Pochi giorni prima della fine del 2025 (il 29 dicembre), Meta ha annunciato l’acquisizione di Manus, una startup specializzata in agenti intelligenti, per una cifra superiore ai due miliardi di dollari. La conferma di una forte tendenza dell’anno appena cominciato: l’intelligenza artificiale agentica.
Manus è stata fondata a fine 2023 in Cina. È balzata agli onori della cronaca nel marzo 2025 con il lancio di Manus AI, il primo “general AI agent” capace di agire in autonomia e completare attività complesse senza supervisione umana costante. Dopo un round iniziale da 150 milioni di dollari, ha attirato attenzione globale ed è oggi considerata il principale sfidante di OpenAI Operator e Claude Computer Use.
Manus non ha sviluppato un proprio large language model, ma ha costruito un sistema di orchestrazione agentico che usa gli LLM più popolari a partire da quelli di Anthropic e Alibaba. Acquisendo Manus, Meta ha acquisito la competenza ingegneristica e la capacità di progettare e far evolvere un sistema di orchestrazione che funziona in produzione.
Manus ha infatti costruito la propria infrastruttura su una filosofia molto chiara: non addestrare nuovi modelli, ma ingegnerizzare il contesto che li rende operativi. È una scelta strategica che privilegia la velocità, l’adattabilità e la capacità di capitalizzare ogni progresso fatto dai grandi attori dell’IA generativa.
Indice degli argomenti
Manus, che cos’è un sistema di orchestrazione agentico
Un sistema di orchestrazione agentico è quell’insieme di logiche, strumenti e regole che consente a un modello linguistico di andare oltre la generazione di testo e di diventare un collaboratore affidabile capace di agire nel tempo, interagire con l’ambiente, affrontare imprevisti e portare a termine un compito articolato.
L’efficacia dell’orchestratore fa la differenza. Immaginiamo un agente che deve eseguire un processo articolato composto da molti passaggi concatenati come analizzare documenti, estrarre dati, confrontarli con informazioni da fonti esterne, scrivere una sintesi, validarla e infine inviarla a un sistema gestionale. Se, a ogni passo, l’agente ha una probabilità del 95% di operare correttamente (un’accuratezza che ci sembra molto elevata) il risultato complessivo sarà un disastro. Dopo dieci passaggi, la probabilità che tutto funzioni correttamente scenderà al 60%. Dopo venti, è al 36%. Dopo cinquanta, il sistema fallirà nel 90% dei casi.
Per questo motivo, serve un’architettura che:
- verifichi che ogni passaggio abbia prodotto il risultato atteso;
- permetta all’agente di ritornare sui propri passi e correggere gli errori;
- mantenga il contesto stabile e coerente lungo l’intera durata dell’esecuzione;
ripresenti in modo ricorrente gli obiettivi per evitare che vengano dimenticati.
In assenza di tutto ciò, il modello rischia di perdersi per strada, come uno stagista brillante ma distratto, incapace di ricordare il brief iniziale dopo una giornata di lavoro.
Volendo usare una metafora: il modello è il motore, il sistema di orchestrazione è l’automobile. Senza telaio, sterzo, freni e cruscotto, anche il motore più potente non è in grado di portarci da nessuna parte. Allo stesso modo, senza orchestrazione, un modello linguistico può generare output brillanti, ma resta incapace di affrontare compiti complessi che richiedono persistenza, controllo e adattamento.
Ecco perché sempre più aziende – da Meta ad Anthropic, da OpenAI a Google – stanno investendo in questo ambito.
Le componenti di un sistema di orchestrazione
Se il modello è il motore e l’orchestrazione è il veicolo che lo rende utile, allora è fondamentale comprendere quali elementi costituiscono questa struttura. Non si tratta di un singolo software o di un framework preconfezionato, ma di un insieme coordinato di meccanismi progettuali che consentono a un agente di essere affidabile, coerente e resiliente nel tempo.
Ecco le componenti principali:
- Loop decisionale: ogni agente efficace lavora in cicli. Osserva lo stato attuale, prende una decisione, esegue un’azione, osserva il risultato e ripete. Il sistema di orchestrazione definisce le regole di questo ciclo: quando ripetere, quando interrompere, cosa fare in caso di errore.
- Gestione degli strumenti: un agente non si limita a generare testo, ma utilizza anche strumenti esterni – API, browser, file, database. Definire come usarli, quando invocarli, cosa fare in caso di errore o risposta inattesa è compito del sistema di orchestrazione.
- Controllo del contesto e della memoria: i modelli hanno limiti nella quantità di informazioni che possono “tenere a mente”. Il sistema deve decidere cosa mantenere nel contesto attivo, cosa esternalizzare (ad esempio in file o appunti) e cosa richiamare solo quando necessario.
- Vincoli d’azione: un buon sistema non lascia all’agente la libertà totale, ma impone regole di comportamento. Alcuni strumenti possono essere inibiti, altri attivati solo in determinate condizioni. È una forma di governance interna che protegge sia l’agente sia l’ambiente in cui opera.
- Meccanismi di verifica e supervisione: gli agenti devono essere costantemente monitorati. Il sistema può integrare test automatici, confronti tra output previsti e reali, o addirittura check umani. L’obiettivo è semplice: accorgersi il prima possibile se qualcosa è andato storto.
- Ambiente di esecuzione controllato: l’agente opera all’interno di un perimetro definito – un file system virtuale, una sessione del browser, una sandbox. Questo ambiente deve essere tracciabile, sicuro e ripristinabile, per evitare effetti collaterali indesiderati e facilitare il debugging.
Tutte queste componenti concorrono a costruire un agente che non solo avvia un compito, ma sa completarlo, anche in condizioni incerte o mutevoli. In questo senso, il sistema di orchestrazione è l’infrastruttura silenziosa ma determinante che trasforma il potenziale del modello in valore concreto.
Le implicazioni per chi lavora con l’IA
Il caso Manus mette in evidenza che nel 2026 il valore nell’intelligenza artificiale non risiede più (solo) nei modelli, ma sempre più nella capacità di metterli al lavoro. Questo ha conseguenze rilevanti per chi sviluppa prodotti, per chi gestisce organizzazioni e per chi investe nel settore.
Per le imprese, significa che l’adozione dell’IA non può limitarsi all’integrazione di modelli via API. Serve costruire una nuova infrastruttura organizzativa e tecnica: team multidisciplinari capaci di progettare flussi, definire loop di verifica, orchestrare gli strumenti e controllare i rischi. L’IA utile, nel mondo reale, è quella che si comporta come un collega competente, non come un assistente verboso.
Per chi costruisce prodotti digitali, il significato di “messa in produzione” cambia radicalmente”. Non basta dimostrare che un agente può completare un task in condizioni ideali: serve garantirne la stabilità nel tempo, la capacità di recupero in caso di errore, la tracciabilità delle decisioni prese. È una disciplina nuova che fonde aspetti di user experience, ingegneria del software e controllo di qualità.
Per gli investitori, il valore non sta solo nei modelli proprietari, ma anche – e forse soprattutto – nei sistemi che rendono tali modelli utilizzabili in contesti reali. I team che sanno costruire buone orchestrazioni, che sanno iterare rapidamente e imparare dai fallimenti, saranno quelli in grado di trasformare le capacità generative in applicazioni concrete e scalabili.
In questo scenario, l’orchestrazione non è più un dettaglio tecnico, ma un asset strategico. È il ponte tra le promesse dell’intelligenza artificiale e i risultati concreti che le imprese si aspettano di ottenere. E, come ogni asset strategico, richiede attenzione, risorse e una comprensione profonda del suo funzionamento.
