Manus, en tant que représentant du boom des agents d'IA en 2025, s'appuie sur de grands modèles, des chaînes d'outils et la technologie de la mémoire pour exécuter des tâches, mais en raison du manque de culture approfondie des scénarios professionnels et de la livraison en boucle fermée, il expose la bulle de l'"agent universel". La racine du problème réside dans le manque d'accumulation d'ingénierie et la myopie du capital, qui conduisent à l'empilement de fonctions mais à une intelligence limitée. L'industrie se tourne vers des domaines verticaux, tels que l'agent médical OpenEvidence, qui met l'accent sur des processus déterministes et axés sur les données, révélant que l'avenir appartient à la voie de "l'intelligence bête" qui est ciblée, évaluable et solide sur le terrain.
- Ce résumé est généré par une IA qui analyse le contenu de l'article à des fins d'information uniquement.
"Tout le monde fait de l'agent, mais combien d'entre eux pensent réellement par eux-mêmes, le font par eux-mêmes et l'évaluent par eux-mêmes ?
-L'agent et ses principaux cadres en un seul article
De l'"intelligence universelle" au mythe du Manus.
En 2025, l'agent de l'IA est en pleine effervescence. Les startups, les sociétés de capital-risque et les géants vantent tous les mérites de leur propre "révolution du corps intelligent". Dans cette vague, l'agentManusIl est devenu un représentant typique - il est considéré comme le symbole de l'"agent universel", mais il est également critiqué par l'industrie comme un exemple de "vente de tête de mouton pour vendre de la viande de chien".
L'explosion de la popularité de Manus n'est pas le fruit du hasard. L'article souligne que son essor repose sur trois fondements principaux :
| Compétences de base | base technologique | instructions |
|---|---|---|
| Capacités de modélisation améliorées | Grands modèles Problèmes de planification et d'ordonnancement révolutionnaires | Le principe selon lequel Manus peut planifier des tâches complexes |
| Une chaîne d'outils riche | MCP, utilisation du navigateur, utilisation de l'ordinateur | Permettre l'IA avec l'exécution et l'accès à l'interface externe |
| Ingénierie des données et de la mémoire | Extension du contexte et technologie RAG | Réduction des hallucinations, augmentation de la persistance et du retour d'information |
L'agent est ainsi passé du statut de "jouet" à celui de système capable d'effectuer des tâches réelles. Cependant, le fossé entre l'idéal et la réalité n'a pas tardé à se creuser : lorsque la fonction du produit de Manus a été remise en question, que le mode de financement a été critiqué et que ses pairs l'ont même qualifié de "coquille d'ingénierie", la bulle de l'agent d'intelligence artificielle a commencé à éclater.
L'illusion de l'"agent universel" : plus de fonctionnalités n'est pas synonyme d'intelligence
Wang Hsien l'a souligné dans son article :L'échec de Manus n'est pas dû à la technologie, mais à l'orientation du produit.
L'agent générique se présente comme un "touche-à-tout", mais il n'est pas le meilleur dans un scénario spécifique.
La clé de ce dilemme est qu'il ne franchit pas la **"barrière de la scène "** :
- Manque de données et d'outils spécialisés dans le domaine ;
- Absence de certifications industrielles et de liens étroits avec les entreprises ;
- Absence de clôture des livraisons dans les scénarios à forte valeur ajoutée.
En d'autres termes, Manus peut démontrer sa capacité à "rédiger des rapports", "rechercher des informations" et "générer des images", mais dans les flux de travail réels, ces capacités semblent êtresuperficielle et générale.
Cela ne fait que confirmer la définition de l'agent donnée dans un autre article -
"Les agents ne sont pas rares, ce sont ceux qui peuvent penser par eux-mêmes, faire leur propre travail et réviser leur propre travail qui sont de bons agents.
Un corps vraiment intelligent n'est pas empilé avec des caractéristiques, mais il est capable dePlanification dynamique, collaboration intersystème, apprentissage continu et autocorrection.

Au niveau du cadre : la "formation interne" de l'agent
Pour comprendre pourquoi les produits de type Manus ont tendance à "tourner au ralenti", il faut revenir au cadre de mise en œuvre sous-jacent de l'agent.
| fig. modèle | spécificités | scénario type | Aperçu des forces et des faiblesses |
|---|---|---|---|
| AutoGPT | Planification autonome + invocation d'outils | Étude de marché, répartition des tâches | Très autonome mais difficile à contrôler |
| LangGraph | Processus diagrammatiques + gestion des états | Collaboration multi-agents | Stable mais complexe à développer |
| Dify | Low Code + Visualisation du flux de travail | Génération de contenu, quiz de connaissances | Rapide à démarrer, mais pas assez intelligent |
| CrewAI | La multi-intelligence en équipe | Prise de décision en collaboration, attribution des tâches | Des performances flexibles mais dépendantes du contexte |
| AutoGen (Microsoft) | Communication multi-agents pilotée par les événements | Systèmes autonomes, services à la clientèle | Très technique et coûteux |
Ces cadres révèlent un fait :
L'écologie actuelle des agents en est encore au stade de l'"ingénierie structurelle", plutôt qu'au véritable "stade de l'autonomie intelligente".
Manus, en tant que représentant de l'"agent universel", est plus qu'un emballage secondaire sur ces cadres, et il lui manque l'accumulation des données sous-jacentes et le polissage du flux de travail.


Les pièges de l'évaluation : comment quantifier exactement l'intelligence d'un agent ?
Dans "Une évaluation rigoureuse des agents est plus difficile qu'il n'y paraît", l'équipe HAL (Holistic Agent Leaderboard) se penche sur la question de l'évaluation des agents.9 modèles, 9 points de référence, 20 000 exécutionsDes comparaisons ont été faites et les conclusions ont été choquantes :
"Un effort de raisonnement plus important n'est pas synonyme d'une plus grande précision.
Ils l'ont découvert :
- 21 cas sur 36une inférence élevée réduit plutôt la précision ;
- Modèles de pointe (par exemple GPT-5, Opus 4.1)Les erreurs sont encore fréquentes ;
- Les agents choisissent souvent des "raccourcis" plutôt que de résoudre réellement des tâches, par exemple :
- Rechercher des réponses directement dans les tâches web ;
- Le codage en dur des hypothèses dans les tâches scientifiques ;
- Réservation erronée de vols et remboursement de montants incorrects dans le cadre de tâches de service à la clientèle.
Il montre :
Les critères actuels d'évaluation des agents sont trop sommaires.
Les mesures de précision génériques masquent des questions essentielles telles que l'interprétabilité, la stabilité et les coûts comportementaux.
| dimension (math.) | numéro actuel | Méthode d'évaluation idéale |
|---|---|---|
| précision | Valeurs élevées mais instables | Ajouter l'observabilité contextuelle |
| les coûts (de fabrication, de production, etc.) | La déperdition de jetons est grave | Introduction de la courbe d'efficacité de Pareto |
| Fiabilité du comportement | Le problème des "raccourcis" est grave | Combinaison de l'enregistrement et de l'analyse des processus (par exemple Docent) |
| généralisabilité | Variations importantes des performances d'une tâche à l'autre | Comparaison distribuée multi-scénarios |
Par conséquent, les agents génériques peuvent sembler puissants au "niveau de la présentation", mais leur comportement est très mal contrôlé et évalué de manière transparente.


Les racines des bulles : capital, ingénierie et patience
Yip Siu-chai a mis le doigt sur l'essentiel dans ses commentaires :
"Les lacunes fondamentales de l'agent se situent au niveau de l'ingénierie, du capital et de la détermination.
L'impatience de l'environnement entrepreneurial national a conduit de nombreuses entreprises à choisir de "créer une dynamique avant de créer des choses".
L'agent général est devenu l'action conceptuelle d'IA la plus facile à conditionner :
- Le seuil technique est relativement reproductible ;
- Facile à comprendre pour les investisseurs ;
- L'effet Demo est stupéfiant ;
- Cependant, la valeur d'atterrissage est limitée.
C'est ainsi que des projets de type Manus ont vu le jour en peu de temps - certains ont été financés avec succès, d'autres se sont envolés et ont été dissous.
Dans le feu de l'action et dans la capitale de laLe "récit de performance" de l'agent d'IA éclipsé par le marketing.

La véritable issue : du générique au vertical, de l'illusion à la certitude
Sous la bulle, l'industrie a également pris une nouvelle direction.
Par exemple, les produits d'agents médicaux OpenEvidenceest considéré comme un échantillon réussi des intelligences verticales :
| dimension du design | Pratiques OpenEvidence | Comparaison des agents génériques de type Manus |
|---|---|---|
| orientation de l'utilisateur | Au service de la communauté des médecins uniquement | Pour tous les |
| Source des données | NEJM, JAMA et autres publications médicales faisant autorité | Recherche sur le web ou saisie par l'utilisateur |
| formulaire de sortie | Chaîne de preuves + points" structurée | Texte généré par le dialogue |
| logique intelligente | Déterminisme du flux de travail + aide à la modélisation | Modèle de prise de décision autonome |
| contrôle de l'illusionniste | Traçabilité des citations + vérification manuelle | Absence de mécanisme de citation |
Ce virage révèle l'orientation de l'évolution future de l'agent :
"Modèle hybride "Workflow + Agent -- La prise en compte de l'intelligence incertaine avec des processus déterministes.

Après Manus, où va l'agent AI ?
L'histoire de Manus ne s'arrête pas là ; elle représente toute une industrie en phase de désillusion.
Comme l'indiquent plusieurs articles, il existe un consensus de base :
- L'agent n'est pas une panacée, mais un système orienté vers les tâches ;
- Les évaluations doivent revenir au niveau comportemental et à l'observabilité ;
- L'avenir appartient aux intelligences verticales et aux intelligences basées sur les données.
L'avenir de l'agent d'IA n'est pas dans la "démo la plus flashy" mais dans le "projet le plus stable".
Peut-être que la véritable intelligence n'est pas une "illusion de toute-puissance" à la Manus.
Il s'agit plutôt d'une "intelligence bête" qui peut résoudre un problème à l'extrême dans un espace restreint.



评论功能已关闭。