Contexto técnico
Veo la situación de Manus de forma pragmática: el hecho de la compra por parte de Meta a finales de diciembre de 2025 está confirmado, pero la degradación de la calidad, el consumo excesivo de tokens y las fallas en los pagos son actualmente señales de los usuarios, no respaldadas por métricas públicas o páginas de estado oficiales.
Pero son exactamente estas señales las que siempre considero en la arquitectura de IA: el SaaS de IA tiene dos puntos críticos — la facturación y la previsibilidad del gasto. Si un usuario escribe que "la provisión mensual de tokens desapareció en quién sabe qué", lo interpreto como una falta de telemetría transparente: no hay un desglose claro por tareas, pasos del agente, reintentos, errores de herramientas y llamadas repetidas a los modelos.
La segunda zona roja es el flujo de pago. Un sistema de cobro roto significa más que un simple inconveniente; es un riesgo de detener los flujos de trabajo y la incapacidad de comprar rápidamente más límites en un momento crítico.
Debo señalar por separado: históricamente, Manus se percibía como un agente autónomo para tareas complejas (investigación, código, análisis de datos, recopilación de artefactos). Por lo tanto, sus intentos de usarse como una "navaja suiza" para presentaciones son lógicos, pero es precisamente en tales escenarios donde el costo de los errores es máximo: el agente puede regenerar diapositivas repetidamente, usar herramientas externas y quemar el presupuesto sin un resultado claro.
Impacto en el negocio y automatización con IA
Cuando un producto entra en la órbita de una gran plataforma, siempre contemplo un período de turbulencia: migraciones de cuentas, nuevas políticas de datos, reconstrucción de infraestructura y cambios de prioridad en la hoja de ruta. Si ocurren errores al mismo tiempo, la empresa paga dos veces: con dinero y tiempo de inactividad.
¿Quién gana? Los equipos cuya implementación de IA no se realiza "en un solo servicio", sino a través de una capa de orquestación: enrutamiento de tareas, límites, almacenamiento en caché de resultados, control de reintentos y registros. ¿Quién pierde? Aquellos que ataron presentaciones, informes y análisis a un solo agente sin un plan de respaldo y sin control del consumo de tokens.
En los proyectos de Nahornyi AI Lab, suelo establecer una regla simple: cualquier herramienta de IA externa debe ser reemplazable en 1 a 3 días. Esto no se logra con magia, sino con disciplina: una interfaz unificada para llamar modelos/agentes, aislamiento de prompts, control de versiones y un módulo de facturación separado con límites por usuario, tarea y día.
¿Qué hacer con la tarea de las presentaciones si Manus es inestable? No tomo el comentario "deberían haber usado Kimi Slides" como prueba de la superioridad de Kimi Slides — no tengo datos confirmados sobre el producto. Pero la estrategia en sí es correcta: mantener una herramienta especializada para diapositivas separada de un agente autónomo que podría entrar en iteraciones costosas.
Visión estratégica y análisis profundo
Mi pronóstico para 2026: el mercado se dividirá en dos clases de soluciones. Las primeras — agentes de plataforma "para todo", que son excelentes con integraciones pero impredecibles en términos de cambios y políticas. Las segundas — herramientas específicas (presentaciones, ventas, soporte), que son más fáciles de estabilizar y medir.
Si estás construyendo soluciones de IA para empresas, no apostaría por un "agente universal" como única fuente de verdad. Diseñaría la arquitectura de soluciones de IA de modo que las presentaciones vivan en un flujo estructurado: datos → estructura → diapositivas → QA → exportación, y en cada paso, puedas cambiar de proveedor (Manus, otro agente, un generador de diapositivas separado) sin reescribir todo el proceso.
Desde la práctica de Nahornyi AI Lab: los incidentes más caros no ocurren por la calidad del texto, sino por la falta de barreras de seguridad (guardrails). Los límites de pasos del agente, las restricciones en llamadas externas, las prohibiciones de "mejoras" infinitas y los informes obligatorios de consumo no son opciones, sino una integración básica de IA para el sector real.
Si las quejas sobre Manus se confirman y se vuelven masivas, las empresas con esta arquitectura simplemente cambiarán a alternativas. Las empresas sin ella "arreglarán el proceso" mediante trabajo manual y perderán impulso.
Este análisis fue preparado por Vadym Nahornyi, experto principal en Nahornyi AI Lab sobre la implementación de inteligencia artificial y automatización de IA en el sector real. Te invito a discutir tu caso: evaluaré los riesgos de tus herramientas de IA actuales, diseñaré un esquema reemplazable (orquestación, facturación, observabilidad) y te ayudaré a crear una automatización de IA que no se rompa debido a un solo SaaS externo.