Genspark-CEO Eric Jing über den wahren Allround-Vorteil von KI: geteilter Kontext

Einleitung

Genspark trat auf der AGI Playground-Konferenz 2026 in Singapur auf – nicht nur mit einem neuen Produkt, sondern auch mit einer umfassenderen These darüber, wohin sich KI-Anwendungen entwickeln.

Das Produkt ist GenOffice, eine Open-Source-Office-Suite für Windows und macOS, die Dokumente, Tabellenkalkulationen, Präsentationen und PDFs unterstützt. Laut Genspark wurde die Alpha-Version von einem einzelnen Ingenieur innerhalb einer Woche entwickelt – mit etwa 10.000 US-Dollar an Modell-Token.

Die umfassendere These stammt aus einem Gespräch zwischen Gensparks Mitbegründer und CEO Eric Jing und dem Gründer und CEO von GeekPark, Jack Zhang.

Genspark startete als KI-Suchprodukt, wandelte sich dann zu einem universellen Super-Agenten und erweiterte sich seitdem zu einem KI-Arbeitsbereich, der Gedächtnis, Agenten, Content-Erstellung, Office-Tools und Kollaborationsfunktionen vereint.

Jings Kernargument: Der bleibende Wert von All-in-One-KI-Produkten entsteht nicht allein dadurch, dass viele Funktionen in einer Oberfläche integriert werden, sondern dadurch, dass der Arbeitskontext der Nutzer zusammengeführt wird, sodass verschiedene Modelle und Agenten verstehen, was der Nutzer erreichen möchte – ohne wiederholt dieselben Hintergrundinformationen abfragen zu müssen.

Das Gespräch drehte sich um vier Themen:

1. Warum Genspark den KI-Suchbereich verließ, nachdem das Unternehmen über fünf Millionen Nutzer gewonnen hatte
2. Warum „All-in-One“ zunehmend geteilten Kontext statt einer einzigen Oberfläche bedeutet
3. Warum Anwendungsunternehmen Wert schaffen, indem sie rohe Modellfähigkeiten in benutzerfreundliche Produkte verwandeln
4. Warum Jing glaubt, dass KI-Anwendungsunternehmen letztlich eine Billionen-Dollar-Größenordnung erreichen könnten

Die folgende chinesische Adaption bewahrt diese progressive Logik und trennt gleichzeitig Gensparks eigene Kennzahlen und Prognosen von unabhängig verifizierten Fakten.

01. Nutzer suchen ständig nach besseren Werkzeugen – Stillstand ist das eigentliche Risiko

Von der Suche zur vollständigen Aufgabenerledigung

Jack Zhang: Genspark startete mit KI-Suche und hat Berichten zufolge die Marke von fünf Millionen Nutzern überschritten. Warum verlassen Sie ein Produkt, das bereits beachtliche Fortschritte erzielt hat?

Eric Jing: Meine Karriere drehte sich stets darum, Menschen mit Informationen zu verbinden. 2006 trat ich als Software-Ingenieur bei Microsoft ein und verbrachte seitdem fast zwanzig Jahre größtenteils mit suchbezogener Arbeit.

Suche scheint darum zu gehen, Menschen mit Informationen zu verbinden, aber das eigentliche Ziel der Nutzer ist selten, eine Webseite zu finden. Menschen suchen, weil sie etwas erledigen müssen.

Sie müssen vielleicht Produkte vergleichen, Präsentationen vorbereiten, Reisen planen, Berichte schreiben, Lieferanten kontaktieren oder Entscheidungen treffen. Suche ist oft nur ein Schritt innerhalb einer größeren Aufgabe.

Frühe Suchteams haben versucht, in diese Richtung zu gehen. Wir haben untersucht, wie man Bing eher wie eine Aufgaben-Engine gestalten könnte, aber die damalige Technologie war noch nicht in der Lage, den gesamten Workflow zuverlässig zu bewältigen.

ChatGPT veränderte diese Rechnung. Es zeigte, dass KI letztlich einen Großteil der repetitiven Arbeit rund um Aufgaben übernehmen könnte, sodass sich Menschen auf Urteilsvermögen und Kreativität konzentrieren können.

Genau das war Gensparks ursprüngliche Ambition: ein autonomer Agent, der Arbeit von Anfang bis Ende erledigt.

KI-Suche als pragmatischer Ausgangspunkt

Die frühen Versionen der Basismodelle waren noch nicht ausgereift genug, um diese vollständige Vision zu tragen.

Startups können nicht unbegrenzt auf die ideale Technologie warten. Sie müssen mit den verfügbaren Fähigkeiten einen echten Product-Market-Fit finden.

Vor zwei Jahren war KI-Suche eine der klarsten Gelegenheiten. Sie bot ein nützliches Produkt, ein vertrautes Nutzerverhalten und einen pragmatischen Ausgangspunkt für den Aufbau eines Unternehmens.

Jing zufolge kam der Wendepunkt, als Claude Sonnet 3.7 längere End-to-End-Agenten-Workflows deutlich machbarer machte.

Aus Unternehmenssicht war der Schritt von KI-Suche zu Agenten keine Ablehnung der ursprünglichen Ausrichtung, sondern der nächste Schritt in Richtung desselben Ziels: Nutzern zu helfen, Aufgaben zu erledigen, statt nur Informationen zu finden.

Warum es sich nicht wie das größte Risiko anfühlte, fünf Millionen Nutzer aufzugeben

Jack Zhang: Fünf Millionen Nutzer sind bereits eine beachtliche Basis. Hatte das Team Bedenken, dass eine Produktänderung die bisherigen Erfolge zerstören könnte?

Eric Jing: Transformation birgt Risiken, aber Stillstand birgt größere Risiken.

Nutzer bleiben nicht allein aus Vertrautheit einem minderwertigen Workflow treu. Wenn ein neues Werkzeug wichtige Aufgaben deutlich erleichtert, wechseln Menschen in der Regel, nachdem sie den Unterschied erlebt haben.

Die Transformation verlief relativ reibungslos, weil die Nutzer eine klare Verbesserung erhielten.

Sie mussten keine Zusammenfassungen mehr lesen und mehrere Quellen öffnen, sondern konnten direkt eine vollständige Präsentation anfordern. Statt Materialien manuell zu sammeln und in Dokumenten zu organisieren, konnten sie das gewünschte Ergebnis beschreiben und den Agenten mehr Prozesse ausführen lassen.

Für Jing ist die wichtige Lektion nicht, dass Produkttransformation an sich sicher ist, sondern dass das Versäumnis, auf bedeutende Fähigkeitsveränderungen zu reagieren, gefährlicher sein kann als die Disruption eines bestehenden Produkts.

KI-Produktzyklen sind außergewöhnlich komprimiert

Die rasche Entwicklung von Chatbots über KI-Suche und Super-Agenten bis hin zu KI-Arbeitsbereichen vollzog sich in extrem kurzer Zeit.

Jing führt diese Geschwindigkeit auf zwei Kräfte zurück.

Erstens verbessern sich die Fähigkeiten der Spitzen-KI in diskontinuierlichen Sprüngen. Traditionelle Software entwickelt sich typischerweise durch schrittweise Produktverfeinerung, während eine einzige große Modellveröffentlichung plötzlich völlig neue Produkt-Workflows ermöglichen kann.

Zweitens hat die jahrzehntelange Digitalisierung der Arbeit bereits die Datenschicht geschaffen, die KI benötigt.

Moderne Organisationen haben angesammelt:

• E-Mails
• CRM-Datensätze
• Besprechungsnotizen
• Cloud-Dokumente
• Tabellenkalkulationen
• Projektmanagement-Historien
• Kundendienst-Konversationen
• Kalender
• Interne Softwaredaten

Diese Systeme erzeugen seit Jahren Arbeitskontext.

Wenn stärkere Modelle auf diesen Kontext zugreifen können, beantworten Agenten nicht nur allgemeine Fragen. Sie können über die tatsächlichen Projekte, Kollegen, Dokumente, Historien und Ziele des Nutzers schlussfolgern.

Jing beschreibt diese Kombination als Schwungrad:

Mehr Arbeitskontext
        ↓
Agenten verstehen Aufgaben besser
        ↓
Agenten können mehr nützliche Arbeit erledigen
        ↓
Mehr Arbeit und Feedback fließen ins System
        ↓
Der Kontext wird reicher

Modelle sind wichtig, aber der Kontext entscheidet darüber, wie nützlich ein bestimmtes Modell für eine bestimmte Person oder ein bestimmtes Unternehmen ist.

02. Das „All-in-One“ der KI ist im Kern eine umfassende Kontextschicht

Die Oberfläche ist nur die erste Ebene

Jack Zhang: Sie haben integrierte Produkte befürwortet. Wie verändert sich dieses Konzept in KI-nativen Produkten?

Eric Jing: Viele erfolgreiche Produkte sind integrierte Produkte. Suche bietet einen einheitlichen Zugang zu Informationen. Smartphones bündeln zahlreiche Funktionen hinter einer einzigen Interaktionsform. WeChat vereint Kommunikation, Zahlungen, Dienste und Inhalte in einer vertrauten Umgebung.

Im KI-Zeitalter hat eine einzige Oberfläche weiterhin ihren Wert. Nutzer möchten nicht für jede Kleinigkeit ein anderes Produkt lernen.

Die wichtigere Form der Integration findet jedoch heute hinter der Oberfläche statt.

Die eigentliche Frage ist: Können alle Agenten und Werkzeuge eines Produkts auf ein konsistentes Verständnis der Arbeit des Nutzers zugreifen?

Modellintegration: das richtige Modell wählen, ohne den Nutzer entscheiden zu lassen

Jing erwartet, dass Basismodelle immer wettbewerbsfähiger und mit der Zeit zunehmend austauschbar werden.

Verschiedene Modelle mögen bei unterschiedlichen Aufgaben besser abschneiden, aber Nutzer sollten nicht gezwungen sein, bei ihrer täglichen Arbeit jeden Benchmark, jede Preisliste, jeden Kontextlimit oder jedes Architekturdetail zu verstehen.

Bei der Veranstaltung zeigte Jing eine Folie, die aufzeigte, dass Spitzenmodelle bei vielen Aufgaben bereits leistungsstark sind, die Preisunterschiede jedoch weiterhin enorm sind.

Pro- und andere Modelle sind mit Kosten (in US-Dollar) gekennzeichnet, z. B. Claude Fable mit 1810 US-Dollar und GPT-4.5 mit 1506 US-Dollar. Ganz rechts wird auch das Kostenverhältnis zu DeepSeek angezeigt, z. B. Claude Fable mit dem 46-fachen. Der Text unten betont: „Jedes Modell ist heute gut, die Kosten unterscheiden sich um das 46-fache.“ Die Grafik steht in engem Zusammenhang mit dem Kontext und veranschaulicht anschaulich die Kostendifferenzen zwischen verschiedenen Spitzenmodellen, was zeigt, dass die Modellauswahl komplex ist und Unternehmen bei der Beschaffung viele Bedenken haben.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/08/7f97e05d-435a-4e1c-a985-22bcf66717d7-5e918aa2-bb6c-496c-96a7-ccf7a17631a6.png)

Diese Folie stammt aus einer Unternehmenspräsentation und ist kein unabhängiger Benchmark-Test. Ihr Zweck ist es, ein Problem auf Produktebene zu verdeutlichen: Die Modellauswahl ist für die meisten Nutzer und viele Unternehmen inzwischen zu komplex geworden.

Jing Xian-dong erinnerte an eine anonyme Abstimmung bei einer Veranstaltung von Microsofts CEO, bei der Führungskräfte angeblich zwei wiederkehrende Bedenken nannten:

• Sie wussten nicht, welchen Modellanbieter sie wählen sollten.
• Sie befürchteten, dass Mitarbeiter teure KI-Dienste nach der Beschaffung möglicherweise nicht nutzen würden.

Die Anwendungsebene kann beide Probleme lösen.

Sie kann Aufgaben basierend auf folgenden Faktoren auf verschiedene Modelle verteilen:

• Fähigkeiten
• Kosten
• Geschwindigkeit
• Modalitäten
• Kontextlänge
• Zuverlässigkeit
• Unternehmensrichtlinien

Nutzer beschreiben ihre Arbeit, die Plattform entscheidet, welches Modell oder welche Modellkombination die Aufgabe übernehmen soll.

Kontextintegration: Schluss mit Kopieren zwischen Anwendungen

Die zweite Ebene ist wichtiger als die Modell-Routing.

Die Daten von Wissensarbeitern sind über zahlreiche Dienste verteilt. Nutzer müssen möglicherweise Informationen aus E-Mails in Dokumente kopieren, Daten aus Tabellenkalkulationen extrahieren, Entscheidungen aus Besprechungsnotizen wiederherstellen und dann den Kontext an mehrere KI-Tools weitergeben.

Eine gemeinsame Kontextebene reduziert diese Doppelarbeit.

Die offiziell von Genspark veröffentlichte Architektur von AI Workspace 6.0 veranschaulicht dieses Konzept durch vier Ebenen:

• SecondBrain als Gedächtnisebene
• Super Agent als intelligente Engine
• Build-, Office- und Content-Suites als Ausführungswerkzeuge
• GenTeam als Kollaborationsebene

Das Designziel von SecondBrain ist es, Material aus E-Mails, Besprechungen, Chats, Dokumenten, Anwendungen sowie Genspark-Projekten an einem Ort zusammenzuführen.

Die erwartete Erfahrung ist nicht einfach „viele KI-Tools in einer Website zu bündeln“, sondern eine einheitliche Arbeitsumgebung, in der die Tools genügend Kontext teilen, um ein konsistentes Verhalten zu gewährleisten.

Eine neue Definition von „All-in-One“

Die alte Definition von All-in-One war:

Eine Anwendung
+ viele Funktionen
+ eine Oberfläche

Die aktualisierte KI-native Definition kommt eher dem Folgenden nahe:

Viele Arbeitsoberflächen
+ viele Modelle und Agenten
+ ein kontinuierlich geteilter Kontext
+ eine Orchestrierungsebene

Nutzer können weiterhin in vertrauter Software arbeiten, anstatt häufig eine zentrale Seite aufzusuchen.

Jings Restaurant-Analogie ist hier aufschlussreich.

Das alte Softwaremodell verlangte vom Nutzer, ins Restaurant zu kommen. Das KI-native Modell kann das Restaurant zum Nutzer bringen oder das Essen direkt nach Hause liefern.

Agenten können in E-Mails, Office-Dokumenten, Desktop-Clients oder anderen vertrauten Oberflächen erscheinen und gleichzeitig nützlichen Kontext zurück in das gemeinsame System schreiben.

Von HTML-Folien zu GenOffice

Gensparks Folienprodukt zeigt, wie Nutzerfeedback das Unternehmen von einem einzelnen Format zu einer breiteren Plattform geführt hat.

Das Unternehmen erzeugte zunächst KI-Präsentationen im HTML-Format.

Kritiker argumentierten, dass ernsthafte Geschäftsanwender PowerPoint-Dateien erwarten, nicht Web-Folien.

Genspark sah HTML als natürliches Ausgabeformat für Sprachmodelle, da sich Inhalte und Layout relativ flexibel kombinieren lassen.

Einige Nutzer akzeptierten das Online-Format für interne Kommunikation, insbesondere wenn sie schnelles Bearbeiten und Teilen höher schätzten als native Dateien.

Danach entwickelte sich das Produkt wie folgt:

1. Genspark erstellte einen HTML-Foliengenerator.
2. Nutzer forderten einen Online-Editor.
3. Nutzer wollten weiterhin in vertrauter lokaler Office-Software bearbeiten.
4. Genspark entwickelte Office-Plugins.
5. Nutzer berichteten, dass die Wartung der Plugins langsam und teuer sein kann.
6. Das Team baute eine native Desktop-Office-Suite.

Diese Suite wurde schließlich zu GenOffice.

Nach offiziellen Angaben von Genspark ist es ein Alpha-Produkt, das folgende Funktionen abdeckt:

• Dokumente (Docs)
• Tabellen (Sheets)
• Folien (Slides)
• PDF

Die grundlegenden Office-Funktionen sind kostenlos und werbefrei. KI-Funktionen nutzen Genspark-Credits.

Das offizielle GitHub-Repository ist überwiegend unter der Apache-2.0-Lizenz lizenziert und enthält eine separate Ausnahme für zukünftige Unternehmensverzeichnisse. Das Repository umfasst Electron-Apps für macOS und Windows, eine gemeinsame Dokument-Engine, den Agentenkern, Dateiparser und eine Abstraktionsebene für Modellanbieter.

Genspark gibt an, dass die erste Alpha-Version von einem einzelnen Ingenieur in einer Woche mit Modell-Tokens im Wert von etwa 10.000 US-Dollar gebaut wurde. Dies ist eine vom Unternehmen selbst geschilderte Entwicklungsgeschichte, kein unabhängig geprüfter Engineering-Benchmark.

Der Ausgangspunkt des E-Mail-Clients ist ein persönlicher Schmerzpunkt

Gensparks E-Mail-Arbeit folgt einem ähnlichen Weg.

Jing nutzt E-Mails intensiv und hat oft Schwierigkeiten, die genaue Nachricht, Anlage oder Entscheidung wiederzufinden, die er zur Erledigung einer Aufgabe benötigt.

Das Produktproblem wurde daher zu: Da ein Agent innerhalb des E-Mail-Clients existieren und die Kommunikation direkt verstehen kann, warum sollte man ihn neben der E-Mail platzieren?

Während der Vorbereitung der Veranstaltung sagte Jing, er habe den E-Mail-Agenten genutzt, um:

• seine frühere Kommunikation mit GeekPark zu überblicken
• den vollständigen Zeitplan zu rekonstruieren
• Informationen aus beigefügten PDFs zu extrahieren
• die Veranstaltung zum Kalender hinzuzufügen
• Folge­nachrichten in einem Stil zu entwerfen, der seinem ähnelt

Einzeln betrachtet sind das kleine Aufgaben, aber zusammen repräsentieren sie einen recht bedeutenden Teil der täglichen Wissensarbeit.

Wenn ein Produkt tief genug in echte Arbeitsabläufe eindringt und diese Details sieht, ergeben sich Chancen.

Zwei Produktprinzipien von Genspark

Jing fasst die Produktphilosophie des Unternehmens in zwei Regeln zusammen.

1. Produkte entwickeln, die das Team wirklich gerne nutzt

Das Team sollte sein erster ernsthafter Kunde sein.

Mitarbeiter müssen sich ehrlich fragen, ob das Produkt ihre Arbeitsprobleme tatsächlich löst, anstatt anzunehmen, dass andere eine Erfahrung akzeptieren, die man selbst nicht nutzen möchte.

2. Suche nach den gemeinsamen Schmerzpunkten vieler ähnlicher Nutzer

Nur wenn genügend andere Menschen dasselbe Problem haben, kann sich eine persönliche Schwierigkeit in eine Geschäftsmöglichkeit verwandeln.

Daher lautet die Entwicklungslogik:

Probleme lösen, die das Team wirklich erlebt
        ↓
Das Produkt in der tatsächlichen Arbeit einsetzen
        ↓
Wiederkehrendes externes Feedback anhören
        ↓
Erst wenn der Bedarf real existiert, den Arbeitsablauf erweitern

03. Der Wert von KI-Produkten liegt in der Übersetzungsschicht, nicht nur im Modell

Die meisten Menschen nutzen noch keine fortgeschrittenen Agenten

Anschließend verlagerte sich die Diskussion von der Frage, was Spitzensysteme können, hin zu der Frage, wie viele Menschen sie tatsächlich nutzen.

Jing zeigte eine illustrative Folie, auf der jeder Punkt etwa 3,2 Millionen Menschen repräsentiert. Die meisten Punkte standen für Menschen, die KI nie genutzt haben; ein kleinerer Teil hatte kostenlose Chatbots verwendet; noch weniger zahlten für KI; und nur sehr wenige nutzten fortgeschrittene Agenten.

Diese Visualisierung sollte als Konferenzillustration verstanden werden, nicht als präzise Volkszählung der weltweiten KI-Nutzung.

Ihre Produktbotschaft ist klar:

Die Geschwindigkeit der technologischen Entwicklung kann die Geschwindigkeit der Nutzerakzeptanz bei weitem übertreffen.

Ein Unternehmen, das nur Expertennutzer bedient, könnte leistungsstarke Produkte entwickeln, die jedoch die große Masse der Nutzer nicht erreichen, die sich mit Agentenkonfiguration, Modellauswahl, Token-Budgets oder komplexen Workflows nicht auskennen.

Dorthin gehen, wo Nutzer bereits arbeiten

Jing ist der Ansicht, dass KI-Unternehmen die Lernlast der Nutzer verringern sollten, anstatt zu erwarten, dass jeder zum KI-Experten wird.

Dienste sollten an Orten erscheinen, die den Nutzern vertraut sind:

• E-Mail
• Dokumente
• Tabellenkalkulationen
• Präsentationen
• Desktop-Anwendungen
• Team-Chats

Das verbessert auch das Verständnis des Produkts für seine Nutzer.

Wenn ein Agent in tatsächliche Arbeitsabläufe eingebunden ist, lernt er aus dem umgebenden Kontext, statt nur einmalige Eingabeaufforderungen zu erhalten.

Programmier-Agenten sind Supersportwagen, Mainstream-Produkte sollten wie autonomes Fahren sein

Jing verglich Programmier-Agenten mit Hochleistungssportwagen.

Sie sind in den Händen von Entwicklern und Forschern äußerst leistungsfähig, aber die Nutzer müssen wissen, wie man sie bedient.

Genspark möchte ähnliche Kernfähigkeiten in einer Form anbieten, die eher dem autonomen Fahren entspricht:

• Nutzer müssen nicht jedes Modell manuell auswählen.
• Agenten sollten in der Cloud laufen, statt vollständig auf lokale Rechenleistung angewiesen zu sein.
• Werkzeuge sollten automatisch orchestriert werden.
• Die Oberfläche sollte unnötige Komplexität verbergen.
• Nutzer sollten sich auf die gewünschten Ergebnisse konzentrieren.

Das ist die „Übersetzungsschicht“.

Sie liegt zwischen den zugrunde liegenden Modellfähigkeiten und den Menschen, die versuchen, Arbeit zu erledigen.

Diese Schicht ist für die Umwandlung verantwortlich:

• Modellstärken in Aufgaben-Routing
• APIs in verständliche Funktionen
• Werkzeugaufrufe in vollständige Arbeitsabläufe
• Unstrukturierten Kontext in nützliche Handlungen
• Technischen Fortschritt in benutzerfreundliche Erlebnisse

Sind Agentenunternehmen nur Wiederverkäufer von Tokens?

Jack Zhang: Genspark hat einen öffentlich bekannten ARR von über 250 Millionen US-Dollar. Kritiker argumentieren manchmal, dass Agentenunternehmen zu einer dünnen Vertriebsschicht verkommen, die nur Modell-Tokens weiterverkauft. Wie antwortest du darauf?

Jing: Wir definieren Genspark nicht als „Agentenunternehmen“. Es begann als Suchprodukt, wird heute als Agenten- oder Arbeitsbereichsprodukt beschrieben und wird sich mit der Weiterentwicklung der Produktform weiter verändern.

Eine nützlichere Definition ist: ein KI-Unternehmen, das rund um einen integrierten Kontext aufgebaut ist.

Jing widerspricht auch der Ansicht, dass Vertrieb von Natur aus geringwertig sei.

Viele große Softwareunternehmen erzielen einen erheblichen Teil ihrer Einnahmen über Kanäle und Vertrieb. Kunden zu erreichen, Produkte in Arbeitsabläufe zu integrieren und komplexe Technologien leicht kauf- und nutzbar zu machen – das kann selbst ein Burggraben sein.

Die Restaurant-Analogie

Jing verwendete einen Vergleich aus der Gastronomie:

• Basismodell-Labore sind wie Rohstofflieferanten.
• Spezialisierte Programmierprodukte ähneln gehobenen Restaurants, die sich auf eine einzelne Küche konzentrieren.
• Routing-Plattformen sind wie Großhändler.
• Genspark möchte ein praktisches Kettenrestaurant sein, das verschiedene Zutaten in für Kunden passende Mahlzeiten verwandelt.

Das Modell ist nur eine der Zutaten.

Anwendungsunternehmen schaffen Wert durch:

• Produktdesign
• Kontextintegration
• Werkzeuge
• Orchestrierung
• Dateisysteme
• Vertrieb
• Support
• Workflow-Wissen
• Nutzer-

erlebnis

Jing verglich diesen Anspruch mit der Rolle von Apple im Hardware-Bereich. Apple bezieht viele Komponenten, aber Nutzer beschreiben das Unternehmen nicht nur als Distributor von Chips und Displays, weil die Integration das letztendliche Produkterlebnis schafft.

Genspark möchte oberhalb der Modellebene eine ähnliche Form der Integration anstreben.

04. Das KI-Zeitalter könnte App-Unternehmen mit Billionen-Dollar-Bewertung hervorbringen

Globale Produkte brauchen gemeinsame Grundlagen und lokalisierte Prioritäten

Genspark betrachtet die USA, Südkorea, Japan, Frankreich, Indien und Brasilien als wichtige Märkte.

Jing sagt, das Unternehmen untersuche lokale Unterschiede, versuche aber, sie auf gemeinsame menschliche Bedürfnisse zu abstrahieren.

Im Gespräch wurden folgende Beispiele genannt:

• Finanzintensive Nutzer in New York arbeiten intensiv mit Tabellenkalkulationen.
• Japanische Nutzer verlassen sich häufig auf Präsentationen und lange Pendelzeiten.
• Südkorea hat eine ausgeprägte Designkultur und eine sehr hohe Nutzungsfrequenz kreativer Werkzeuge.

Die sichtbaren Verhaltensweisen unterscheiden sich, aber in jedem Markt müssen Menschen kommunizieren, Informationen analysieren, Dokumente vorbereiten und repetitive Arbeiten erledigen.

Ein Produkt kann Funktionsprioritäten anpassen, ohne in jedem Land ein völlig anderes System zu werden.

Auch wenn das Produkt global ist, kann der Vertrieb lokal sein

Genspark hat auch lokalisierte Vermarktung ausprobiert.

Jing erwähnte Werbeanzeigen in der New Yorker U-Bahn – Passagiere verbringen dort oft Zeit ohne zuverlässiges Mobilfunknetz und nehmen daher physische Werbung wahr.

Das zugrunde liegende Produkt bleibt global, während die Vertriebsstrategie auf die lokale Umgebung reagiert.

Das spiegelt Jings Erfahrung im Suchbereich wider.

Suchprodukte können der breiten Masse dienen, ohne einzelne Nutzer persönlich zu kennen, weil sie Anfragen auf eine allgemeine Frage abstrahieren: Bedürfnisse mit relevanten Informationen abgleichen.

Ein globaler KI-Arbeitsbereich muss ebenfalls Unterschiede erkennen, ohne die gemeinsame Struktur darunter zu verlieren.

Können App-Unternehmen die Billionen-Dollar-Marke erreichen?

Jing glaubt weiterhin, dass das KI-Zeitalter ein App-Unternehmen mit einer Billionen-Dollar-Bewertung hervorbringen kann, obwohl er wiederholt betont, dass die meisten Startups scheitern werden.

Sein Argument stützt sich auf drei Annahmen.

1. Modellkosten werden weiter sinken

Jing prognostiziert, dass die Nutzungskosten für Modelle mit heutigem Leistungsniveau innerhalb von zwei Jahren auf etwa 1 % fallen könnten.

Das ist eine vorausschauende Unternehmensprognose, kein etabliertes Branchenergebnis.

Die allgemeine Richtung – sinkende Inferenzkosten bei festem Leistungsniveau – ist plausibel und in Teilen des Marktes bereits sichtbar, aber die genaue 1-%-Zahl ist unsicher.

2. Das Modellangebot wird wettbewerbsintensiver

Mit der Verbesserung geschlossener und offener Modelle haben Unternehmen bei vielen Aufgaben möglicherweise mehr Alternativen zur Auswahl.

Die Modellebene bleibt entscheidend, aber wenn mehrere Anbieter vergleichbare Ergebnisse liefern, könnte ihre Ökonomie eher wie ein Massengut werden.

3. Mehr Wert kann auf die Produktebene verlagert werden

Wenn ein App-Unternehmen kombinieren kann:

• mehrere Modelle
• mehrere Modalitäten
• kontinuierlichen Nutzerkontext
• Vertrieb
• Workflow-Ausführung
• Unternehmenskontrolle

dann könnte es eine dauerhaftere Beziehung zu Nutzern aufbauen als jede einzelne Modellveröffentlichung.

Das System würde zunehmend

nützlicher, weil jede abgeschlossene Aufgabe Kontext schafft, der die nächste Aufgabe verbessert.

Der zukünftige Arbeitstag: Genehmigen oder Zurückweisen

Jings langfristige Vision ist, dass Agenten den Großteil repetitiver Arbeit im Voraus erledigen.

Der menschliche Arbeitstag wird eher überwachend.

Nutzer führen nicht mehr jeden Schritt manuell aus, sondern treffen hauptsächlich Entscheidungen:

Genehmigen und ausführen
oder
Zurückweisen und überarbeiten

Das ist für die meisten Organisationen noch nicht die Realität. Es ist der Zielzustand, auf den Genspark hinarbeitet.

Unternehmens-KI bewegt sich von Token-Expansion zu Token-Optimierung

Bevor er die Frage nach dem Alter der Gründer beantwortete, fügte Jing eine Beobachtung zur Unternehmens-KI hinzu.

Unternehmensdiskussionen verlagern sich von „mehr nut

„Tokens“ hin zu „effizienterer Nutzung von Tokens“.

Unternehmen achten zunehmend auf:

• Kosten pro erledigter Aufgabe
• Modell-Routing
• Einsatz von Open-Source-Modellen
• Vermeidung von Single-Vendor-Abhängigkeit
• Mitarbeiterakzeptanz
• Sicherheit und Kontrolle
• Return on Investment

Wenn sich Leistungsfähigkeit und Preise schnell ändern können, wollen nur wenige Unternehmen alle Workflows auf ein einziges Modell stützen.

Jing erwartet, dass Open-Source- und Closed-Source-Modelle in Unternehmenssystemen koexistieren werden, wobei Produktplattformen je nach Qualität und Kosten zwischen beiden wählen.

Das Alter der Gründer ist weniger wichtig als offene Denkweise

Die letzte Frage betrifft die Vorliebe einiger Investoren für sehr junge KI-Gründer.

Jing betrachtet das biologische Alter nicht als Hauptkriterium.

Er ist der Ansicht, dass Erfahrung zum Nachteil werden kann, wenn sie zu einem Filter erstarrt, der alle ungewohnten Ideen ablehnt. Wer jedoch offen bleibt, energiegeladen ist und sich direkt mit neuen Technologien auseinandersetzen möchte, kann außergewöhnlich effektiv sein.

Daher sucht Genspark nach:

• Offenheit
• Eigeninitiative
• Handlungsgeschwindigkeit
• Neugier
• Bereitschaft, neu zu lernen
• Nützlicher Branchenerfahrung

Die stärkste Kombination ist nicht einfach nur Jugend. Sondern tiefe Erfahrung gepaart mit einem offenen Geist.

Zentrale Erkenntnisse aus dem Gespräch

Dieses Interview lässt sich auf einige Produktprinzipien reduzieren, ohne seine Kernaussage zu verlieren.

1. Von bestehenden Fähigkeiten ausgehen, aber die größere Mission im Blick behalten

Genspark startete zunächst mit KI-Suche, weil dies damals praktikabel war. Als die Modellfähigkeiten einen vollständigeren Agenten ermöglichten, wechselte das Unternehmen.

2. Der Kern der Integration liegt im gemeinsamen Kontext

Viele Tools in einer Oberfläche zu bündeln ist nützlich. Diese Tools dieselben E-Mails, Meetings, Dokumente, Entscheidungen und Präferenzen verstehen zu lassen, ist weitaus mächtiger.

3. Nutzer müssen keine Modellexperten sein

Die Plattform sollte Aufgaben basierend auf Leistung, Kosten und Richtlinien routen und gleichzeitig einen leicht verständlichen Workflow präsentieren.

4. Die Anwendungsebene kann dauerhaften Wert schaffen

Kontext, Orchestrierung, Workflow-Design, Distribution, Dateiverarbeitung und Produkterlebnis sind keine triviale Schicht über den Modellen.

5. In realer Arbeit bauen

Die besten Chancen zeigen sich oft erst, wenn das Tool in die tatsächlichen E-Mails, Dokumente, Präsentationen, Tabellenkalkulationen oder Team-Workflows der Nutzer gelangt.

6. Kosten als Produktfunktion behandeln

Ein leistungsfähiges KI-System sollte nicht nur Aufgaben erledigen. Es sollte auch einen wirtschaftlich sinnvollen Weg wählen, um sie zu erledigen.

Häufig gestellte Fragen

Was ist Genspark?

Genspark ist ein All-in-One-KI-Arbeitsbereich, der sich aus einem KI-Suchprodukt zu einer Plattform entwickelt hat, die Super-Agenten, Gedächtnis, Büro Tools, Content-Erstellung, App-Entwicklung und Team-Kollaboration vereint. Die offizielle Workspace-6.0-Architektur umfasst SecondBrain, Super Agent, mehrere Arbeitssuiten und GenTeam.

Warum hat Genspark die KI-Suche aufgegeben?

Eric Jing erklärte, dass die Suche ein pragmatischer Einstieg war, als Basismodelle vollständige Workflows noch nicht zuverlässig ausführen konnten. Als leistungsfähigere Modelle End-to-End-Agenten praktikabler machten, erweiterte Genspark seinen Fokus von der Informationssuche auf die Unterstützung bei vollständigen Aufgaben.

Was bedeutet „integrierter Kontext“?

Das bedeutet, dass E-Mails, Meetings, Dokumente, Projekte, Präferenzen und frühere Arbeiten in einer persistenten Kontextebene zusammenfließen, die von mehreren Tools und Agenten genutzt werden kann. Ziel ist es, dass Nutzer nicht in jeder Anwendung denselben Hintergrund wiederholen müssen.

Nutzt Genspark nur ein einziges KI-Modell?

Nein. Genspark beschreibt sein Produkt als Orchestrierung mehrerer Modelle und Tools, wobei je nach Aufgabe Komponenten ausgewählt werden. Die tatsächlich verwendete Modellpalette ändert sich, wenn Anbieter neue Systeme veröffentlichen.

Was ist GenOffice?

GenOffice ist die Open-Source-Alpha-Office-Suite von Genspark für macOS und Windows. Sie umfasst Dokument-, Tabellenkalkulations-, Präsentations- und PDF-Anwendungen und integriert Genspark-KI-Funktionen in die Editoren.

Ist GenOffice vollständig kostenlos?

Genspark gibt an, dass die Kern-Office-Suite kostenlos, werbefrei und ohne Wasserzeichen ist. KI-gestützte Recherche-, Generierungs- und Analysefunktionen nutzen Genspark-Guthaben, und das Repository enthält separate Lizenzausnahmen für zukünftige Unternehmensangebote.

Ist die 250-Millionen-Dollar-ARR von Genspark unabhängig geprüft?

Die Zahl wurde im Interview genannt und erscheint in Unternehmensinterviews sowie externen Berichten. Solange keine geprüften Finanzberichte veröffentlicht werden, sollte sie als vom Unternehmen berichteter jährlich wiederkehrender Umsatz beschrieben werden.

Warum glaubt Eric Jing, dass KI-Anwendungsunternehmen einen Wert von 1 Billion Dollar erreichen könnten?

Sein Argument ist, dass Modellkosten weiter sinken werden, während der Wert zu Unternehmen wandert, die mehrere Modelle integrieren, gemeinsamen Arbeitskontext bewahren, Nutzer über vertraute Workflows erreichen und einen erheblichen Anteil alltäglicher Arbeit automatisieren können. Das Billionen-Dollar-Ergebnis ist eine Vision und Prognose, kein garantiertes Marktergebnis.

Verwandte Tools

• Genspark AI Workspace: Der zentrale All-in-One-Arbeitsbereich von Genspark für Agenten, Gedächtnis, Büro, Kreativität und Kollaboration.
• GenOffice: Offizielle Download-Seite der Open-Source-Desktop-Office-Suite von Genspark.
• GenOffice GitHub-Repository: Quellcode, Releases, Entwicklerbefehle, Architekturbeschreibung, Lizenz und Beitragsrichtlinien.
• Genspark Super Agent: Die No-Code-Agent-Ebene von Genspark für Recherche, Content-Erstellung, Anrufe und mehrstufige Arbeiten.
• GenTeam: Die Kollaborationsebene von Genspark für die Zusammenarbeit zwischen Menschen und KI-Agenten in gemeinsam genutzten Konversationen.
• OpenRouter: Ein Multi-Modell-API-Routing-Dienst, wie in der Interview-Analogie zur Distributionsebene referenziert.

Verwandte Links

• Genspark AI Workspace 6.0: Offizielle Einführung von Genspark zu SecondBrain, Super Agent, Arbeitssuiten und GenTeam.
• GenOffice-Ankündigung: Offizielle Details zur Alpha-Version, unterstützten Anwendungen, Preismodellen und Open-Source-Veröffentlichung.
• GenOffice GitHub-Repository: Das offizielle Repository für die macOS- und Windows-Office-Suite.
• OpenAI-Kundenfallstudie zu Genspark: Hintergrund zu Gensparks Wandel von der Suche zum Super Agent und zur Nutzung multimodaler Modelle und Tools.
• GenOffice-Downloadseite: Offizielle Mac- und Windows-Downloads sowie Produktinformationen.
• Genspark-Blog: Offizielle Produktankündigungen und Updates des Unternehmens.
• Artificial Analysis: Unabhängige Analyse von Modellleistung, Geschwindigkeit und Preisen – nützlich zur Bewertung des im Interview diskutierten Modell-Routings.

Zusammenfassung

Eric Jings zentrale These lautet, dass die wichtigste Form der KI-Integration nicht länger darin besteht, schlicht viele Tools in eine Anwendung zu packen. Die tiefere Chance liegt darin, einen persistenten, einheitlichen Arbeitskontext aufzubauen, der mehrere Modelle, Agenten und Oberflächen unterstützt.

Gensparks Entwicklungsweg von der Suche zum Super Agent, Workspace 6.0, GenMail, SecondBrain und GenOffice ist genau der Beleg für diese These.

Jede Produktoberfläche bietet dem System einen weiteren Ort, an dem Arbeit erledigt werden kann, sowie eine weitere Quelle für Kontext – vorausgesetzt, die Daten werden im Rahmen angemessener Nutzerkontrolle, Datenschutz- und Unternehmensführungsstrukturen verarbeitet.

Die Umsatzzahlen des Unternehmens, Kostenvergleiche sowie Prognosen zur künftigen Wirtschaftlichkeit des Modells stellen weiterhin Unternehmensangaben oder zukunftsgerichtete Aussagen dar. Die Produktstrategie ist jedoch klar: Modellkomplexität unsichtbar machen, Nutzer in vertrauten Arbeitsabläufen abholen und durch Orchestrierung, Kontext und Verteilung Wert schaffen.

Aus Sicht von Genspark wird das erfolgreiche Allzweck-KI-Produkt nicht das mit den meisten Schaltflächen sein, sondern dasjenige, das den relevanten Kontext am besten versteht und ihn in tatsächlich erledigte Arbeit umwandelt.