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 pr...
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:
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.
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.
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.
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.
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:
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.
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?
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:
A camada de aplicação pode resolver esses dois problemas.
Ela pode distribuir tarefas para diferentes modelos com base nos seguintes fatores:
O usuário descreve o trabalho, e a plataforma decide qual modelo ou combinação de modelos deve processá-lo.
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:
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.
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.
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:
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:
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 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:
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.
Jing resumiu a filosofia de produto da empresa em duas regras.
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.
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
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.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
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.
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:
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.
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:
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:
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.
Jing Kun usou uma comparação com o setor de alimentação:
O modelo é apenas um dos ingredientes.
Empresas de aplicativos criam valor por meio de:
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.
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:
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.
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.
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.
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.
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.
Se uma empresa de aplicativos puder combinar:
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.
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.
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:
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 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:
A combinação mais forte não é apenas juventude. É experiência profunda combinada com uma mente não fechada.
Esta entrevista pode ser reduzida a alguns princípios de produto sem perder seu argumento central.
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.
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.
A plataforma deve rotear tarefas com base em desempenho, custo e política, ao mesmo tempo que apresenta um fluxo de trabalho fácil de entender.
Contexto, orquestração, design de fluxos de trabalho, distribuição, manipulação de arquivos e experiência do produto não são camadas triviais acima do modelo.
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.
Um sistema de IA poderoso não deve apenas concluir tarefas. Ele também deve escolher um caminho economicamente viável para concluí-las.
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.
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.
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.
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 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.
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.
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.
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.
Analogia da camada de distribuição na entrevista.
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.
Comece com uma frase e tenha um site completo em minutos.
