CEO da Genspark, Eric Jing, fala sobre por que a verdadeira vantagem da IA é o contexto compartilhado
A Genspark chegou ao AGI Playground 2026, em Singapura, com um novo produto e uma tese mais ampla sobre para onde a IA está caminhando. O produto é o GenOffice, um sistema de código aberto...
CEO da Genspark, Eric Jing, fala sobre por que a verdadeira vantagem abrangente da IA está no contexto compartilhado
Introdução
A Genspark apareceu na AGI Playground 2026 em Cingapura, não apenas com um novo produto, mas também com um argumento mais amplo sobre o futuro das aplicações de IA.
O produto é o GenOffice, um pacote de escritório desktop de código aberto para Windows e macOS, com suporte a documentos, planilhas, apresentações e PDFs. A Genspark afirma que a versão Alpha foi desenvolvida por um engenheiro em uma semana, usando cerca de US$ 10.000 em tokens de modelos.
O argumento mais amplo veio da conversa entre o cofundador e CEO da Genspark, Eric Jing, e o fundador e CEO da GeekPark, Jack Zhang.
A Genspark começou como um produto de busca com IA, depois se transformou em um Super Agente de uso geral e, desde então, expandiu-se para um espaço de trabalho de IA que combina memória, agentes, criação de conteúdo, ferramentas de escritório e recursos de colaboração.
O argumento central de Jing é: o valor duradouro de um produto de IA tudo-em-um não vem apenas de integrar muitos recursos em uma única interface, mas de reunir o contexto de trabalho do usuário em um só lugar, permitindo que diferentes modelos e agentes entendam o que o usuário deseja realizar, sem precisar perguntar repetidamente pelas mesmas informações de fundo.
A conversa girou em torno de quatro temas:
- Por que a Genspark deixou o campo da busca com IA depois de conquistar mais de cinco milhões de usuários
- Por que "tudo-em-um" significa cada vez mais contexto compartilhado, e não apenas uma interface única
- Por que empresas de aplicativos criam valor ao transformar capacidades brutas de modelos em produtos fáceis de usar
- Por que Jing acredita que empresas de aplicativos de IA podem, no fim, alcançar a escala de trilhões de dólares
A adaptação chinesa a seguir preserva essa lógica progressiva, ao mesmo tempo em que distingue as próprias métricas e previsões da Genspark dos fatos verificados de forma independente.
01. Os usuários continuarão buscando ferramentas melhores — ficar parado é o verdadeiro risco
Da busca à conclusão da tarefa completa
Jack Zhang: A Genspark começou com busca com IA e, segundo relatos, ultrapassou cinco milhões de usuários. Por que sair de um produto que já alcançou um progresso significativo?
Eric Jing: Minha carreira sempre girou em torno de conectar pessoas e informações. Entrei na Microsoft em 2006 como engenheiro de software e passei quase vinte anos, em sua maior parte, trabalhando com busca.
A busca parece ser sobre conectar pessoas a informações, mas o objetivo real do usuário raramente é encontrar uma página da web. As pessoas buscam porque precisam realizar algo.
Elas podem precisar comparar produtos, preparar apresentações, planejar viagens, escrever relatórios, contatar fornecedores ou tomar decisões. A busca geralmente é apenas um passo dentro de uma tarefa maior.
As primeiras equipes de busca tentaram avançar nessa direção. Exploramos a ideia de tornar o Bing um mecanismo de tarefas, mas a tecnologia da época não conseguia executar com confiabilidade todo o fluxo de trabalho.
O ChatGPT mudou esse cálculo. Ele mostrou que a IA poderia, finalmente, lidar com grande parte do trabalho repetitivo em torno das tarefas, permitindo que as pessoas se concentrassem no julgamento e na criação.
Essa era a ambição original da Genspark: um agente autônomo capaz de concluir o trabalho do início ao fim.
A busca com IA foi um ponto de partida pragmático
As primeiras versões dos modelos subjacentes não eram suficientes para sustentar essa visão completa.
Uma startup não pode esperar indefinidamente pela chegada da tecnologia ideal. Ela precisa usar as capacidades disponíveis na época para encontrar um ajuste real de produto-mercado.
Dois anos atrás, a busca com IA era uma das oportunidades mais claras. Ela oferecia um produto útil, um comportamento de usuário familiar e um ponto de partida pragmático para construir uma empresa.
Jing afirma que o ponto de virada veio quando o Claude Sonnet 3.7 tornou fluxos de trabalho de agente de ponta a ponta claramente mais viáveis.
Do ponto de vista da empresa, sair da busca com IA para um agente não foi uma negação de sua direção original, mas o próximo passo em direção ao mesmo objetivo: ajudar os usuários a concluir tarefas, não apenas a encontrar informações.
Por que abrir mão de cinco milhões de usuários não pareceu o maior risco
Jack Zhang: Cinco milhões de usuários já são uma base considerável. A equipe se preocupou que mudar o produto pudesse destruir o que já havia sido conquistado?
Eric Jing: A transição tem riscos, mas ficar parado é mais arriscado.
Os usuários não permanecem leais a um fluxo de trabalho ruim apenas por familiaridade. Quando uma nova ferramenta torna tarefas importantes muito mais fáceis, as pessoas geralmente migram depois de experimentar a diferença.
A transição foi relativamente tranquila porque os usuários receberam uma atualização clara.
Em vez de ler resumos e abrir várias fontes, eles agora podem pedir diretamente uma apresentação completa. Em vez de coletar materiais manualmente e organizá-los em um documento, eles podem descrever o resultado desejado e deixar o agente executar mais do processo.
Para Jing, a lição importante não é que a mudança de produto em si seja segura, mas que não responder a mudanças significativas de capacidade pode ser mais perigoso do que perturbar um produto existente.
O ciclo de produtos de IA é excepcionalmente comprimido
A rápida evolução de chatbots para busca com IA, super agentes e espaços de trabalho de IA aconteceu em um período extremamente curto.
Jing atribui essa velocidade a duas forças.
Primeiro, as capacidades da IA de fronteira estão avançando em saltos descontínuos. O software tradicional geralmente progride por meio de refinamentos incrementais, mas um único lançamento importante de modelo pode, de repente, tornar possíveis fluxos de trabalho inteiramente novos.
Segundo, décadas de trabalho digital já criaram a camada de dados que a IA precisa.
As organizações modernas acumularam:
- E-mails
- Registros de CRM
- Atas de reuniões
- Documentos em nuvem
- Planilhas
- Histórico de gerenciamento de projetos
- Conversas de atendimento ao cliente
- Calendários
- Dados de software interno
Esses sistemas vêm gerando contexto de trabalho há anos.
Quando modelos mais poderosos têm acesso a esse contexto, o agente não apenas responde perguntas genéricas. Ele consegue raciocinar sobre os projetos reais do usuário, colegas, documentos, histórico e objetivos.
Jing descreve essa combinação como um volante:
Mais contexto de trabalho
↓
Os agentes entendem melhor as tarefas
↓
Os agentes conseguem realizar mais trabalho útil
↓
Mais trabalho e feedback entram no sistema
↓
O contexto fica mais rico
Os modelos importam, mas o que determina o quanto um modelo é útil para uma pessoa ou empresa específica é o contexto.
02. O "tudo-em-um" da IA é, na essência, uma camada de contexto de pilha completa
A interface é apenas a primeira camada
Jack Zhang: Você sempre defendeu produtos integrados. Como essa filosofia muda em produtos nativos de IA?
Eric Jing: Muitos produtos de sucesso são produtos integrados. A busca ofereceu uma porta de entrada única para informações. Os smartphones integraram inúmeras funções sob uma única modalidade de interação. O WeChat uniu comunicação, pagamento, serviços e conteúdo em um ambiente familiar.
Na era da IA, uma interface única ainda tem valor. Os usuários não querem aprender produtos diferentes para cada pequena coisa.
No entanto, a forma mais importante de integração hoje acontece por trás da interface.
A verdadeira questão é: todos os agentes e ferramentas do produto conseguem acessar uma compreensão consistente do trabalho do usuário?
Integração de modelos: escolher o modelo certo sem fazer o usuário decidir
Jing prevê que os modelos de base se tornarão cada vez mais competitivos e, com o tempo, mais intercambiáveis.
Modelos diferentes podem ter melhor desempenho em tarefas diferentes, mas os usuários não deveriam ser forçados a entender cada benchmark, tabela de preços, limite de contexto ou detalhe de arquitetura enquanto realizam seu trabalho diário.
No evento, Jing mostrou um slide apontando que os modelos de fronteira já se tornaram poderosos em muitas tarefas, mas as diferenças de preço continuam enormes.
Este slide faz parte de uma apresentação corporativa, e não de um benchmark independente. O objetivo é ilustrar um problema em nível de produto: a escolha de modelos tornou-se complexa demais para a maioria dos usuários e muitas empresas.
Jing Xian Dong relembrou uma votação anônima durante um evento de CEO da Microsoft, na qual executivos supostamente apontaram duas preocupações recorrentes:
- Eles não sabiam qual provedor de modelos escolher.
- Eles temiam que os funcionários não adotassem os caros serviços de IA após a aquisição.
A camada de aplicação pode resolver esses dois problemas.
Ela pode distribuir tarefas para diferentes modelos com base nos seguintes fatores:
- Capacidade
- Custo
- Velocidade
- Modalidade
- Comprimento do contexto
- Confiabilidade
- Políticas empresariais
O usuário descreve o trabalho, e a plataforma decide qual modelo ou combinação de modelos deve processá-lo.
Integração de contexto: o fim de copiar e colar trabalho entre aplicativos
A segunda camada é mais importante do que o roteamento de modelos.
Os dados dos trabalhadores do conhecimento estão dispersos em diversos serviços. O usuário pode precisar copiar informações de e-mails para documentos, extrair dados de planilhas, recuperar decisões de atas de reuniões e, em seguida, fornecer o contexto a várias ferramentas de IA.
A camada de contexto compartilhado reduz essa redundância.
A arquitetura do AI Workspace 6.0, lançado oficialmente pela Genspark, reflete essa ideia em quatro níveis:
- SecondBrain (Segundo Cérebro) como camada de memória
- Super Agent (Super Agente) como motor de inteligência
- Build, Office e Content Suites (Conjuntos de Construção, Escritório e Conteúdo) como ferramentas de execução
- GenTeam como camada de colaboração
O objetivo de design do SecondBrain é reunir materiais de e-mails, reuniões, chats, documentos, aplicativos e projetos do Genspark.
A experiência pretendida não é simplesmente "agregar várias ferramentas de IA em um site", mas sim um ambiente de trabalho unificado, no qual as ferramentas compartilham contexto suficiente para manter consistência de comportamento.
Uma nova definição de "tudo em um"
A antiga definição de "tudo em um" era:
Um aplicativo
+ Muitos recursos
+ Uma interface
A definição atualizada, nativa de IA, está mais próxima de:
Muitas interfaces de trabalho
+ Muitos modelos e agentes
+ Um contexto continuamente compartilhado
+ Uma camada de orquestração
O usuário continua trabalhando em softwares familiares, em vez de visitar com frequência uma página central.
A analogia do restaurante de Jing é esclarecedora aqui.
O modelo de software antigo exigia que o usuário fosse ao restaurante. O modelo nativo de IA pode levar o restaurante até o usuário, ou entregar a refeição diretamente em suas mãos.
O agente pode aparecer em e-mails, documentos de escritório, clientes de desktop ou outras interfaces familiares, enquanto ainda grava contexto útil no sistema compartilhado.
De slides em HTML ao GenOffice
O produto de slides da Genspark mostra como o feedback dos usuários levou a empresa de um formato único para uma plataforma mais ampla.
A empresa inicialmente gerava apresentações de IA em formato HTML.
Os críticos argumentavam que usuários empresariais sérios esperam arquivos do PowerPoint, não slides de páginas da web.
A Genspark acreditava que o HTML é um formato de saída natural para modelos de linguagem, por combinar conteúdo e layout com relativa flexibilidade.
Alguns usuários aceitaram o formato on-line para comunicação interna, especialmente quando valorizavam edição e compartilhamento rápidos em vez de arquivos nativos.
Em seguida, a evolução do produto ocorreu da seguinte forma:
- A Genspark criou o gerador de slides em HTML.
- Os usuários pediram um editor on-line.
- Os usuários queriam continuar editando em softwares de escritório locais familiares.
- A Genspark desenvolveu plug-ins para o Office.
- Os usuários relataram que a manutenção dos plug-ins pode ser lenta e cara.
- A equipe construiu um pacote de escritório nativo para desktop.
Esse pacote tornou-se, por fim, o GenOffice.
De acordo com informações oficiais da Genspark, é um produto em fase alfa que cobre as seguintes funções:
- Documentos (Docs)
- Planilhas (Sheets)
- Apresentações (Slides)
As funções centrais de escritório são gratuitas e sem anúncios. Os recursos de IA usam créditos Genspark.
O repositório oficial do GitHub é licenciado principalmente sob a licença Apache 2.0, com exceções separadas para futuros diretórios empresariais. O repositório contém aplicativos Electron para macOS e Windows, mecanismo de documentos compartilhado, núcleo de agentes, analisadores de arquivos e camada de abstração de provedores de modelos.
A Genspark afirma que a primeira versão alfa foi construída por um engenheiro em uma semana, usando cerca de US$ 10.000 em tokens de modelos. Esta é uma história de desenvolvimento contada pela própria empresa, não um benchmark de engenharia auditado de forma independente.
O ponto de partida do cliente de e-mail: uma dor pessoal
O trabalho de e-mail da Genspark seguiu um caminho semelhante.
Jing usa e-mail intensamente e muitas vezes tem dificuldade para encontrar a mensagem, o anexo ou a decisão exata necessária para concluir uma tarefa.
A questão do produto, portanto, tornou-se: já que o agente pode existir dentro do cliente de e-mail e entender diretamente as comunicações, por que colocá-lo ao lado do e-mail?
Durante a preparação do evento, Jing afirmou que usou o agente de e-mail para:
- Revisar comunicações anteriores com a Geek Park
- Reconstruir a agenda completa
- Extrair informações dos PDFs anexados
- Adicionar o evento ao calendário
- Redigir mensagens de acompanhamento em um estilo semelhante ao seu
Essas tarefas, individualmente, são pequenas, mas, juntas, representam uma parte bastante significativa do trabalho cotidiano do conhecimento.
Quando o produto entra profundamente no fluxo de trabalho real e enxerga esses detalhes, a oportunidade aparece.
Dois princípios de produto da Genspark
Jing resumiu a filosofia de produto da empresa em duas regras.
1. Criar produtos que a equipe realmente queira usar
A equipe deve ser seu primeiro cliente sério.
Os funcionários precisam se perguntar se o produto realmente resolve seus problemas de trabalho, em vez de presumir que outros aceitarão uma experiência que eles próprios não usariam.
2. Encontrando as dores comuns compartilhadas por muitos usuários semelhantes
Uma frustração pessoal só se transforma em oportunidade de negócio quando um número suficiente de outras pessoas enfrenta o mesmo problema.
Portanto, a lógica de desenvolvimento é:
Resolver problemas que o time realmente enfrenta
↓
Usar o produto no trabalho real
↓
Ouvir feedbacks externos recorrentes
↓
Expandir fluxos de trabalho somente quando a necessidade for real
03. O valor do produto de IA existe na camada de tradução, não apenas no modelo
A maioria das pessoas ainda não usa agentes avançados
Em seguida, a discussão passou do que os sistemas de ponta podem fazer para quantas pessoas realmente os utilizam.
Jing mostrou um slide ilustrativo em que cada ponto representa cerca de 3,2 milhões de pessoas. A maioria dos pontos representa pessoas que nunca usaram IA; uma parcela menor usou chatbots gratuitos; uma parcela ainda menor pagou por IA; e apenas uma pequeníssima parcela usa agentes avançados.
Essa visualização deve ser entendida como uma ilustração de apresentação em conferência, não como um censo preciso do uso global de IA.
Sua mensagem de produto é clara:
A tecnologia pode evoluir muito mais rápido do que a adoção pelos usuários.
Uma empresa que atende apenas usuários especialistas pode construir produtos extremamente poderosos, mas incapazes de alcançar a base mais ampla de pessoas que não conhecem configuração de agentes, seleção de modelos, orçamentos de tokens ou fluxos de trabalho complexos.
Vá para onde os usuários já trabalham
Jing Kun acredita que empresas de IA devem reduzir a carga de aprendizado dos usuários, em vez de esperar que todos se tornem especialistas em IA.
Os serviços devem aparecer onde os usuários já estão familiarizados:
- Documentos
- Planilhas
- Apresentações
- Aplicativos de desktop
- Bate-papo de equipes
Isso também melhora o entendimento do produto sobre o usuário.
Quando um agente participa de fluxos de trabalho reais, ele aprende com o contexto ao redor, em vez de receber apenas prompts pontuais.
Agentes de programação são supercarros; produtos mainstream devem ser como direção autônoma
Jing Kun comparou agentes de programação a carros esportivos de alta performance.
Eles são extremamente poderosos nas mãos de desenvolvedores e pesquisadores, mas o usuário precisa saber como operá-los.
A Genspark quer oferecer capacidades centrais semelhantes em um formato mais próximo da direção autônoma:
- O usuário não precisa selecionar cada modelo manualmente.
- Os agentes devem rodar na nuvem, em vez de depender inteiramente do poder computacional local.
- As ferramentas devem ser orquestradas automaticamente.
- A interface deve ocultar complexidades desnecessárias.
- O usuário deve se concentrar no resultado que deseja alcançar.
Essa é a "camada de tradução".
Ela fica entre a capacidade do modelo subjacente e a pessoa tentando realizar um trabalho.
Essa camada é responsável por transformar:
- Vantagens dos modelos em roteamento de tarefas
- APIs em funcionalidades compreensíveis
- Chamadas de ferramentas em fluxos de trabalho completos
- Contexto não estruturado em ações úteis
- Avanços técnicos em experiências fáceis de usar
Empresas de agentes são apenas revendedoras de tokens?
Jack Zhang: A Genspark divulgou ARR superior a 250 milhões de dólares. Críticos às vezes argumentam que empresas de agentes se tornarão camadas de distribuição finas que revendem tokens de modelos. Como você responde?
Jing Kun: Não definimos a Genspark como uma "empresa de agentes". Ela começou como um produto de busca, agora é descrita como produto de agentes ou espaço de trabalho, e continuará mudando conforme a evolução do formato do produto.
Uma definição mais útil: uma empresa de IA construída em torno de contexto integrado.
Jing Kun também rejeita a visão de que "distribuição é naturalmente de baixo valor".
Muitas grandes empresas de software têm uma parcela significativa da receita vinda de canais e distribuição. Alcançar clientes, integrar o produto aos fluxos de trabalho e tornar tecnologia complexa fácil de comprar e usar podem, por si só, se tornar uma moat.
Analogia do restaurante
Jing Kun usou uma comparação com o setor de alimentação:
- Laboratórios de modelos fundamentais são como fornecedores de matéria-prima.
- Produtos de programação especializados são como restaurantes de alta gastronomia focados em um único tipo de culinária.
- Plataformas de roteamento são como atacadistas.
- A Genspark quer ser uma rede de restaurantes conveniente, transformando vários ingredientes em refeições adequadas para os clientes.
O modelo é apenas um dos ingredientes.
Empresas de aplicativos criam valor por meio de:
- Design de produto
- Integração de contexto
- Ferramentas
- Orquestração
- Sistema de arquivos
- Distribuição
- Suporte
- Conhecimento de fluxos de trabalho
- Experiência do
usuário
Jing comparou essa ambição ao papel da Apple no hardware. A Apple compra muitos componentes, mas os usuários não a descrevem apenas como distribuidora de chips e telas, porque a integração cria a experiência final do produto.
A Genspark busca uma forma semelhante de integração acima da camada de modelos.
04. A era da IA pode gerar empresas de aplicativos com valor de trilhões de dólares
Produtos globais precisam de base comum e prioridades localizadas
A Genspark considera Estados Unidos, Coreia do Sul, Japão, França, Índia e Brasil como mercados importantes.
Jing afirmou que a empresa estuda diferenças locais, mas tenta abstraí-las em necessidades humanas comuns.
Exemplos citados na conversa incluem:
- Usuários financeiramente intensivos em Nova York usam muito planilhas.
- Usuários japoneses frequentemente dependem de apresentações e longos deslocamentos.
- A Coreia do Sul tem uma cultura de design forte e uso altamente frequente de ferramentas criativas.
Os comportamentos superficiais variam, mas pessoas em cada mercado ainda precisam se comunicar, analisar informações, preparar documentos e completar trabalhos repetitivos.
O produto pode ajustar prioridades de funcionalidades sem se tornar um sistema completamente diferente em cada país.
Mesmo que o produto seja global, a distribuição pode ser local
A Genspark também experimentou marketing localizado.
Jing mencionou anúncios no metrô de Nova York — passageiros frequentemente passam tempo sem rede móvel confiável e, portanto, notam anúncios físicos.
O produto subjacente permanece global, enquanto a estratégia de distribuição responde ao ambiente local.
Isso reflete a experiência de Jing no setor de busca.
Produtos de busca podem atender às massas sem conhecer o usuário individualmente, porque abstraem a solicitação em uma questão universal: combinar necessidades com informações relevantes.
Um espaço de trabalho global de IA também precisa reconhecer diferenças sem perder sua estrutura comum subjacente.
Empresas de aplicativos podem alcançar trilhões de dólares?
Jing ainda acredita que a era da IA pode produzir uma empresa de aplicativos avaliada em trilhões de dólares, embora ele repita que a maioria das startups falhará.
Seu argumento depende de três premissas.
1. O custo dos modelos continuará caindo
Jing prevê que modelos com capacidade equivalente à atual podem ter custo de uso reduzido para cerca de 1% em dois anos.
Esta é uma projeção prospectiva da empresa, não um resultado setorial estabelecido.
A direção mais ampla — queda no custo de inferência em níveis fixos de capacidade — é razoável e já visível em partes do mercado, mas o número exato de 1% ainda é incerto.
2. A oferta de modelos se tornará mais competitiva
Com a melhoria de modelos fechados e de código aberto, as empresas podem ter mais alternativas em muitas tarefas.
A camada de modelos continua crucial, mas quando múltiplos provedores entregam resultados comparáveis, sua economia pode se tornar mais parecida com uma commodity.
3. Mais valor pode ser transferido para a camada de produto
Se uma empresa de aplicativos puder combinar:
- Múltiplos modelos
- Múltiplas modalidades
- Contexto contínuo do usuário
- Distribuição
- Execução de fluxos de trabalho
- Governança empresarial
Então ela pode estabelecer uma relação mais duradoura com o usuário do que qualquer lançamento de modelo individual.
Esse sistema se tornará cada vez mais
útil, pois cada tarefa concluída cria contexto que melhora a próxima tarefa.
O dia de trabalho futuro: aprovar ou devolver
A visão de longo prazo de Jing é que agentes processem antecipadamente a maioria dos trabalhos repetitivos.
O dia de trabalho humano se torna mais voltado à supervisão.
Em vez de executar cada etapa manualmente, o usuário toma principalmente decisões:
Aprovar e executar
ou
Devolver para ajustes
Essa não é a realidade da maioria das organizações hoje. É o ponto final para o qual a Genspark está projetando.
IA empresarial está migrando da expansão de tokens para a otimização de tokens
Antes de responder à pergunta sobre a idade dos fundadores, Jing acrescentou uma observação sobre IA empresarial.
As discussões corporativas estão saindo de "usar mais
O "Token" para "uso mais eficiente de Tokens".
As empresas estão cada vez mais atentas a:
- Custo por tarefa concluída
- Roteamento de modelos
- Adoção de modelos de código aberto
- Evitar dependência de um único fornecedor
- Taxa de adoção pelos funcionários
- Segurança e controle
- Retorno sobre o investimento
Quando capacidade e preços podem mudar rapidamente, poucas empresas querem colocar todos os seus fluxos de trabalho no mesmo modelo.
Jing prevê que modelos de código aberto e fechado coexistirão nos sistemas empresariais, e as plataformas de produtos escolherão entre eles com base em qualidade e custo.
A idade do fundador importa menos do que a mente aberta
A última questão envolve a preferência de alguns investidores por fundadores de IA muito jovens.
Jing não trata a idade biológica como critério principal.
Ele acredita que, quando a experiência se solidifica em um filtro que rejeita todas as ideias desconhecidas, ela pode se tornar uma desvantagem. No entanto, aqueles com experiência que permanecem abertos, enérgicos e dispostos a se envolver diretamente com novas tecnologias podem ser excepcionalmente produtivos.
Portanto, a Genspark busca:
- Abertura
- Autonomia
- Velocidade de execução
- Curiosidade
- Disposição para reaprender
- Experiência setorial útil
A combinação mais forte não é apenas juventude. É experiência profunda combinada com uma mente não fechada.
Pontos-chave da conversa
Esta entrevista pode ser reduzida a alguns princípios de produto sem perder seu argumento central.
1. Parta das capacidades existentes, mas mantenha uma missão maior
A Genspark começou com busca por IA porque era viável na época. Quando a capacidade dos modelos tornou possível um agente mais completo, ela migrou.
2. O núcleo da integração está no contexto compartilhado
Colocar muitas ferramentas em uma única interface é útil. Fazer com que essas ferramentas entendam os mesmos e-mails, reuniões, documentos, decisões e preferências é muito mais poderoso.
3. O usuário não precisa ser especialista em modelos
A plataforma deve rotear tarefas com base em desempenho, custo e política, ao mesmo tempo que apresenta um fluxo de trabalho fácil de entender.
4. A camada de aplicação pode criar valor duradouro
Contexto, orquestração, design de fluxos de trabalho, distribuição, manipulação de arquivos e experiência do produto não são camadas triviais acima do modelo.
5. Construir no trabalho real
As melhores oportunidades muitas vezes só aparecem depois que a ferramenta entra nos e-mails, documentos, apresentações, planilhas ou fluxos de trabalho de equipe reais do usuário.
6. Trate o custo como um recurso do produto
Um sistema de IA poderoso não deve apenas concluir tarefas. Ele também deve escolher um caminho economicamente viável para concluí-las.
Perguntas frequentes
O que é a Genspark?
A Genspark é um espaço de trabalho integrado de IA que evoluiu de um produto de busca por IA para uma plataforma que combina superagente, memória, ferramentas de escritório, criação de conteúdo, construção de aplicativos e colaboração em equipe. Sua arquitetura oficial Workspace 6.0 inclui SecondBrain, Super Agent, vários pacotes de trabalho e GenTeam.
Por que a Genspark abandonou a busca por IA?
Eric Jing afirma que a busca foi um ponto de entrada pragmático quando os modelos de base ainda não conseguiam concluir fluxos de trabalho completos de forma confiável. Com modelos mais potentes tornando agentes de ponta a ponta mais viáveis, a Genspark expandiu de ajudar usuários a encontrar informações para ajudar usuários a concluir tarefas inteiras.
O que significa "contexto unificado"?
Significa que e-mails, reuniões, documentos, projetos, preferências e trabalhos anteriores podem ser reunidos em uma camada de contexto persistente, utilizada por diversas ferramentas e agentes. O objetivo é que o usuário não precise repetir as mesmas informações de contexto em todos os aplicativos.
A Genspark usa apenas um modelo de IA?
Não. A Genspark descreve seu produto como orquestrando vários modelos e ferramentas, selecionando componentes conforme a tarefa. O conjunto real de modelos utilizados varia conforme os provedores lançam novos sistemas.
O que é o GenOffice?
O GenOffice é o pacote de escritório de código aberto da Genspark para macOS e Windows, em versão alpha. Inclui aplicativos de documentos, planilhas, apresentações e PDF, integrando os recursos de IA da Genspark diretamente nos editores.
O GenOffice é totalmente gratuito?
A Genspark afirma que o pacote de escritório principal é gratuito, sem anúncios e sem marcas d'água. Os recursos de pesquisa, geração e análise com IA usam créditos da Genspark, e o repositório contém uma cláusula de licença separada para futuros catálogos empresariais.
Os 250 milhões de dólares de ARR da Genspark são auditados de forma independente?
O número foi divulgado durante a entrevista e apareceu em materiais da empresa e em reportagens externas. A menos que demonstrações financeiras auditadas sejam publicadas, deve ser descrito como receita recorrente anual divulgada pela empresa.
Por que Eric Jing acredita que empresas de aplicativos de IA podem valer 1 trilhão de dólares?
Seu argumento é que o custo dos modelos continuará caindo e o valor migrará para empresas que integram vários modelos, preservam contexto de trabalho compartilhado, alcançam usuários por meio de fluxos de trabalho familiares e conseguem automatizar uma parcela significativa do trabalho cotidiano. O resultado de 1 trilhão é uma visão e previsão, não um resultado de mercado garantido.
Ferramentas relacionadas
- Genspark AI Workspace: Principal espaço de trabalho integrado da Genspark para agentes, memória, escritório, criação e colaboração.
- GenOffice: Página oficial de download do pacote de escritório de código aberto da Genspark.
- Repositório GenOffice no GitHub: Código-fonte, versões, comandos de desenvolvimento, documentação de arquitetura, licença e guias de contribuição.
- Genspark Super Agent: Camada de agentes sem código da Genspark para pesquisa, criação de conteúdo, chamadas e trabalho em várias etapas.
- GenTeam: Camada de colaboração da Genspark para humanos e agentes de IA trabalharem juntos em conversas compartilhadas.
- OpenRouter: Serviço de roteamento de API para múltiplos modelos, referenciado acima.
Analogia da camada de distribuição na entrevista.
Links relacionados
- Genspark AI Workspace 6.0: Apresentação oficial da Genspark sobre SecondBrain, Super Agent, pacotes de trabalho e GenTeam.
- Anúncio de lançamento do GenOffice: Detalhes oficiais sobre a versão alpha, aplicativos suportados, planos de preços e lançamento de código aberto.
- Repositório GenOffice no GitHub: Repositório oficial do código do pacote de escritório para macOS e Windows.
- Estudo de caso da OpenAI sobre a Genspark: Contexto sobre a transição da Genspark da busca para o Super Agent e seu uso de modelos multimodais e ferramentas.
- Página de download do GenOffice: Downloads oficiais para Mac e Windows e informações do produto.
- Blog da Genspark: Anúncios oficiais e atualizações de produto da empresa.
- Artificial Analysis: Análise independente de desempenho, velocidade e preço de modelos, útil para avaliar o roteamento de modelos discutido na entrevista.
Resumo
O argumento central de Eric Jing é que a forma mais importante de integração de IA não é mais simplesmente empilhar diversas ferramentas em um único aplicativo. A oportunidade mais profunda está em construir um contexto de trabalho unificado e persistente, capaz de suportar múltiplos modelos, agentes e interfaces.
A trajetória da Genspark — da busca ao Super Agent, Workspace 6.0, GenMail, SecondBrain e GenOffice — é a materialização desse argumento.
Cada superfície de produto oferece ao sistema outro local para realizar trabalho e outra fonte de contexto — desde que os dados sejam tratados dentro de uma estrutura apropriada de controle do usuário, privacidade e governança corporativa.
Os dados de receita da empresa, comparações de custos e previsões sobre a economia futura dos modelos ainda são declarações da empresa ou julgamentos prospectivos. No entanto, a estratégia de produto é clara: tornar a complexidade dos modelos invisível, encontrar os usuários em seus fluxos de trabalho familiares e criar valor por meio de orquestração, contexto e distribuição.
Na visão da Genspark, o produto de IA multifuncional vencedor não será aquele com mais botões, mas sim aquele que melhor compreende o contexto relevante e o transforma em trabalho efetivamente concluído.