Genspark a présenté un nouveau produit et une thèse plus large sur l'avenir des applications d'IA lors de la conférence AGI Playground 2026 ...
Genspark a fait une apparition remarquée au salon AGI Playground 2026 à Singapour, apportant non seulement un nouveau produit, mais aussi une thèse plus large sur l'orientation future des applications d'IA.
Le produit est GenOffice, une suite bureautique open source pour Windows et macOS, prenant en charge les documents, les feuilles de calcul, les présentations et les PDF. Genspark affirme que la version Alpha a été développée par un seul ingénieur en une semaine, en utilisant environ 10 000 dollars de tokens de modèles.
La thèse plus large provient de la conversation entre Eric Jing, cofondateur et CEO de Genspark, et Jack Zhang, fondateur et CEO de GeekPark.
Genspark a d'abord été un produit de recherche IA, puis s'est transformé en Super Agent polyvalent, avant de s'étendre pour devenir un espace de travail IA intégrant mémoire, agents, création de contenu, outils bureautiques et fonctions de collaboration.
L'argument central de Jing est le suivant : la valeur durable des produits IA tout-en-un ne provient pas simplement de l'intégration de nombreuses fonctionnalités dans une seule interface, mais de la réunion du contexte de travail de l'utilisateur, permettant à différents modèles et agents de comprendre ce que l'utilisateur souhaite accomplir, sans avoir à redemander sans cesse les mêmes informations contextuelles.
La conversation s'articule autour de quatre thèmes :
L'adaptation chinoise suivante préserve cette logique progressive, tout en distinguant les propres indicateurs et prévisions de Genspark des faits vérifiés de manière indépendante.
Jack Zhang : Genspark a commencé avec la recherche IA, et selon les rapports, a dépassé les cinq millions d'utilisateurs. Pourquoi quitter un produit qui avait déjà obtenu des progrès significatifs ?
Eric Jing : Ma carrière a toujours tourné autour de la connexion entre les personnes et l'information. J'ai rejoint Microsoft en 2006 en tant qu'ingénieur logiciel, et j'ai consacré près de vingt ans de ma vie au travail lié à la recherche.
La recherche semble consister à mettre en correspondance les personnes et les informations, mais le véritable objectif de l'utilisateur est rarement de trouver une page web. Les gens effectuent des recherches parce qu'ils ont besoin d'accomplir quelque chose.
Ils peuvent avoir besoin de comparer des produits, de préparer des présentations, de planifier des voyages, de rédiger des rapports, de contacter des fournisseurs ou de prendre des décisions. La recherche n'est souvent qu'une étape dans une tâche plus vaste.
Les premières équipes de recherche ont tenté d'avancer dans cette direction. Nous avons exploré l'idée de faire de Bing un moteur de tâches, mais la technologie de l'époque ne pouvait pas encore exécuter de manière fiable l'ensemble du flux de travail.
ChatGPT a changé cette équation. Il a montré que l'IA pourrait finalement traiter une grande partie du travail répétitif autour des tâches, laissant les personnes se concentrer sur le jugement et la création.
C'était précisément l'ambition initiale de Genspark : un agent autonome capable de mener à bien un travail de bout en bout.
Les premières versions des modèles sous-jacents n'étaient pas encore suffisantes pour soutenir cette vision complète.
Une startup ne peut pas attendre indéfiniment l'arrivée de la technologie idéale. Elle doit utiliser les capacités disponibles pour trouver une véritable adéquation produit-marché.
Il y a deux ans, la recherche IA était l'une des opportunités les plus claires. Elle offrait un produit utile, un comportement utilisateur familier, et un point de départ pragmatique pour construire une entreprise.
Jing indique que le point de bascule est survenu lorsque Claude Sonnet 3.7 a rendu les flux de travail d'agents de bout en bout plus longs nettement plus viables.
Du point de vue de l'entreprise, passer de la recherche IA aux agents ne constitue pas une négation de son orientation initiale, mais plutôt une étape suivante vers le même objectif : aider les utilisateurs à accomplir des tâches, pas seulement à trouver des informations.
Jack Zhang : Cinq millions d'utilisateurs constituent déjà une base considérable. L'équipe craignait-elle que la modification du produit ne détruise les acquis ?
Eric Jing : La transition comporte des risques, mais rester immobile est encore plus risqué.
Les utilisateurs ne restent pas fidèles à un flux de travail médiocre simplement par habitude. Lorsqu'un nouvel outil facilite considérablement les tâches importantes, les gens migrent généralement après avoir expérimenté la différence.
La transition a été relativement fluide car les utilisateurs ont bénéficié d'une mise à niveau évidente.
Au lieu de lire des résumés et d'ouvrir plusieurs sources, ils peuvent désormais demander directement une présentation complète. Au lieu de collecter manuellement des documents et de les organiser, ils peuvent décrire le résultat souhaité et laisser l'agent exécuter davantage de processus.
Pour Jing, la leçon importante n'est pas que la transformation d'un produit est sûre en soi, mais que ne pas réagir aux changements majeurs de capacités peut être plus dangereux que de bouleverser un produit existant.
L'évolution rapide des chatbots à la recherche IA, aux super agents et aux espaces de travail IA s'est produite en très peu de temps.
Jing attribue cette vitesse à deux forces.
Premièrement, les capacités de l'IA de pointe progressent par bonds discontinus. Les logiciels traditionnels évoluent généralement par améliorations progressives, tandis qu'une version majeure d'un modèle peut soudainement rendre possibles des flux de travail entièrement nouveaux.
Deuxièmement, des décennies de travail numérisé ont créé la couche de données nécessaire à l'IA.
Les organisations modernes ont accumulé :
Ces systèmes génèrent depuis des années du contexte de travail.
Lorsque des modèles plus puissants peuvent accéder à ce contexte, les agents ne se contentent pas de répondre à des questions génériques. Ils peuvent raisonner sur les projets réels, les collègues, les documents, l'historique et les objectifs de l'utilisateur.
Jing décrit cette combinaison comme un volant d'inertie :
Plus de contexte de travail
↓
Les agents comprennent mieux les tâches
↓
Les agents accomplissent davantage de travail utile
↓
Plus de travail et de retours entrent dans le système
↓
Le contexte s'enrichit
Le modèle est important, mais c'est le contexte qui détermine l'utilité de ce modèle pour un individu ou une entreprise donnée.
Jack Zhang : Tu as toujours soutenu les produits intégrés. Comment cette philosophie évolue-t-elle dans les produits nativement IA ?
Eric Jing : De nombreux produits à succès sont des produits intégrés. La recherche offre un point d'entrée unique pour l'information. Les smartphones regroupent de nombreuses fonctionnalités derrière un mode d'interaction unique. WeChat intègre communication, paiement, services et contenu dans un environnement familier.
À l'ère de l'IA, une interface unique conserve de la valeur. Les utilisateurs ne veulent pas apprendre un produit différent pour chaque petite tâche.
Cependant, la forme d'intégration la plus importante se produit désormais derrière l'interface.
La vraie question est : tous les agents et outils du produit peuvent-ils accéder à une compréhension cohérente du travail de l'utilisateur ?
Eric Jing prévoit que les modèles de base deviendront de plus en plus compétitifs et de plus en plus interchangeables au fil du temps.
Différents modèles peuvent être plus performants sur différentes tâches, mais les utilisateurs ne devraient pas avoir à comprendre chaque benchmark, tableau de prix, limite de contexte ou détail d'architecture dans le cadre de leur travail quotidien.
Lors de l'événement, Jing a montré une diapositive indiquant que les modèles de pointe sont devenus puissants sur de nombreuses tâches, mais que les écarts de prix restent considérables.
Cette diapositive provient d'une présentation d'entreprise et non d'un benchmark indépendant. Son objectif est d'illustrer un problème au niveau du produit : le choix des modèles est devenu trop complexe pour la plupart des utilisateurs et de nombreuses entreprises.
Jing Xianmin a évoqué un vote anonyme lors d'un événement avec des dirigeants de Microsoft, où ceux-ci auraient souligné deux préoccupations récurrentes :
La couche applicative peut résoudre ces deux problèmes.
Elle peut répartir les tâches entre différents modèles en fonction de critères tels que :
L'utilisateur décrit son travail, et la plateforme décide quel modèle ou combinaison de modèles doit le traiter.
La deuxième couche est encore plus importante que le routage des modèles.
Les données des travailleurs du savoir sont dispersées dans de nombreux services. L'utilisateur peut avoir besoin de copier des informations d'un e-mail vers un document, d'extraire des données d'un tableur, de retrouver des décisions dans des comptes rendus de réunion, puis de fournir ce contexte à plusieurs outils d'IA.
Une couche de contexte partagé réduit cette duplication.
L'architecture officielle d'AI Workspace 6.0 publiée par Genspark illustre cette vision à travers quatre niveaux :
L'objectif de conception de SecondBrain est de rassembler des matériaux issus des e-mails, réunions, conversations, documents, applications et projets Genspark.
L'expérience attendue n'est pas simplement « regrouper de nombreux outils d'IA dans un seul site », mais un environnement de travail unifié où les outils partagent suffisamment de contexte pour maintenir une cohérence de comportement.
L'ancienne définition du tout-en-un était :
Une application
+ De nombreuses fonctionnalités
+ Une interface
La définition actualisée, native de l'IA, se rapproche davantage de :
De nombreuses interfaces de travail
+ De nombreux modèles et agents
+ Un contexte partagé en continu
+ Une couche d'orchestration
Les utilisateurs continuent de travailler dans des logiciels familiers, plutôt que de passer fréquemment par une page centrale.
L'analogie du restaurant de Jing est ici éclairante.
L'ancien modèle logiciel exigeait que l'utilisateur se rende au restaurant. Le modèle natif de l'IA peut placer le restaurant à proximité de l'utilisateur, voire livrer le repas directement.
Les agents peuvent apparaître dans les e-mails, les documents bureautiques, les clients de bureau ou d'autres interfaces familières, tout en écrivant en retour un contexte utile dans le système partagé.
Le produit de diapositives de Genspark montre comment les retours utilisateurs ont conduit l'entreprise d'un format unique à une plateforme plus large.
L'entreprise a d'abord généré des présentations IA au format HTML.
Les critiques estimaient que les utilisateurs professionnels sérieux attendent des fichiers PowerPoint, et non des diapositives web.
Genspark considérait que le HTML était le format de sortie naturel des modèles de langage, car il permet d'associer contenu et mise en page avec une relative flexibilité.
Certains utilisateurs ont accepté ce format en ligne pour la communication interne, surtout lorsqu'ils privilégiaient la rapidité d'édition et de partage plutôt que les fichiers natifs.
L'évolution du produit s'est ensuite déroulée ainsi :
Cette suite est finalement devenue GenOffice.
Selon les informations officielles publiées par Genspark, il s'agit d'un produit alpha couvrant :
Les fonctions bureautiques essentielles sont gratuites et sans publicité. Les fonctionnalités d'IA utilisent des crédits Genspark.
Le dépôt GitHub officiel est principalement sous licence Apache 2.0, avec des exceptions distinctes pour l'annuaire d'entreprise à venir. Le dépôt comprend des applications Electron pour macOS et Windows, un moteur documentaire partagé, un noyau d'agent, des analyseurs de fichiers et une couche d'abstraction des fournisseurs de modèles.
Genspark indique que la première version alpha a été construite par un seul ingénieur en une semaine avec environ 10 000 $ de jetons de modèles. Il s'agit de l'histoire de développement racontée par l'entreprise elle-même, et non d'un benchmark d'ingénierie audité de manière indépendante.
Le travail sur l'e-mail chez Genspark a suivi un chemin similaire.
Jing utilise intensivement l'e-mail et a souvent du mal à retrouver le message, la pièce jointe ou la décision exacts nécessaires pour accomplir une tâche.
Le problème produit devient alors : puisque l'agent peut exister à l'intérieur du client e-mail et comprendre directement les échanges, pourquoi le placer à côté de la messagerie ?
Lors de la préparation de l'événement, Jing a déclaré avoir utilisé l'agent e-mail pour :
Ces tâches sont individuellement mineures, mais ensemble, elles représentent une part considérable du travail de connaissance quotidien.
Lorsqu'un produit s'enfonce suffisamment profondément dans les flux de travail réels et voit ces détails, les opportunités apparaissent.
Jing résume la philosophie produit de l'entreprise en deux règles.
L'équipe doit être son premier client sérieux.
Les employés doivent se demander si le produit résout vraiment leurs problèmes de travail, plutôt que de supposer que d'autres accepteront une expérience qu'ils n'utiliseraient pas eux-mêmes.
Ce n'est que lorsqu'un nombre suffisant d'autres personnes rencontrent le même problème qu'une préoccupation individuelle peut se transformer en opportunité commerciale.
Par conséquent, la logique de développement est la suivante :
Résoudre les problèmes réellement vécus par l'équipe
↓
Utiliser le produit dans le travail réel
↓
Écouter les retours externes récurrents
↓
N'étendre les flux de travail que lorsque le besoin est réellement confirmé
Ensuite, la discussion est passée de ce que les systèmes de pointe peuvent faire à combien de personnes les utiliseront réellement.
Jing a présenté une diapositive illustrative où chaque point représentait environ 3,2 millions de personnes. La plupart des points représentaient des personnes n'ayant jamais utilisé l'IA ; une plus petite partie avait utilisé des chatbots gratuits ; une portion encore plus réduite payait pour l'IA ; et seuls quelques-uns utilisaient des agents avancés.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Cette visualisation doit être comprise comme une illustration de présentation de conférence, et non comme un recensement précis de l'utilisation mondiale de l'IA.
Le message produit est clair :
Le rythme de développement technologique peut dépasser de loin le rythme d'adoption par les utilisateurs.
Une entreprise qui ne sert que des utilisateurs experts pourrait créer des produits très performants, mais incapables d'atteindre la masse plus large d'utilisateurs qui ne connaissent pas la configuration des agents, le choix des modèles, les budgets de tokens ou les flux de travail complexes.
Jing estime que les entreprises d'IA devraient réduire la charge d'apprentissage des utilisateurs, plutôt que d'attendre que chacun devienne un expert en IA.
Les services devraient apparaître là où les utilisateurs sont déjà familiers :
Cela améliore également la compréhension que le produit a de ses utilisateurs.
Lorsqu'un agent participe à des flux de travail réels, il apprend du contexte environnant, au lieu de ne recevoir que des requêtes ponctuelles.
Jing compare les agents de programmation à des voitures de sport haute performance.
Ils sont extrêmement puissants entre les mains des développeurs et des chercheurs, mais les utilisateurs doivent savoir comment les piloter.
Genspark souhaite offrir des capacités similaires sous une forme plus proche de la conduite autonome :
C'est la « couche de traduction ».
Elle se situe entre les capacités des modèles sous-jacents et les personnes qui tentent d'accomplir un travail.
Cette couche est responsable de la transformation :
Jack Zhang : Le chiffre d'affaires annuel récurrent (ARR) publié par Genspark dépasse 250 millions de dollars. Les critiques affirment parfois que les sociétés d'agents finiront par devenir une fine couche de distribution qui revend des tokens de modèles. Comment répondez-vous à cela ?
Jing : Nous ne définissons pas Genspark comme une « société d'agents ». C'est à l'origine un produit de recherche, maintenant décrit comme un produit d'agents ou d'espace de travail, et il continuera d'évoluer avec la forme du produit.
Une définition plus utile est : une entreprise d'IA construite autour d'un contexte unifié.
Jing rejette également l'idée que la distribution est naturellement de faible valeur.
De nombreuses grandes sociétés de logiciels tirent une part importante de leurs revenus des canaux et de la distribution. Atteindre les clients, intégrer le produit dans les flux de travail, rendre une technologie complexe facile à acheter et à utiliser — tout cela peut en soi constituer une barrière concurrentielle.
Jing a utilisé une comparaison avec le secteur de la restauration :
Le modèle n'est qu'un ingrédient parmi d'autres.
Les entreprises d'applications créent de la valeur grâce à :
Jing compare cette ambition au rôle d'Apple dans le domaine matériel. Apple achète de nombreux composants, mais les utilisateurs ne le décrivent pas simplement comme un distributeur de puces et d'écrans, car l'intégration crée l'expérience produit finale.
Genspark souhaite poursuivre une forme d'intégration similaire au-dessus de la couche des modèles.
Genspark considère les États-Unis, la Corée du Sud, le Japon, la France, l'Inde et le Brésil comme des marchés importants.
Jing explique que l'entreprise étudie les différences locales, mais tente de les abstraire en besoins humains communs.
Les exemples mentionnés dans la conversation incluent :
Les comportements de surface diffèrent, mais dans chaque marché, les gens ont toujours besoin de communiquer, d'analyser des informations, de préparer des documents et d'accomplir des tâches répétitives.
Le produit peut ajuster ses priorités fonctionnelles sans devenir un système totalement différent dans chaque pays.
Genspark a également expérimenté le marketing localisé.
Jing a mentionné des campagnes publicitaires dans le métro de New York — les passagers passent souvent du temps sans réseau mobile fiable et remarquent donc les publicités physiques.
Le produit sous-jacent reste mondial, tandis que la stratégie de distribution répond à l'environnement local.
Cela reflète l'expérience de Jing dans le domaine de la recherche.
Un produit de recherche peut servir le grand public sans connaître l'utilisateur individuel, car il abstrait la requête en une question universelle : mettre en correspondance un besoin avec des informations pertinentes.
Un espace de travail IA mondial doit également reconnaître les différences sans perdre la structure commune qui les sous-tend.
Jing croit toujours que l'ère de l'IA peut produire une société d'applications valant mille milliards de dollars, bien qu'il répète que la plupart des startups échoueront.
Son argument repose sur trois hypothèses.
Jing prédit que le coût d'utilisation d'un modèle atteignant les capacités actuelles pourrait tomber à environ 1 % d'ici deux ans.
C'est une prévision prospective de l'entreprise, et non un résultat industriel établi.
La direction générale — la baisse des coûts d'inférence à niveau de capacité fixe — est raisonnable et déjà visible dans certaines parties du marché, mais le chiffre précis de 1 % reste incertain.
À mesure que les modèles propriétaires et open source s'améliorent, les entreprises disposeront de davantage d'alternatives pour de nombreuses tâches.
La couche des modèles reste essentielle, mais lorsque plusieurs fournisseurs offrent des résultats comparables, son économie peut ressembler davantage à celle d'un produit de commodité.
Si une société d'applications peut combiner :
alors elle pourra établir avec les utilisateurs une relation plus durable que celle créée par le lancement d'un modèle unique.
Ce système deviendra de plus en plus utile, car chaque tâche accomplie crée un contexte qui améliore la tâche suivante.
La vision à long terme de Jing est que les agents traitent à l'avance la plupart des tâches répétitives.
La journée de travail de l'humain devient davantage une activité de supervision.
Au lieu d'exécuter manuellement chaque étape, l'utilisateur prend principalement des décisions :
Approuver et exécuter
ou
Renvoyer pour modification
Ce n'est pas la réalité de la plupart des organisations aujourd'hui. C'est l'état final vers lequel Genspark conçoit.
Avant de répondre à la question sur l'âge des fondateurs, Jing a ajouté une observation sur l'IA d'entreprise.
Les discussions en entreprise passent de « utiliser plus
Passer de « jetons » à « une utilisation plus efficace des jetons ».
Les entreprises accordent une attention croissante à :
Lorsque les capacités et les prix peuvent évoluer rapidement, rares sont les entreprises qui souhaitent placer tous leurs flux de travail sur un seul et même modèle.
Jing prévoit que les modèles open source et les modèles propriétaires coexisteront au sein des systèmes d'entreprise, les plateformes produits choisissant entre les deux en fonction de la qualité et du coût.
Une dernière question concerne la préférence de certains investisseurs pour de très jeunes fondateurs d'IA.
Jing ne considère pas l'âge biologique comme un critère principal.
Selon lui, lorsque l'expérience se fige en un filtre qui rejette toute idée inconnue, elle peut devenir un inconvénient. Cependant, les personnes expérimentées qui restent ouvertes, énergiques et prêtes à s'engager directement avec les nouvelles technologies peuvent être exceptionnellement efficaces.
Par conséquent, Genspark recherche :
La combinaison la plus forte n'est pas simplement la jeunesse. C'est une expérience approfondie alliée à un esprit ouvert.
Cet entretien peut être réduit à quelques principes produits sans perdre son argument central.
Genspark a commencé par la recherche IA, car c'était réalisable à ce moment-là. Lorsque les capacités des modèles ont rendu possible un agent plus complet, la plateforme a pivoté.
Réunir de nombreux outils dans une seule interface est utile. Permettre à ces outils de comprendre les mêmes e-mails, réunions, documents, décisions et préférences est encore plus puissant.
La plateforme doit router les tâches en fonction des performances, des coûts et de la stratégie, tout en présentant un flux de travail facile à comprendre.
Le contexte, l'orchestration, la conception des flux de travail, la distribution, le traitement des fichiers et l'expérience produit ne sont pas des couches triviales au-dessus des modèles.
Les meilleures opportunités n'apparaissent souvent qu'une fois que l'outil est intégré aux e-mails, documents, présentations, feuilles de calcul ou flux de travail d'équipe réels des utilisateurs.
Un système d'IA puissant ne doit pas seulement accomplir la tâche. Il doit également choisir un chemin économiquement rationnel pour y parvenir.
Genspark est un espace de travail IA tout-en-un, issu d'un produit de recherche IA, qui a évolué vers une plateforme combinant super-agents, mémoire, outils bureautiques, création de contenu, création d'applications et collaboration d'équipe. Son architecture officielle Workspace 6.0 comprend SecondBrain, Super Agent, plusieurs suites de travail et GenTeam.
Eric Jing a déclaré que la recherche était un point d'entrée pragmatique lorsque les modèles de fondation ne pouvaient pas encore exécuter de manière fiable des flux de travail complets. Avec des modèles plus puissants rendant les agents de bout en bout plus viables, Genspark est passé de l'aide aux utilisateurs pour trouver des informations à l'aide à la réalisation de tâches complètes.
Cela signifie que les e-mails, réunions, documents, projets, préférences et travaux antérieurs peuvent alimenter une couche de contexte persistante, utilisée par plusieurs outils et agents. L'objectif est d'éviter aux utilisateurs de ressaisir le même contexte dans chaque application.
Non. Genspark décrit son produit comme orchestrant plusieurs modèles et outils, choisissant les composants en fonction de la tâche. L'ensemble des modèles réellement utilisés évolue à mesure que les fournisseurs publient de nouveaux systèmes.
GenOffice est la suite bureautique open source alpha de Genspark pour macOS et Windows. Elle comprend des applications de documents, feuilles de calcul, présentations et PDF, et intègre les fonctionnalités d'IA de Genspark dans les éditeurs.
Genspark indique que la suite bureautique de base est gratuite, sans publicité et sans filigrane. Les fonctions de recherche, de génération et d'analyse basées sur l'IA utilisent les crédits Genspark, et le dépôt contient une clause de licence distincte pour un futur catalogue d'entreprise.
Ce chiffre a été annoncé lors de l'entretien et apparaît dans les communications de l'entreprise et des reportages externes. À moins qu'un état financier audité ne soit publié, il doit être décrit comme un revenu récurrent annuel déclaré par l'entreprise.
Son argument est que les coûts des modèles continueront de baisser, tandis que la valeur se déplacera vers les entreprises qui intègrent plusieurs modèles, conservent un contexte de travail partagé, touchent les utilisateurs via des flux de travail familiers et peuvent automatiser une part significative du travail quotidien. Le résultat de 1 000 milliards de dollars est une vision et une prédiction, et non un résultat de marché garanti.
Analogie de la couche de distribution issue de l'entretien.
L'argument central d'Eric Jing est que la forme la plus importante d'intégration de l'IA n'est plus la simple juxtaposition de nombreux outils dans une seule application. L'opportunité plus profonde réside dans la construction d'un contexte de travail unifié et persistant, capable de prendre en charge plusieurs modèles, agents et interfaces.
Le parcours d'évolution de Genspark, de la recherche à Super Agent, Workspace 6.0, GenMail, SecondBrain et GenOffice, illustre précisément cette thèse.
Chaque surface de produit offre au système un autre lieu où accomplir du travail et une autre source de contexte — à condition que les données soient traitées dans un cadre approprié de contrôle utilisateur, de confidentialité et de gouvernance d'entreprise.
Les chiffres de revenus de l'entreprise, les comparaisons de coûts et les prévisions sur l'économie des futurs modèles restent des déclarations ou des évaluations prospectives. Cependant, la stratégie produit est claire : rendre la complexité des modèles invisible, rencontrer les utilisateurs dans leurs flux de travail familiers, et créer de la valeur par l'orchestration, le contexte et la distribution.
Selon Genspark, le produit d'IA polyvalent qui gagnera ne sera pas celui qui aura le plus de boutons, mais celui qui comprendra le mieux le contexte pertinent et le transformera en travail réellement accompli.
Partez d’une phrase et obtenez un site complet en quelques minutes.
