Genspark CEO Eric Jing parla del vero vantaggio onnicomprensivo dell'AI: il contesto condiviso
Genspark è arrivata al AGI Playground 2026 di Singapore con un nuovo prodotto e una tesi più ampia sul futuro dell'AI applicata. Il prodotto è GenOffice, una soluzione open-source...
Genspark CEO Eric Jing: Perché il vero vantaggio dell'IA risiede nel contesto condiviso
Introduzione
Genspark è apparsa all'AGI Playground 2026 di Singapore non solo con un nuovo prodotto, ma anche con un'argomentazione più ampia sul futuro delle applicazioni IA.
Il prodotto è GenOffice, una suite per ufficio desktop open-source per Windows e macOS che supporta documenti, fogli di calcolo, presentazioni e PDF. Genspark afferma che la versione Alpha è stata sviluppata da un singolo ingegnere in una settimana, utilizzando circa 10.000 dollari in token di modelli.
L'argomentazione più ampia proviene dalla conversazione tra il co-fondatore e CEO di Genspark Eric Jing e il fondatore e CEO di GeekPark Jack Zhang.
Genspark è nata come prodotto di ricerca IA, si è poi trasformata in un Super Agent generico, per poi espandersi in uno spazio di lavoro IA che integra memoria, agenti, creazione di contenuti, strumenti per ufficio e funzionalità di collaborazione.
La tesi centrale di Jing è che il valore duraturo di un prodotto IA "tutto-in-uno" non deriva semplicemente dall'integrazione di numerose funzionalità in un'unica interfaccia, ma dal riunire il contesto lavorativo dell'utente, consentendo a diversi modelli e agenti di comprendere ciò che l'utente vuole ottenere, senza dover richiedere ripetutamente le stesse informazioni di base.
La conversazione si è sviluppata attorno a quattro temi:
- Perché Genspark ha lasciato il campo della ricerca IA dopo aver superato i cinque milioni di utenti
- Perché "tutto-in-uno" significa sempre più contesto condiviso anziché un'unica interfaccia
- Perché le aziende applicative creano valore trasformando le capacità dei modelli grezzi in prodotti facili da usare
- Perché Jing crede che le aziende di applicazioni IA possano infine raggiungere una scala da mille miliardi di dollari
Il seguente adattamento in cinese conserva questa logica progressiva, distinguendo al contempo le metriche e le previsioni di Genspark dai fatti verificati in modo indipendente.
01. Gli utenti continueranno a cercare strumenti migliori — restare fermi è il vero rischio
Dalla ricerca al completamento dell'intero compito
Jack Zhang: Genspark è nata come motore di ricerca IA e, secondo quanto riportato, ha superato i cinque milioni di utenti. Perché lasciare un prodotto che aveva già ottenuto progressi significativi?
Eric Jing: La mia carriera è sempre ruotata attorno al collegare le persone con le informazioni. Nel 2006 sono entrato in Microsoft come ingegnere software, e negli ultimi quasi vent'anni ho dedicato gran parte del mio tempo al lavoro sulla ricerca.
La ricerca sembra essere il connubio tra persone e informazioni, ma l'obiettivo reale dell'utente raramente è trovare una pagina web. Le persone cercano perché hanno bisogno di completare qualcosa.
Potrebbero dover confrontare prodotti, preparare presentazioni, pianificare viaggi, scrivere report, contattare fornitori o prendere decisioni. La ricerca è spesso solo un passaggio all'interno di un compito più ampio.
I primi team di ricerca avevano tentato di spingersi in questa direzione. Avevamo esplorato l'idea di rendere Bing un motore di compiti, ma la tecnologia dell'epoca non era ancora in grado di gestire in modo affidabile l'intero flusso di lavoro.
ChatGPT ha cambiato questa equazione. Ha dimostrato che l'IA avrebbe potuto infine gestire gran parte del lavoro ripetitivo attorno ai compiti, permettendo alle persone di concentrarsi su giudizio e creatività.
Questa era l'ambizione originaria di Genspark: un agente autonomo in grado di completare il lavoro dall'inizio alla fine.
La ricerca IA come punto di partenza pragmatico
Le prime versioni dei modelli sottostanti non erano ancora sufficienti a sostenere questa visione completa.
Una startup non può aspettare indefinitamente l'arrivo della tecnologia ideale. Deve trovare un vero product-market fit utilizzando le capacità disponibili.
Due anni fa, la ricerca IA era una delle opportunità più chiare. Offriva un prodotto utile, un comportamento utente familiare e un punto di partenza pragmatico per costruire un'azienda.
Jing afferma che il punto di svolta è arrivato quando Claude Sonnet 3.7 ha reso i flussi di lavoro end-to-end più lunghi decisamente più fattibili.
Dal punto di vista aziendale, il passaggio dalla ricerca IA agli agenti non è stato un rifiuto della direzione iniziale, ma il passo successivo verso lo stesso obiettivo: aiutare gli utenti a completare i compiti, non solo a trovare informazioni.
Perché rinunciare a cinque milioni di utenti non sembrava il rischio più grande
Jack Zhang: Cinque milioni di utenti sono già una base considerevole. Il team temeva che cambiare prodotto avrebbe distrutto ciò che era stato costruito?
Eric Jing: La transizione comporta rischi, ma restare fermi ne comporta ancora di più.
Gli utenti non sono fedeli a un flusso di lavoro scadente solo perché familiare. Quando un nuovo strumento rende un compito importante molto più facile, le persone di solito migrano dopo averne sperimentato la differenza.
La transizione è stata relativamente fluida perché gli utenti hanno ricevuto un evidente aggiornamento.
Non devono più leggere riassunti e aprire più fonti: possono direttamente richiedere una presentazione completa. Non devono più raccogliere manualmente i materiali e organizzarli in un documento: possono descrivere il risultato desiderato e lasciare che l'agente esegua più processi.
Per Jing, la lezione importante non è che la transizione del prodotto sia di per sé sicura, ma che non riuscire a rispondere ai grandi cambiamenti di capacità può essere più pericoloso che sconvolgere un prodotto esistente.
Il ciclo dei prodotti IA è eccezionalmente compresso
La rapida evoluzione dal chatbot alla ricerca IA, al super agente e allo spazio di lavoro IA è avvenuta in un periodo estremamente breve.
Jing attribuisce questa velocità a due forze.
In primo luogo, le capacità IA all'avanguardia stanno avanzando a salti discontinui. Il software tradizionale di solito progredisce attraverso perfezionamenti incrementali del prodotto, mentre una singola versione importante di un modello può improvvisamente rendere possibili flussi di lavoro completamente nuovi.
In secondo luogo, decenni di lavoro digitalizzato hanno già creato il livello di dati di cui l'IA ha bisogno.
Le organizzazioni moderne hanno accumulato:
- Record CRM
- Verbali di riunioni
- Documenti cloud
- Fogli di calcolo
- Storico di gestione progetti
- Conversazioni con assistenza clienti
- Calendari
- Dati di software interni
Questi sistemi hanno generato contesto lavorativo per anni.
Quando modelli più potenti possono accedere a questo contesto, l'agente non si limita a rispondere a domande generiche. È in grado di ragionare sui progetti reali dell'utente, sui colleghi, sui documenti, sulla storia e sugli obiettivi.
Jing descrive questa combinazione come un volano:
Più contesto lavorativo
↓
Gli agenti comprendono meglio i compiti
↓
Gli agenti completano più lavoro utile
↓
Più lavoro e feedback entrano nel sistema
↓
Il contesto diventa più ricco
I modelli contano, ma ciò che determina quanto un modello sia utile per un individuo o un'azienda specifica è il contesto.
02. Il "tutto-in-uno" dell'IA è in sostanza un livello di contesto full-stack
L'interfaccia è solo il primo livello
Jack Zhang: Hai sempre sostenuto i prodotti integrati. Come cambia questa filosofia nei prodotti nativi IA?
Eric Jing: Molti prodotti di successo sono prodotti integrati. La ricerca ha fornito un accesso unificato alle informazioni. Gli smartphone hanno integrato numerose funzionalità dietro un'unica modalità di interazione. WeChat ha fuso messaggistica, pagamenti, servizi e contenuti in un ambiente familiare.
Nell'era dell'IA, l'interfaccia singola ha ancora valore. Gli utenti non vogliono imparare un prodotto diverso per ogni piccola cosa.
Tuttavia, la forma più importante di integrazione oggi avviene dietro l'interfaccia.
La vera domanda è: tutti gli agenti e gli strumenti del prodotto possono accedere a una comprensione coerente del lavoro dell'utente?
Integrazione dei modelli: scegliere il modello giusto senza far decidere l'utente
Jing prevede che i modelli fondamentali diventeranno sempre più competitivi e, nel tempo, sempre più intercambiabili.
Modelli diversi potrebbero eccellere in compiti diversi, ma gli utenti non dovrebbero essere costretti a comprendere ogni benchmark, listino prezzi, limite di contesto o dettaglio architetturale mentre svolgono il loro lavoro quotidiano.
Durante l'evento, Jing ha mostrato una diapositiva che indicava come i modelli all'avanguardia siano diventati potenti in molti compiti, ma con differenze di prezzo ancora enormi.
Questa diapositiva fa parte di una presentazione aziendale, non di un benchmark indipendente. Il suo scopo è evidenziare un problema a livello di prodotto: la scelta del modello è diventata troppo complessa per la maggior parte degli utenti e per molte aziende.
Jing Xianmin ha ricordato un sondaggio anonimo svolto durante un evento con i CEO di Microsoft, in cui i dirigenti avrebbero indicato due preoccupazioni ricorrenti:
- Non sanno quale provider di modelli scegliere.
- Temono che i dipendenti non adottino i costosi servizi di intelligenza artificiale dopo l'acquisto.
Il livello applicativo può risolvere entrambi i problemi.
Può distribuire le attività a diversi modelli in base ai seguenti fattori:
- Capacità
- Costo
- Velocità
- Modalità
- Lunghezza del contesto
- Affidabilità
- Politiche aziendali
L'utente descrive il lavoro, e la piattaforma decide quale modello o combinazione di modelli deve gestirlo.
Integrazione del contesto: niente più copia e incolla tra applicazioni
Il secondo livello è ancora più importante del routing dei modelli.
I dati dei knowledge worker sono sparsi in numerosi servizi. Gli utenti potrebbero dover copiare informazioni dalle email in un documento, estrarre dati da fogli di calcolo, recuperare decisioni dai verbali delle riunioni e poi fornire il contesto a diversi strumenti di intelligenza artificiale.
Un livello di contesto condiviso riduce questa duplicazione.
L'architettura ufficiale di AI Workspace 6.0 pubblicata da Genspark riflette questa visione attraverso quattro livelli:
- SecondBrain come livello di memoria
- Super Agent come motore intelligente
- Build, Office e Content Suites come strumenti esecutivi
- GenTeam come livello di collaborazione
L'obiettivo di design di SecondBrain è riunire materiali provenienti da email, riunioni, chat, documenti, applicazioni e progetti Genspark.
L'esperienza prevista non è semplicemente "aggregare molti strumenti IA in un unico sito", ma un ambiente di lavoro unificato in cui gli strumenti condividono un contesto sufficiente per mantenere una coerenza di comportamento.
La nuova definizione di tutto-in-uno
La vecchia definizione di tutto-in-uno era:
Un'applicazione
+ molte funzionalità
+ un'interfaccia
La definizione aggiornata, nativa dell'IA, è più simile a:
Molte interfacce di lavoro
+ molti modelli e agenti
+ un contesto continuamente condiviso
+ un livello di orchestrazione
Gli utenti possono continuare a lavorare in software familiari, senza dover visitare frequentemente una pagina centrale.
L'analogia del ristorante di Jing è illuminante in questo contesto.
Il vecchio modello software richiedeva agli utenti di recarsi al ristorante. Il modello nativo dell'IA può portare il ristorante accanto all'utente o consegnare direttamente il cibo a casa.
Gli agenti possono apparire nelle email, nei documenti office, nei client desktop o in altre interfacce familiari, scrivendo comunque un contesto utile nel sistema condiviso.
Dalle slide HTML a GenOffice
Il prodotto di slide di Genspark mostra come il feedback degli utenti abbia portato l'azienda da un formato singolo a una piattaforma più ampia.
Inizialmente, l'azienda generava presentazioni IA in formato HTML.
I critici sostenevano che gli utenti aziendali seri si aspettano file PowerPoint, non slide web.
Genspark ritiene che l'HTML sia il formato di output naturale per i modelli linguistici, perché consente di combinare contenuti e layout in modo relativamente flessibile.
Alcuni utenti hanno accettato questo formato online per le comunicazioni interne, soprattutto quando preferiscono modifiche e condivisione rapidi rispetto ai file nativi.
Successivamente, l'evoluzione del prodotto è stata la seguente:
- Genspark ha creato un generatore di slide HTML.
- Gli utenti hanno richiesto un editor online.
- Gli utenti hanno voluto continuare a modificare nei familiari software office locali.
- Genspark ha sviluppato plugin per Office.
- Gli utenti hanno segnalato che la manutenzione dei plugin può essere lenta e costosa.
- Il team ha costruito una suite office desktop nativa.
La suite è diventata infine GenOffice.
Secondo le informazioni ufficiali di Genspark, è un prodotto alpha che copre:
- Documenti (Docs)
- Fogli di calcolo (Sheets)
- Presentazioni (Slides)
Le funzioni office principali sono gratuite e senza pubblicità. Le funzionalità IA utilizzano i crediti Genspark.
Il repository GitHub ufficiale è concesso principalmente con licenza Apache 2.0, con eccezioni separate per futuri elenchi aziendali. Il repository include app Electron per macOS e Windows, un motore di documenti condiviso, il nucleo degli agenti, parser di file e un livello di astrazione dei provider di modelli.
Genspark afferma che la prima versione alpha è stata creata da un singolo ingegnere in una settimana, utilizzando circa 10.000 dollari di token di modelli. Questa è la storia di sviluppo raccontata dall'azienda, non un benchmark ingegneristico sottoposto a revisione indipendente.
Il client di posta parte da un dolore personale
La posta elettronica di Genspark ha seguito un percorso simile.
Jing fa un uso intensivo della posta elettronica e spesso fatica a ritrovare il messaggio, l'allegato o la decisione esatti necessari per completare un'attività.
Il problema del prodotto diventa quindi: perché mettere un agente accanto alla casella di posta, quando potrebbe esistere all'interno del client di posta stesso e comprendere direttamente le comunicazioni?
Durante la preparazione dell'evento, Jing ha dichiarato di aver utilizzato l'agente di posta per:
- Rivedere le comunicazioni precedenti con GeekPark
- Ricostruire la programmazione completa
- Estrarre informazioni dai PDF allegati
- Aggiungere l'evento al calendario
- Redigere messaggi di follow-up in uno stile simile al suo
Singolarmente, sono attività piccole, ma insieme rappresentano una parte considerevole del lavoro quotidiano di conoscenza.
Quando un prodotto entra sufficientemente in profondità nei flussi di lavoro reali e vede questi dettagli, l'opportunità emerge.
I due principi di prodotto di Genspark
Jing riassume la filosofia di prodotto dell'azienda in due regole.
1. Costruire prodotti che il team vuole davvero usare
Il team dovrebbe essere il primo cliente serio di se stesso.
I dipendenti devono chiedersi se il prodotto risolve davvero i loro problemi lavorativi, invece di presupporre che altri accetteranno un'esperienza che loro stessi non userebbero.
2. Trovare i punti critici comuni a molti utenti simili
Una difficoltà personale si trasforma in un'opportunità commerciale solo quando un numero sufficiente di altre persone affronta lo stesso problema.
Pertanto, la logica di sviluppo è:
Risolvere problemi realmente vissuti dal team
↓
Usare il prodotto nel lavoro quotidiano
↓
Ascoltare feedback esterni ricorrenti
↓
Estendere il flusso di lavoro solo quando il bisogno è reale
03. Il valore dei prodotti AI risiede nel livello di traduzione, non solo nei modelli
La maggior parte delle persone non usa ancora agenti avanzati
La discussione è poi passata da ciò che i sistemi all'avanguardia possono fare a quante persone li useranno davvero.
Jing ha mostrato una diapositiva illustrativa in cui ogni punto rappresenta circa 3,2 milioni di persone. La maggior parte dei punti rappresenta persone che non hanno mai usato l'AI; una parte più piccola ha usato chatbot gratuiti; una parte ancora più ridotta paga per l'AI; e solo pochissime persone usano agenti avanzati.
Questa visualizzazione va intesa come un'illustrazione di presentazione per conferenze, non come un censimento preciso dell'uso globale dell'AI.
Il suo messaggio è chiaro:
La tecnologia può evolvere molto più velocemente di quanto gli utenti la adottino.
Un'azienda che serve solo utenti esperti potrebbe creare prodotti potenti ma incapaci di raggiungere la massa più ampia di utenti che non conoscono la configurazione di agenti, la scelta dei modelli, i budget di token o flussi di lavoro complessi.
Andare dove gli utenti già lavorano
Jing ritiene che le aziende AI dovrebbero ridurre il carico di apprendimento degli utenti, non aspettarsi che tutti diventino esperti di AI.
I servizi dovrebbero presentarsi nei luoghi familiari agli utenti:
- Documenti
- Fogli di calcolo
- Presentazioni
- Applicazioni desktop
- Chat di team
Questo migliora anche la conoscenza che il prodotto ha degli utenti.
Quando un agente partecipa a flussi di lavoro reali, apprende dal contesto circostante, invece di ricevere solo prompt una tantum.
Gli agenti di programmazione sono supercar, i prodotti mainstream dovrebbero essere come la guida autonoma
Jing ha paragonato gli agenti di programmazione a vetture ad alte prestazioni.
Sono estremamente potenti nelle mani di sviluppatori e ricercatori, ma l'utente deve sapere come usarli.
Genspark vuole offrire capacità simili in una forma più vicina alla guida autonoma:
- L'utente non deve selezionare manualmente ogni modello.
- L'agente dovrebbe funzionare nel cloud, non dipendere interamente dalla potenza di calcolo locale.
- Gli strumenti dovrebbero essere orchestrati automaticamente.
- L'interfaccia dovrebbe nascondere complessità inutili.
- L'utente dovrebbe concentrarsi sul risultato che vuole ottenere.
Questo è il "livello di traduzione".
Si trova tra le capacità dei modelli sottostanti e le persone che cercano di portare a termine un lavoro.
Questo livello si occupa della trasformazione:
- Dai punti di forza dei modelli al routing delle attività
- Dalle API a funzionalità facili da comprendere
- Dalle chiamate agli strumenti a flussi di lavoro completi
- Dal contesto non strutturato ad azioni utili
- Dai progressi tecnici a esperienze facili da usare
Le aziende di agenti rivendono solo token?
Jack Zhang: L'ARR dichiarata di Genspark supera i 250 milioni di dollari. I critici a volte sostengono che le aziende di agenti finiranno per diventare un sottile strato di distribuzione che rivende token di modelli. Come rispondi?
Jing Kun: Non definiamo Genspark come una "azienda di agenti". È nato come prodotto di ricerca, oggi viene descritto come prodotto agente o spazio di lavoro, e continuerà a cambiare man mano che la forma del prodotto si evolve.
Una definizione più utile è: un'azienda AI costruita attorno a un contesto unificato.
Jing respinge anche l'idea che "la distribuzione sia naturalmente a basso valore".
Molte grandi aziende di software derivano una parte considerevole dei loro ricavi da canali e distribuzione. Raggiungere i clienti, integrare il prodotto nei flussi di lavoro, rendere la tecnologia complessa facile da acquistare e usare: tutto questo può diventare un fossato difensivo.
L'analogia del ristorante
Jing ha usato un paragone con il settore della ristorazione:
- I laboratori di modelli fondamentali sono come fornitori di materie prime.
- I prodotti di programmazione specializzati sono come ristoranti di alta gamma focalizzati su una singola cucina.
- Le piattaforme di routing sono come grossisti.
- Genspark vuole essere una catena di ristoranti conveniente che trasforma più ingredienti in pasti adatti ai clienti.
Il modello è solo uno degli ingredienti.
Le aziende applicative creano valore attraverso:
- Design del prodotto
- Integrazione del contesto
- Strumenti
- Orchestrazione
- Sistemi di file
- Distribuzione
- Supporto
- Conoscenza dei flussi di lavoro
- Esperienza utente
Jing paragona questa ambizione al ruolo di Apple nel settore hardware. Apple acquista molti componenti, ma gli utenti non la descrivono semplicemente come un distributore di chip e schermi, perché l'integrazione crea l'esperienza di prodotto finale.
Genspark vuole perseguire una forma simile di integrazione sopra il livello dei modelli.
04. L'era dell'AI potrebbe dare vita ad aziende applicative da mille miliardi di dollari
I prodotti globali richiedono basi comuni e priorità localizzate
Genspark considera Stati Uniti, Corea del Sud, Giappone, Francia, India e Brasile come mercati importanti.
Jing afferma che l'azienda studia le differenze locali, ma cerca di astrarle in bisogni umani comuni.
Gli esempi citati nella conversazione includono:
- Gli utenti finanziariamente intensivi di New York usano molto i fogli di calcolo.
- Gli utenti giapponesi fanno spesso affidamento su presentazioni e lunghi spostamenti pendolari.
- La Corea del Sud ha una forte cultura del design e un uso molto frequente di strumenti creativi.
I comportamenti superficiali variano, ma le persone in ogni mercato hanno comunque bisogno di comunicare, analizzare informazioni, preparare documenti e completare lavori ripetitivi.
Il prodotto può adattare le priorità delle funzionalità senza dover diventare un sistema completamente diverso in ogni paese.
Anche se il prodotto è globale, la distribuzione può essere locale
Genspark ha sperimentato anche il marketing localizzato.
Jing ha menzionato le campagne pubblicitarie nella metropolitana di New York: i passeggeri spesso trascorrono tempo senza una connessione mobile affidabile, quindi notano la pubblicità fisica.
Il prodotto sottostante rimane globale, mentre la strategia di distribuzione risponde all'ambiente locale.
Questo riflette l'esperienza di Jing nel campo della ricerca.
I prodotti di ricerca possono servire le masse senza conoscere gli utenti a livello personale, perché astraggono la richiesta in una domanda universale: abbinare i bisogni alle informazioni pertinenti.
Uno spazio di lavoro AI globale deve allo stesso modo riconoscere le differenze senza perdere la struttura comune sottostante.
Le aziende applicative possono raggiungere i mille miliardi di dollari?
Jing crede ancora che l'era dell'AI possa generare un'azienda applicativa da mille miliardi di dollari, sebbene ripeta costantemente che la maggior parte delle startup fallirà.
La sua argomentazione si basa su tre presupposti.
1. Il costo dei modelli continuerà a diminuire
Jing prevede che il costo di utilizzo dei modelli che raggiungono i livelli di capacità attuali potrebbe scendere a circa l'1% entro due anni.
Questa è una previsione aziendale lungimirante, non un risultato di settore consolidato.
La direzione più ampia — la riduzione dei costi di inferenza a parità di capacità — è ragionevole e già visibile in alcuni segmenti di mercato, ma la cifra esatta dell'1% è ancora incerta.
2. L'offerta di modelli diventerà più competitiva
Con il miglioramento dei modelli closed-source e open-source, le aziende potrebbero avere più alternative in molte attività.
Il livello dei modelli rimane fondamentale, ma quando più fornitori offrono risultati comparabili, la loro economia potrebbe assomigliare più a una commodity.
3. Più valore può spostarsi al livello del prodotto
Se un'azienda applicativa può combinare:
- Più modelli
- Più modalità
- Contesto utente continuo
- Distribuzione
- Esecuzione di flussi di lavoro
- Controllo aziendale
Allora potrebbe instaurare con gli utenti una relazione più duratura di qualsiasi singolo rilascio di modello.
Il sistema diventerà sempre più
utile, perché ogni attività completata crea contesto che migliora l'attività successiva.
La giornata lavorativa del futuro: approvare o respingere
La visione a lungo termine di Jing è che gli agenti gestiscano in anticipo la maggior parte del lavoro ripetitivo.
La giornata lavorativa umana diventa più di supervisione.
L'utente non esegue più manualmente ogni singolo passaggio, ma prende principalmente decisioni:
Approva ed esegui
oppure
Respingi e modifica
Questa non è la realtà della maggior parte delle organizzazioni oggi. È il punto finale verso cui Genspark sta progettando.
L'AI aziendale sta passando dall'espansione dei token all'ottimizzazione dei token
Prima di rispondere alla domanda sull'età dei fondatori, Jing ha aggiunto un'osservazione sull'AI aziendale.
Le discussioni aziendali stanno passando da "usare più
Token a "uso più efficiente dei Token".
Le aziende prestano sempre più attenzione a:
- Costo per ogni attività completata
- Instradamento dei modelli
- Adozione di modelli open source
- Evitare la dipendenza da un unico fornitore
- Tasso di adozione da parte dei dipendenti
- Sicurezza e controllo
- Ritorno sull'investimento
Quando capacità e prezzi possono cambiare rapidamente, poche aziende sono disposte a collocare tutti i flussi di lavoro su un unico modello.
Jing prevede che i modelli open source e quelli closed source coesisteranno nei sistemi aziendali, e le piattaforme prodotto sceglieranno tra i due in base a qualità e costi.
L'età del fondatore è meno importante dell'apertura mentale
L'ultima questione riguarda la preferenza di alcuni investitori per fondatori di AI molto giovani.
Jing non considera l'età anagrafica come criterio principale.
Ritiene che l'esperienza possa diventare uno svantaggio quando si cristallizza in un filtro che rifiuta tutte le idee sconosciute. Tuttavia, coloro che restano aperti, energici e disposti a confrontarsi direttamente con le nuove tecnologie possono essere straordinariamente efficaci.
Pertanto, Genspark cerca:
- Apertura mentale
- Automotivazione
- Velocità di azione
- Curiosità
- Disponibilità a reimparare
- Esperienza di settore utile
La combinazione più forte non è semplicemente la giovinezza. È un'esperienza profonda unita a una mente aperta.
Punti chiave della conversazione
Questa intervista può essere ridotta a pochi principi di prodotto senza perdere la sua tesi centrale.
1. Partire dalle capacità esistenti, ma mantenere una missione più ampia
Genspark è nato dalla ricerca AI perché all'epoca era ciò che era concretamente realizzabile. Quando le capacità dei modelli hanno reso possibile un agente più completo, l'azienda ha cambiato rotta.
2. L'integrazione risiede nel contesto condiviso
Mettere molti strumenti in un'unica interfaccia è utile. Far sì che questi strumenti comprendano le stesse email, riunioni, documenti, decisioni e preferenze è molto più potente.
3. Gli utenti non devono essere esperti di modelli
La piattaforma dovrebbe instradare le attività in base a prestazioni, costi e policy, presentando al contempo un flusso di lavoro facile da comprendere.
4. Il livello applicativo può creare valore duraturo
Contesto, orchestrazione, progettazione dei flussi di lavoro, distribuzione, gestione dei file ed esperienza di prodotto non sono strati banali sopra il modello.
5. Costruire nel lavoro reale
Le migliori opportunità spesso emergono solo dopo che lo strumento entra nelle email, nei documenti, nelle presentazioni, nei fogli di calcolo o nei flussi di lavoro di squadra degli utenti.
6. Trattare il costo come una funzionalità di prodotto
Un sistema AI potente non dovrebbe solo completare le attività. Dovrebbe anche scegliere un percorso economicamente sensato per completarle.
Domande frequenti
Cos'è Genspark?
Genspark è uno spazio di lavoro AI all-in-one, evoluto da un prodotto di ricerca AI a una piattaforma che combina super agente, memoria, strumenti di produttività, creazione di contenuti, costruzione di applicazioni e collaborazione di team. L'architettura ufficiale Workspace 6.0 include SecondBrain, Super Agent, suite di lavoro multiple e GenTeam.
Perché Genspark ha abbandonato la ricerca AI?
Eric Jing ha dichiarato che la ricerca è stata un punto di ingresso pragmatico quando i modelli fondamentali non erano ancora in grado di completare in modo affidabile flussi di lavoro completi. Con l'avvento di modelli più potenti che rendono gli agenti end-to-end più realizzabili, Genspark è passato dall'aiutare gli utenti a trovare informazioni all'aiutarli a completare intere attività.
Cosa significa "contesto unificato"?
Significa che email, riunioni, documenti, progetti, preferenze e lavori precedenti possono confluire in un livello di contesto persistente, utilizzabile da più strumenti e agenti. L'obiettivo è che gli utenti non debbano ripetere le stesse informazioni di base in ogni applicazione.
Genspark utilizza un solo modello AI?
No. Genspark descrive il suo prodotto come un'orchestrazione di più modelli e strumenti, selezionando i componenti in base all'attività. L'insieme effettivo di modelli utilizzati cambia man mano che i fornitori rilasciano nuovi sistemi.
Cos'è GenOffice?
GenOffice è la suite per ufficio open source di Genspark in versione alpha per macOS e Windows. Include applicazioni per documenti, fogli di calcolo, presentazioni e PDF, e integra le funzionalità AI di Genspark negli editor.
GenOffice è completamente gratuito?
Genspark afferma che la suite per ufficio principale è gratuita, senza pubblicità e senza filigrane. Le funzionalità di ricerca, generazione e analisi basate su AI utilizzano i crediti Genspark, e il repository include una clausola di licenza separata per un futuro catalogo aziendale.
I 250 milioni di dollari di ARR di Genspark sono stati sottoposti a revisione indipendente?
La cifra è stata annunciata durante l'intervista ed è comparsa in interviste aziendali e articoli esterni. A meno che non vengano pubblicati rendiconti finanziari revisionati, dovrebbe essere descritta come fatturato ricorrente annuo dichiarato dall'azienda.
Perché Eric Jing ritiene che le aziende di applicazioni AI possano valere un trilione di dollari?
La sua tesi è che i costi dei modelli continueranno a scendere e che il valore si sposterà verso aziende che integrano più modelli, conservano un contesto di lavoro condiviso, raggiungono gli utenti tramite flussi di lavoro familiari e possono automatizzare una porzione considerevole del lavoro quotidiano. Il risultato da trilione di dollari è una visione e una previsione, non un esito di mercato garantito.
Strumenti correlati
- Genspark AI Workspace: Il principale spazio di lavoro all-in-one di Genspark per agenti, memoria, produttività, creazione e collaborazione.
- GenOffice: Pagina di download ufficiale della suite per ufficio desktop open source di Genspark.
- Repository GitHub di GenOffice: Codice sorgente, release, comandi di sviluppo, documentazione sull'architettura, licenza e guida ai contributi.
- Genspark Super Agent: Il livello agente no-code di Genspark per ricerca, creazione di contenuti, chiamate e lavoro multi-step.
- GenTeam: Il livello di collaborazione di Genspark per la cooperazione tra esseri umani e agenti AI in conversazioni condivise.
- OpenRouter: Un servizio di instradamento API multi-modello, citato come riferimento sopra.
L'analogia del livello di distribuzione nell'intervista.
Link correlati
- Genspark AI Workspace 6.0: Presentazione ufficiale di Genspark di SecondBrain, Super Agent, suite di lavoro e GenTeam.
- Annuncio del rilascio di GenOffice: Dettagli ufficiali sulla versione alpha, le applicazioni supportate, i piani tariffari e il rilascio open source.
- Repository GitHub di GenOffice: Repository ufficiale del codice per la suite per ufficio macOS e Windows.
- Case study cliente OpenAI su Genspark: Contesto sulla transizione di Genspark dalla ricerca al Super Agent e sull'uso di modelli multimodali e strumenti.
- Pagina di download di GenOffice: Download ufficiali per Mac e Windows e informazioni sul prodotto.
- Blog di Genspark: Annunci ufficiali dei prodotti e aggiornamenti dell'azienda.
- Artificial Analysis: Analisi indipendente di prestazioni, velocità e prezzi dei modelli, utile per valutare le questioni di instradamento dei modelli discusse nell'intervista.
Sintesi
La tesi centrale di Eric Jing è che la forma più importante di integrazione dell'AI non consiste più nel racchiudere numerosi strumenti in un'unica applicazione. L'opportunità più profonda risiede nella costruzione di un contesto di lavoro unificato e persistente, in grado di supportare molteplici modelli, agenti e interfacce.
Il percorso di evoluzione di Genspark, dalla ricerca al Super Agent, Workspace 6.0, GenMail, SecondBrain e GenOffice, è la dimostrazione pratica di questa tesi.
Ogni superficie di prodotto offre al sistema un altro luogo in cui portare a termine il lavoro e un'altra fonte di contesto, a condizione che i dati siano trattati nell'ambito di un adeguato controllo da parte dell'utente, della privacy e di un quadro di governance aziendale.
I dati relativi ai ricavi dell'azienda, i confronti sui costi e le previsioni sull'economicità dei modelli futuri restano dichiarazioni aziendali o valutazioni prospettiche. Tuttavia, la strategia di prodotto è chiara: rendere la complessità dei modelli impercettibile, incontrare gli utenti nei flussi di lavoro che già conoscono e creare valore attraverso orchestrazione, contesto e distribuzione.
Secondo Genspark, il prodotto di intelligenza artificiale tuttofare vincente non sarà quello con il maggior numero di pulsanti, ma quello che comprende meglio il contesto rilevante e lo trasforma in lavoro effettivamente completato.