Genspark llegó a la conferencia AGI Playground 2026 en Singapur con un nuevo producto y una tesis más amplia sobre hacia dónde se dirige el ...
Genspark se presentó en la Conferencia AGI Playground 2026 en Singapur, no solo con un nuevo producto, sino también con un argumento más amplio sobre la dirección futura de las aplicaciones de IA.
El producto es GenOffice, una suite ofimática de escritorio de código abierto para Windows y macOS que admite documentos, hojas de cálculo, presentaciones y PDF. Genspark afirma que la versión Alpha fue desarrollada por un ingeniero en una semana, utilizando aproximadamente 10,000 dólares en tokens de modelos.
El argumento más amplio proviene de la conversación entre el cofundador y CEO de Genspark, Eric Jing, y el fundador y CEO de GeekPark, Jack Zhang.
Genspark comenzó como un producto de búsqueda con IA, luego se transformó en un Super Agente de propósito general, y posteriormente se expandió hasta convertirse en un espacio de trabajo de IA que integra memoria, agentes, creación de contenido, herramientas ofimáticas y funciones de colaboración.
El argumento central de Jing es: el valor duradero de los productos integrales de IA no proviene simplemente de integrar numerosas funciones en una sola interfaz, sino de reunir el contexto de trabajo del usuario, permitiendo que diferentes modelos y agentes comprendan lo que el usuario quiere lograr, sin necesidad de repetir la misma información de fondo una y otra vez.
La conversación giró en torno a cuatro temas:
La siguiente adaptación al chino conserva esta lógica progresiva, al tiempo que distingue las métricas y predicciones propias de Genspark de los hechos verificados de forma independiente.
Jack Zhang: Genspark comenzó con la búsqueda con IA y, según se informa, superó los cinco millones de usuarios. ¿Por qué abandonar un producto que ya había logrado un progreso significativo?
Eric Jing: Mi carrera ha girado en torno a conectar a las personas con la información. Me uní a Microsoft como ingeniero de software en 2006, y durante casi veinte años he dedicado la mayor parte de mi tiempo a trabajar en todo lo relacionado con la búsqueda.
La búsqueda parece consistir en emparejar a las personas con la información, pero el objetivo real del usuario rara vez es encontrar una página web. La gente busca porque necesita completar algo.
Pueden necesitar comparar productos, preparar presentaciones, planificar viajes, redactar informes, contactar proveedores o tomar decisiones. La búsqueda suele ser solo un paso dentro de una tarea más grande.
Los primeros equipos de búsqueda intentaron avanzar en esta dirección. Exploramos la idea de hacer que Bing funcionara más como un motor de tareas, pero en ese momento la tecnología aún no podía manejar de manera confiable todo el flujo de trabajo.
ChatGPT cambió este cálculo. Demostró que la IA podría, en última instancia, manejar gran parte del trabajo repetitivo que rodea a las tareas, permitiendo que las personas se centren en el juicio y la creatividad.
Esa era la ambición original de Genspark: un agente autónomo capaz de completar el trabajo de principio a fin.
Las versiones iniciales de los modelos subyacentes no eran suficientes para respaldar esta visión completa.
Una startup no puede esperar indefinidamente a que llegue la tecnología ideal. Necesita aprovechar las capacidades disponibles en ese momento para encontrar un verdadero ajuste producto-mercado.
Hace dos años, la búsqueda con IA era una de las oportunidades más claras. Ofrecía un producto útil, un comportamiento de usuario familiar y un punto de partida pragmático para construir una empresa.
Jing señaló que el punto de inflexión llegó cuando Claude Sonnet 3.7 hizo que los flujos de trabajo de agentes de extremo a extremo más largos fueran claramente mucho más viables.
Desde la perspectiva de la empresa, pasar de la búsqueda con IA a los agentes no fue una negación de su dirección original, sino el siguiente paso hacia el mismo objetivo: ayudar a los usuarios a completar tareas, no solo a encontrar información.
Jack Zhang: Cinco millones de usuarios ya es una base considerable. ¿El equipo se preocupó de que cambiar el producto destruyera lo que ya habían logrado?
Eric Jing: La transformación conlleva riesgos, pero quedarse quieto es aún más arriesgado.
Los usuarios no son leales a un flujo de trabajo deficiente solo por familiaridad. Cuando una nueva herramienta facilita mucho las tareas importantes, las personas suelen migrar después de experimentar la diferencia.
La transición fue relativamente fluida porque los usuarios obtuvieron una mejora evidente.
Ya no necesitaban leer resúmenes y abrir múltiples fuentes; podían solicitar directamente una presentación completa. Ya no necesitaban recopilar materiales manualmente y organizarlos en un documento; podían describir el resultado deseado y dejar que el agente ejecutara más del proceso.
Para Jing, la lección importante no es que la transformación del producto en sí sea segura, sino que no responder a los cambios significativos en las capacidades puede ser más peligroso que interrumpir un producto existente.
La rápida evolución de los chatbots a la búsqueda con IA, los superagentes y los espacios de trabajo de IA ocurrió en un período de tiempo extremadamente corto.
Jing atribuye esta velocidad a dos fuerzas.
En primer lugar, las capacidades de la IA de vanguardia están avanzando a saltos discontinuos. El software tradicional generalmente progresa mediante refinamientos incrementales del producto, mientras que un solo lanzamiento importante de un modelo puede hacer posibles de repente flujos de trabajo de producto completamente nuevos.
En segundo lugar, décadas de trabajo digitalizado ya han creado la capa de datos que la IA necesita.
Las organizaciones modernas han acumulado:
Estos sistemas han estado generando contexto de trabajo durante años.
Cuando los modelos más potentes pueden acceder a este contexto, el agente no solo puede responder preguntas genéricas. Puede razonar sobre los proyectos reales del usuario, sus colegas, documentos, historial y objetivos.
Jing describe esta combinación como un volante:
Más contexto de trabajo
↓
Los agentes pueden entender mejor las tareas
↓
Los agentes pueden completar más trabajo útil
↓
Más trabajo y retroalimentación entran al sistema
↓
El contexto se vuelve más rico
Los modelos importan, pero lo que determina cuán útil es ese modelo para un individuo o empresa específica es el contexto.
Jack Zhang: Siempre has defendido los productos integrados. ¿Cómo cambia esta filosofía en los productos nativos de IA?
Eric Jing: Muchos productos exitosos son productos integrados. La búsqueda proporcionó una entrada unificada a la información. Los teléfonos inteligentes integraron numerosas funciones detrás de un modo de interacción. WeChat fusionó comunicación, pagos, servicios y contenido en un entorno familiar.
En la era de la IA, una interfaz única todavía tiene valor. Los usuarios no quieren aprender un producto diferente para cada pequeña cosa.
Sin embargo, la forma más importante de integración ahora ocurre detrás de la interfaz.
La verdadera pregunta es: ¿pueden todos los agentes y herramientas del producto acceder a una comprensión consistente del trabajo del usuario?
Jing predice que los modelos fundacionales se volverán cada vez más competitivos y, con el tiempo, más intercambiables.
Diferentes modelos pueden rendir mejor en diferentes tareas, pero los usuarios no deberían verse obligados a comprender cada punto de referencia, tabla de precios, límite de contexto o detalle arquitectónico mientras realizan su trabajo diario.
En el evento, Jing mostró una diapositiva señalando que los modelos de vanguardia se han vuelto potentes en muchas tareas, pero las diferencias de precio siguen siendo enormes.
Esta diapositiva es parte de una presentación corporativa, no una prueba de referencia independiente. Su propósito es ilustrar un problema a nivel de producto: la selección de modelos se ha vuelto demasiado compleja para la mayoría de los usuarios y muchas empresas.
Jing Xian dong recordó una votación anónima durante un evento de CEO de Microsoft, donde los ejecutivos supuestamente señalaron dos preocupaciones recurrentes:
La capa de aplicación puede resolver ambos problemas.
Puede distribuir tareas entre diferentes modelos basándose en los siguientes factores:
El usuario describe el contenido del trabajo, y la plataforma decide qué modelo o combinación de modelos debe procesarlo.
La segunda capa es más importante que el enrutamiento de modelos.
Los datos de los trabajadores del conocimiento están dispersos en numerosos servicios. Los usuarios pueden necesitar copiar información de correos electrónicos a documentos, extraer datos de hojas de cálculo, recuperar decisiones de actas de reuniones y luego proporcionar ese contexto a
varias herramientas de IA.
Una capa de contexto compartido reduce esta duplicación.
La arquitectura oficial de AI Workspace 6.0 publicada por Genspark refleja esta idea a través de cuatro niveles:
El objetivo de diseño de SecondBrain es reunir materiales de correos electrónicos, reuniones, chats, documentos, aplicaciones y proyectos de Genspark.
La experiencia prevista no es simplemente "agregar múltiples herramientas de IA en un solo sitio web", sino un entorno de trabajo unificado donde las herramientas comparten suficiente contexto para mantener la coherencia en el comportamiento.
La definición antigua de suite integrada era:
Una aplicación
+ Múltiples funciones
+ Una interfaz
La definición actualizada, nativa de IA, se acerca más a:
Múltiples interfaces de trabajo
+ Múltiples modelos y agentes
+ Un contexto compartido continuo
+ Una capa de orquestación
Los usuarios aún pueden trabajar en software familiar, en lugar de visitar con frecuencia una página central.
La analogía del restaurante de Jing resulta esclarecedora aquí.
El modelo de software antiguo requería que el usuario visitara el restaurante. El modelo nativo de IA puede llevar el restaurante al usuario o entregar la comida directamente a su puerta.
Los agentes pueden aparecer en correos electrónicos, documentos de oficina, clientes de escritorio u otras interfaces conocidas, mientras escriben contexto útil de vuelta al sistema compartido.
El producto de diapositivas de Genspark demuestra cómo los comentarios de los usuarios impulsan a la empresa desde un formato único hacia una plataforma más amplia.
La empresa inicialmente generaba presentaciones de IA en formato HTML.
Los críticos argumentaban que los usuarios empresariales serios esperan archivos de PowerPoint, no diapositivas web.
Genspark consideraba que HTML era el formato de salida natural para los modelos de lenguaje, ya que puede combinar contenido y diseño de manera relativamente flexible.
Algunos usuarios aceptaron este formato en línea para comunicación interna, especialmente cuando valoraban más la edición rápida y el intercambio que los archivos nativos.
Posteriormente, la evolución del producto fue la siguiente:
Esa suite se convirtió finalmente en GenOffice.
Según la información oficial publicada por Genspark, es un producto alfa que cubre las siguientes funciones:
Las funciones ofimáticas principales son gratuitas y sin anuncios. Las funciones de IA
utilizan créditos de Genspark.
El repositorio oficial de GitHub está principalmente bajo la licencia Apache 2.0, con una cláusula de excepción separada para futuros directorios empresariales. El repositorio incluye aplicaciones Electron para macOS y Windows, un motor de documentos compartido, un núcleo de agentes, analizadores de archivos y una capa de abstracción de proveedores de modelos.
Genspark afirma que la primera versión alfa fue construida por un solo ingeniero en una semana, utilizando aproximadamente 10,000 USD en tokens de modelos. Esta es la historia de desarrollo autoinformada por la empresa, no un estándar de ingeniería auditado de forma independiente.
El trabajo de correo de Genspark siguió un camino similar.
Jing usa el correo electrónico de manera intensiva y a menudo sufría por no poder recuperar el mensaje, adjunto o decisión exactos necesarios para completar una tarea.
El problema del producto se convirtió entonces en: dado que un agente puede existir dentro del cliente de correo y comprender directamente la comunicación, ¿por qué colocarlo al lado del correo?
Durante la preparación del evento, Jing dijo que usó el agente de correo para:
Cada una de estas tareas es pequeña por separado, pero juntas representan una parte bastante significativa del trabajo de conocimiento diario.
Cuando el producto se adentra lo suficientemente profundo en los flujos de trabajo reales y ve estos detalles, la oportunidad aparece.
Jing resumió la filosofía de producto de la empresa en dos reglas.
El equipo debe ser su primer cliente serio.
Los empleados deben preguntarse si el producto realmente resuelve sus problemas laborales, en lugar de asumir que otros aceptarán una experiencia que ellos mismos no están dispuestos a usar.
Solo cuando un número suficiente de otras personas enfrentan el mismo problema, la frustración personal puede convertirse en una oportunidad de negocio.
Por lo tanto, la lógica de desarrollo es:
Resolver problemas que el equipo realmente experimenta
↓
Usar el producto en el trabajo real
↓
Escuchar comentarios externos recurrentes
↓
Solo expandir el flujo de trabajo cuando la necesidad es genuina
La discusión pasó de lo que los sistemas de vanguardia pueden hacer a cuántas personas realmente los usarán.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Jing mostró una diapositiva ilustrativa donde cada punto representa aproximadamente a 3,2 millones de personas. La mayoría de los puntos representan a personas que nunca han usado IA; una porción más pequeña ha usado chatbots gratuitos; una porción aún menor paga por IA; y solo una fracción muy pequeña usa agentes avanzados.
Esta visualización debe entenderse como una ilustración de presentación de conferencia, no como un censo preciso del uso global de IA.
Su mensaje de producto es claro:
La tecnología puede avanzar mucho más rápido que la adopción de los usuarios.
Una empresa que solo atiende a usuarios expertos puede construir productos muy potentes, pero no logra llegar a una base más amplia de usuarios que no entienden configuración de agentes, selección de modelos, presupuestos de tokens o flujos de trabajo complejos.
Jing Kun cree que las empresas de IA deben reducir la carga de aprendizaje para los usuarios, en lugar de esperar que todos se conviertan en expertos en IA.
Los servicios deben aparecer en lugares familiares para los usuarios:
Esto también mejora el conocimiento que el producto tiene del usuario.
Cuando un agente participa en flujos de trabajo reales, aprende del contexto circundante en lugar de recibir solo indicaciones puntuales.
Jing Kun comparó a los agentes de programación con autos de alto rendimiento.
Son extremadamente potentes en manos de desarrolladores e investigadores, pero el usuario debe saber cómo operarlos.
Genspark quiere ofrecer capacidades centrales similares en una forma más cercana a la conducción autónoma:
Esa es la "capa de traducción".
Se sitúa entre las capacidades subyacentes del modelo y las personas que intentan hacer un trabajo.
Esta capa se encarga de transformar:
Zhang Jieke: Genspark ha anunciado un ARR de más de 250 millones de dólares. Los críticos a veces argumentan que las empresas de agentes se convertirán en una capa de distribución delgada que revende tokens de modelos. ¿Cómo respondes?
Jing Kun: No definimos a Genspark como una "empresa de agentes". Originalmente fue un producto de búsqueda, ahora se describe como un agente o un producto de espacio de trabajo, y seguirá evolucionando a medida que cambie la forma del producto.
Una definición más útil es: una empresa de IA construida en torno a un contexto unificado.
Jing Kun también rechaza la idea de que "la distribución es inherentemente de bajo valor".
Muchas grandes empresas de software obtienen una parte considerable de sus ingresos de canales y distribución. Llegar a los clientes, integrar el producto en los flujos de trabajo, hacer que la tecnología compleja sea fácil de comprar y usar — todo eso puede convertirse en un foso defensivo.
Jing Kun usó una comparación con la industria gastronómica:
El modelo es solo uno de los ingredientes.
Las empresas de aplicaciones crean valor a través de:
Jing compara esta ambición con el papel de Apple en el hardware. Apple compra muchos componentes, pero los usuarios no la describen simplemente como un distribuidor de chips y pantallas, porque la integración crea la experiencia final del producto.
Genspark quiere buscar una forma similar de integración sobre la capa de modelos.
Genspark considera a Estados Unidos, Corea del Sur, Japón, Francia, India y Brasil como mercados importantes.
Jing dice que la empresa estudia las diferencias locales, pero intenta abstraerlas en necesidades humanas comunes.
Ejemplos mencionados en la conversación:
Los comportamientos superficiales varían, pero las personas en cada mercado aún necesitan comunicarse, analizar información, preparar documentos y completar trabajo repetitivo.
El producto puede ajustar las prioridades de funciones sin convertirse en un sistema completamente diferente en cada país.
Genspark también ha experimentado con marketing localizado.
Jing mencionó anuncios en el metro de Nueva York — los pasajeros a menudo pasan tiempo sin conexión móvil confiable, por lo que notan los anuncios físicos.
El producto subyacente sigue siendo global, mientras que la estrategia de distribución responde al entorno local.
Esto refleja la experiencia de Jing en el campo de la búsqueda.
Un producto de búsqueda puede servir a las masas sin conocer a los usuarios individualmente, porque abstrae la solicitud en una pregunta universal: emparejar la necesidad con información relevante.
Un espacio de trabajo global de IA también necesita reconocer las diferencias sin perder la estructura común que subyace.
Jing aún cree que la era de la IA puede producir una empresa de aplicaciones valorada en un billón de dólares, aunque insiste repetidamente en que la mayoría de las startups fracasarán.
Su argumento se basa en tres supuestos.
Jing predice que los modelos que alcanzan el nivel de capacidad actual podrían costar alrededor del 1% en dos años.
Esta es una proyección prospectiva de la empresa, no un resultado industrial establecido.
La dirección más amplia —costos de inferencia decrecientes en niveles de capacidad fijos— es razonable y ya visible en algunas partes del mercado, pero la cifra exacta del 1% es incierta.
A medida que los modelos de código cerrado y abierto mejoran, las empresas pueden tener más alternativas en muchas tareas.
La capa de modelos sigue siendo crucial, pero cuando múltiples proveedores ofrecen resultados comparables, su economía puede volverse más similar a un commodity.
Si una empresa de aplicaciones puede combinar:
Entonces puede establecer con los usuarios una relación más duradera que cualquier lanzamiento de un solo modelo.
El sistema se volverá cada vez más útil, porque cada tarea completada crea contexto que mejora la siguiente.
La visión a largo plazo de Jing es que los agentes manejen la mayor parte del trabajo repetitivo por adelantado.
El día laboral humano se vuelve más orientado a la supervisión.
En lugar de ejecutar cada paso manualmente, el usuario principalmente toma decisiones:
Aprobar y ejecutar
o
Devolver para modificar
Esa no es la realidad de la mayoría de las organizaciones hoy. Es el punto final hacia el cual Genspark está diseñando.
Antes de responder a la pregunta sobre la edad de los fundadores, Jing añadió una observación sobre la IA empresarial.
Las discusiones corporativas están pasando de "usar más
Token" hacia "uso más eficiente de Token".
Las empresas prestan cada vez más atención a:
Cuando las capacidades y los precios pueden cambiar rápidamente, pocas empresas están dispuestas a poner todos sus flujos de trabajo en un mismo modelo.
Jing espera que los modelos de código abierto y los de código cerrado coexistan en los sistemas empresariales, y que las plataformas de productos elijan entre ambos en función de la calidad y el coste.
La última cuestión tiene que ver con la preferencia de algunos inversores por fundadores de IA muy jóvenes.
Jing no considera la edad biológica como un criterio principal.
Él cree que cuando la experiencia se solidifica en un filtro que rechaza todas las ideas desconocidas, puede convertirse en una desventaja. Sin embargo, aquellos con experiencia que permanecen abiertos, enérgicos y dispuestos a involucrarse directamente con nuevas tecnologías pueden ser extraordinariamente eficientes.
Por lo tanto, Genspark busca:
La combinación más fuerte no es simplemente la juventud. Es la experiencia profunda combinada con una mentalidad abierta.
Esta entrevista puede resumirse en varios principios de producto sin perder su argumento central.
Genspark comenzó con la búsqueda de IA porque era lo más viable en ese momento. Cuando las capacidades de los modelos hicieron posible un agente más completo, la empresa pivotó.
Tener muchas herramientas en una sola interfaz es útil. Que esas herramientas entiendan los mismos correos, reuniones, documentos, decisiones y preferencias es mucho más potente.
La plataforma debe enrutar las tareas según rendimiento, coste y política, presentando al mismo tiempo un flujo de trabajo fácil de entender.
El contexto, la orquestación, el diseño de flujos de trabajo, la distribución, el procesamiento de archivos y la experiencia de producto no son capas triviales sobre los modelos.
Las mejores oportunidades a menudo solo aparecen después de que la herramienta entra en los correos, documentos, presentaciones, hojas de cálculo o flujos de trabajo de equipo reales de los usuarios.
Un sistema de IA potente no solo debe completar la tarea. También debe elegir un camino económicamente razonable para completarla.
Genspark es un espacio de trabajo de IA todo en uno que evolucionó de un producto de búsqueda con IA a una plataforma que combina superagentes, memoria, herramientas de oficina, creación de contenido, construcción de aplicaciones y colaboración en equipo. Su arquitectura oficial Workspace 6.0 incluye SecondBrain, Super Agent, múltiples suites de trabajo y GenTeam.
Eric Jing afirma que la búsqueda fue un punto de entrada pragmático cuando los modelos base aún no podían completar flujos de trabajo completos de manera fiable. A medida que los modelos más potentes hicieron más viable un agente de extremo a extremo, Genspark pasó de ayudar a los usuarios a encontrar información a ayudarles a completar tareas completas.
Significa que los correos electrónicos, reuniones, documentos, proyectos, preferencias y trabajos anteriores pueden confluir en una capa de contexto persistente, utilizada por múltiples herramientas y agentes. El objetivo es que el usuario no tenga que repetir la misma información de fondo en cada aplicación.
No. Genspark describe su producto como una orquestación de múltiples modelos y herramientas, seleccionando componentes según la tarea. El conjunto real de modelos utilizados cambia a medida que los proveedores lanzan nuevos sistemas.
GenOffice es la suite ofimática de Genspark en versión alfa de código abierto para macOS y Windows. Incluye aplicaciones de documentos, hojas de cálculo, presentaciones y PDF, e integra las funciones de IA de Genspark en los editores.
Genspark afirma que la suite ofimática principal es gratuita, sin anuncios y sin marcas de agua. Las funciones de investigación, generación y análisis impulsadas por IA utilizan créditos de Genspark, y el repositorio incluye una cláusula de licencia separada para un futuro catálogo empresarial.
La cifra se anunció en la entrevista y aparece en entrevistas de la empresa y en informes externos. A menos que se publiquen estados financieros auditados, debe describirse como ingresos recurrentes anuales reportados por la empresa.
Su argumento es que el coste de los modelos seguirá bajando y que el valor se desplazará hacia empresas que integren múltiples modelos, conserven un contexto de trabajo compartido, lleguen a los usuarios mediante flujos de trabajo familiares y puedan automatizar una proporción considerable del trabajo cotidiano. El resultado de un billón de dólares es una visión y una predicción, no un resultado de mercado garantizado.
El argumento central de Eric Jing es que la forma más importante de integración de la IA ya no consiste simplemente en meter muchas herramientas en una aplicación. La oportunidad más profunda radica en construir un contexto de trabajo unificado y persistente que pueda soportar múltiples modelos, agentes e interfaces.
La trayectoria de evolución de Genspark, desde la búsqueda hasta Super Agent, Workspace 6.0, GenMail, SecondBrain y GenOffice, es una manifestación de este argumento.
Cada superficie de producto ofrece al sistema otro lugar donde realizar el trabajo y otra fuente de contexto, siempre que los datos se procesen dentro de un marco adecuado de control por parte del usuario, privacidad y gobernanza empresarial.
Los datos de ingresos de la empresa, las comparaciones de costos y las proyecciones sobre la economía futura de los modelos siguen siendo declaraciones de la compañía o juicios prospectivos. Sin embargo, la estrategia de producto es clara: hacer que la complejidad de los modelos sea imperceptible, encontrarse con los usuarios en sus flujos de trabajo familiares y crear valor mediante la orquestación, el contexto y la distribución.
Desde la perspectiva de Genspark, el producto de IA integral ganador no será el que tenga más botones, sino el que mejor comprenda el contexto relevante y lo convierta en trabajo realmente realizado.
Empieza con una sola frase y obtén un sitio completo en minutos.
