Manus vs AutoGPT 2026: кто из агентов вытащит вашу задачу

Запрос «сделай market research и сразу собери прототип лендинга» — это две задачи, которые большинство «агентов» 2025 года разносят по разным продуктам. Manus и AutoGPT пытаются закрыть оба сценария одним инструментом, но идут к этому из противоположных стартовых точек.

В каталоге AIRatings.ru категория ai-agents разбита на четыре подгруппы: исследовательские, computer-use, кодирующие и workflow / no-code, плюс отдельная подгруппа «open-source / self-hosted». Manus и AutoGPT — редкая пара, которая залезает сразу в несколько подгрупп. Manus — закрытый коммерческий сервис из Сингапура (Monica AI, она же Butterfly Effect AI), публичная бета — март 2025 с вирусным запуском (более 1 млн запросов на invite за первые дни). AutoGPT — open-source проект под MIT-лицензией от британской Significant Gravitas Ltd, первый коммит апрель 2023, ныне 170 000+ звёзд на GitHub и репутация «того самого вирусного autonomous-агента, с которого всё началось».

Перекрытие подгрупп честное. Manus совмещает три роли: research-агент (встроенный headless Chromium, поиск, синтез отчётов), code-агент (Python-интерпретатор в sandbox, Shell), browser-use (клики, формы, навигация). AutoGPT Classic умеет ровно то же самое: браузер через Selenium / Playwright, Python-исполнение как шаг агентского цикла, поиск Google / DuckDuckGo / Bing, плюс расширяемая plugin-система. Разница не в перечне инструментов, а в архитектуре оркестрации. Manus запускает специализированных sub-agents параллельно — web research, code execution, file management, report generation работают одновременно. AutoGPT крутит рекурсивный цикл «план → шаг → проверка → следующий шаг» последовательно, каждый шаг — новый вызов LLM.

Кто с кем реально конкурирует. На сценариях «найди инфу и напиши отчёт» Manus наступает на пятки Gemini Deep Research, AutoGPT — на CrewAI и LangChain Agents. На сценариях «напиши работающий код» Manus борется с Devin, AutoGPT — с тем, что разработчик собрал бы себе руками. Прямого «лоб в лоб» между ними меньше, чем кажется: в большинстве задач выбор — не «какой агент лучше», а «отдать данные коммерческому стартапу или держать всё на своей машине под своим OpenAI-ключом».

Запускаете агента в пятницу вечером с задачей на 40 минут. В понедельник утром выясняется: он отлично доходит до 80% задачи, а на последнем шаге решает «удалить лишнее» — и сносит свой же промежуточный артефакт. Уровень автономности здесь не маркетинговая фраза, а вопрос, сколько вы готовы потерять.

Manus по умолчанию работает в режиме «полный autopilot». Пользователь даёт высокоуровневый запрос — «исследуй тему X и напиши отчёт» — и закрывает вкладку. Агент выполняется асинхронно на серверах Manus, пользователь видит realtime-лог («открываю браузер», «ищу по запросу X», «выполняю код»), но не обязан вмешиваться. По досье Manus, в ходе выполнения агент может запросить уточнение у пользователя — но это исключение, а не правило.

AutoGPT Classic работает иначе. Архитектура human-in-the-loop здесь настраивается явно: можно запустить полный autopilot, можно — режим «confirm each step», где после каждого действия агент ждёт одобрения. Это плюс для контроля, минус для скорости: на 40-шаговой задаче confirm-режим превращается в марафон. AutoGPT Platform (beta) предлагает третий путь — граф-редактор блоков, где автономность зашита в архитектуру схемы, и каждый блок — детерминированный шаг.

Где это видно в задаче. Если вы дали Manus собрать сравнительный отчёт по 12 сервисам и ушли на обед — он либо принесёт результат, либо застрянет молча, и узнаете вы об этом постфактум. Если вы дали AutoGPT в confirm-режиме ту же задачу — узнаете о каждом отклонении сразу, но потратите часы на одобрения. По досье Manus критикуют за «vibe demo»: на тщательно подобранных задачах работает чисто, на случайных — «часто зависает, делает лишние шаги, не завершает работу». У AutoGPT Classic слабость зеркальная: «часто застревает в петлях или отклоняется от задачи», и без confirm-режима это всплывает в логах слишком поздно.

Утром в понедельник нужно: написать парсер сайта, прогнать его на трёх страницах, поправить регулярки по результатам и сложить вывод в CSV. Один промпт, никаких пошаговых правок от вас. Какой агент справится без последующей хирургии?

Здесь обе системы — «второй эшелон» относительно специализированных coding-агентов вроде Devin. По досье Manus, в независимых тестах на coding tasks он уступает Devin, но «выигрывает на задачах, сочетающих research + код». То есть Manus интересен не как чистый coding agent, а как агент, который умеет сходить на StackOverflow, разобрать пример, написать на его основе свой код и запустить. У него есть выделенный sub-agent «Code execution» в Python sandbox и отдельный Shell-агент — это позволяет в одном flow совмещать чтение документации в браузере и запуск кода.

AutoGPT Classic тоже включает Python-исполнение как один из шагов агентского цикла, но без специализации под разработку. По досье, текущая репутация AutoGPT в coding-задачах — «устарел по сравнению с коммерческими агентами, ценен для DIY, самообучения и задач, требующих кастомизации». Реальные сценарии: написать вспомогательный скрипт, сгенерировать boilerplate, прогнать набор тестов. SWE-bench-метрики ни Manus, ни AutoGPT публично не публикуют — это один из data gaps для пары.

Где это критично. По досье Manus, ранние демо показывали, как он создаёт полностью работающий React-app из одного промпта — но независимые отзыватели с Hacker News отмечают: демо-задачи отбирались. На случайных coding-задачах оба «застревают» — Manus тише, AutoGPT в логах. Для серьёзной разработки оба — компромисс: возьмёте Devin, GitHub Copilot Workspace или связку Cursor + Claude Code. Здесь Manus и AutoGPT — «вспомогательная сила»: написать скрипт «попутно» в большой исследовательской задаче.

Запрос «собери сравнительный обзор пяти CRM для малого бизнеса в РФ — с ценами в рублях, поддержкой 152-ФЗ и ссылками на отзывы» — это шесть часов работы аналитика. Агенты обещают сжать это до 15 минут. Получится ли у них без потери глубины?

Manus в этом сценарии — на своём поле. Архитектура с несколькими параллельными sub-agents позволяет ему запускать web research, синтез и report generation одновременно: пока один агент собирает данные по сервису А, второй уже структурирует то, что нашлось по сервису B. По досье Manus, в независимых тестах он «проигрывает ChatGPT Deep Research по качеству research-отчётов, но выигрывает на задачах, сочетающих research + код» — то есть отдельно research у него средний, а в связке с генерацией артефактов (таблицы, графики, файлы) — лучше. Время выполнения: 5 минут на простые задачи, 40+ минут на сложные многошаговые.

AutoGPT в research-режиме работает через рекурсивный цикл: задача → план → действие (поиск, чтение страницы) → проверка результата → следующий шаг. По досье AutoGPT, «современные пользователи отмечают нестабильность Classic» — особенно в долгих research-цепочках, где агент после 15-го шага начинает «отклоняться от исходной цели». Векторная память (Pinecone, Redis, local store) теоретически удерживает контекст, на практике не всегда спасает. AutoGPT Platform в beta предлагает визуальный граф-редактор для research-сценариев — это лекарство от расхождения, но за счёт ручного дизайна потока.

Глубина источников у обоих ограничена базовой LLM. Manus, по неподтверждённым репортам, использует под капотом Claude Sonnet от Anthropic для основного reasoning (плюс возможно GPT-4o и собственные специализированные модели — официально не подтверждено). AutoGPT в Classic-версии умеет работать с любым OpenAI-совместимым API: пользователь сам выбирает GPT-4o, Claude или local Llama. Это даёт AutoGPT преимущество в случаях, когда нужна конкретная модель: например, Claude — для длинных контекстов, GPT-4o — для русскоязычных источников.

Поставили задачу в 18:00, ушли домой. Утром хотите видеть готовый результат — без «извините, я застрял на шаге 12 и жду вашего ответа».

Manus спроектирован под асинхронность с первого дня: по досье «задача выполняется асинхронно — пользователь может закрыть браузер и вернуться к результатам». Финальный артефакт (PDF-отчёт, код, таблица Excel, иногда работающее веб-приложение) сохраняется в хранилище Manus, доступном через UI. Это снимает с пользователя обязанность «сидеть и смотреть». Слабое место — отсутствие гарантии завершения: по досье, на сложных задачах Manus «часто не завершает работу или делает ошибки, которые не замечает». То есть утром можно увидеть либо готовый файл, либо лог с зависанием — без промежуточных сигналов.

AutoGPT Classic подходит к долгим задачам через два механизма. Первый — встроенная long-term memory: векторные базы (Pinecone, Redis, Weaviate, local JSON) хранят «воспоминания» между сессиями, поэтому контекст не теряется при перезапуске. Второй — sub-agents: AutoGPT умеет создавать вложенные агенты для подзадач, что разгружает основную цепочку и снижает риск «зацикливания». Минус: AutoGPT Classic запускается на машине пользователя — если ноутбук уйдёт в сон или потеряет связь, цикл прервётся. AutoGPT Platform в hosted-варианте теоретически снимает эту проблему, но Platform ещё в beta.

На что это влияет в работе. Если вы запускаете Manus с задачей «к утру собери исследование» — он либо принесёт результат к утру, либо никогда. Если запускаете AutoGPT Classic на своём сервере с настроенной векторной памятью — задача переживёт перезапуск контейнера, но скорость и стоимость зависят от выбранной LLM (на GPT-4 «несколько долларов за сложную задачу» по досье). Hosted AutoGPT Platform пытается закрыть оба сценария, но в beta-статусе на нём пока неосторожно строить production-workflow.

Просите агента: «найди и сравни топ-5 русских fintech-стартапов 2024 года, ссылки на habr и vc.ru приветствуются». Если агент в ответ присылает отчёт из англоязычных источников или путает «Тинькофф» с «Tinkoff Bank» — задача не решена.

Manus здесь честно слабее. По досье, интерфейс — только английский и китайский (на момент август 2025), а «качество работы с русским — ограниченное (зависит от базовой LLM; поиск русскоязычных источников слабее)». Под капотом Manus, по неподтверждённым репортам, использует Claude Sonnet — это значит, что базовое понимание русского у LLM хорошее, но research-агент тренирован преимущественно на англо- и китаеязычных задачах. Опубликованных тестов на русских кейсах нет — это data gap.

AutoGPT в этом параметре зависит от того, какую LLM вы подключите. По досье, AutoGPT «поддерживает OpenAI (GPT-4, GPT-4o), Anthropic (Claude), любой OpenAI-compatible API», и «качество русского зависит от выбранной базовой LLM; GPT-4o и Claude — хорошее качество на русском». Это даёт AutoGPT преимущество: можно подставить специально хорошую на русском модель. Поиск тоже настраивается под русскоязычные источники — DuckDuckGo и Google по дефолту, через плагины можно прикрутить Яндекс.

В практическом сценарии разница такая. Запрос «собери обзор русских CRM с ценами в рублях» в Manus вернёт скорее всего отчёт из англоязычных страниц этих CRM + Bitrix24 будет угадан как «Bitrix24, Russian-based CRM», без локальных нюансов вроде «как работает с 152-ФЗ» или «есть ли коробочное решение для on-prem». AutoGPT с подключённым GPT-4o и плагином Яндекс.Поиска (если соберёте сами) такой запрос вытянет точнее, но за счёт ручной настройки и платы за токены GPT-4o.

Бухгалтерия спрашивает: «сколько в год?». На этот вопрос нужно ответить до того, как вы рекомендуете команде агент на регулярную работу.

У Manus тарифная сетка — главный data gap на момент составления досье (август 2025). По досье, «коммерческие тарифы Manus не были окончательно сформированы и публично объявлены». В launch-период действовала credits-схема: задача расходует кредиты, точная цена за единицу — публично не зафиксирована. К моменту широкой доступности летом 2025 политика начала меняться, но точных цен и тарифной сетки в открытом виде не было. Это значит, что при оценке стоимости вы либо ждёте обновления досье, либо запрашиваете коммерческое предложение у Monica AI напрямую.

У AutoGPT две модели одновременно. AutoGPT Classic — MIT-лицензия, $0 за сам продукт. Реальные расходы — API-ключи: на GPT-4 «несколько долларов за сложную задачу» по досье; в годовых терминах это полностью зависит от частоты использования. AutoGPT Platform (hosted, beta) — credits-based, точные цены менялись в течение beta — тоже data gap. Single point of clarity у AutoGPT — Classic: понятно, что бесплатно, понятно, что платите за токены провайдеру.

В прозрачности оценки годовой стоимости AutoGPT Classic выигрывает с явным отрывом: вы знаете цену за токены OpenAI/Anthropic и регулируете расход самостоятельно. Manus в текущем состоянии непрозрачен — credits-система без публичной цены за единицу. Для команды, которой нужно защитить бюджет на год, это означает разговор с продажами Manus и подписание NDA — не всегда удобно.

Хочется попробовать агента до того, как платить. Вопрос: free-тариф это реально «навсегда и бесплатно» или замаскированный 7-дневный trial с лимитом «один запуск».

Manus в launch-период (март 2025) работал в invite-only режиме: бесплатно по invite-коду, ограниченное число кредитов, каждая задача расходует кредиты. По досье, более 1 млн запросов на invite за первые дни — то есть «бесплатно» с инвайтом было реальным, но строго лимитированным. Статус free-тира после widely-available перехода летом 2025 в досье не зафиксирован. На практике это значит: попробовать Manus бесплатно — возможно, но с малым числом сложных задач, прежде чем кредиты закончатся.

AutoGPT в free-разрезе — категорийный экстремум. AutoGPT Classic под MIT-лицензией — $0 forever, без лимита на число запусков, без credit-системы внутри продукта. Единственная плата — за API-токены провайдеру LLM (OpenAI / Anthropic), и эту плату вы платите им напрямую, а не Significant Gravitas. AutoGPT Platform в beta — отдельная история (credits-модель, как у Manus), но Classic — настоящий free forever.

Где это критично. Для разовой пробы — invite-вариант Manus достаточен, чтобы понять «нравится / не нравится». Для регулярного бесплатного использования — Manus в нынешнем виде не подходит, кредиты закончатся. AutoGPT Classic — единственный путь «попробовать и продолжать пользоваться месяцами без подписки». Trade-off: время на установку (Python, pip, `.env`, API keys) и техническая грамотность.

Нужно встроить агента в внутренний инструмент: триггерить запуск по событию из CRM, забирать результат в Slack, логировать в свою БД. Без публичного API это не сделать ни за какие деньги.

Manus в этом параметре — почти провал. По досье на момент составления (август 2025), «публичного API не было; всё взаимодействие через веб-UI». Статус API на 2026-05 — отдельный data gap, но публично доступных эндпоинтов не задокументировано. Это значит, что встроить Manus в свой внутренний инструмент — нельзя. Только UI, только человек за клавиатурой. Для команд, у которых задача звучит как «оркестрировать агента из своего бекенда», Manus в текущем виде непригоден.

AutoGPT — обратный полюс. Classic open-source — это сам по себе код, который вы запускаете у себя; интегрировать его в pipeline можно как любую Python-библиотеку. Импортировать модули, вызывать функции, подменять компоненты — всё доступно. AutoGPT Platform добавляет API-слой через визуальный граф-редактор: каждый блок — нода, ноды соединяются в произвольный flow, у каждого узла есть программный интерфейс. Это менее зрелое решение, чем у hosted-агентов с продуманным REST API, но в принципе работает.

На что это влияет. Для разработчика, который смотрит на агента как на «компонент в моём приложении», Manus — non-starter. Для разработчика, готового встроить open-source библиотеку в свой стек, AutoGPT — естественный выбор: можно форкнуть, добавить свои инструменты, обернуть в FastAPI и развернуть рядом с другими сервисами. Цена этого — техническая работа, которая в SaaS-агентах закрыта продуктом.

Российская карта, российский IP, минимальное желание возиться с VPN. По этим вводным многие западные ИИ-сервисы отваливаются на стартовом экране.

Manus в этом параметре — потенциально интересный кейс. Сервис не американский: юрлицо в Сингапуре, команда частично в Китае. По досье, «прямой доступ без VPN потенциально доступен (не американская компания, может не иметь жёстких геоблокировок)» — но точный статус на 2026-05 в досье помечен как data gap. Оплата российскими картами — по досье «неизвестно; ожидаемо — только международные карты». Локализация — только английский и китайский интерфейс. Совокупность: пускать может пускать, оплачивать — без зарубежной карты сложно.

AutoGPT работает по-другому. Classic — open-source, ставите локально, нужен только API key OpenAI / Anthropic. Доступ к репозиторию GitHub в РФ работает без VPN, sam продукт запускается у вас на машине, никаких geo-блоков на уровне самого AutoGPT нет. Узкое место — оплата API-провайдеру: для OpenAI / Anthropic нужна зарубежная карта или иностранный провайдер. Hosted Platform — аналогично другим западным сервисам по геоблокам.

Где это критично. Для российского пользователя, который не хочет связываться с зарубежными платёжками, AutoGPT Classic — единственный реальный путь: скачали с GitHub, поставили локально, дальше остаётся вопрос только с API-ключом провайдера. Manus в этом сценарии упирается в платёжку: даже если интерфейс открывается, нужно купить кредиты, и это требует международной карты.

Агент решает «удалить лишний файл» — и сносит важный документ. Или «отправить уведомление» — и шлёт письмо клиенту. Sandbox — это не паранойя, это норма для production.

Manus здесь играет на стороне server-side изоляции. По досье, «выполнение кода в изолированной среде; агент не имеет доступа к реальному компьютеру пользователя — работает на серверах Manus». Это значит: ошибка агента в Python-исполнении или в shell-команде ломает только sandbox на сервере Manus, не вашу машину. Браузер у Manus тоже headless и под их контролем — не ваш Chrome. Minus: вы не знаете точно, какие именно лимиты в sandbox и что произойдёт, если агент попытается, например, отправить тысячу запросов с сервера Manus на чей-то сайт.

AutoGPT Classic работает на машине пользователя. Это даёт максимум контроля (вы видите, что делает агент) и максимум риска (если запустили без Docker — агент гуляет по вашей файловой системе с правами вашего пользователя). Защитные механизмы — на вашей совести: можно завернуть в Docker-контейнер, ограничить сетевые доступы, прокидывать только нужные директории. По досье, AutoGPT поддерживает human-in-the-loop «confirm each step», что снижает риск деструктивных действий — но это не sandbox, это ручная остановка.

Где это решает выбор. Для пользователя, который не хочет настраивать контейнеры и хочет «запустил и забыл» — Manus с его server-side изоляцией удобнее. Для компании с собственным compliance / DevSecOps — AutoGPT в Docker-контейнере, где вы сами определяете, что можно агенту, а что нет. На production-task с реальными данными клиентов выбор второй очевиден.

Юрист и ИБ-офицер спрашивают: «куда уходят данные задач? обучают ли на них модели? есть ли SOC2?». От ответа зависит, можно ли в принципе использовать агент с корпоративной информацией.

Manus в части privacy — крупный data gap. По досье, «политика использования данных для обучения не опубликована публично на момент составления dossier», статус GDPR «не подтверждён», privacy policy «не изучена полностью». Юрлицо в Сингапуре, обработка данных вне РФ — что значит, что 152-ФЗ применим со всеми вытекающими (трансграничная передача персональных данных требует отдельных процедур). Для команды с серьёзным compliance это сразу красный флаг: без публичной privacy policy и заявленной no-training-on-data политики использовать Manus с реальными корпоративными данными невозможно.

AutoGPT в self-hosted Classic-варианте — обратный экстремум по приватности. По досье, «максимальная приватность — данные идут только в API-провайдеры (OpenAI / Anthropic по их политике)». То есть compliance-вопрос переезжает на уровень провайдера LLM: смотрите OpenAI / Anthropic enterprise-условия, выбирайте опцию «no training on your data» в их settings. AutoGPT Platform — данные на серверах Significant Gravitas, и здесь у AutoGPT тоже нет публичных SOC2 / GDPR-сертификатов, видных в досье.

Через год сервис, на который вы построили процесс, должен быть жив. История знает множество AI-стартапов, которые закрылись за 12 месяцев — внести их в production-стек значит купить себе будущую миграцию.

Manus принадлежит Monica AI (Butterfly Effect AI, Inc.). По досье, «раунды финансирования публично не раскрывались в полном объёме на момент составления», но компания связана с экосистемой Monica.im — AI productivity Chrome extension с 3M+ пользователей. То есть Manus — не одиночный стартап без выручки, а проект внутри экосистемы с существующим revenue stream. С другой стороны: точная сумма раундов и состояние финансов — закрытый data gap, что для оценки долгосрочной перспективы менее комфортно, чем публичная Series-B Devin'а.

AutoGPT поддерживается Significant Gravitas Ltd (Великобритания). По досье, «компания небольшая; основной актив — GitHub stars и комьюнити. Точные финансовые данные не публикуются». Зато есть актив, которого нет ни у одного коммерческого агента: 170 000+ звёзд на GitHub, MIT-лицензия, активное комьюнити, плагины. Даже если Significant Gravitas завтра прекратит коммерческую деятельность — AutoGPT Classic не исчезнет: код останется на GitHub, форки уже существуют, любой разработчик может продолжить.

Демо — это одно, production — другое. Вопрос: какие реальные кейсы у каждого агента и где скептицизм коммьюнити перевешивает маркетинговые ролики.

Manus в марте 2025 устроил один из самых вирусных AI-запусков года: тренды в Twitter / X, демо-видео с миллионами просмотров, более 1 млн запросов на invite за первые дни. По досье, в launch-демо «задачи тщательно отобраны»; на случайных задачах Hacker News и технические блогеры отмечали — Manus «часто зависает, делает лишние шаги, не завершает работу». Critique-формулировка из досье: «vibe AI» — отличное демо, средняя надёжность в production. Конкретных публично описанных production-кейсов с реальными бизнес-результатами в досье не зафиксировано.

AutoGPT — пионер категории, и его кейсы измеряются иначе. По досье, «AutoGPT в апреле 2023 стал первым по-настоящему вирусным autonomous agent — тысячи туториалов, Reddit threads, YouTube; понятие „agentic AI“ вошло в массовую культуру во многом благодаря AutoGPT». Сегодня репутация — «устарел по сравнению с коммерческими агентами; ценен для DIY, самообучения и задач, требующих кастомизации». То есть AutoGPT в 2026 году — это не «agent для production-задач», это «инструмент для разработчиков, изучающих категорию или собирающих свой пайплайн».

Где Manus действительно лучше — не маркетингово, а по фактуре досье.

Первый сценарий — «комбинированная задача research + код + готовый файл». По досье Manus, в независимых тестах он «выигрывает на задачах, сочетающих research + код». Конкретный пример: «найди топ-5 fintech-стартапов, собери таблицу метрик, напиши скрипт визуализации, отдай готовый Excel + PDF». В одном flow Manus параллельно запускает web research agent, code execution agent и report generation agent — это сценарная связка, в которой AutoGPT Classic вынужден последовательно гнать рекурсивный цикл и проигрывает по скорости и надёжности доводки до финального артефакта.

Второй — «асинхронный запуск без своей инфраструктуры». Пользователь запускает задачу, закрывает браузер, возвращается через 40 минут к готовому артефакту в Manus UI. Для пользователя без сервера, без Docker, без настроенной Pinecone — это единственный способ запустить «час работы агента в фоне». AutoGPT Classic такой сценарий не закрывает: цикл оборвётся, как только машина уснёт.

Третий — «единый интерфейс для не-разработчика». Manus — это веб-UI, в котором задача формулируется одним предложением и выполняется без знания Python, без `.env`, без выбора LLM. Для аналитика или менеджера, которому нужен агент здесь и сейчас, барьер входа в Manus ниже на порядок.

Четвёртый сценарий, где Manus может оказаться предпочтительнее — это пользователи, для которых не-US юрисдикция компании важна (сингапурское юрлицо вместо американского). В досье отмечено: «для пользователей, которым важна не-US юрисдикция». Это не массовый кейс, но в нём AutoGPT Classic не помогает: код-то open-source, но если запускать через AutoGPT Platform — это снова hosted-инфра западной компании.

Где AutoGPT по фактуре досье обходит Manus — несмотря на репутацию «устарел».

Первый — «нулевой бюджет на агента». MIT-лицензия и self-hosted Classic означают: $0 за продукт, плата только за API-токены LLM-провайдера. Для индивидуального разработчика, который хочет регулярно использовать агента и не платить SaaS-подписку — это единственный реалистичный путь в паре. По досье AutoGPT, «полная открытость кода. Можно изучить, форкнуть, модифицировать — уникально для категории».

Второй — «жёсткая приватность данных». По досье AutoGPT Classic: «максимальная приватность — данные идут только в API-провайдеры (OpenAI / Anthropic по их политике)». Для команды с compliance-требованиями («персональные данные клиентов нельзя отправлять hosted-агенту с непрозрачной privacy policy») self-hosted AutoGPT — обходной путь: данные не покидают вашу инфраструктуру, кроме промптов в LLM-провайдер, где у вас есть отдельный контракт.

Третий — «встраивание в свой пайплайн как библиотеки». AutoGPT — Python-код, который можно импортировать, модифицировать, обернуть в свой сервис. Это не задача «выбрать продукт», а задача «собрать решение из компонентов». Для разработчика, которому нужен агент как часть внутреннего инструмента (триггер по событию, обработка из очереди, запись в свою БД), это работающий вариант. Manus с его отсутствующим публичным API такую задачу не закрывает.

Четвёртый — «свобода выбора базовой LLM». По досье, AutoGPT поддерживает OpenAI (GPT-4, GPT-4o), Anthropic (Claude), любой OpenAI-совместимый API. Это значит: для русскоязычных задач можно подключить GPT-4o, для приватных данных — local Llama, для задач с длинным контекстом — Claude. Manus под капотом использует фиксированный набор моделей (Claude Sonnet по неподтверждённым репортам + возможно GPT-4o), и пользователь этот выбор не контролирует.

Кому из пятёрки типичных читателей AIRatings какой из двух агентов реально подойдёт.

Бизнес-аналитик в среднем бизнесе. Нужно регулярно собирать research-отчёты по конкурентам, поставщикам, рыночным трендам — без подключения IT-команды. Подходит Manus: веб-UI, async-выполнение, готовый PDF / Excel на выходе. AutoGPT Classic требует Python-настройки, а у аналитика обычно нет ни времени, ни мандата на собственный сервер. Оговорка: для русскоязычного research пробуйте сначала Gemini Deep Research — он по досье сильнее на русском.

Разработчик-индивидуал, экспериментирует с агентами. Хочет понимать, как работает autonomous agent под капотом, тренироваться в кастомизации, регулярно использовать без подписки. Подходит AutoGPT Classic: MIT, доступ к коду, выбор LLM, плагины. Manus здесь — закрытая коробка, в которой ничего не покрутишь.

ИТ-команда в крупной компании с compliance. Персональные данные клиентов, требование «никаких hosted-агентов без SOC2», 152-ФЗ. Подходит AutoGPT Classic в Docker-контейнере на корпоративной инфре + контракт с OpenAI / Anthropic на no-training-on-data. Manus без публичной privacy policy в этот сценарий не входит вообще.

Предприниматель / стартапер, хочет автоматизировать рутину. «Найди и сравни поставщиков», «собери конкурентный анализ за вечер». Подходит Manus — если бюджет позволяет credit-расход, а скорость старта важнее долгосрочной экономии. Альтернатива — AutoGPT Platform в beta, если готов мириться с rough edges.