Η Meta αγόρασε την κινεζική Manus (startup τεχνητής νοημοσύνης)

Η συμφωνία εξαγοράς — και γιατί, τεχνικά, έχει βάθος

Στα τέλη Δεκεμβρίου 2025, η Meta ανακοίνωσε ότι εξαγοράζει τη Manus, μια startup “agentic AI” με βάση τη Σιγκαπούρη και ρίζες στην Κίνα, με στόχο να ενισχύσει τα «γενικής χρήσης» AI agents σε προϊόντα όπως το Meta AI.

Οι οικονομικοί όροι δεν δημοσιοποιήθηκαν, αλλά το εύρος αποτίμησης που κυκλοφόρησε από μεγάλα διεθνή μέσα ενημέρωσης κινείται σε επίπεδα πάνω από τα 2 δισ. δολάρια, με εκτιμήσεις να φτάνουν 2–3 δισ. 

Αν το διαβάσεις σαν “άλλη μία εξαγορά AI”, τότε χάνεις την ουσία. Τεχνικά μιλώντας, αυτή δεν είναι (μόνο) εξαγορά ενός μοντέλου.

Είναι εξαγορά execution layer: ενός συστήματος που παίρνει πρόθεση (intent) και την μετατρέπει σε αποτέλεσμα (outcome) μέσα από βρόχους σχεδιασμού–εκτέλεσης, εργαλεία, sandbox, παρατηρησιμότητα και—το πιο ζόρικο—ελεγχόμενη αυτονομία.

Και εκεί είναι που, προσωπικά, αρχίζω και ακούω το «κλικ» του ενδιαφέροντος. 

Ποια είναι η Manus και τι εννοούμε όταν λέμε “agent”

Η Manus εμφανίστηκε ευρύτερα στη σκηνή την άνοιξη του 2025, προβάλλοντας τον εαυτό της ως “general-purpose agent”: όχι απλώς ένα chatbot που απαντάει, αλλά ένα σύστημα που σχεδιάζει βήματα, χρησιμοποιεί εργαλεία (π.χ. browser, APIs), και ολοκληρώνει εργασίες end-to-end.

Το κρίσιμο εδώ είναι η λέξη “agent” να μην χρησιμοποιείται σαν marketing confetti. Στο engineering, agent σημαίνει:

• Έχει στόχο (goal), όχι μόνο prompt.
• Έχει κατάσταση (state): μνήμη/πλαίσιο, ενδιάμεσα artifacts, checkpoints.
• Έχει δράση (actions): tool calls, navigation, code execution.
• Έχει ανατροφοδότηση (feedback): παρατηρεί τι συνέβη και διορθώνει.

Αυτό το “κλείσιμο του βρόχου” είναι που κάνει τους agents χρήσιμους—και επικίνδυνους—ταυτόχρονα. 

Από το “μίλα μου” στο “κάν’ το”: ο βρόχος Plan–Act–Observe (και γιατί η Meta τον θέλει)

Αν έπρεπε να ζωγραφίσω την agentic λογική σε έναν πίνακα (ή σε μια χαρτοπετσέτα σε meeting που ξέφυγε), θα ήταν αυτό:

text[User Intent]
     |
     v
[Planner] ---> (creates a plan: steps, tools, success criteria)
     |
     v
[Executor] ---> calls tools / runs actions / writes artifacts
     |
     v
[Observer] ---> checks results, errors, side effects
     |
     v
[Verifier] ---> evaluates quality & safety, decides: retry / escalate / finish
     |
     +--------------------> loop until "done" or "stop"

Το σημείο-κλειδί: οι agents αποτυγχάνουν σπάνια επειδή “δεν είναι έξυπνοι”. Αποτυγχάνουν γιατί το execution σπάει: timeouts, λάθος state, κακή ανάγνωση UI, μη-ντετερμινιστικά tool outputs, ή—κλασικά—ένα “πήγαινε πάρε δεδομένα” που γίνεται “πήγαινε και πάρε δεδομένα που δεν πρέπει”. 

Η Meta έχει τεράστια επιφάνεια προϊόντων (surface area): Messenger, Instagram, WhatsApp, Ads, Business Suite, support flows.

Αν μπορεί να κουμπώσει ένα execution layer που μετατρέπει “θέλω” σε “έγινε”, τότε αλλάζει το πώς πουλάς AI: όχι σαν «έξυπνο chat», αλλά σαν «εργαλείο που τελειώνει δουλειές». 

“Virtual computer”: γιατί το sandbox είναι ο πραγματικός πρωταγωνιστής

Σύμφωνα με αναλύσεις για το προϊόν, η Manus έσπρωξε πολύ το concept της “ασύγχρονης” εκτέλεσης στο cloud (δηλαδή συνεχίζει να δουλεύει και όταν εσύ δεν κοιτάς), με μια λογική “virtual computers” όπου ο agent χειρίζεται περιβάλλοντα σαν να είναι μικρά, απομονωμένα desktops/containers. 

Από τεχνική σκοπιά, αυτό είναι χρυσάφι—αν γίνει σωστά—για τέσσερις λόγους:

1. Απομόνωση (isolation): τρέχεις browser automation, scripts, parsing, χωρίς να εκθέτεις core υποδομή.
2. Επαναληψιμότητα (replay): κρατάς logs/trace ώστε να μπορείς να αναπαράγεις σφάλματα (και να αποδείξεις τι έγινε).
3. Περιορισμοί (quotas): CPU/GPU time, network egress, rate limits.
4. Επιθεώρηση (audit): τι URLs άνοιξε, τι δεδομένα έβγαλε, τι ανέβασε.

Πρακτικά, ένα σοβαρό agent system σήμερα μοιάζει περισσότερο με πλατφόρμα “controlled automation” παρά με LLM wrapper. Και ναι: αυτό το κομμάτι δεν αγοράζεται εύκολα με hiring. Αγοράζεται με “έχουμε ήδη σπάσει τα μούτρα μας σε παραγωγή”.

Τι χρειάζεται ένας agent για να εξυπηρετεί αποτελεσματικά τους χρήστες

Παρακάτω είναι ο πιο τίμιος πίνακας που μπορώ να δώσω για να καταλάβουμε πού πατάει ένα agentic σύστημα και πού συνήθως γλιστράει.

Το ωραίο (και λίγο τρομακτικό) είναι ότι αυτός ο πίνακας περιγράφει περισσότερο ένα λειτουργικό σύστημα παρά “AI”.

Benchmarks όπως GAIA: χρήσιμοι, αλλά μόνο αν τους διαβάσεις σωστά

Η συζήτηση γύρω από Manus έμπλεξε νωρίς με benchmarks.

Ο GAIA benchmark, για παράδειγμα, σχεδιάστηκε για να μετράει ικανότητες “general AI assistant” σε ερωτήσεις/εργασίες που απαιτούν reasoning, multi-modality, web browsing και tool use.

Στο αρχικό paper, οι άνθρωποι σκοράρουν ~92% ενώ ένα σύστημα τύπου GPT‑4 με plugins είχε αναφερθεί ~15%—μια χαοτική απόσταση. 

Κάποιες αναλύσεις υποστήριξαν ότι η Manus ξεχώρισε στον GAIA σε σχέση με ανταγωνιστικά agentic συστήματα (με διαφορές που αναφέρονται ως σημαντικές).

Προσωπικά, τα benchmarks τα αντιμετωπίζω σαν τεστ αντοχής: σου λένε “έχεις σασί”, όχι “είσαι Formula 1”. Το πραγματικό παιχνίδι για τη Meta θα κριθεί σε:

• latency σε κλίμακα,
• σταθερότητα tool integrations,
• επιθεώρηση ενεργειών (auditability),
• ασφάλεια σε κακόβουλα inputs.

Με άλλα λόγια: GAIA είναι η είσοδος στο γήπεδο, όχι το κύπελλο.

Ασφάλεια: OWASP LLM Top 10 και το “Excessive Agency”

Σε agents, η ασφάλεια δεν είναι “ένα φίλτρο στο prompt”. Είναι αρχιτεκτονική επιλογή.

Το OWASP Top 10 for LLM Applications έχει γίνει σημείο αναφοράς γιατί ονοματίζει καθαρά τα μοτίβα αποτυχίας: όπως prompt injection, insecure output handling, training data poisoning, model DoS, supply chain, sensitive info disclosure, insecure plugin design, excessive agency, overreliance, model theft.

Αν βάλω έναν προβολέα πάνω σε κάτι που αφορά άμεσα Meta+Manus, είναι το LLM08: Excessive Agency.

Όσο απαιτείς να τα κάνει όλα, τόσο περισσότερο χρειάζεσαι:

• διαβαθμισμένα scopes (π.χ. άλλο scope για “διάβασε”, άλλο για “γράψε”, άλλο για “πλήρωσε ή στείλε”),
• σαφείς πολιτικές “ποτέ μην…”, που εφαρμόζονται πριν γίνει action,
• υποχρεωτικά confirmations για μη αναστρέψιμες ενέργειες,
• και, ιδανικά, έναν verifier που αξιολογεί σχέδιο και αποτέλεσμα με ανεξάρτητα checks.

Οι agents δεν χακάρουν μόνο συστήματα. Χακάρουν και διαδικασίες. Κι εκεί θέλει πειθαρχία engineering, όχι αισιοδοξία. 

AI Risk Management: όταν το προϊόν είναι κοινωνικό δίκτυο, το “risk” δεν είναι θεωρία

Η Meta δεν χτίζει AI πάνω σε κινούμενη άμμο. Έχει πολιτικό περιεχόμενο, διαφήμιση, ιδιωτικά μηνύματα, ανήλικους χρήστες, creators, επιχειρήσεις.

Το NIST AI RMF (AI Risk Management Framework) είναι χρήσιμο εδώ όχι επειδή είναι “μόδα”, αλλά επειδή δίνει μια λειτουργική γλώσσα (govern, map, measure, manage) για να διαχειριστείς κινδύνους σε κύκλο ζωής.

Ειδικά το Generative AI Profile του NIST (Ιούλιος 2024) βοηθάει να μεταφράσεις αφηρημένες αρχές σε πρακτικές: αξιολόγηση, monitoring, διαδικασίες περιστατικών, τεκμηρίωση, και ρόλους.

Αν έπρεπε να ποντάρω, θα έλεγα ότι η Meta αγόρασε τη Manus όχι μόνο για “ικανότητες”, αλλά για την υπόσχεση ότι έχει ήδη operationalized κομμάτια από αυτό που η αγορά τώρα βαφτίζει “trustworthy agent ops”.

Πως κουμπώνει στον κόσμο της Meta: προϊόν, όχι demo

Σε επίπεδο ανακοίνωσης, η γραμμή είναι σαφής: η Meta σκοπεύει να συνεχίσει να λειτουργεί/πουλάει το Manus service και παράλληλα να ενσωματώσει την τεχνολογία σε προϊόντα, συμπεριλαμβανομένου του Meta AI. 

Τεχνικά, εγώ βλέπω τρία “κανάλια” όπου ένας agent τύπου Manus μπορεί να γίνει game-changer:

1. Consumer productivity μέσα σε chat
   Όχι “γράψε μου email”, αλλά “μπες, βρες, σύγκρινε, φτιάξε draft, βάλε μου επιλογές”. Αυτό απαιτεί browser/tools + παραδοτέα (artifacts).
2. Business flows
   Customer support, lead qualification, content pipelines, βασική ανάλυση δεδομένων καμπάνιας—δηλαδή εργασίες που είναι επαναλαμβανόμενες αλλά όχι 100% τυποποιημένες.
3. Ads & creative operations
   Η Meta έχει κάθε κίνητρο να μετατρέψει το AI σε μηχανή παραγωγής assets και ροών (brief → creatives → variants → targeting suggestions). Εκεί η agentic προσέγγιση μπορεί να είναι πιο χρήσιμη από ένα “γενικό” LLM.

Το κρίσιμο: αν ο agent γίνει “εργαλείο παραγωγής”, τότε η Meta βγάζει πιο άμεσο ROI από το AI capex της.

Scale, cost και routing: το ακριβό κομμάτι δεν είναι η ιδέα, είναι η λειτουργία

Όταν μιλάμε για agents σε δισεκατομμύρια χρήστες, η λέξη “inference” παύει να είναι τεχνικός όρος και γίνεται λογιστικό σοκ.

Γι’ αυτό βρίσκω ενδιαφέρον ότι η Meta έχει ήδη κινηθεί επιθετικά σε AI υποδομή/οικοσύστημα, π.χ. με τη στρατηγική επένδυση στη Scale AI που αποτιμούσε τη Scale κοντά στα ~$29 δισ. και αναφέρθηκε ως deal όπου η Meta πήρε ~49% stake (με ποσά γύρω στα $14–15 δισ.). 

Σε μια agentic στοίβα, το cost control έρχεται κυρίως από:

• Model routing: δεν θες το “βαρύ” μοντέλο για κάθε βήμα. Θες φτηνότερο για parsing/formatting, ισχυρότερο για planning, ειδικό για code, κ.ο.κ.
• Caching & memoization: αν 10 εκατ. χρήστες κάνουν παραπλήσιες ερωτήσεις, δεν πληρώνεις 10 εκατ. φορές για το ίδιο.
• Asynchronous execution: αφήνεις tasks να τρέχουν “στο παρασκήνιο” με προτεραιότητες και quotas.
• Failure-aware retries: επαναλαμβάνεις έξυπνα, όχι τυφλά.

Αν η Manus όντως έχει ωριμάσει σαν execution engine, τότε αυτό το “ops DNA” είναι εξίσου πολύτιμο με το UX.

Τεχνικό due diligence που έγινε πριν τη μεγάλη συγχώνευση

Εδώ θα κάνω τη μία από τις δύο λίστες που επιτρέπω στον εαυτό μου, γιατί σε M&A με agentic συστήματα υπάρχει ένα συγκεκριμένο checklist που δεν συγχωρεί.

• Tool permissions & secrets management: πού αποθηκεύονται tokens; πώς γίνεται rotation; υπάρχει scope ανά εργαλείο/tenant;
• Sandbox boundaries: network egress rules, file system access, clipboard, screenshots, downloads, και πλήρες audit trail;
• Data governance: retention, deletion, tenant isolation, κρυπτογράφηση σε transit/at rest, και αποδείξεις ότι “δεν αναμιγνύονται” πελατειακά δεδομένα;
• Observability: traces ανά task, cost per task, failure taxonomy, και replayability για debugging;
• Security posture σε prompt injection & plugin design: policy enforcement πριν από actions, output validation, allowlists;
• Evaluation harness: offline evals, red teaming, regression tests, και gates πριν από rollout.

Αν κάτι από αυτά λείπει, ο agent δεν είναι προϊόν. Είναι επίδειξη. Και η Meta, εδώ, δεν πλήρωσε για επίδειξη.

“Κόβουμε δεσμούς με την Κίνα”: το πολιτικο-τεχνικό κομμάτι που θα καθορίσει την πορεία

Ένα από τα πιο φορτισμένα σημεία της υπόθεσης είναι η γεωπολιτική/ρυθμιστική διάσταση.

Σε αναφορές για τη συμφωνία, η Meta φέρεται να δήλωσε ότι δεν θα υπάρχει συνεχιζόμενη κινεζική ιδιοκτησία στη Manus μετά τη συναλλαγή και ότι θα διακοπούν υπηρεσίες/λειτουργίες στην Κίνα.

Από τεχνική σκοπιά, αυτό μεταφράζεται σε πραγματικά πράγματα, όχι μόνο νομικές φράσεις:

• Διαχωρισμός εταιρικών συστημάτων (identity, code repos, CI/CD).
• Segmentation δικτύων και δεδομένων.
• Καθαρό “data lineage”: ποια datasets, logs, prompts, user artifacts προϋπήρχαν και τι γίνεται με αυτά.
• Πρόσβαση εργαζομένων (ιδίως σε περιβάλλοντα με αυστηρούς περιορισμούς): role-based, time-bound, logged.

Με agents, ειδικά, το data governance είναι πιο δύσκολο από ένα κλασικό SaaS, γιατί το σύστημα “πιάνει” δεδομένα από παντού: web, έγγραφα, APIs, screenshots, αρχεία που δημιουργεί. Άρα, αν η Meta θέλει να κλείσει στόματα και να ανοίξει αγορές, θα πρέπει να αποδείξει control σε αυτό το χαοτικό data perimeter.

Πως θα μοιάζει η ενσωμάτωση: ένα ρεαλιστικό (και ασφαλές) roadmap

Δεύτερη και τελευταία λίστα, γιατί εδώ βοηθάει να το δεις σαν φάσεις προϊόντος/υποδομής:

• Φάση 1: “Lift & isolate” — κρατάς τη Manus ως ξεχωριστή πλατφόρμα, χτίζεις bridges με Meta identity/infra, αλλά με σφιχτή απομόνωση.
• Φάση 2: “Tool unification” — ενοποιείς policy engine, secrets management, logging/tracing, και standard tool interfaces.
• Φάση 3: “Surface rollout” — ενσωμάτωση σε συγκεκριμένα Meta surfaces (π.χ. business workflows) με gated rollout, eval gates και incident playbooks.
• Φάση 4: “Model + agent co-optimization” — routing, caching, fine-tuning/alignments (όπου επιτρέπεται), και performance engineering ανά use case.
• Φάση 5: “Platformization” — APIs/SDKs για τρίτους, connectors, marketplace λογική (αν το επιλέξουν), με αυστηρά permission models.

Αυτό το roadmap δεν είναι “ωραίο να υπάρχει”. Είναι το ελάχιστο για να μην μετατραπεί μια εξαγορά σε μόνιμη τεχνική οφειλή.

Διάγραμμα ροής: πως το βλέπω να δένει με Meta AI χωρίς να γίνει εφιάλτης δεδομένων

Για να το κάνω απτό, ιδού ένα “infographic” σε κείμενο (γιατί ναι, οι καλύτερες αρχιτεκτονικές ξεκινούν συχνά σε monospace):

text           +-------------------+
           |  Meta surfaces    |
           | (WA/IG/FB/MetaAI) |
           +---------+---------+
                     |
                     v
           +-------------------+       +---------------------+
           |  Orchestrator     |<----->|  Policy/Guardrails   |
           | (tasks, retries)  |       | (pre/post actions)   |
           +---------+---------+       +---------------------+
                     |
          +----------+-----------+
          |                      |
          v                      v
+-------------------+    +-------------------+
| Manus Sandbox     |    | Retrieval/Memory  |
| (virtual computer)|    | (ACL + retention) |
+--------+----------+    +---------+---------+
         |                         |
         v                         v
+-------------------+     +-------------------+
| Tools/APIs        |     | Logs/Tracing      |
| (allowlisted)     |     | (audit + replay)  |
+-------------------+     +-------------------+

Το μήνυμα του σχήματος: ο agent δεν πρέπει να “αγγίζει” τα πάντα. Πρέπει να περνάει από policy gates, να τρέχει σε sandbox, και να αφήνει ίχνος.

Αυτό είναι το τρίπτυχο που κάνει την αυτονομία εμπορεύσιμη και υπερασπίσιμη σε ρυθμιστές, επιχειρήσεις και τελικά στους χρήστες που θα πληρώσουν για το προϊόν.

Τι να περιμένουμε μέσα στο 2026: τρία σενάρια με τεχνική λογική

Κλείνω με το πώς το ζυγίζω εγώ για το 2026, χωρίς μαντεία—μόνο με βάση το τι σπάει συνήθως σε agentic συστήματα.

Σενάριο Α (το καλό): “Agents ως προϊόντα εργασίας”:

Η Meta βρίσκει 2–3 killer workflows (business, creators, support) και τα κάνει ακραία αξιόπιστα. Η Manus λειτουργεί σαν engine, όχι σαν brand. Το win θα έρθει από σταθερότητα, cost control και UX που κρύβει την πολυπλοκότητα.

Σενάριο Β (το πιθανό): “Υβριδικό patchwork”:

Κάποια surfaces πετυχαίνουν, κάποια όχι. Η agentic εμπειρία δουλεύει εκεί που έχει καθαρά δεδομένα/στόχους, αλλά ζορίζεται σε ανοιχτό web και μακρινές ακολουθίες ενεργειών. Αυτό είναι φυσιολογικό: το open world automation είναι σκληρό σπορ.

Σενάριο Γ (το κακό): “Security/Trust tax”:

Ένα σοβαρό περιστατικό (data leakage, κακή αυτοματοποίηση, hijacked tool) δημιουργεί κόστος εμπιστοσύνης. Εκεί, τα frameworks τύπου OWASP/NIST δεν είναι διακοσμητικά. Είναι σωσίβιο—αλλά πρέπει να έχουν εφαρμοστεί πριν, όχι μετά.

Όπως και να πάει, η εξαγορά της Manus δείχνει κάτι που θεωρώ κεντρικό: ο κλάδος μετακινείται από “ποιο μοντέλο γράφει καλύτερα” στο “ποιο σύστημα εκτελεί καλύτερα”.

Και αυτό, επιτέλους, είναι ένα τεχνικό πρόβλημα που έχει νόημα να λυθεί με σοβαρή μηχανική.