A Aposta de $2 Bilhões da Meta para Construir Seu Colega de IA

Dez dias desde a primeira conversa séria até a assinatura de documentos para uma aquisição de $2 bilhões parece um erro de digitação. Para a Meta e a Manus, foi todo o cronograma. Sem cortejos prolongados, sem uma novela regulatória de um ano—apenas um negócio comprimido e de alta velocidade que se parecia mais com uma rodada inicial de financiamento de startups do que com uma das maiores apostas da Big Tech da década.

A Meta pagou cerca de $2 bilhões, tornando a Manus seu terceiro maior negócio de todos os tempos, atrás do WhatsApp e seu investimento em 2025 na Scale AI. Esse valor imediatamente retirou a Manus da categoria de “startup promissora” e a colocou firmemente na estratégia central da Meta, ao lado do Instagram e do WhatsApp como apostas fundamentais, e não como experimentos opcionais.

A velocidade e o tamanho enviaram uma onda de choque imediata pela indústria de IA. Uma empresa que recentemente alcançou cerca de 100 a 125 milhões de dólares em ARR e processou mais de 147 trilhões de tokens acabou de convencer um gigante da tecnologia a agir em ritmo de emergência. Os concorrentes interpretam isso como um sinal: sistemas agentes não são mais uma tarefa secundária; agora são essenciais.

Os especialistas da indústria, que já estavam preocupados com um "excesso de capacidade dos modelos", tiveram sua tese validada em US$ 2 bilhões. A Meta sinalizou efetivamente que o problema não são modelos mais inteligentes, mas a estrutura—a camada de execução que permite que agentes de IA escrevam código, criem máquinas virtuais e operem 80 milhões de computadores virtuais de forma confiável. O Manus tornou-se a resposta da Meta para essa camada ausente.

Comparado às negociações históricas, o ritmo parece quase absurdo. A parceria da Microsoft com a OpenAI se desenvolveu ao longo de anos; o impulso interno da Apple em IA avançou com passos cautelosos e incrementais; até mesmo a venda do Instagram para o Facebook em 2012 levou semanas de negociações. Um aperto de mão de dez dias, de múltiplos bilhões de dólares, se destaca como um novo padrão de decisividade nas salas de reunião.

Esse ritmo também expõe a urgência na fronteira. A Meta ainda não possui um claro “modelo de fronteira” da maneira que a OpenAI, a Anthropic ou o Google DeepMind afirmam. Ao adquirir a Manus, que já opera com modelos externos de primeira linha, a Meta comprou tempo, talento e uma camada de execução em um único movimento—e então comprimiu todo o processo em uma única e frenética corrida.

Agentes de IA de uso geral parecem abstratos, mas a ideia é simples: em vez de um chatbot que responde perguntas, você tem um trabalhador de software que pode planejar, clicar, digitar e operar aplicativos da mesma forma que um humano faz. Você não apenas fala com ele; você lhe dá uma tarefa e ele descobre como transformar um pedido vago em um entregável concluído.

A Manus criou agentes que vivem dentro de computadores virtuais completos, não apenas em demos isoladas. Cada agente pode abrir um navegador, lançar aplicativos no estilo Office, gerenciar arquivos e encadear dezenas de etapas sem a necessidade de um humano controlando cada clique.

As capacidades centrais parecem assustadoramente próximas do que muitos trabalhadores do conhecimento fazem o dia todo. Um agente Manus pode escrever código em nível de produção, refatorar um código legado, criar um ambiente de desenvolvimento e executar testes. O mesmo agente pode então mudar para criar uma apresentação no PowerPoint, extraindo gráficos de planilhas e capturas de tela de mockups de produtos.

Esse salto da previsão de texto para o trabalho real vem do que Manus chama de camada de execução. Modelos de linguagem de grande escala oferecem "cérebros" — raciocínio, planejamento, compreensão da linguagem natural — mas não podem tocar em um mouse ou teclado. Manus envolve esses modelos em uma infraestrutura que traduz planos de alto nível em ações concretas de interface do usuário em uma máquina real.

A execução significa que o agente não apenas diz "você deveria fazer X"; ele realmente faz X. Ele pode instalar software, fazer login em painéis da web, mover dados entre ferramentas e se recuperar quando o layout de um site muda ou um script gera um erro. A estrutura ao redor do modelo gerencia o estado, a memória e a correção de erros.

Imagine perguntar a um agente da Manus: “Audite nossos últimos 12 meses de gastos com anúncios e me diga o que devo cortar.” Ele poderia acessar o Meta Ads e o Google Ads, exportar relatórios, normalizar os dados em uma planilha, realizar uma análise básica de atribuição e, em seguida, elaborar um resumo e uma apresentação com as recomendações de mudança no orçamento.

Ou imagine uma equipe de produto entregando a Manus um relatório de bug e um repositório do GitHub. O agente poderia reproduzir o problema em um ambiente virtual, rastrear o commit responsável, propor uma correção, abrir uma pull request com testes e postar uma atualização de status no Slack — do começo ao fim, sem que um humano tocasse no teclado.

De zero a lenda, Manus levou pouco mais de um ano. A empresa passou de um lançamento discreto para uma impressionante taxa de receita anual recorrente de $125 milhões, uma trajetória pela qual a maioria dos fundadores de SaaS mataria em cinco anos, não em doze meses. A receita acompanhou o uso, e o uso estava nas alturas.

A Scale parecia menos uma startup e mais um protocolo de internet. Os agentes Manus processaram mais de 147 trilhões de tokens, um volume que os coloca na mesma conversa que as plataformas LLM de alto nível. Esses agentes também geraram mais de 80 milhões de computadores virtuais, cada um um espaço de trabalho descartável onde softwares, arquivos e ferramentas eram mantidos para a IA manipular.

Aquele truque de computador virtual resolveu um verdadeiro ponto crítico. As empresas não queriam um chatbot inteligente; elas queriam uma IA que pudesse acessar painéis, refatorar bases de código, atualizar apresentações e registrar tickets sem comprometer a conformidade. A Manus reuniu isso em um produto por assinatura que as empresas podiam implementar sem precisar contratar um pequeno laboratório de pesquisa.

A demanda de mercado por IA agente revelou-se muito menos hipotética do que os céticos afirmavam. As equipes usaram o Manus para automatizar: - Sprints de pesquisa - Limpeza e relatórios de dados - Tarefas rotineiras de engenharia e DevOps - Fluxos de trabalho internos em finanças, recursos humanos e suporte

Cada fluxo de trabalho bem-sucedido tornou a plataforma mais atrativa, impulsionando o uso — e a ARR — para cima e para a direita.

Quando a Meta fez a ligação, a Manus já não parecia uma aposta arriscada; parecia a camada de execução padrão para futuros trabalhos em IA. A Meta viu uma empresa que já havia validado a demanda por agentes em grande escala, testou sua infraestrutura com trilhões de tokens e construiu uma base de usuários que tratava os colegas de IA como algo normal. Para uma análise detalhada diretamente da fonte, a Manus apresentou discretamente sua trajetória em um post no blog: A Manus Se Junta à Meta para a Próxima Era de Inovação.

A aquisição da Manus pela Meta gira em torno de uma ideia nerd, mas crucial: o problema da “capacidade de modelo excedente”. Essa é a lacuna entre o quão inteligentes os grandes modelos de linguagem já são e o quão pouco dessa inteligência realmente se manifesta no trabalho real. Os modelos podem conquistar benchmarks e escrever trechos de código elegantes, mas ainda assim falham em executar de maneira confiável um relatório de vendas ou entregar uma funcionalidade de produto do início ao fim.

A inteligência de modelo bruto responde a perguntas; os trabalhos exigem execução em várias etapas. Enviar uma funcionalidade significa ler uma especificação, editar um código, executar testes, atualizar a documentação, registrar tickets e postar no Slack. Um modelo em estilo de chat pode ajudar em cada etapa, mas não controla o fluxo de trabalho, não rastreia o estado nem se recupera quando algo falha no meio do processo.

Manus ataca essa lacuna agindo como andaime em torno de qualquer modelo de fronteira que você conectar. Seus agentes não apenas respondem; eles planejam, sequenciam e monitoram tarefas. Eles podem ativar um dos mais de 80 milhões de computadores virtuais que a Manus habilitou, instalar ferramentas, escrever e executar scripts, e repetir até que um objetivo concreto seja alcançado.

Essa estrutura parece menos um chatbot e mais um sistema operacional para trabalhadores de IA. Agentes Manus: - Mantêm um contexto de longa duração sobre um projeto - Chamam ferramentas como navegadores, IDEs e PowerPoint - Lidam com erros, tentativas e lógica de ramificação entre sessões

Os provedores de modelos focam em tokens; a Manus foca em ambientes. A empresa já processou mais de 147 trilhões de tokens, mas o valor vem de como esses tokens movimentam arquivos, APIs e interfaces gráficas, e não apenas do texto isoladamente. Ela transforma “responda a esta pergunta” em “domine este processo.”

A aposta de US$ 2 bilhões da Meta afirma que a próxima corrida armamentista em IA não será apenas sobre LLMs maiores, mas sobre quem controla a camada de execução acima deles. A Manus atualmente opera com modelos de fronteira de terceiros; a Meta ainda fica atrás da OpenAI e outros nesse aspecto. Comprar a Manus permite que a Meta compita em aplicações, mesmo enquanto se esforça para alcançar a potência dos modelos brutos.

A Meta acabou de comprar uma empresa que opera com modelos que na verdade não possui. A Manus construiu sua plataforma de agentes com ARR de 125 milhões de dólares com modelos de fronteira de concorrentes, e não com a própria tecnologia da Meta. Agora a Meta possui a camada de agentes, mas ainda está atrás na corrida para fornecer o cérebro que a alimenta.

OpenAI, Google e Anthropic lançam modelos amplamente considerados de ponta: GPT-4 e GPT-4o, Gemini 1.5 Pro e Claude 3.5 Opus. Esses sistemas já impulsionam copilotos dentro do Office, Workspace e fluxos de trabalho corporativos, proporcionando a seus criadores um ciclo fechado entre inovação de modelo e dados de uso no mundo real. A Meta, em contraste, oferece o Llama 3 como uma família de pesos abertos, elogiada por seu custo e abertura, não por sua capacidade absolutamente de ponta.

A estratégia da Meta divide efetivamente sua abordagem em duas frentes. De um lado, Manus se torna a aposta para dominar a camada de agentes: o planejamento, o uso de ferramentas e o ambiente de “computador virtual” que transforma modelos brutos em trabalhadores. Do outro lado, a Meta precisa se apressar para evoluir o Llama de um modelo aberto forte para algo que possa substituir com credibilidade os mecanismos proprietários dos quais Manus depende atualmente.

Essa estratégia de dois braços introduz um verdadeiro risco de execução. Os agentes da Manus supostamente geraram mais de 80 milhões de máquinas virtuais e processaram mais de 147 trilhões de tokens ao se apoiarem no modelo que melhor se adequasse a cada tarefa. Se a Meta forçada a uma mudança precoce para o Llama antes que ele possa alcançar um desempenho equivalente ao do GPT-4, a aquisição de 2 bilhões de dólares corre o risco de se tornar uma desvantagem para os clientes existentes da Manus.

A pressão agora se concentra na equipe Llama de uma maneira que a Meta nunca enfrentou antes. A Manus não precisa apenas de um modelo aberto decente; ela precisa de um motor de raciocínio de alto nível que consiga lidar com planejamento de longo prazo, uso de ferramentas em múltiplas etapas e fluxos de trabalho intensivos em código sem colapsar em erros. Cada meta não alcançada em relação ao GPT-4, Gemini ou Claude agora reduz diretamente o valor da nova plataforma de agentes da Meta.

Os rivais da Meta desfrutam de estruturas mais limpas. A OpenAI controla tanto o ChatGPT quanto seus modelos subjacentes; o Google funde o Gemini com o Search, Docs e Android; a Anthropic se concentra fortemente no Claude como um assistente priorizando API. Em contrapartida, a Meta está apostando que a combinação de um roteiro em rápida evolução do Llama com a infraestrutura de agentes do Manus permitirá que ela supere, e não apenas alcance.

Se essa aposta falhar, Manus continua sendo uma interface brilhante conectada ao cérebro de outra pessoa. Se der certo, a Meta obtém algo mais perigoso: um colega de IA que vive nas plataformas da Meta, impulsionado de ponta a ponta pela própria infraestrutura da Meta, e não mais dependente da fronteira de ninguém.

Os chatbots reagem. Você digita, eles respondem. Agentes mudam esse roteiro: eles definem metas, elaboram planos, interagem com APIs, abrem aplicativos e continuam trabalhando muito depois de você fechar a aba, mais como um colega júnior do que uma caixa de pesquisa mais inteligente.

Sistemas reativos, como os bots de suporte ao cliente ou ajudantes de sites de hoje, vivem dentro de uma única janela de conversa. Eles não lembram do seu calendário, não acessam seus arquivos e não coordenam entre ferramentas. Agentes proativos operam em cima do seu email, documentos, CRM e painéis internos, decidindo o que fazer a seguir sem esperar pelo seu comando.

Imagine um dia de trabalho em que um agente de IA acorda antes de você. Ele analisa os e-mails da noite, classifica as discussões, redige respostas e reserva tempo na sua agenda para tudo que parece trabalho de verdade. Quando você faz login, recebe um breve informe, e não uma caixa de entrada transbordando.

Durante o dia, esse mesmo agente pode: - Extrair dados do Salesforce e de bancos de dados internos - Criar uma apresentação em PowerPoint, completa com gráficos - Registrar tickets, atualizar documentos no Notion e enviar mensagens para os colegas no Slack

Agora escale isso em uma empresa. Analistas de pesquisa transferem revisões de literatura e extrações de dados para agentes que leem centenas de PDFs e painéis em paralelo. Gerentes de produto permitem que agentes acompanhem métricas de usuários, registrem relatórios de bugs e proponham ajustes no roadmap. Equipes de RH têm agentes que buscam candidatos, agendam entrevistas e geram planos de integração personalizados.

O trabalho de conhecimento começa a parecer menos com descrições de cargos estáticas e mais com uma orquestração. Os humanos definem objetivos, restrições e gosto; agentes de IA cuidam das tarefas que atualmente consomem de 30% a 50% da semana de um trabalhador de colarinho branco—relatórios de status, copiar-colar entre sistemas, controle de qualidade manual, Tetris de calendário.

As estruturas corporativas se adaptam a isso. As equipes encolhem, mas entregam mais. Um único gerente pode “supervisionar” um pequeno grupo de pessoas e uma variedade de agentes especializados em verificações de conformidade, modelagem financeira ou pesquisa de usuários. As avaliações de desempenho começam a medir o quão bem você projeta, monitora e soluciona problemas com seu pessoal digital.

A compra de $2 bilhões da Manus pela Meta é o sinal mais claro até agora de que esse futuro agencial não é uma história de 2030. A Manus já opera agentes que ativam mais de 80 milhões de computadores virtuais e processam 147 trilhões de tokens, realizando silenciosamente um trabalho real para clientes que pagam. Para uma análise mais detalhada de como a Meta está posicionando essa aposta, veja Meta Adquire Manus por $2B para Impulsionar Agentes de IA Autônomos.

A Meta fica com a participação acionária; Xiao Hong insiste que a Manus mantém o controle. Em sua nota após a aquisição, ela enfatiza que a Manus preserva a “independência operacional” e que o acordo “não altera como a Manus opera ou como as decisões são tomadas.” Essa promessa é importante porque o valor da Manus reside em um ciclo de feedback ágil entre sua tecnologia agencial e clientes empresariais exigentes, e não em ser integrada à vasta burocracia da Meta.

Operar a Manus a partir de Cingapura não é apenas uma escolha sentimental. A empresa já atende a uma base de clientes global por meio de seu aplicativo de assinatura e site, e esses usuários esperam continuidade, não uma migração forçada para contas do Meta ou logins do Instagram. Manter os mesmos URLs, fluxos de cobrança e canais de suporte sinaliza que este continua sendo um produto que você pode comprar, não apenas uma demonstração dentro do Meta AI.

A história continua a alertar sobre o que acontece quando gigantes engolem startups. O Nest do Google, as aquisições do Facebook em torno do Instagram e inúmeras negociações menores mostram como a integração pode desacelerar a velocidade dos produtos, alienar os primeiros adotantes e drenar talentos essenciais. A Meta parece estar tentando um modelo diferente aqui: financiar a Manus como uma startup interna, evitando as lentas cadeias de dependência entre equipes que matam a experimentação no estilo agente.

“Uma fundação mais forte e sustentável” soa como uma espuma de PR até que você descompacte as implicações do roadmap. Para a Manus, isso provavelmente significa acesso garantido a GPU em todos os centros de dados da Meta, uma integração mais profunda com superfícies de primeira parte como Facebook, WhatsApp e Instagram, e a reserva de caixa para buscar capacidades de agente mais ambiciosas em vez de otimizar para um ARR de curto prazo. A pergunta em aberto: “sustentável” significa mais lento?

Fundamentos mais fortes também vêm com guardrails invisíveis. As regras de privacidade, as políticas de segurança da marca e a exposição regulatória da Meta moldarão o que os agentes do Manus podem automatizar, quais ferramentas podem utilizar e quão agressivamente podem iterar em recursos arriscados. O Manus mantém sua essência apenas se Hong puder usar a infraestrutura da Meta sem herdar o instinto da Meta de centralizar, sanitizar e padronizar tudo.

A Meta acabou de desviar a corrida armamentista da IA. Em vez de perseguir a OpenAI e o Google nas tabelas de benchmarks, investiu cerca de $2 bilhões na Manus, uma empresa cuja proposta é: os modelos são bons o suficiente, a peça faltante é um agente que possa realmente executar o trabalho. Essa estratégia ataca o ponto fraco nas estratégias de ambos os rivais—o problema complicado e pouco atraente de transformar a inteligência bruta do modelo em fluxos de trabalho confiáveis e de ponta a ponta.

O Google e a OpenAI ainda vendem a visão onde o modelo de fronteira é a plataforma. O GPT-4, Gemini e seus sucessores estão no centro, com plugins, ações e APIs orbitando ao seu redor. A Meta está efetivamente dizendo o oposto: a verdadeira plataforma é uma camada de execução que pode orquestrar qualquer modelo, qualquer ferramenta, qualquer ambiente, e o Manus já faz isso em milhões de máquinas virtuais.

Os agentes da Manus podem escrever código, manipular o PowerPoint, operar desktops completos e coordenar tarefas de pesquisa complexas, tudo isso impulsionado pelo modelo que apresentar o melhor desempenho. Isso torna a Manus perigosamente portátil: substitua o OpenAI hoje, o modelo futurista da Meta amanhã e talvez o Mistral depois. Se a Meta conseguir integrar isso ao Facebook, Instagram e WhatsApp, ela controlará o agente que os usuários utilizam todos os dias, mesmo que um modelo rival opere nos bastidores.

O Google e a OpenAI agora enfrentam uma pergunta desconfortável: eles vão se aprofundar na supremacia de modelos ou correr para igualar agentes no estilo Manus? As contramedidas óbvias incluem: - Adquirir startups rivais de agentes que estão construindo pilhas semelhantes de "colegas de IA" - Agrupar agentes autônomos mais agressivos em concorrentes do Workspace e do Office - Vincular os agentes de forma estreita aos seus próprios modelos para evitar a abstração no estilo Meta

Estratégicamente, isso parece um fim de jogo para plataformas. Se a Meta possuir o agente de trabalho padrão incorporado em interações sociais, mensagens e fluxos de trabalho empresariais, poderá tornar os modelos subjacentes em produtos commoditizados, assim como o Android fez com os fabricantes de dispositivos. Google e OpenAI correm o risco de se tornarem infraestruturas intercambiáveis, enquanto a Meta detém o relacionamento, os dados gerados e a distribuição.

A Meta está apostando que em alguns anos ninguém vai perguntar: “Qual modelo fez isso?” Eles vão perguntar: “Qual agente executa meu trabalho?” Com o Manus, a Meta quer que essa resposta seja a deles—e forçar todos os outros a jogarem nesse tabuleiro.

A Meta não gastou $2 bilhões apenas para adicionar mais um chatbot ao Facebook. Ela comprou a Manus para potencializar a Llama. Durante anos, a Meta investiu bilhões em modelos de código aberto, lançando a Llama 2 e a Llama 3 no mercado enquanto assistia a OpenAI e Google capturarem a maior parte da receita. A Manus é a camada que faltava para transformar esses pesos disponíveis gratuitamente em uma plataforma pronta para empresas que gera receita.

Neste momento, o Llama é um cérebro poderoso em busca de um corpo. A Manus já trata grandes modelos de linguagem como motores intercambiáveis por trás de sua pilha de agentes, conectando-os a máquinas virtuais, navegadores e ferramentas SaaS. Conecte essa estrutura ao Llama e a Meta, de repente, terá uma estrutura de agente de ponta a ponta que realmente controla, do silício à interface.

Imagine anúncios no Instagram criados por um agente Manus alimentado por Llama que pode: - Extrair seu catálogo de produtos - Gerar cópias, imagens e variantes de vídeo - Criar testes A/B - Monitorar o desempenho e auto-iterar diariamente

Esse fluxo de trabalho salta de “converse com a Meta AI sobre ideias de anúncios” para “sua campanha está no ar, gastando e otimizando enquanto você dorme.” A mesma história se aplica à criação de roteiros para Reels, análises de criadores e alcance automatizado de marcas rodando dentro das ferramentas da Meta.

No lado empresarial, o Manus transforma o Llama em uma força de trabalho full-stack nas apostas de produtividade da Meta. Um agente Llama poderia residir dentro do Workplace, lendo documentos, gerando apresentações, registrando tickets e atualizando painéis. O Manus já alimentou mais de 80 milhões de computadores virtuais e processou mais de 147 trilhões de tokens; conectado ao Llama, esses números se tornam uso nativo da Meta, não uma conta de API de outra pessoa.

A monetização finalmente entra em foco. Em vez de apenas abrir o código de modelos e esperar pela boa vontade do ecossistema, a Meta pode vender: - Agentes Llama + Manus hospedados como um serviço gerenciado - Pilhas de agentes locais para indústrias reguladas - APIs baseadas em uso que combinam modelo + ferramentas + orquestração

Isso transforma Llama de uma exibição de pesquisa em uma jogada de plataforma. A Manus fornece a camada de execução, a Meta fornece os modelos, dados e distribuição para bilhões de usuários. Se a Meta conseguir isso, Llama deixa de ser “a alternativa gratuita ao GPT” e se torna o sistema operacional padrão para trabalho automatizado.

O trabalho no escritório acaba de ganhar um novo colega, que não dorme, não esquece e já sabe como usar suas ferramentas. A Meta não gastou $2 bilhões no Manus para criar um chatbot mais inteligente; ela comprou um motor para colegas de IA que pode abrir aplicativos, clicar em botões, escrever código e entregar trabalhos em máquinas virtuais em grande escala.

Para os trabalhadores do conhecimento individuais, isso transforma a IA de “copiloto em uma caixa de texto” para “colega paralelo” rodando em segundo plano. A Manus já ativou mais de 80 milhões de computadores virtuais e processou mais de 147 trilhões de tokens, uma dica do que acontece quando cada analista, marketing e engenheiro tem um operador digital sempre ativo.

O ChatGPT ou Meta AI de hoje em dia principalmente espera por comandos; agentes no estilo Manus vão em busca de tarefas. Imagine uma IA que: - Lê sua caixa de entrada, redige respostas e agenda reuniões - Acessa painéis internos, coleta métricas e atualiza apresentações - Registra tickets, escreve código de integração e valida a implantação

Isso não é mais ficção científica; é literalmente o roadmap de produtos da Manus, agora integrado à infraestrutura da Meta. Para um gerente de projeto, isso significa que os relatórios de status se escrevem sozinhos. Para um vendedor, o acompanhamento, as atualizações de CRM e os decks de propostas se tornam processos de bastidores. Para um engenheiro júnior, um agente de uso geral começa a parecer desconfortavelmente com um concorrente direto.

A preparação deixa de ser opcional. Profissionais que tratam os agentes como alvos de descarregamento para fluxos de trabalho repetitivos se moverão mais rápido do que colegas que os ignoram. As habilidades duráveis se tornam: - Design de sistemas e pensamento de processos - Especificações escritas claras e orientações - Julgamento de domínio, avaliação de riscos e responsabilidade

A requalificação agora significa aprender a orquestrar agentes, não apenas a como consultar modelos. Se você pode descrever seu trabalho como uma sequência de cliques no navegador, chamadas de API e edições de documentos, assuma que um agente pode aprender isso. Sua vantagem passa a ser saber quais tarefas automatizar, como verificar os resultados e quando dizer não.

A aposta de $2 bilhões da Meta no Manus comprime o cronograma. A integração da IA ao trabalho diário não está mais em um vago horizonte de 5 a 10 anos; uma empresa que fechou um acordo de bilhões de dólares em dez dias está sinalizando urgência. O local de trabalho agente não está chegando algum dia. Ele acaba de ser adquirido.

O que é o Manus AI?

A Manus AI desenvolve agentes de inteligência artificial de propósito geral projetados para executar tarefas complexas, como programação, análise de dados e utilização de aplicações de software em ambientes computacionais reais.

Quanto a Meta pagou para adquirir a Manus?

A Meta adquiriu a Manus por $2 bilhões. O negócio foi notável pela sua rapidez, tendo sido concluído em apenas dez dias.

Por que a Meta comprou a Manus?

A Meta adquiriu a Manus para acelerar o desenvolvimento de agentes de IA autônomos, abordando o desafio de que, embora os modelos de IA sejam poderosos, eles carecem da 'estrutura de suporte' necessária para realizar tarefas complexas do mundo real de forma eficaz.

O serviço Manus continuará após a aquisição?

Sim, a Manus continuará a operar seu serviço de assinatura de Cingapura. A empresa afirmou que a aquisição proporciona uma base mais sólida sem mudar como funciona ou toma decisões.