Genspark Super Agent: GPT-4.1 と Realtime API によるノーコード自律エージェント

Genspark は Super Agent をリリースしました。これは、ユーザーがシンプルなプロンプトを使用して電話の発信、プレゼンテーションの作成、短い動画の作成など、実世界のタスクを自動化できるノーコードプラットフォームです。このリリースにより、Genspark は AI 検索エンジンからエージェント指向の AI プラットフォームへと転換し、OpenAI のマルチモーダルモデルと Realtime API を活用して情報検索から成果ベースの自動化へとシフトします。

技術アーキテクチャとモデル統合

Super Agent は、9 つの専門化された大規模言語モデルと 80 以上の統合ツールを管理するオーケストレーション層として構築されています。システムはユーザーのリクエストに基づき、最適なコンポーネントにタスクを動的に割り当てます。

OpenAI モデル実装

OpenAI のモデルは、プラットフォームのワークフローにおけるコアインテリジェンスを提供します：

  • GPT-4.1: 研究と構造化出力の生成に使用されます。1M トークンのコンテキストウィンドウを備えており、エージェントは文書を切り捨てずに処理でき、指示遵守が向上しています。
  • Strict JSON Output: この機能により、レスポンスが下流ツール統合のために確実に構造化されます。
  • Automatic Prompt Caching: 複雑なマルチステップワークフロー時に API コストとレイテンシを削減するために利用されます。
  • GPT-image-1: プレゼンテーション用のスタイリッシュなカバー画像作成など、すべての画像生成タスクに OpenAI API を通じて使用されます。

マルチモーダル機能と実世界自動化

Super Agent は、いくつかの主要機能を通じて AI をチャットインターフェースから実行可能なワークスペースへと移行させます：

Realtime API による音声自動化

"Call For Me" 機能により、エージェントはスクリプトなしで自然なリアルタイム電話会話を行うことができます。これは二層システムによって支えられています：

  1. The Realtime API: リアルタイムの音声対音声対話を管理し、流暢さを確保します。
  2. A Shadow Model: メッセージキューを通じてインタラクションを監視し、会話を導きます。

このアーキテクチャにより、エージェントは曖昧な人間の応答や保留音を効果的に処理できます。日本では、特に退職の電話を雇用主に伝える際に活用されています。

コンテンツ生成

音声以外にも、システムはパーソナライズされたメディアの作成を自動化します。例えば、コンテンツを書き、GPT-image-1 で画像を生成し、最終スライドをまとめることでピッチデックを作成できます。同様に、シーンごとのスクリプトと画像を生成し、Instagram などのプラットフォーム向けのショート動画を組み立てることも可能です。

ビジネスインパクトと成長指標

2025 年 4 月に Super Agent をローンチして以来、Genspark は有料マーケティングなしで急速な自然成長を遂げています：

  • Revenue: 45 日以内に年間定期収益 (ARR) が 3,600 万ドルに達しました。
  • Development Speed: 20 人のチームで 70 日間に 8 つの主要エージェント機能をリリースしました。

今後のロードマップ

Genspark は、自律エージェントの機能を新たな領域へ拡大する計画です。具体的には、ウェブコンテンツにリアルタイムで作用できる AI ブラウザや、リッチフォーマット文書の生成を行う AI Docs などが含まれます。

Sources