Meta* и Manus

🪙 Meta* купила не стартап, а направление

В конце прошлого года компания объявила о покупке китайского AI-стартапа Manus за $2+ млрд. Сделку закрыли за десять дней. Фонд Benchmark получил около х4 возврата за восемь месяцев — это один из самых быстрых VC exits в истории.

Но цифры здесь вторичны. Ключевой вопрос — что именно купила Meta*.

Manus не разрабатывают собственные модели.  В основе — сторонние LLM, включая Claude от Anthropic и Qwen от Alibaba. Их реальная ценность в orchestration layer — системе, которая координирует модели и инструменты для выполнения сложных задач. Агент запускает полноценные Linux-воркспейсы в облаке — с sudo-доступом и выходом в интернет.

Фактура за 8 месяцев:

⭐️ $100M+ ARR
⭐️ 147 трлн обработанных токенов
⭐️ 80 млн созданных виртуальных компьютеров

Почему эта сделка так интересна?

До сих пор большинство AI-продуктов работали в режиме ассистента: предлагали идеи, рекомендации и подсказки и ждали дальнейшего решения от человека. В Manus отошли от этой модели.

Их value proposition — не помогать принимать решения, а принимать и самостоятельно исполнять решение. Это даже начали назвать Decision-as-a-Service — противовес классическому SaaS.

Продажа инструментов означает когнитивную нагрузку на пользователе. Продажа решений — эту нагрузку снимает.

Что это значит для Meta*?

Компания владеет крупнейшей distribution-платформой в мире: WhatsApp* (2B+), Instagram* (2B+), Facebook* (3B+). При этом Meta* отставала в agentic capabilities от Microsoft Copilot и OpenAI.

Сейчас у корпорации появляются интеграционные возможности:

• WhatsApp Business*: агенты для SMB — обработка заказов, scheduling, customer service
• Instagram*: автоматизация для creators
• Marketplace: оптимизация листингов и matching

Аналитик D.A.Davidson заметил ключевое:

«One of the things they saw in Manus was it was being incorporated into WeChat, which is really a model for what they want to do with WhatsApp».

Сигнал для индустрии

В одном из отчётов Gartner назвал сделку первым убедительным end-to-end AI-agent stack. Это важная валидация идеи о том, что application layer способен генерировать $100M+ ARR без собственных моделей.

Моя позиция: если модельная гонка выходит на плато, конкуренция смещается в orchestration layer — к тем, кто превращает capabilities в completed work. Meta* ставит именно на это.

* Meta, а также её продукты Facebook, Instagram и WhatsApp признаны экстремистскими на территории РФ.

И ещё по вчерашнему посту

Интересная мысль от Constellation Research о сделке Meta* и Manus.

Meta* может показывать рекламу в момент supervision — когда пользователь наблюдает за работой агента. А это почти всегда не мгновенный процесс. Те есть фактически появляется новый ad inventory с контекстом не «что ты гуглил», а «что ты делаешь прямо сейчас».

↗️ Пока рынок обсуждает будущее агентных систем, Meta*, возможно, не забывает о будущем рекламы.

* Meta признана экстремистской организацией на территории РФ.

AI-агенты окружены огромным количеством мифов. И один из главных — что основные расходы связаны со стоимостью самой модели.

Наши коллеги уже развенчали этот миф: «Оценка эффективности агента может стоить как сам агент».

Но это не значит, что оценку можно отложить. Ее нужно встраивать в проект с первого дня.

Обсуждаем с Ильей Филипповым, CEO red_mad_robot AI, как приручить дракона и выстроить оценку эффективности, сделав ее частью системы.

❓Кто внутри компании «владеет» агентом — и платит за анализ эффективности

Обычно владелец агента — лидер бизнес-функции, которая отвечает за конкретный процесс и его P&L. HR-агент — у HR-подразделения, агент службы поддержки — у команды поддержки.

При этом почти всегда есть представители ИТ: они выступают техническими владельцами и отвечают за работу в продакшене.

Но оценивать бизнес-эффективность будет, конечно, бизнес. Потому что именно он получает экономию (или не получает).

❓ С чего начать оценку и на какие метрики равняться

1-й слой оценки — accuracy
 
Это базовый критерий допуска системы к использованию. Если показатель ниже нужного порога, агента нельзя выпускать в процесс. При этом для разных процессов этот уровень будет своим. Но требование по точности хотя бы на валидационном датасете — это порог допуска ко второму слою.
 
2-й слой оценки — TCO (совокупная стоимость владения)
 
В него входят разработка, инференс, интеграции, поддержка, мониторинг и, главное, ревью человеком. Бывает, что классные результаты достижимы только на дорогих облачных моделях или на моделях, которым требуется дорогое железо. Это нужно считать прямо на старте.
 
3-й слой оценки — экономия и доходы

Это высвобожденное время в FTE, стоимость одного обращения или операции до и после внедрения, прирост пропускной способности, сокращение цикла и влияние на выручку через конверсию и удержание.

А как же ROI?

ROI — понятная и точная метрика, но на первых этапах ИИ-проектов её часто сложно измерить, поэтому начинать лучше с другого.

❓К чему нужно быть готовым — «подводные камни» подсчета эффективности

Один из главных — нелинейные эффекты.

Например, банковская операция из-за множества проверок документов занимает два-три рабочих дня.

На рынке все участники предлагают примерно такой же срок.

Проектируем систему, которая почти мгновенно проводит основные проверки и передает человеку уже подготовленный результат на проверку. Общее время операции сокращается до двух-трех часов.
 
С точки зрения экономии в FTE и TCO такой агент может не окупиться.
 
Но банк за счет скорости выходит из «кровавого океана» одинаковых сервисов и предлагает рынку уникальную по скорости услугу.
 
Результат — прирост новых клиентов и рост NPS текущих.
 
Но такие вторичные эффекты уже сложно считать и обосновывать на уровне бюджетов. Поэтому подобные проекты чаще реализуют лидеры с более визионерской позицией: они смотрят не только на прямую экономию, но и на то, как ИИ может изменить саму логику сервиса.

#голос_AI
Подписывайтесь на AI Inside в Max | ВКонтакте