Em 1 de setembro de 2026, a startup chinesa Manus retomou oficialmente suas operações independentes após o colapso do acordo com a Meta no valor de 2 bilhões de dólares. A empresa, fundada em Singapura, afirmou que sua equipe continuará desenvolvendo agentes de IA gerais capazes de executar tarefas complexas de múltiplas etapas sem intervenção humana constante.
Ao contrário do período anterior de integração com a Meta, a Manus agora enfatiza a transição para uma adoção mais profunda em fluxos de trabalho reais, interação direta com o mundo externo e execução proativa de tarefas. Isso não é apenas um retorno ao status de startup independente, mas uma mudança estratégica em direção a sistemas de agentes que não se limitam à geração de texto, mas agem em ambientes reais por meio de navegadores, código e ferramentas.
Paralelamente, a Recursive Superintelligence, fundada por Richard Socher, levantou 650 milhões de dólares com o objetivo explícito de criar sistemas recursivamente autoaprimoráveis. A empresa busca automatizar todo o ciclo de pesquisa científica: desde a identificação de fraquezas do modelo até a proposta de melhorias, sua implementação e validação. Rodadas semelhantes ocorreram na AMI Labs (1,03 bilhões), World Labs (1 bilhão), Lila Sciences (550 milhões) e General Intuition (454 milhões), indicando um influxo massivo de capital em IA agêntica.
Tecnicamente, a Manus é um orquestrador que executa modelos de fronteira (frequentemente Claude) dentro de uma máquina virtual isolada com ferramentas reais: navegador, sistema de arquivos, interpretador de código. O usuário define uma meta de alto nível, e o agente a divide em etapas, executa, verifica o resultado e retorna um artefato. As atualizações 1.5 e 1.6 mostraram uma redução no tempo de execução das tarefas de 15 para menos de 4 minutos e um aumento na satisfação dos usuários em mais de 19% em testes cegos.
A metodologia de avaliação desses agentes permanece controversa. O benchmark GAIA, no qual a Manus supostamente supera o GPT-4, mede a capacidade de raciocínio e uso de ferramentas, mas não garante confiabilidade em cenários de longo prazo com incerteza. Não há dados públicos sobre modos de falha na interação com o mundo real — por exemplo, erros na navegação web ou APIs instáveis. Esse é um problema típico de sistemas agênticos: resultados fortes em testes controlados nem sempre se transferem para produção.
Em comparação com a abordagem da Recursive Superintelligence, a Manus enfatiza a autonomia prática já hoje, enquanto a RSI foca no ciclo de autoaprimoramento de longo prazo. A Recursive planeja um sistema autônomo de "Nível 1" para meados de 2026, usando milhões de dólares em computação. A Manus, por sua vez, liberta da Meta, pode iterar o produto mais rapidamente sem restrições corporativas, mas corre o risco de ficar para trás em pesquisa fundamental sobre recursão.
A DeepMind com o AlphaEvolve demonstra um caminho intermediário: o Gemini propõe soluções, elas são testadas automaticamente, as melhores são selecionadas e aprimoradas. Isso funciona bem em matemática e código, onde o resultado é fácil de medir, mas é significativamente mais difícil em biologia ou robótica, onde os experimentos são lentos e multidimensionais. A Manus e agentes similares tentam fechar essa lacuna por meio de interações reais, mas ainda não provaram escalabilidade além de tarefas restritas.
A independência da Manus permite que a empresa adapte o produto mais rapidamente a cenários reais de usuários — desde análise competitiva até automação de fluxos de trabalho. Ao mesmo tempo, o influxo de capital na RSI e em world models sinaliza uma mudança de paradigma: de escalar modelos de linguagem para criar sistemas que geram sua própria experiência e se aprimoram.
Permanece incerto se agentes como Manus ou RSI conseguirão fechar o ciclo completo de autoaprimoramento sem supervisão humana substancial. A verificação independente em benchmarks de longo prazo e casos reais será o teste-chave para essas ambições nos próximos meses.
A Manus, ao retornar à independência, tem a chance de acelerar a adoção prática de agentes autônomos, mas o sucesso dependerá da capacidade de provar confiabilidade em ambientes não controlados.
