimane controversa. Il benchmark GAIA, in cui Manus presumibilmente supera GPT-4, misura la capacità di ragionamento e l'uso di strumenti, ma non garantisce l'affidabilità in scenari a lungo termine con incertezza. Mancano dati pubblici sui failure modes nell'interazione con il mondo reale, ad esempio in caso di errori nella navigazione web o API instabili. Questo è un problema tipico dei sistemi agenziali: i forti risultati nei test controllati non sempre si trasferiscono alla produzione.
Rispetto all'approccio di Recursive Superintelligence, Manus punta sull'autonomia pratica già oggi, mentre RSI si concentra sul ciclo a lungo termine di auto-miglioramento. Recursive prevede il 'Livello 1' di sistema autonomo entro la metà del 2026, utilizzando milioni di dollari in compute. Manus, invece, liberatosi da Meta, può iterare il prodotto più rapidamente senza vincoli aziendali, ma rischia di rimanere indietro nella ricerca fondamentale sulla ricorsione.
DeepMind con AlphaEvolve dimostra una via intermedia: Gemini propone soluzioni, queste vengono testate automaticamente, le migliori vengono selezionate e migliorate. Questo funziona bene in matematica e codice, dove il risultato è facilmente misurabile, ma è molto più difficile in biologia o robotica, dove gli esperimenti sono lenti e multidimensionali. Manus e agenti simili cercano di colmare questo divario attraverso interazioni reali, ma finora non hanno dimostrato scalabilità oltre compiti ristretti.
L'indipendenza di Manus consente all'azienda di adattare il prodotto più rapidamente a scenari utente reali, dall'analisi competitiva all'automazione dei flussi di lavoro. Allo stesso tempo, l'afflusso di capitali in RSI e nei world models segnala un cambiamento di paradigma: dal ridimensionamento dei modelli linguistici alla creazione di sistemi che generano la propria esperienza e migliorano se stessi.
Resta poco chiaro se agenti come Manus o RSI riusciranno a chiudere il ciclo completo di auto-miglioramento senza una supervisione umana significativa. La verifica indipendente su benchmark a lungo termine e casi reali diventerà il test chiave per queste ambizioni nei prossimi mesi.
Manus, tornato all'indipendenza, ha l'opportunità di accelerare l'implementazione pratica di agenti autonomi, ma il successo dipenderà dalla capacità di dimostrare affidabilità in ambienti non controllati.
