この動画では、2025年3月にローンチしたManis AIについて、初期の信頼性問題から現在の安定化まで、AIエージェント分野における位置づけと将来性を解説している。エージェント評価のMACEフレームワーク（モダリティ、自律性、複雑性、実行環境）を提唱し、AIエージェントを6つのカテゴリに分類している。企業規模での導入における技術的課題として、状態管理、コンテキスト処理、エラー処理、コスト予測可能性などを挙げ、Manisが信頼性と機能性を優先して高コストになっている理由を説明する。現在の実用的な使用例として、高価値な調査・分析、コンテンツマーケティング、データ分析・視覚化、プロセス文書化、技術的概念実証などの専門的タスクを挙げ、Manisが汎用ツールではなく専門的なタスクに特化したツールとして位置づけられることを論じている。
Manis AIの登場と初期の課題
Manis AIは2025年3月にローンチしたが、あまり話題にしなかった理由がある。それは、Devonのケースと同様に、誇大宣伝ビデオが実際にユーザーが実践で達成できることを大きく上回っていたからだ。その結果、Redditフォーラムが不満で埋まり、Twitterでも苦情の会話が始まった。
3月のローンチから6月か7月頃まで、信頼性、コスト、トークン消費の透明性に関して多くの問題があった。しかし、この状況は変わり始めている。プラットフォームが十分に安定してきたので、より広範な議論をする価値があると思う。
しかし、その前に、AIや特にエージェントについて考えたり話したりする際の重要な課題の一つについて話したい。それは「命名」だ。AI能力に名前を付けるのは本当に難しい。AIは非常に捉えどころのない技術で、汎用的であり、何でもできる。そのため、これらの異なる機能の命名と分類は、仕事を完了するために重要でありながら、全く明白ではない。
AIエージェント評価のMACEフレームワーク
Manisの能力やプラットフォームが安定化している理由、使用例について詳しく説明する前に、エージェント型AIツールをどのように評価するかについての提案フレームワークについて話したい。これまで、これに関する良いフレームワークがなかったので、私が提案する。
これをMACEフレームワークと呼ぶ。MACEは、モダリティ（Modality）、オートノミー（Autonomy）、コンプレキシティ（Complexity）、エンバイロンメント（Environment）の頭文字だ。この4つの要素すべてが、エージェント型AIツールを評価する際に必要な次元であり、これまで評価するための言語が欠けていた。
それぞれについて詳しく見てみよう。1番目は、このツールの主要モダリティは何かということ。少なくとも5つの異なる観点で見ることができる。テキストエージェント。例えばClaude、ChatGPT、Geminiがある。これらはテキストを生成し、分析する。2番目は、コーディングエージェント。Cursor、GitHub、Claude Artifactsなど。
3番目は、ワークフローエージェント。n8n、Zapier、Make、LangChainなど。4番目は、DeepResearchやPerplexityなどのリサーチエージェント。そして5番目は、マルチモーダルエージェント。Manisはこのカテゴリに入る。他にも主要モダリティがあるかもしれないが、要点は、このエージェントの主要モードが関連する要素になるということだ。
2番目は自律性だ。このエージェントがもたらす積極的自律性の度合いは何か。反応的である場合、個別のプロンプトに応答する。再びClaudeやChatGPTのテキストウィンドウのように。インタラクティブである場合、人間のガイダンスによる複数回のやり取りがある。Deep Researchが戻ってきて質問をする場合のように。
半自律的である場合、チェックポイント付きでプランを実行するかもしれない。例えばGitHub Copilot Workspaceのように、途中で質問してくる。または完全に自律的で、エンドツーエンドの実行で最小限の介入しかない。ManisとDevonはどちらもこのカテゴリにある。
MACEの「C」は何か。複雑性だ。複雑性の処理能力。単純なタスクをステップバイステップで処理できる。ClaudeやChatGPTの一部の非推論モデルがこのカテゴリに入る。逐次的なマルチステップを処理できる。Claude Codeは逐次的マルチステップの良い例だと言える。
より複雑な分岐を処理するかもしれない。優れたn8nワークフローがそれを行う。または、見た結果に基づいて動的な再計画を行うかもしれない。Manisはそれを行い、より高度なエージェント設定もそれを行うことができる。例えば、Claude Codeで複数エージェントを使ってClaudeを設定することができる。
「E」は実行環境だ。クラウド内包型か。プロバイダーのサンドボックス内で実行される。ClaudeもChatGPTも、それぞれのアプリケーションインターフェースでそれを行う。IDEに統合されているか。例えばCursor内の開発環境で動作する。
専用エージェントランタイムを持つプラットフォームホスト型か。n8nがそれになる場合がある。設定方法によってはそうでない場合もある。インフラストラクチャに跨るか。異なる外部システムをデプロイしたりアクセスしたり、複雑なツールを使用できるか。Manisはそれができる。Claude Codeもそのように設定できる。
現在のAIエージェントの6つのカテゴリ
これらすべてを見渡すと、現在のAI エージェントの世代について何がわかるか、そしてそれらがどこに適合するかを知ることができる。今日の実用的なAIエージェントのカテゴリが少なくとも6つあることを提案したい。
1つ目は最もシンプルなもので、会話生成型だ。ChatGPT、Claude、Gemini、DeepSeekが思い浮かぶ。基本的に高品質なテキスト生成が必要な時に使用する。
2番目のクラスはコーディング支援だ。コードを書く必要があり、そのためのフィードバックループがある場合、設定方法によっては、Claude Codeがここで素晴らしい例になる。Cursor、Windsurfもこれを行う。特別に設定しない限り、より広範なシステムオーケストレーションが必要な場合には使用できない。
Claude Codeは非常に柔軟なツールなので、この多くに対する例外だと思う。そのため、これらのいくつかに登場する。しかし、コードアシスタントがClaude Codeの良いバニラまたは一般的な使用例だと思う。
3番目のエージェントカテゴリクラスは、ワークフローオーケストレーターで、ZapierやMakeがここに入る。既知のシステムを接続し、予測可能なデータフローがある。曖昧な入力には問題があるかもしれない。これらのシステムは多少脆弱である傾向がある。
4番目は、リサーチ統合エージェントだ。Deep Researchがここで機能する。Perplexityにはdeep research機能があり、ClaudeをそのDeep Research機能で使用することもできる。Opus 4.1をそこに配置する。ウェブを検索させ、深く考えさせる。現在の情報をコンパイルし、分析する必要がある。
発見事項に基づいて行動を取ったり、システムと統合したりする必要がある。通常、これらの「行動を取る」部分が問題だと感じる。実際に読むだけでなく行動を取る必要がある場合は、これらを使用してはいけない。しかし、情報を開発するだけで、それが非常に高品質である必要がある場合、リサーチ統合器は本当に優れており、人々はそれらの使用例でそれらを使用している。
5番目は、自律実行エージェントだ。ManisとDevonが明らかにここに入り、同様に動作するカスタムエージェントもある。例えば、Claude Codeを継続的に実行している人々がいるので、自律実行エージェントとして特別に設定されている。この5番目のカテゴリにますます多くのエネルギーが注がれている。
Manisを取り上げた理由の一部は、自律AI実行のより広い未来への旗艦だと思うからであり、その基盤で注目する価値があると考えるからだ。世界は将来、よりManisのようになるだろう。課題は、コストと複雑性を管理することだ。そのような複雑なエージェントに委託したいタスクの種類を知る必要がある。
6番目のカテゴリは、ハイブリッド協業だ。戻ってきてあなたと話してほしい、あなたと関わってほしいというものが多数ある。Cursor Composerがその素晴らしい例だと言える。ある程度の人間の判断がある。AI能力がある。アンドレ・カルパシーが、良いエージェントワークフローで起こるその微妙な人間協業の部分について素晴らしい話をしていると感じる。
数週間前のツイートで彼が強調したことの一つは、これらのAIエージェントを構築する際、現在おそらく自律実行のバケット5に焦点が当たりすぎているということだ。そして時々、人間がモデルに触れたり、人間が作業に触れるためのスマートなタイミングが必要であることを認識できていない。特に経験豊富で実績のある人間は、ドメイン知識を持っているので、tremendous価値をもたらすことができる。
人間がそれを行うスペースを与えることが重要だ。これらが6つの例だ。MACEフレームワークを頭に入れ、これらの異なるエージェントがすべてどのようにまとまるかを話した。風景をより良く理解してもらえたと思う。これらの知能をどのようにバケット化するかについて、もっと多くの議論が必要だと思う。
エージェントツールの命名と標準化の重要性
私にとって、本当に起こる必要があることの一つは、これらの名前と一緒にある程度のタグ付けが必要だということだ。Claude Codeが良い例だ。それは単にコーディングだけではない。コーディング以上のことをするが、Claude Codeと名付けられた。Manisはたまたまコードを書く。それを実行もする。ワークフローも継続する。汎用エージェントと呼ぶのは良いが、マルチモーダルオーケストレーターと呼ぶ方がより正確だろう。
それは少し扱いにくいかもしれないが、正確な表現は、何と比較すべきエージェントの名前を付けるのに役立つ。そうしなければ、不適切な比較をすることになる。現在、ChatGPTが出荷したエージェントモードをManisと比較はしない。それらは異なるアーキテクチャだ。異なる能力を持っている。
ManisはChatGPTが出荷したエージェントモードよりもはるかに優れており、それは僅差ではない。どちらも「エージェント」と呼ばれているにも関わらず、同じ土俵でプレイしているかどうかさえ確信が持てない。
企業レベルでの導入課題
これについて考える場合、まず最初に行うことは、命名に関連する課題について話すことだ。命名については十分話したので、これ以上は行わないが、課題は、企業がアクセスできる信頼できるフレーバーにこれらの技術を安定化することに関連している。なぜなら、命名について作業を行い、命名について話し、Mana specifically に入る前にエコシステム全体について多く話した理由の一部は、組織が購入するためのある程度の予測可能性が必要だと思うからだ。AIのような技術でその予測可能性を提供することは、実際には非常に困難だ。
オーケストレーションの複雑性を解決しなければならない。モダリティ間での状態管理を解決しなければならない。異なるサブエージェントがあり、Manisのようにそれをバンドルとして販売しようとしている場合、各サブエージェントが独自の状態を維持できることを示すことができなければならないが、オーケストレーターは企業が期待するグローバルな一貫性を持つことができる必要がある。
タスクの長さとモダリティが拡張されても状態の複雑性が維持され続けることを示すことができなければならない。別の例はツール選択だ。不確実な場合、何が起こるかわからない時にエージェントがどのツール選択を実行するかを企業に示すことができるか。フォールバックはどのようなものか。エラー処理はどうか。メモリ管理とコンテキストは、Manisを含むこの種の企業が効果的に解決しなければならないもう一つの大きな部分だ。
巨大なコンテキストを蓄積する長いワークフローをどのように処理するか。現在のAIの最大の課題の一つは、エンタープライズビジネスがエンタープライズ規模のコンテキストをもたらすことであり、それを信頼でき拡張可能な方法でAIにもたらすことは非常に困難だ。単に切り捨てることはできない。依存関係を失う可能性がある。
外部メモリをどのように処理するか、要約をどのように処理するかを理解しなければならず、エンタープライズ規模でそれを行う方法は完全に直感的ではない。これらの種類のエージェントが解決する必要がある課題の別の例は、クロスモーダルコンテキストとコンテキストブリードを避ける方法だ。複雑なタスクのためにコード出力がテキスト生成を知らせる必要があるかもしれない。
しかし、異なるコンテキスト要件と異なるトークン経済学を持っていることを確認しなければならないので、コードがより高価な場合、テキストトークンでコードトークンを費やしたり、2つの間で要件を前後にリークさせたりしないようにする必要がある。
エラーは別の課題だ。1つのサブエージェントが失敗した時にエラーループに入る状況をどのように避けるか。それは本当に困難な課題だ。企業が監査し理解できるエラー回復決定ツリーはどのようなものか。
リソースの予測可能性は別の大きなものだ。これはManisについて人々が苦情を言ってきた主要な問題の一つだった。クレジットで支払っている場合、何にかかるかをどのように予測するか。クレジットが消費される時、それはすべてのアクションに対して同じ価値なのか、そうでないのか。ある日はManisがより多くのクレジットを消費するように見え、ある日はより少ないクレジットを消費するように見え、それが予測できないと人々は苦情を言っている。
全体的に、3月以来はるかに良くなっており、それが今話している理由の一部だ。しかし、まだ必要なエンタープライズ予測可能性の度合いには達していない。
QAは別の大きな課題だ。LLMがマルチエージェントオーケストレーションですべてを設計している場合、コードだけでなくエンジニアリング設定をどのように検証するか。それを行うのは本当に困難だ。
それがManisが現在、エンタープライズよりもコンサルタント、独立ビルダーに人気がある理由の一つだ。最後になるが、ユーザーインテントとモデル調整について少し話したい。同じ方法で異なるサブエージェントが作動し、それらのいくつかが異なるモデルからのものである場合、時間の経過とともに異なるモデル結果を一貫して処理することは本当に困難だ。
それは簡単で明白なタスクではないが、モデルのトークンバーンに関連する単位経済学のため、これらのビルダーの多くがカバーの下でこれを処理しようとしているタスクだ。Notionについての記事があったと思うが、基本的にNotionがAIモデルを使用しているため、昨年だけでNotionのマージンの10パーセントポイントが食われてしまったと述べていた。AIモデルメーカーがSaaSのマージンを食い始めている。
それに対抗したい場合、マルチエージェント構成を持つ必要があるが、マルチエージェント構成が実際に機能する必要がある。そしてそれは本当に困難だ。そして私が言った2番目の部分、ユーザーインテントについて考える時、それはさらに困難になる。ユーザーが意図的でない場合、彼らが何を望んでいるかが明確でない場合、ユーザーインテントをどのように処理するか。
エンタープライズレベルでは、一方では本当に明確なエンジニアがいて、他方では「良いものを作って。頑張って」と言う人々がいると仮定しなければならない。ダッシュボードを作ってと言われても、頑張ってくださいとしか言えない。それをどのように解釈するか。プライバシーに準拠し、完全に機能する製品を構築することに伴うすべての課題を処理でき、ユーザーの推定意図に沿った方法で、企業に対してそれをどのように解釈するか。
プッシュバックや質問などでそれをどのように処理するか。私が今説明したすべては、Manisのようなマルチエージェントオーケストレーターに関連するスケーリング課題であり、それらをエンタープライズにスケールすることが困難な理由だ。私は技術的なスケーリング部分にさえ到達していない。実際のシステムをスケールアウトしてエンタープライズにサービスを提供すること、それは別の課題だ。
Manisの現在の戦略と位置づけ
なぜ困難なことすべてについて説明するのか。これらすべてがManisが解決しようとしている課題を説明している。なぜそれについて話すことが重要だと信じるか、そしてなぜManisの現在の位置が理にかなっているかを説明している。結局のところ、Manisはエンタープライズ向けにマルチエージェントオーケストレーションをスケールできる地点に到達しようとしている。
しかし、そのために、彼らは古典的なスタートアップのプレイブックを実行している。独立ビルダーから始め、小さなスタートアップから始めて、エンタープライズスペースに移行するために必要な経験を積むということだ。彼らは、これらすべての問題をユーザーに対して透明な方法で、そしてユーザーが価値を提供できる方法で解決しようとしている。特にManaceが優れている分野で。
このビデオの終わりに向けてそれらの使用例について話すが、Manisの現在の位置は非常にシンプルだ。彼らは信頼性を最適化することを選択し、能力を最適化することを選択した。そしてそれがコストの問題を説明している。古いエンジニアリングのジレンマは、信頼性、能力、コストのすべてを一度に最適化することはできないということだ。
3つのうち2つを選ばなければならない。信頼性があり能力があることはできるが、安くはならない。信頼性があり安いことはできるが、速くはならない。3つすべてを持つことはできない。ある意味で、Manisはビジネスで最も透明な価格設定システムの一つを持っていると思う。なぜなら、トークンがなくなったら、より多くのトークンを購入するだけで、彼らは支払いを厭わない人々にコンピュートを割り当てることができるからだ。
彼らは非常に典型的なプラットフォーム進化パターンも従っている。3月に起こったデモフェーズがある。4月から6月頃に起こった早期アクセスがある。人々はエッジケースを発見した。人々は予定通りに信頼性の問題を抱えた。現在彼らは安定化している。それらの問題の多くを修正した。
完璧ではないが、話し始めるのに十分良い。そこから、今年の後半に最適化とスケーリングを行う予定だ。彼らが運営している基本的な緊張関係は次の通りだ。ユーザーはChatGPTのシンプルさを望んでいる。自律実行を望み、予測可能なコストを望んでいる。すべてを持つことはできない。
そして得ているのは複雑なワークフロー、自律実行、変動コスト だ。そしてこのコアは、Manisが主流アプリではなく高価な専門ツールカテゴリに残っている理由を説明している。結局のところ、ChatGPTのシンプルさと予測可能なコスト、自律実行を可能にするエンジニアリング課題を解決することは些細なことではない。
それが些細でない理由の例を知りたいか。主要なモデルメーカーの誰も、実際にManisに匹敵する競合製品をローンチしていない。ChatGPTのエージェントモードはそれを行わない。Claude Codeは単に別のカテゴリだ。同じものではないと議論する。GoogleはClaude Codeのような何かをローンチしていない。Manisは独自のものだ。
その理由の一部は、彼らが解決しているエンジニアリング課題が本当に本当に困難だからだ。それらのいくつかを経験した。
実用的な使用例と成功パターン
フレームワークについて多くの時間を費やして話した。知能のためのMACEフレームワークと、エージェント型知能について話す方法について話した。エージェントの実用的なカテゴリ、会話生成器、コードアシスタントについて話した。Manisがいると議論する自律実行者まで来た。エンタープライズ向けの知能のスケーリングから生じる課題と、この瞬間における私たちの位置について少し話した。状態管理について話した。コンテキストとその管理方法、エラーの伝播などについて話した。
これらすべては頭の中にあり、コンテキスト化したかった。なぜなら、今あなたはManisがどこにいるか、なぜManisが信頼性と能力を最適化しているかを理解している。これらのエージェントでは品質が問題であり、彼らはそれを知っており、チャレンジャーブランドとして最適化しなければ人々は戻ってこないことを知っている。彼らがプラットフォーム進化のどこにいるか、なぜ彼らが現在本当に専門ツールとして位置づけられているが、良くなっているのか、そしてなぜエンタープライズステージに到達するのに困難を抱えているが、最適化を続ければそこに到達する準備ができていると思う理由。
それらすべてを述べた上で、2025年9月の現在の状態で、Manisが今日有用である可能性が高い実用的な使用例は何か。Manisを使用していて非常に満足している人々を私が知っている、いくつかのスイートスポットがあると思う。これらのツールがどのように進化する傾向があるかのパターンが見えると思う。他のケースでも適用できる。なぜなら、この議論の全体的な目的は、Manisだけではなく、Manisがエージェント型ツールがどこに向かっているかをどのように例示しているかを理解しようとしているからだ。
使用例1番目、高価値の研究と分析。エグゼクティブ向けの月次四半期業界分析、競合情報ブリーフィング、デューデリジェンスリサーチパッケージ、その種のもの。ここでManisが勝つ。Manisが勝つのは、コストが正当化できるからだ。
その報告書を作成するのに100ドルかかるなら、コンサルタントの2,000ドルよりもずっと安い。ウェブリサーチが組み合わさっている。きれいにフォーマットされた出力が必要だ。データを分析する必要がある。いずれにしても戦略的決定を下す前に人間のレビューが期待されている。だから、あまりリスクがなく、時間の節約が巨大になる可能性がある。
その報告書を作成するのに2時間かかるなら、何日も何日もの作業を節約できる。使用例2番目、コンテンツマーケティング制作パイプライン。小さなエージェンシーとして複数のクライアントを管理している場合、定期的なコンテンツニーズを持つSaaS企業の場合、Manisはここで勝てる。なぜなら、線形コスト増加なしにコンテンツ制作をスケールできるからだ。
研究、分析、コンテンツの作成とフォーマットを処理できる。品質基準は出版準備完了対良い初稿になる傾向がある。そしてROIは本当に明確だ。なぜなら、そうでなければコンテンツライターを雇うことになるからだ。
使用例3番目、技術者以外のチーム向けのデータ分析と可視化。コーディングスキルを持たないビジネスアナリスト。そのような人はもう残っているのか。キャンペーンパフォーマンスを分析するマーケティングチーム。アドホック分析が必要な小企業。アイデアは理解できるだろう。ManisはPythonやRを学ぶ必要性を排除する。データサイエンティストを雇う必要もない。乱雑なデータを処理する。分析を処理し、可視化部分を処理する。
そのすべての部分を行う他のツールについては考えられるが、Manis以外でそのすべての部分を行うツールは知らない。出力品質はExcelベースの手動分析を上回ることが多く、洞察までの時間が短縮される。本当に大きなエンタープライズデータセットでは、これは機能しないし、機能するふりをするつもりもない。
だからこそ小企業の使用例を強調している。使用例4番目、プロセス文書化。ワークフローを文書化するオペレーションチーム、クライアントプロセスを分析するコンサルタント、トレーニング資料を作成する場合、Manisが勝つ。なぜなら、既存のプロセスをマップし、機会を特定し、その場で文書化を作成できるからだ。そしてそれは非常に速い。
手動プロセススクラッピングの何週間もの時間を節約でき、優れた可視化フォーマットですぐに実行可能な推奨事項を提供できる。再び、それほどリスキーではない使用例だ。大量の時間を節約する。
技術的概念実証開発が5番目だ。製品アイデアを検証したい場合、新しい統合を探求したい場合、PMとして技術仕様を作成したい場合、これはlovableで得られるものを超える。なぜなら、Manisはプロトタイプ、文書化、デプロイメントを1つの大きなワークフローで作成できるからだ。
複数の技術ドメインを処理でき、結局のところ、本番準備完了コード対スピードを求めている。全体的に、再び同じパターンが見える。そして成功パターンをここで指摘したい。なぜなら、2025年秋のエージェントがどこにいるかを理解すべき何かがあると思うからだ。
1つ目、経済的正当化が必要だ。私が説明したタスクのすべては、手動で行えば500ドルから5,000ドル、しばしば数千ドルになる。Manisのコストは、その10分の1かそれ以下の一部になるだろう。時間の節約は通常数日に及び、品質への期待は、完璧な最終製品ではなく、素晴らしい初稿を作ることになる傾向がある。
これらが2025年秋の独立エージェントのスイートスポットだ。特に注目してほしいのは、これらが技術的で複雑なワークフローだからだ。5から15から20から25の異なるアクションがある。研究と作成とフォーマットを組み合わせている。人間のレビューと改良がある。非常に明確な成果物がある。
指摘したいことは、高価な専門家を雇う代替手段がある複雑なマルチドメインワークフローで優れているエージェントがある場合、持っているのは一般的な生産性アプリではなく、まだプレミアム自動化ツールだということだ。エージェント景観の中で、他よりも専門化された特定のバケットがあり、その結果としてより多く支払うことになるというこの考えに何度も戻ってくる。
このことから取り去ってほしいことの一つは、AIエージェントをもはや単一のバケットとして見るべきではないということだ。一般的な生産性ツールとして位置づけられるエージェントと、専門的なタスク用の専門ツールとして位置づけられるエージェントがある。
Manisの未来展望と市場への影響
Manisは安定化するにつれて、スイスアーミーナイフよりも外科医のメスのように見えてきている。経済的な観点から彼らがスイスアーミーナイフになりたいと確信しているが、このビデオの前半で特定したエンジニアリング課題のため、マルチエージェントオーケストレーターにとってはそのポジションにいることは本当に困難だ。
とはいえ、それが市場が向かっている方向だと思うし、それがManisについて話す価値がある理由だと思って、ビデオを終えたい。Manisは炭鉱のカナリアのようなものだ。彼らはマルチエージェントオーケストレーションで、独立してどのように見えるかについて前進の道を示している。
彼らは、あまりに重いデータニーズを持たない小企業や独立ビルダー、または大企業のチームに対してさえ、製品を安定化させる方法を示している。しかし、彼らには主要なモデルメーカーが持つスケールがなく、単位経済的利益を本当に収穫しコスト曲線を下げることを可能にする種類のフットプリントを構築することができていない。
そしてそれが私たちが向かっている方向だと思う。今後数ヶ月で主要なモデルメーカーからManisのバージョンを見ることになるだろうと思う。おそらくGoogleから、おそらくClaudeから、おそらくOpenAIからだが、人々がこれらの複雑な使用例で見る価値は非常に高い。これに3、4、5,000ドルを費やしていたなら、AIエージェントでそれを完了させるためにかかる費用を喜んで支払うだろう。なぜなら、それがはるかに安いからだ。
10分の1、5分の1の価格で、はるかに安くなるだろう。主要なモデルメーカーとしてこれらのモデルに関連するコストの一部を回収することを検討している場合、人々に200ドルを支払ってもらうより多くの理由が欲しいだろう。おそらくこれが、200ドルの購読の上に200ドルのアドホックタスクがある理由かもしれない。
そして一部の人々はそれがとても良いので、そのために支払うだろう。そして、これらの主要なモデルメーカーの経済学者の多くを見ることになるだろう。はい、彼らには経済学者がいて、マージンをスケールすることを可能にするこの種の専門タスクを探している。そしてそれがManisが道を示しているところだ。
だから、専門化されたタスクがある場合、私が話したような500ドルから5,000ドルのタスクがあり、何があってもそのタスクを完了させる必要があることを知っている場合、おそらくManisを試してみてください。おそらくかなりの金額を節約でき、それがはるかに安く、ROIがとても明確なので、コストを支払うことを厭わないでしょう。特に優れた初稿を探している場合は。
だから、それがManisに対する私の評価だ。安定化し始めるまで話すのを待った。今話すことに興奮を感じる。2025年秋にAIエージェントが専門化された使用例をどのように開発しているかの素晴らしい例だと思う。そしてManisが次にどこに行くかを見ることに興奮している。乾杯。
コメント