Le PDG de Genspark, Eric Jing, explique pourquoi le véritable avantage de l'IA réside dans le contexte partagé
Genspark a présenté un nouveau produit et une thèse plus large sur l'avenir des applications d'IA lors de la conférence AGI Playground 2026 à Singapour. Ce produit est GenOffice, un logiciel open-source...
Genspark CEO Eric Jing explique pourquoi le véritable avantage global de l'IA réside dans le contexte partagé
Introduction
Genspark a fait une apparition remarquée au salon AGI Playground 2026 à Singapour, apportant non seulement un nouveau produit, mais aussi une thèse plus large sur l'orientation future des applications d'IA.
Le produit est GenOffice, une suite bureautique open source pour Windows et macOS, prenant en charge les documents, les feuilles de calcul, les présentations et les PDF. Genspark affirme que la version Alpha a été développée par un seul ingénieur en une semaine, en utilisant environ 10 000 dollars de tokens de modèles.
La thèse plus large provient de la conversation entre Eric Jing, cofondateur et CEO de Genspark, et Jack Zhang, fondateur et CEO de GeekPark.
Genspark a d'abord été un produit de recherche IA, puis s'est transformé en Super Agent polyvalent, avant de s'étendre pour devenir un espace de travail IA intégrant mémoire, agents, création de contenu, outils bureautiques et fonctions de collaboration.
L'argument central de Jing est le suivant : la valeur durable des produits IA tout-en-un ne provient pas simplement de l'intégration de nombreuses fonctionnalités dans une seule interface, mais de la réunion du contexte de travail de l'utilisateur, permettant à différents modèles et agents de comprendre ce que l'utilisateur souhaite accomplir, sans avoir à redemander sans cesse les mêmes informations contextuelles.
La conversation s'articule autour de quatre thèmes :
- Pourquoi Genspark a quitté le domaine de la recherche IA après avoir dépassé les cinq millions d'utilisateurs
- Pourquoi le « tout-en-un » signifie de plus en plus un contexte partagé plutôt qu'une interface unique
- Pourquoi les entreprises d'applications créent de la valeur en transformant les capacités brutes des modèles en produits faciles à utiliser
- Pourquoi Jing croit que les entreprises d'applications IA pourraient finalement atteindre une échelle de mille milliards de dollars
L'adaptation chinoise suivante préserve cette logique progressive, tout en distinguant les propres indicateurs et prévisions de Genspark des faits vérifiés de manière indépendante.
01. Les utilisateurs continueront de chercher de meilleurs outils — l'immobilisme est le vrai risque
De la recherche à l'accomplissement complet des tâches
Jack Zhang : Genspark a commencé avec la recherche IA, et selon les rapports, a dépassé les cinq millions d'utilisateurs. Pourquoi quitter un produit qui avait déjà obtenu des progrès significatifs ?
Eric Jing : Ma carrière a toujours tourné autour de la connexion entre les personnes et l'information. J'ai rejoint Microsoft en 2006 en tant qu'ingénieur logiciel, et j'ai consacré près de vingt ans de ma vie au travail lié à la recherche.
La recherche semble consister à mettre en correspondance les personnes et les informations, mais le véritable objectif de l'utilisateur est rarement de trouver une page web. Les gens effectuent des recherches parce qu'ils ont besoin d'accomplir quelque chose.
Ils peuvent avoir besoin de comparer des produits, de préparer des présentations, de planifier des voyages, de rédiger des rapports, de contacter des fournisseurs ou de prendre des décisions. La recherche n'est souvent qu'une étape dans une tâche plus vaste.
Les premières équipes de recherche ont tenté d'avancer dans cette direction. Nous avons exploré l'idée de faire de Bing un moteur de tâches, mais la technologie de l'époque ne pouvait pas encore exécuter de manière fiable l'ensemble du flux de travail.
ChatGPT a changé cette équation. Il a montré que l'IA pourrait finalement traiter une grande partie du travail répétitif autour des tâches, laissant les personnes se concentrer sur le jugement et la création.
C'était précisément l'ambition initiale de Genspark : un agent autonome capable de mener à bien un travail de bout en bout.
La recherche IA est un point de départ pragmatique
Les premières versions des modèles sous-jacents n'étaient pas encore suffisantes pour soutenir cette vision complète.
Une startup ne peut pas attendre indéfiniment l'arrivée de la technologie idéale. Elle doit utiliser les capacités disponibles pour trouver une véritable adéquation produit-marché.
Il y a deux ans, la recherche IA était l'une des opportunités les plus claires. Elle offrait un produit utile, un comportement utilisateur familier, et un point de départ pragmatique pour construire une entreprise.
Jing indique que le point de bascule est survenu lorsque Claude Sonnet 3.7 a rendu les flux de travail d'agents de bout en bout plus longs nettement plus viables.
Du point de vue de l'entreprise, passer de la recherche IA aux agents ne constitue pas une négation de son orientation initiale, mais plutôt une étape suivante vers le même objectif : aider les utilisateurs à accomplir des tâches, pas seulement à trouver des informations.
Pourquoi abandonner cinq millions d'utilisateurs ne semble pas être le plus grand risque
Jack Zhang : Cinq millions d'utilisateurs constituent déjà une base considérable. L'équipe craignait-elle que la modification du produit ne détruise les acquis ?
Eric Jing : La transition comporte des risques, mais rester immobile est encore plus risqué.
Les utilisateurs ne restent pas fidèles à un flux de travail médiocre simplement par habitude. Lorsqu'un nouvel outil facilite considérablement les tâches importantes, les gens migrent généralement après avoir expérimenté la différence.
La transition a été relativement fluide car les utilisateurs ont bénéficié d'une mise à niveau évidente.
Au lieu de lire des résumés et d'ouvrir plusieurs sources, ils peuvent désormais demander directement une présentation complète. Au lieu de collecter manuellement des documents et de les organiser, ils peuvent décrire le résultat souhaité et laisser l'agent exécuter davantage de processus.
Pour Jing, la leçon importante n'est pas que la transformation d'un produit est sûre en soi, mais que ne pas réagir aux changements majeurs de capacités peut être plus dangereux que de bouleverser un produit existant.
Le cycle des produits IA est exceptionnellement compressé
L'évolution rapide des chatbots à la recherche IA, aux super agents et aux espaces de travail IA s'est produite en très peu de temps.
Jing attribue cette vitesse à deux forces.
Premièrement, les capacités de l'IA de pointe progressent par bonds discontinus. Les logiciels traditionnels évoluent généralement par améliorations progressives, tandis qu'une version majeure d'un modèle peut soudainement rendre possibles des flux de travail entièrement nouveaux.
Deuxièmement, des décennies de travail numérisé ont créé la couche de données nécessaire à l'IA.
Les organisations modernes ont accumulé :
- Des courriels
- Des enregistrements CRM
- Des comptes rendus de réunions
- Des documents cloud
- Des feuilles de calcul
- Des historiques de gestion de projet
- Des conversations du service client
- Des calendriers
- Des données de logiciels internes
Ces systèmes génèrent depuis des années du contexte de travail.
Lorsque des modèles plus puissants peuvent accéder à ce contexte, les agents ne se contentent pas de répondre à des questions génériques. Ils peuvent raisonner sur les projets réels, les collègues, les documents, l'historique et les objectifs de l'utilisateur.
Jing décrit cette combinaison comme un volant d'inertie :
Plus de contexte de travail
↓
Les agents comprennent mieux les tâches
↓
Les agents accomplissent davantage de travail utile
↓
Plus de travail et de retours entrent dans le système
↓
Le contexte s'enrichit
Le modèle est important, mais c'est le contexte qui détermine l'utilité de ce modèle pour un individu ou une entreprise donnée.
02. Le « tout-en-un » de l'IA est essentiellement une couche de contexte complète
L'interface n'est que la première couche
Jack Zhang : Tu as toujours soutenu les produits intégrés. Comment cette philosophie évolue-t-elle dans les produits nativement IA ?
Eric Jing : De nombreux produits à succès sont des produits intégrés. La recherche offre un point d'entrée unique pour l'information. Les smartphones regroupent de nombreuses fonctionnalités derrière un mode d'interaction unique. WeChat intègre communication, paiement, services et contenu dans un environnement familier.
À l'ère de l'IA, une interface unique conserve de la valeur. Les utilisateurs ne veulent pas apprendre un produit différent pour chaque petite tâche.
Cependant, la forme d'intégration la plus importante se produit désormais derrière l'interface.
La vraie question est : tous les agents et outils du produit peuvent-ils accéder à une compréhension cohérente du travail de l'utilisateur ?
Intégration des modèles : choisir le bon modèle sans faire décider l'utilisateur
Eric Jing prévoit que les modèles de base deviendront de plus en plus compétitifs et de plus en plus interchangeables au fil du temps.
Différents modèles peuvent être plus performants sur différentes tâches, mais les utilisateurs ne devraient pas avoir à comprendre chaque benchmark, tableau de prix, limite de contexte ou détail d'architecture dans le cadre de leur travail quotidien.
Lors de l'événement, Jing a montré une diapositive indiquant que les modèles de pointe sont devenus puissants sur de nombreuses tâches, mais que les écarts de prix restent considérables.
Cette diapositive provient d'une présentation d'entreprise et non d'un benchmark indépendant. Son objectif est d'illustrer un problème au niveau du produit : le choix des modèles est devenu trop complexe pour la plupart des utilisateurs et de nombreuses entreprises.
Jing Xianmin a évoqué un vote anonyme lors d'un événement avec des dirigeants de Microsoft, où ceux-ci auraient souligné deux préoccupations récurrentes :
- Ils ne savent pas quel fournisseur de modèles choisir.
- Ils craignent que les employés n'adoptent pas les services d'IA coûteux après leur achat.
La couche applicative peut résoudre ces deux problèmes.
Elle peut répartir les tâches entre différents modèles en fonction de critères tels que :
- Les capacités
- Le coût
- La vitesse
- Les modalités
- La longueur du contexte
- La fiabilité
- Les politiques d'entreprise
L'utilisateur décrit son travail, et la plateforme décide quel modèle ou combinaison de modèles doit le traiter.
Intégration contextuelle : en finir avec le copier-coller entre applications
La deuxième couche est encore plus importante que le routage des modèles.
Les données des travailleurs du savoir sont dispersées dans de nombreux services. L'utilisateur peut avoir besoin de copier des informations d'un e-mail vers un document, d'extraire des données d'un tableur, de retrouver des décisions dans des comptes rendus de réunion, puis de fournir ce contexte à plusieurs outils d'IA.
Une couche de contexte partagé réduit cette duplication.
L'architecture officielle d'AI Workspace 6.0 publiée par Genspark illustre cette vision à travers quatre niveaux :
- SecondBrain comme couche mémoire
- Super Agent comme moteur intelligent
- Build, Office et Content Suites comme outils d'exécution
- GenTeam comme couche de collaboration
L'objectif de conception de SecondBrain est de rassembler des matériaux issus des e-mails, réunions, conversations, documents, applications et projets Genspark.
L'expérience attendue n'est pas simplement « regrouper de nombreux outils d'IA dans un seul site », mais un environnement de travail unifié où les outils partagent suffisamment de contexte pour maintenir une cohérence de comportement.
Une nouvelle définition du tout-en-un
L'ancienne définition du tout-en-un était :
Une application
+ De nombreuses fonctionnalités
+ Une interface
La définition actualisée, native de l'IA, se rapproche davantage de :
De nombreuses interfaces de travail
+ De nombreux modèles et agents
+ Un contexte partagé en continu
+ Une couche d'orchestration
Les utilisateurs continuent de travailler dans des logiciels familiers, plutôt que de passer fréquemment par une page centrale.
L'analogie du restaurant de Jing est ici éclairante.
L'ancien modèle logiciel exigeait que l'utilisateur se rende au restaurant. Le modèle natif de l'IA peut placer le restaurant à proximité de l'utilisateur, voire livrer le repas directement.
Les agents peuvent apparaître dans les e-mails, les documents bureautiques, les clients de bureau ou d'autres interfaces familières, tout en écrivant en retour un contexte utile dans le système partagé.
Des diapositives HTML à GenOffice
Le produit de diapositives de Genspark montre comment les retours utilisateurs ont conduit l'entreprise d'un format unique à une plateforme plus large.
L'entreprise a d'abord généré des présentations IA au format HTML.
Les critiques estimaient que les utilisateurs professionnels sérieux attendent des fichiers PowerPoint, et non des diapositives web.
Genspark considérait que le HTML était le format de sortie naturel des modèles de langage, car il permet d'associer contenu et mise en page avec une relative flexibilité.
Certains utilisateurs ont accepté ce format en ligne pour la communication interne, surtout lorsqu'ils privilégiaient la rapidité d'édition et de partage plutôt que les fichiers natifs.
L'évolution du produit s'est ensuite déroulée ainsi :
- Genspark a créé le générateur de diapositives HTML.
- Les utilisateurs ont demandé un éditeur en ligne.
- Les utilisateurs ont voulu continuer à éditer dans leurs logiciels bureautiques locaux habituels.
- Genspark a développé des plugins Office.
- Les retours utilisateurs indiquaient que la maintenance des plugins pouvait être lente et coûteuse.
- L'équipe a construit une suite bureautique native.
Cette suite est finalement devenue GenOffice.
Selon les informations officielles publiées par Genspark, il s'agit d'un produit alpha couvrant :
- Docs (documents)
- Sheets (tableurs)
- Slides (diapositives)
Les fonctions bureautiques essentielles sont gratuites et sans publicité. Les fonctionnalités d'IA utilisent des crédits Genspark.
Le dépôt GitHub officiel est principalement sous licence Apache 2.0, avec des exceptions distinctes pour l'annuaire d'entreprise à venir. Le dépôt comprend des applications Electron pour macOS et Windows, un moteur documentaire partagé, un noyau d'agent, des analyseurs de fichiers et une couche d'abstraction des fournisseurs de modèles.
Genspark indique que la première version alpha a été construite par un seul ingénieur en une semaine avec environ 10 000 $ de jetons de modèles. Il s'agit de l'histoire de développement racontée par l'entreprise elle-même, et non d'un benchmark d'ingénierie audité de manière indépendante.
Le point de départ du client e-mail : une difficulté personnelle
Le travail sur l'e-mail chez Genspark a suivi un chemin similaire.
Jing utilise intensivement l'e-mail et a souvent du mal à retrouver le message, la pièce jointe ou la décision exacts nécessaires pour accomplir une tâche.
Le problème produit devient alors : puisque l'agent peut exister à l'intérieur du client e-mail et comprendre directement les échanges, pourquoi le placer à côté de la messagerie ?
Lors de la préparation de l'événement, Jing a déclaré avoir utilisé l'agent e-mail pour :
- Revoir ses échanges précédents avec Geek Park
- Reconstituer l'emploi du temps complet
- Extraire des informations des PDF joints
- Ajouter l'événement au calendrier
- Rédiger des messages de suivi dans un style similaire au sien
Ces tâches sont individuellement mineures, mais ensemble, elles représentent une part considérable du travail de connaissance quotidien.
Lorsqu'un produit s'enfonce suffisamment profondément dans les flux de travail réels et voit ces détails, les opportunités apparaissent.
Les deux principes produit de Genspark
Jing résume la philosophie produit de l'entreprise en deux règles.
1. Créer des produits que l'équipe utilise réellement
L'équipe doit être son premier client sérieux.
Les employés doivent se demander si le produit résout vraiment leurs problèmes de travail, plutôt que de supposer que d'autres accepteront une expérience qu'ils n'utiliseraient pas eux-mêmes.
2. Trouver les points de douleur communs à de nombreux utilisateurs similaires
Ce n'est que lorsqu'un nombre suffisant d'autres personnes rencontrent le même problème qu'une préoccupation individuelle peut se transformer en opportunité commerciale.
Par conséquent, la logique de développement est la suivante :
Résoudre les problèmes réellement vécus par l'équipe
↓
Utiliser le produit dans le travail réel
↓
Écouter les retours externes récurrents
↓
N'étendre les flux de travail que lorsque le besoin est réellement confirmé
03. La valeur des produits d'IA réside dans la couche de traduction, pas seulement dans les modèles
La plupart des gens n'utilisent toujours pas les agents avancés
Ensuite, la discussion est passée de ce que les systèmes de pointe peuvent faire à combien de personnes les utiliseront réellement.
Jing a présenté une diapositive illustrative où chaque point représentait environ 3,2 millions de personnes. La plupart des points représentaient des personnes n'ayant jamais utilisé l'IA ; une plus petite partie avait utilisé des chatbots gratuits ; une portion encore plus réduite payait pour l'IA ; et seuls quelques-uns utilisaient des agents avancés.
Cette visualisation doit être comprise comme une illustration de présentation de conférence, et non comme un recensement précis de l'utilisation mondiale de l'IA.
Le message produit est clair :
Le rythme de développement technologique peut dépasser de loin le rythme d'adoption par les utilisateurs.
Une entreprise qui ne sert que des utilisateurs experts pourrait créer des produits très performants, mais incapables d'atteindre la masse plus large d'utilisateurs qui ne connaissent pas la configuration des agents, le choix des modèles, les budgets de tokens ou les flux de travail complexes.
Aller là où les utilisateurs travaillent déjà
Jing estime que les entreprises d'IA devraient réduire la charge d'apprentissage des utilisateurs, plutôt que d'attendre que chacun devienne un expert en IA.
Les services devraient apparaître là où les utilisateurs sont déjà familiers :
- E-mails
- Documents
- Tableurs
- Présentations
- Applications de bureau
- Messageries d'équipe
Cela améliore également la compréhension que le produit a de ses utilisateurs.
Lorsqu'un agent participe à des flux de travail réels, il apprend du contexte environnant, au lieu de ne recevoir que des requêtes ponctuelles.
Les agents de programmation sont des supercars ; les produits grand public devraient être comme la conduite autonome
Jing compare les agents de programmation à des voitures de sport haute performance.
Ils sont extrêmement puissants entre les mains des développeurs et des chercheurs, mais les utilisateurs doivent savoir comment les piloter.
Genspark souhaite offrir des capacités similaires sous une forme plus proche de la conduite autonome :
- L'utilisateur n'a pas besoin de sélectionner manuellement chaque modèle.
- Les agents devraient fonctionner dans le cloud, plutôt que de dépendre entièrement de la puissance de calcul locale.
- Les outils devraient être orchestrés automatiquement.
- L'interface devrait masquer la complexité inutile.
- L'utilisateur devrait se concentrer sur le résultat qu'il souhaite atteindre.
C'est la « couche de traduction ».
Elle se situe entre les capacités des modèles sous-jacents et les personnes qui tentent d'accomplir un travail.
Cette couche est responsable de la transformation :
- Des atouts des modèles en routage des tâches
- Des API en fonctionnalités compréhensibles
- Des appels d'outils en flux de travail complets
- Du contexte non structuré en actions utiles
- Des progrès techniques en expériences accessibles
Les sociétés d'agents ne font-elles que revendre des tokens ?
Jack Zhang : Le chiffre d'affaires annuel récurrent (ARR) publié par Genspark dépasse 250 millions de dollars. Les critiques affirment parfois que les sociétés d'agents finiront par devenir une fine couche de distribution qui revend des tokens de modèles. Comment répondez-vous à cela ?
Jing : Nous ne définissons pas Genspark comme une « société d'agents ». C'est à l'origine un produit de recherche, maintenant décrit comme un produit d'agents ou d'espace de travail, et il continuera d'évoluer avec la forme du produit.
Une définition plus utile est : une entreprise d'IA construite autour d'un contexte unifié.
Jing rejette également l'idée que la distribution est naturellement de faible valeur.
De nombreuses grandes sociétés de logiciels tirent une part importante de leurs revenus des canaux et de la distribution. Atteindre les clients, intégrer le produit dans les flux de travail, rendre une technologie complexe facile à acheter et à utiliser — tout cela peut en soi constituer une barrière concurrentielle.
L'analogie du restaurant
Jing a utilisé une comparaison avec le secteur de la restauration :
- Les laboratoires de modèles fondamentaux sont comme les fournisseurs de matières premières.
- Les produits de programmation spécialisés ressemblent à des restaurants haut de gamme axés sur une seule cuisine.
- Les plateformes de routage sont comme des grossistes.
- Genspark souhaite devenir une chaîne de restaurants pratique, qui transforme divers ingrédients en repas adaptés aux clients.
Le modèle n'est qu'un ingrédient parmi d'autres.
Les entreprises d'applications créent de la valeur grâce à :
- La conception du produit
- L'intégration du contexte
- Les outils
- L'orchestration
- Le système de fichiers
- La distribution
- Le support
- La connaissance des flux de travail
- L'expérience utilisateur
Jing compare cette ambition au rôle d'Apple dans le domaine matériel. Apple achète de nombreux composants, mais les utilisateurs ne le décrivent pas simplement comme un distributeur de puces et d'écrans, car l'intégration crée l'expérience produit finale.
Genspark souhaite poursuivre une forme d'intégration similaire au-dessus de la couche des modèles.
04. L'ère de l'IA pourrait donner naissance à des sociétés d'applications valorisées à mille milliards de dollars
Les produits mondiaux nécessitent une base commune et des priorités localisées
Genspark considère les États-Unis, la Corée du Sud, le Japon, la France, l'Inde et le Brésil comme des marchés importants.
Jing explique que l'entreprise étudie les différences locales, mais tente de les abstraire en besoins humains communs.
Les exemples mentionnés dans la conversation incluent :
- Les utilisateurs très axés sur la finance à New York utilisent massivement les tableurs.
- Les utilisateurs japonais s'appuient souvent sur les présentations et de longs trajets domicile-travail.
- La Corée du Sud possède une culture du design forte et une utilisation très fréquente d'outils créatifs.
Les comportements de surface diffèrent, mais dans chaque marché, les gens ont toujours besoin de communiquer, d'analyser des informations, de préparer des documents et d'accomplir des tâches répétitives.
Le produit peut ajuster ses priorités fonctionnelles sans devenir un système totalement différent dans chaque pays.
Même si le produit est mondial, la distribution peut être locale
Genspark a également expérimenté le marketing localisé.
Jing a mentionné des campagnes publicitaires dans le métro de New York — les passagers passent souvent du temps sans réseau mobile fiable et remarquent donc les publicités physiques.
Le produit sous-jacent reste mondial, tandis que la stratégie de distribution répond à l'environnement local.
Cela reflète l'expérience de Jing dans le domaine de la recherche.
Un produit de recherche peut servir le grand public sans connaître l'utilisateur individuel, car il abstrait la requête en une question universelle : mettre en correspondance un besoin avec des informations pertinentes.
Un espace de travail IA mondial doit également reconnaître les différences sans perdre la structure commune qui les sous-tend.
Les sociétés d'applications peuvent-elles atteindre mille milliards de dollars ?
Jing croit toujours que l'ère de l'IA peut produire une société d'applications valant mille milliards de dollars, bien qu'il répète que la plupart des startups échoueront.
Son argument repose sur trois hypothèses.
1. Le coût des modèles continuera de baisser
Jing prédit que le coût d'utilisation d'un modèle atteignant les capacités actuelles pourrait tomber à environ 1 % d'ici deux ans.
C'est une prévision prospective de l'entreprise, et non un résultat industriel établi.
La direction générale — la baisse des coûts d'inférence à niveau de capacité fixe — est raisonnable et déjà visible dans certaines parties du marché, mais le chiffre précis de 1 % reste incertain.
2. L'offre de modèles deviendra plus concurrentielle
À mesure que les modèles propriétaires et open source s'améliorent, les entreprises disposeront de davantage d'alternatives pour de nombreuses tâches.
La couche des modèles reste essentielle, mais lorsque plusieurs fournisseurs offrent des résultats comparables, son économie peut ressembler davantage à celle d'un produit de commodité.
3. Davantage de valeur peut être transférée vers la couche produit
Si une société d'applications peut combiner :
- Plusieurs modèles
- Plusieurs modalités
- Un contexte utilisateur continu
- La distribution
- L'exécution des flux de travail
- Les contrôles d'entreprise
alors elle pourra établir avec les utilisateurs une relation plus durable que celle créée par le lancement d'un modèle unique.
Ce système deviendra de plus en plus utile, car chaque tâche accomplie crée un contexte qui améliore la tâche suivante.
La journée de travail du futur : approuver ou renvoyer
La vision à long terme de Jing est que les agents traitent à l'avance la plupart des tâches répétitives.
La journée de travail de l'humain devient davantage une activité de supervision.
Au lieu d'exécuter manuellement chaque étape, l'utilisateur prend principalement des décisions :
Approuver et exécuter
ou
Renvoyer pour modification
Ce n'est pas la réalité de la plupart des organisations aujourd'hui. C'est l'état final vers lequel Genspark conçoit.
L'IA d'entreprise passe de l'expansion des tokens à l'optimisation des tokens
Avant de répondre à la question sur l'âge des fondateurs, Jing a ajouté une observation sur l'IA d'entreprise.
Les discussions en entreprise passent de « utiliser plus
Passer de « jetons » à « une utilisation plus efficace des jetons ».
Les entreprises accordent une attention croissante à :
- Le coût par tâche accomplie
- Le routage des modèles
- L'adoption de modèles open source
- La réduction de la dépendance à un fournisseur unique
- Le taux d'adoption par les employés
- La sécurité et le contrôle
- Le retour sur investissement
Lorsque les capacités et les prix peuvent évoluer rapidement, rares sont les entreprises qui souhaitent placer tous leurs flux de travail sur un seul et même modèle.
Jing prévoit que les modèles open source et les modèles propriétaires coexisteront au sein des systèmes d'entreprise, les plateformes produits choisissant entre les deux en fonction de la qualité et du coût.
L'âge du fondateur importe moins que l'ouverture d'esprit
Une dernière question concerne la préférence de certains investisseurs pour de très jeunes fondateurs d'IA.
Jing ne considère pas l'âge biologique comme un critère principal.
Selon lui, lorsque l'expérience se fige en un filtre qui rejette toute idée inconnue, elle peut devenir un inconvénient. Cependant, les personnes expérimentées qui restent ouvertes, énergiques et prêtes à s'engager directement avec les nouvelles technologies peuvent être exceptionnellement efficaces.
Par conséquent, Genspark recherche :
- L'ouverture d'esprit
- L'autonomie / la capacité d'auto-entraînement
- La rapidité d'exécution
- La curiosité
- La volonté de réapprendre
- Une expérience industrielle utile
La combinaison la plus forte n'est pas simplement la jeunesse. C'est une expérience approfondie alliée à un esprit ouvert.
Points clés du dialogue
Cet entretien peut être réduit à quelques principes produits sans perdre son argument central.
1. Partir des capacités existantes, mais garder une mission plus large
Genspark a commencé par la recherche IA, car c'était réalisable à ce moment-là. Lorsque les capacités des modèles ont rendu possible un agent plus complet, la plateforme a pivoté.
2. Le cœur de l'intégration réside dans le contexte partagé
Réunir de nombreux outils dans une seule interface est utile. Permettre à ces outils de comprendre les mêmes e-mails, réunions, documents, décisions et préférences est encore plus puissant.
3. Les utilisateurs n'ont pas besoin d'être des experts en modèles
La plateforme doit router les tâches en fonction des performances, des coûts et de la stratégie, tout en présentant un flux de travail facile à comprendre.
4. La couche applicative peut créer une valeur durable
Le contexte, l'orchestration, la conception des flux de travail, la distribution, le traitement des fichiers et l'expérience produit ne sont pas des couches triviales au-dessus des modèles.
5. Construire dans le cadre d'un travail réel
Les meilleures opportunités n'apparaissent souvent qu'une fois que l'outil est intégré aux e-mails, documents, présentations, feuilles de calcul ou flux de travail d'équipe réels des utilisateurs.
6. Considérer le coût comme une fonctionnalité produit
Un système d'IA puissant ne doit pas seulement accomplir la tâche. Il doit également choisir un chemin économiquement rationnel pour y parvenir.
FAQ
Qu'est-ce que Genspark ?
Genspark est un espace de travail IA tout-en-un, issu d'un produit de recherche IA, qui a évolué vers une plateforme combinant super-agents, mémoire, outils bureautiques, création de contenu, création d'applications et collaboration d'équipe. Son architecture officielle Workspace 6.0 comprend SecondBrain, Super Agent, plusieurs suites de travail et GenTeam.
Pourquoi Genspark a-t-il abandonné la recherche IA ?
Eric Jing a déclaré que la recherche était un point d'entrée pragmatique lorsque les modèles de fondation ne pouvaient pas encore exécuter de manière fiable des flux de travail complets. Avec des modèles plus puissants rendant les agents de bout en bout plus viables, Genspark est passé de l'aide aux utilisateurs pour trouver des informations à l'aide à la réalisation de tâches complètes.
Que signifie « contexte unifié » ?
Cela signifie que les e-mails, réunions, documents, projets, préférences et travaux antérieurs peuvent alimenter une couche de contexte persistante, utilisée par plusieurs outils et agents. L'objectif est d'éviter aux utilisateurs de ressaisir le même contexte dans chaque application.
Genspark n'utilise-t-il qu'un seul modèle d'IA ?
Non. Genspark décrit son produit comme orchestrant plusieurs modèles et outils, choisissant les composants en fonction de la tâche. L'ensemble des modèles réellement utilisés évolue à mesure que les fournisseurs publient de nouveaux systèmes.
Qu'est-ce que GenOffice ?
GenOffice est la suite bureautique open source alpha de Genspark pour macOS et Windows. Elle comprend des applications de documents, feuilles de calcul, présentations et PDF, et intègre les fonctionnalités d'IA de Genspark dans les éditeurs.
GenOffice est-il entièrement gratuit ?
Genspark indique que la suite bureautique de base est gratuite, sans publicité et sans filigrane. Les fonctions de recherche, de génération et d'analyse basées sur l'IA utilisent les crédits Genspark, et le dépôt contient une clause de licence distincte pour un futur catalogue d'entreprise.
Le chiffre d'affaires ARR de 250 millions de dollars de Genspark est-il audité indépendamment ?
Ce chiffre a été annoncé lors de l'entretien et apparaît dans les communications de l'entreprise et des reportages externes. À moins qu'un état financier audité ne soit publié, il doit être décrit comme un revenu récurrent annuel déclaré par l'entreprise.
Pourquoi Eric Jing pense-t-il que les entreprises d'applications d'IA pourraient valoir 1 000 milliards de dollars ?
Son argument est que les coûts des modèles continueront de baisser, tandis que la valeur se déplacera vers les entreprises qui intègrent plusieurs modèles, conservent un contexte de travail partagé, touchent les utilisateurs via des flux de travail familiers et peuvent automatiser une part significative du travail quotidien. Le résultat de 1 000 milliards de dollars est une vision et une prédiction, et non un résultat de marché garanti.
Outils associés
- Genspark AI Workspace : espace de travail tout-en-un principal de Genspark pour les agents, la mémoire, le bureau, la création et la collaboration.
- GenOffice : page de téléchargement officielle de la suite bureautique open source de Genspark.
- Dépôt GitHub GenOffice : code source, versions publiées, commandes de développement, architecture, licence et guide de contribution.
- Genspark Super Agent : couche d'agents sans code de Genspark pour la recherche, la création de contenu, les appels et les travaux multi-étapes.
- GenTeam : couche de collaboration de Genspark permettant aux humains et aux agents d'IA de travailler ensemble dans une conversation partagée.
- OpenRouter : service de routage API multi-modèles, cité ci-dessus.
Analogie de la couche de distribution issue de l'entretien.
Liens associés
- Genspark AI Workspace 6.0 : présentation officielle par Genspark de SecondBrain, Super Agent, suites de travail et GenTeam.
- Annonce de lancement de GenOffice : détails officiels sur la version alpha, les applications prises en charge, les tarifs et la publication open source.
- Dépôt GitHub GenOffice : dépôt officiel du code source pour les suites macOS et Windows.
- Étude de cas client de Genspark par OpenAI : contexte sur la transition de Genspark de la recherche vers Super Agent et son utilisation de modèles multimodaux et d'outils.
- Page de téléchargement GenOffice : téléchargement officiel pour Mac et Windows et informations produit.
- Blog Genspark : annonces officielles de produits et mises à jour de l'entreprise.
- Artificial Analysis : analyse indépendante des performances, de la vitesse et des prix des modèles, utile pour l'évaluation des questions de routage de modèles discutées dans l'entretien.
Résumé
L'argument central d'Eric Jing est que la forme la plus importante d'intégration de l'IA n'est plus la simple juxtaposition de nombreux outils dans une seule application. L'opportunité plus profonde réside dans la construction d'un contexte de travail unifié et persistant, capable de prendre en charge plusieurs modèles, agents et interfaces.
Le parcours d'évolution de Genspark, de la recherche à Super Agent, Workspace 6.0, GenMail, SecondBrain et GenOffice, illustre précisément cette thèse.
Chaque surface de produit offre au système un autre lieu où accomplir du travail et une autre source de contexte — à condition que les données soient traitées dans un cadre approprié de contrôle utilisateur, de confidentialité et de gouvernance d'entreprise.
Les chiffres de revenus de l'entreprise, les comparaisons de coûts et les prévisions sur l'économie des futurs modèles restent des déclarations ou des évaluations prospectives. Cependant, la stratégie produit est claire : rendre la complexité des modèles invisible, rencontrer les utilisateurs dans leurs flux de travail familiers, et créer de la valeur par l'orchestration, le contexte et la distribution.
Selon Genspark, le produit d'IA polyvalent qui gagnera ne sera pas celui qui aura le plus de boutons, mais celui qui comprendra le mieux le contexte pertinent et le transformera en travail réellement accompli.