Meta приобретает Manus: что это значит для стратегии корпоративных ИИ-агентов

Соглашение компании Meta, материнской структуры Facebook и Instagram, о приобретении стартапа Manus более чем за 2 миллиарда долларов (о чем вчера вечером объявили обе компании и сообщил The Wall Street Journal) стало одним из самых ярких свидетельств того, что крупные технологические платформы больше не конкурируют исключительно в качестве моделей — теперь борьба идет за то, кто контролирует уровень реализации ИИ-задач.

Manus — базирующийся в Сингапуре стартап, основанный китайскими предпринимателями и дебютировавший ранее в этом году. Он создал универсального ИИ-агента, предназначенного для автономного выполнения многоэтапных задач, таких как исследования, анализ, написание кода, планирование и генерация контента.

Компания продолжит работу в Сингапуре и продажу своих подписок, в то время как ее команда и технологии будут интегрированы в общую структуру ИИ-подразделения Meta.

Ожидается, что соучредитель и генеральный директор Manus Сяо Хун (Xiao Hong), известный по прозвищу «Ред» (Red), будет подчиняться операционному директору Meta Хавьеру Оливану (Javier Olivan).

Эта сделка заключается на фоне того, как Meta ускоряет инвестиции в искусственный интеллект, чтобы конкурировать с Google, Microsoft и OpenAI, а фокус всей отрасли смещается с разговорных демоверсий на системы, способные надежно создавать готовые материалы, выполнять полные рабочие процессы и функционировать с минимальным надзором человека.

Manus как уровень реализации, а не чат-интерфейс

Manus последовательно позиционировала себя не столько как ассистента, сколько как исполнительный движок. Вместо ответов на изолированные запросы ее агент спроектирован так, чтобы планировать задачи, задействовать инструменты, дорабатывать промежуточные результаты и выдавать готовую работу.

Проект привлек 2 миллиона пользователей в листах ожидания после своего <а href=»https://venturebeat.com/ai/what-you-need-to-know-about-manus-the-new-ai-agentic-system-from-china-hailed-as-a-second-deepseek-moment»>выхода в свет весной 2025 года. В то время Manus превзошла агент OpenAI Deep Research (работавший тогда на модели o3) и другие передовые системы в бенчмарке GAIA, который оценивает способность ИИ-агентов справляться с реальными многоэтапными задачами, в некоторых случаях более чем на 10%.

В вчерашнем заявлении о поглощении Manus указала, что ее система обработала более 147 триллионов токенов и создала свыше 80 миллионов виртуальных компьютеров — показатели, которые говорят о постоянном использовании на производственном уровне, а не об ограниченных экспериментах.

Meta, со своей стороны, заявила, что Manus способна самостоятельно выполнять сложные задачи вроде маркетинговых исследований, написания кода и анализа данных, а также подтвердила, что сервис Manus продолжит работу и продажи, будучи интегрированным в Meta AI и другие продукты.

Для бизнеса это различие имеет принципиальное значение. Многие ранние «агентские» системы терпят неудачу не потому, что базовые модели не умеют рассуждать, а потому, что сыпется исполнение: инструменты тихо дают сбои, промежуточные шаги отклоняются от курса, а долгосрочные задачи невозможно возобновить или проверить. Главное ценностное предложение Manus заключается в управлении именно этими сценариями сбоев.

Что пользователи на самом деле делали с помощью агента Manus

Доказательства такого подхода с упором на исполнение наглядно демонстрирует собственное комьюнити Manus. В официальном сервере Manus в Discord в публикации канала «Use Case Channel», размещенной участником сообщества по имени Йесли (Yesly) 6 марта 2025 года, приводились реальные примеры того, как пользователи уже применяли агента.

Эти сценарии использования выходили далеко за рамки обычного написания промптов. Они включали:

• Генерацию обширных исследовательских отчетов, таких как детальный анализ влияния изменения климата на Землю и человеческое общество в следующем столетии

• Создание визуальных артефактов на основе данных, включая четырехквадрантный график эффективности результативности игроков НБА на основе их статистики

• Проведение исследований продуктов и рынков, например, сравнение каждой модели MacBook за всю историю Apple

• Планирование и синтез сложных многостраничных туристических маршрутов с оценкой бюджета, вариантами проживания и сгенерированным путеводителем

• Решение технических и академических задач, включая обобщение исследований высокотемпературной сверхпроводимости, предложение тем для кандидатских диссертаций и описание подходов на основе симуляций к комнатным сверхпроводникам

• Составление структурированных проектных предложений, таких как чертежи автономного дома на солнечных батареях с точными географическими координатами и инженерными ограничениями

Каждый пример публиковался в виде сеанса Manus с возможностью воспроизведения, что подчеркивало: система не просто генерирует текст, а координирует многоэтапную работу для получения готовых результатов.

Эта закономерность важна, поскольку она показывает работу Manus в сложной промежуточной зоне, где корпоративный ИИ часто буксует: речь идет о задачах, которые слишком сложны для одиночного промпта, но слишком неструктурированы для жесткой автоматизации.

Последние обновления Manus

Скорость выпуска обновлений у Manus также впечатляла, что, вероятно, усилило ее импульс среди пользователей и сделало желанной целью для поглощения со стороны Meta.

В октябре компания выпустила Manus 1.5 — обновление, направленное ровно на те слабые места, где ранние агентские системы обычно ломались: долгие, хрупкие задачи, которые теряли контекст или зависали на середине.

Manus переработала движок своего базового агента, что привело к мгновенным результатам. По заявлению компании, среднее время выполнения задач сократилось примерно с 15 минут в начале года до менее чем четырех минут, то есть почти в четыре раза.

Система стала динамически выделять больше времени на рассуждения и вычислительных мощностей для сложных проблем вместо того, чтобы обрабатывать каждую задачу по единому шаблону. Manus также расширила контекстные окна агента, позволив ему отслеживать более длинные беседы и сложные рабочие процессы без потери ключевых деталей. В совокупности эти изменения снизили количество полных сбоев и повысили качество результатов для ресурсоемких исследовательских, аналитических и многоэтапных задач, которые ранее требовали регулярного вмешательства человека.

В декабре Manus закрепила этот успех версией 1.6, распространив достижения в исполнении на более автономные, творческие и кросс-платформенные задачи.

В этом релизе появился более производительный агент, настроенный на успешное завершение большего числа задач за один проход, а также поддержка разработки мобильных приложений, а не только веб-проектов. Пользователи могли описать мобильное приложение, и агент полностью брал на себя процесс сборки от начала до конца, расширяя охват Manus за пределы браузера. В то же время агент удерживал творческие цели на протяжении всего производственного цикла — от исследований и генерации идей до черновиков, создания визуальных материалов, правок и финальной сдачи — в рамках одной непрерывной сессии.

Сюда вошли генерация и редактирование изображений через визуальный интерфейс, компоновка презентаций и отчетов, а также создание полностековых веб-приложений, которые агент мог самостоятельно запускать, тестировать и исправлять.

В совокупности эти обновления закрепили за Manus репутацию не промпт-ассистента, а исполнительной системы, созданной для того, чтобы доводить дело до конца, адаптироваться при возникновении неполадок и стабильно выдавать готовый результат в аналитических, творческих, веб- и мобильных сценариях.

Преимущество прикладного уровня над проприетарными моделями

Стоит отметить, что Manus не обучает собственную передовую модель. Согласно публикациям о сделке, она опирается на сторонние ИИ-модели от таких провайдеров, как Anthropic и Alibaba, концентрируя свои отличительные особенности на оркестрации, надежности и исполнении.

Тем не менее, это не мешает коммерческому успеху. Юйчэнь Цзинь (Yuchen Jin), соучредитель и технический директор (CTO) провайдера облачного GPU-а-ла-сервис Hyperbolic Labs, подчеркнул эту динамику в публичном посте, посвященном поглощению. Цзинь отметил, что Manus, по собственным признаниям, вышла примерно на 100 млн долларов годового регулярного дохода всего через восемь месяцев после запуска, не имея собственной проприетарной большой языковой модели (LLM) и полагаясь на упомянутых провайдеров.

«Люди продолжают полагать, что небольшое обновление от OpenAI или Google уничтожит множество ИИ-стартапов, — написал Цзинь. — Но в действительности большая часть возможностей должна сосредоточиться на прикладном уровне ИИ».

Аналогичной точки зрения придерживался Дев Шах (Dev Shah), ведущий специалист по работе с разработчиками в Resemble AI, который заявил, что Meta приобрела не столько компанию-разработчика моделей, сколько «компанию среды», добавив, что «интеллект не может существовать изолированно».

В чем суть его мысли? Агентные возможности возникают благодаря тому, как модели соединяются с инструментами, памятью и средой выполнения — эту новую концепцию он описал как «ситуативную агентность» (Situated Agency).

С этой точки зрения достижение Manus заключалось не в обучении проприетарной базовой модели, а в проектировании уровня исполнения, который позволяет таким моделям, как Claude, просматривать веб-страницы, писать и запускать код, манипулировать файлами и автономно выполнять многоэтапные рабочие процессы.

Шах предположил, что это может точнее соответствовать долгосрочной стратегии Meta: вместо того чтобы выигрывать гонку передовых моделей, Meta может сосредоточиться на владении агентской инфраструктурой (оркестрацией, управлением контекстом и интерфейсами) и подставлять ту модель, которая на данный момент работает лучше всего. Если эта гипотеза верна, приобретение Manus знаменует собой сдвиг в сторону отношения к базовым моделям как к взаимозаменяемым ресурсам, в то время как среда выполнения становится основным источником долгосрочной ценности.

Подобные перспективы помогают объяснить шаг Meta. Вместо покупки еще одной команды разработчиков моделей компания приобретает систему, которая уже доказала свою способность упаковывать существующие модели в продукт, за который пользователи готовы платить и которым продолжают пользоваться.

Что это значит для вашей корпоративной ИИ-стратегии

Для технических лиц, принимающих решения в бизнесе, приобретение Manus — это в меньшей степени одобрение со стороны вендора и в большей — стратегический сигнал.

Во-первых, сделка подтверждает, что уровни оркестрации (системы, управляющие планированием, инструментами, повторными попытками, памятью и мониторингом) становятся столь же важны, как и сами модели. Предприятиям, создающим внутренний потенциал в области ИИ, возможно, стоит активнее инвестировать в агентскую инфраструктуру, которая располагается поверх моделей и способна пережить быстрые изменения в экосистеме базовых моделей.

В этом смысле создание внутреннего агентского уровня не является спекулятивным или избыточным шагом. Это именно тот класс программного обеспечения, который крупные платформы теперь рассматривают как стратегически ценный — будь то в качестве объектов для поглощения или внутренних ускорителей.

Видео, записанное в преддверии этого объявления основателем и генеральным директором VentureBeat Мэттом Маршаллом (Matt Marshall) и соучредителем Red Dragon Виттевеном (Witteveen), глубже раскрывает эту тему. Посмотрите его бесплатно ниже или на YouTube.

Во-вторых, эта сделка не означает автоматически, что предприятия должны спешить и стандартизировать свои процессы именно на базе Manus. История продуктов Meta для корпоративного сектора дает повод для осторожности. Инструменты вроде Workplace от Facebook завоевали популярность на раннем этапе, но в итоге не смогли закрепиться в качестве глубоко интегрированных корпоративных платформ, отчасти из-за смены внутренних приоритетов и непоследовательных долгосрочных инвестиций.

Эта история подсказывает необходимость взвешенного подхода. Компании, оценивающие Manus сегодня, возможно, захотят рассматривать ее как пилотный или вспомогательный инструмент, а не как фундаментальную зависимость, пока стратегия интеграции Meta не станет более прозрачной.

Среди ключевых вопросов: останется ли Manus ориентированной на продукт, а не на рекламу или данные, как будут развиваться управление и комплаенс под крылом Meta, а также продолжит ли дорожная карта ставить во главу угла надежность выполнения, а не поверхностную интеграцию.

Наконец, поглощение заостряет более широкий выбор, стоящий перед бизнесом: ждать ли, пока вендоры определят агентский уровень, или построить и контролировать его самостоятельно. Траектория Manus показывает, что реальные рычаги влияния в сфере ИИ все меньше зависят от того, кому принадлежит самая умная модель, и все больше — от того, кто владеет системами, превращающими рассуждения в завершенную работу.

В этом свете приобретение Meta касается не столько самой Manus, сколько того, где формируется следующий устойчивый уровень стека искусственного интеллекта.

Почему эта сделка важна за пределами Meta

С точки зрения некоторых из нас в VentureBeat, покупку Manus лучше всего воспринимать как подтверждение того, где именно консолидируется ценность в стеке ИИ (а также как отражение амбиций Meta в области корпоративных ИИ-агентов, хотя последнее куда менее предсказуемо).

Главный сигнал заключается вовсе не в том, что Manus создала новаторские модели, а в том, что она продемонстрировала, как быстро грамотно спроектированные агенты могут превращаться в приносящие доход продукты благодаря акценту на исполнении, скорости и конкретных результатах.

Этот сдвиг — от споров о том, на что способны передовые модели, к оценке того, что реально поставляют агенты — все сильнее определяет критерии оценки прогресса в области ИИ.

Сделка также подчеркивает важное различие для корпоративных читателей: речь идет не столько о внедрении продукта при поддержке Meta, сколько о понимании того, что агентская оркестрация приобрела стратегическое значение. Manus добилась успеха, нацелившись на решаемые задачи реального мира и выпуская агенты, которые работали от начала до конца, даже если эти сценарии использования тяготели к потребительскому сегменту.

Более широкий вывод заключается в том, что компании могут применить аналогичный подход в собственных областях, создавая агентские системы там, где у них уже есть данные, экспертиза и операционные рычаги.

В то же время мы скептически относимся к тому, чтобы рассматривать это событие как прямой сигнал к покупке для корпоративного сектора. История Meta показывает, что долгосрочное доверие бизнеса трудно завоевать без постоянного фокуса и специализированных усилий по выходу на рынок. Смысл поглощения может быть более очевидным в потребительском и малопредпринимательском сегментах экосистемы самой Meta, в частности в продуктах, изначально предназначенных для масштабного управления коммерцией, контентом и взаимодействием с клиентами.

Агентские возможности Manus четко накладываются на такие поверхности, как Meta Business Suite, где малый бизнес уже балансирует между контент-календарями, входящими сообщениями, рекламой, аналитикой и инструментами монетизации на Facebook и Instagram. Ориентированный на выполнение агент вполне может автоматизировать или координировать многие из этих задач от и до: от подготовки и планирования постов до ответов на сообщения, оптимизации рекламы или составления отчетов об эффективности.

Функция Manus «Design View», запущенная публично всего за неделю до объявления о покупке Meta и позволяющая пользователям генерировать новые изображения с редактируемыми дискретными компонентами с помощью естественного языка, кажется созданной специально для создания рекламных объявлений в соцсетях:

Помимо создателей контента и малого бизнеса, такие агенты могут потенциально распространиться на рядовых пользователей, использующих Instagram или Facebook для шопинга, поиска или самовыражения. Ориентированный на исполнение агент может помогать обычным пользователям в таких задачах, как поиск и сравнение товаров, управление покупками, составление списки желаний или оформление возвратов, а также содействовать в создании и редактировании постов, рилсов или историй для друзей и семьи — не как профессиональный контент, а как повседневный, социальный и развлекательный продукт.

Такой подход тесно перекликается с историческими сильными сторонами Meta. Компания добивалась наибольших успехов тогда, когда возможности ИИ тесно встраивались в высокочастотные потребительские сценарии, а не позиционировались как автономное корпоративное ПО.

Агент на базе Manus, который помогает пользователям что-то делать — покупать, творить, планировать или управлять общением внутри приложений Meta — органично вписался бы в эволюцию Instagram и Facebook в сторону более агентских интерфейсов. В этом сценарии Manus выступает не столько как корпоративный бренд, сколько как невидимый уровень исполнения, подпитывающий ИИ-ассистентов, которые работают нативно внутри потребительской экосистемы Meta, где уже пересекаются масштаб, вовлеченность и коммерция.

В результате очевидная ценность поглощения заключается не в том, следует ли бизнесу стандартизировать свои процессы на Manus, а в том, что инвестиции во внутренние агентские фреймворки, уровни оркестрации и управление теперь выглядят все более оправданными — ведь именно за этот уровень крупные платформы сегодня готовы платить.