핵심 요약
- 젠스파크 AI(Genspark.ai)는 단순한 텍스트 답변을 넘어 ‘완성된 비즈니스 결과물(슬라이드, 엑셀 시트, 보고서 등)’을 직접 제작하는 에이전틱(Agentic) AI 서비스로, 70여 개의 인공지능 모델과 150여 개의 도구를 시스템이 스스로 판단해 최적으로 조합·지휘하는 ‘오케스트레이션(Conductor)’ 기술을 핵심으로 합니다.
- 비개발자 사무직을 위한 ‘AI 시트(AI Sheets)’는 자체 대화창을 통해 데이터 수집(MCP 연동), 정제, 분석, 시각화까지 주도적인 분석가 역할을 수행하며, ‘AI 이미지’ 기능은 10가지 생성 모델과 자동 프롬프트 기능으로 이미지 제작을 대중화합니다.
- AI 에이전트의 작동 과정에서 발생하는 크레딧 소모를 줄이기 위해서는 단순 명령(Free-style) 대신 미리 AI 채팅으로 구조화된 목차와 자료를 확보한 뒤 ‘메타 프롬프트’ 형태로 상세히 지시해야 하며, 결과물 수정 시에도 대화창에서 여러 페이지를 한 번에 일괄 수정하는 것이 크레딧 효율성 면에서 압도적으로 유리합니다.
주요 내용
1. 젠스파크 AI의 본질: ‘통합’과 ‘오케스트레이션’
- 통합형 워크스페이스: 젠스파크 내에는 시중의 LLM, 이미지, 비디오, 오디오 엔진을 포함한 70개 이상의 AI 모델과 150개 이상의 도구가 단일 워크스페이스 내에 통합되어 있습니다. 사용자는 어떤 모델을 쓸지 고민할 필요가 없습니다.
- 오케스트레이션 메커니즘: 젠스파크의 핵심은 ‘슈퍼 에이전트’가 지휘자(Conductor) 혹은 스포츠의 ‘플레잉 코치’처럼 동작하는 것입니다. 사용자가 프롬프트를 입력하면 시스템이 최적의 모델과 도구를 스스로 배정하고 조율합니다.
- 3단계 작동 흐름 및 루프:
- 수집(Collect): 사용자 요청에 따라 내부/외부 도구를 활용해 필요한 정보와 자료를 검색하고 수집합니다.
- 처리(Process): 수집된 자료를 분석하고 구조화합니다.
- 출력(Output): 슬라이드, 문서, 표 등 사용자가 바로 사용할 수 있는 산출물로 변환합니다. 특히 결과물의 완성도가 낮다고 판단되면 ‘계획-실행-관찰-되돌리기-실패 판단’의 루프를 반복하며 스스로 수정하는 자율성을 보입니다.
2. 비개발자 업무를 위한 강력한 전용 앱
- AI 시트(AI Sheets): 기존의 코파일럿 등이 사이드바 형태로 존재하는 것과 달리, AI 시트는 생성형 대화창이 메인 브라우저 역할을 합니다. MCP(Model Context Protocol)를 통해 구글 드라이브, 지메일, 노션, 아웃룩, 슬랙, 세일즈포스, 깃허브, 지라 등 다양한 데이터 저장소와 연동하여 데이터를 가져옵니다. 중복 데이터 제거, 형식 통일 등 ‘데이터 정제’를 마친 뒤 그래프와 차트가 포함된 분석 시트를 직접 완성합니다.
- AI 이미지: 나노바나나, GPT 이미지 2, 플럭스 2, Qwen 이미지 2 등 10개의 이미지 생성 모델과 배경/텍스트 제거 등 편집 도구를 지원합니다. 대충 입력해도 구체적이고 묘사적인 메타 프롬프트로 변환해주는 ‘자동 프롬프트’ 기능을 제공합니다.
3. 다른 AI 서비스와의 구체적 차이점
- vs 범용 AI 챗봇(ChatGPT, Claude 등): 범용 챗봇은 대화창에서 텍스트로 답을 주지만, 젠스파크의 슈퍼 에이전트는 다운로드하여 즉시 사용 가능한 완성된 결과물(PPTX, XLSX 등 파일)을 제공합니다.
- vs 바이브코딩 툴(Claude Code, Cursor 등): 코딩 에이전트는 개발자가 코드를 짜고 웹페이지/백엔드를 구축하는 IT 개발 프로세스 기반인 반면, 젠스파크는 마케팅, 기획, 운영 등 비개발자 직장인이 오피스 브라우저 환경에서 문서를 만드는 데 최적화되어 있습니다.
- vs AI 슬라이드 제작 툴(Gamma 등): 기존 툴들은 기획안이 정해진 상태에서 디자인을 입히는 것에 가깝지만, 젠스파크는 리서치 단계부터 데이터 분석, 구조화, 최종 디자인 산출까지 기획의 전 과정을 AI의 도움을 받아 한 곳에서 해결합니다.
4. 크레딧 소모를 최적화하는 실전 전략
- 문제점: 에이전트가 알아서 리서치하고 판단하게 내버려 둘수록(대충 지시할수록) AI 토큰 소모가 극대화되어 사용자의 크레딧이 대량으로 차감됩니다.
- 해결책 1 (사전 구조화): 크레딧 소모가 없는 ‘AI 채팅’ 모드로 사전 조사를 진행해 내용의 뼈대를 잡은 후, 완성된 목차와 구체적인 수치 정보를 제공(메타 프롬프트 설계)하며 슬라이드 제작을 지시해야 크레딧을 절반 이하로 아낄 수 있습니다.
- 해결책 2 (일괄 수정): 개별 슬라이드 에디터 안에서 한 페이지씩 수정 지시를 내리는 것보다, 전체 대화창에서 “6개 페이지의 레이아웃을 동시에 수정해줘”와 같이 일괄 명령을 내리는 것이 크레딧 차감률이 훨씬 낮습니다.
- 스킬(Skill) 기능 활용: 반복적으로 사용하는 에이전트 워크플로우를 ‘스킬’로 저장해 두면 다음번에는 한두 줄의 짧은 명령어로도 긴 슬라이드 제작 여정을 동일한 품질로 자동 재현할 수 있습니다.
핵심 데이터 / 비교표
젠스파크 AI 투자 및 재무 지표 (2026년 상반기 기준)
| 항목 | 수치 | 비고 | | :— | :— | :— | | 누적 투자금 | 약 5억 4,500만 달러 | 한화 약 7,500억 원대 | | 기업 가치 (Valuation) | 약 16억 달러 | 유니콘 진입 (기업 가치 10배 이상 상승) | | 연간 반복 매출 (ARR) | 약 2억 5,000만 달러 | 워크스페이스 출시 후 약 12개월 만에 달달성 (한화 약 3,800억 원) | | 월간 활성 사용자 (MAU) | 200만 명 이상 | 2025년 4월 워크스페이스 출시 이후 급성장 |
슬라이드 제작 방식별 소모 크레딧 및 효율성 비교 (40장 제작 기준 실험)
| 지시 방식 (에이전트 모드) | 소모 크레딧 | 제작 조건 | 결과 분석 | | :— | :— | :— | :— | | 기본 지시 (Standard) | 약 2,300 Credit | 한 단락 수준의 간단한 프롬프트로 15장 슬라이드 요청 | 에이전트의 자체 리서치 부담이 커져 크레딧 소모가 큼 | | 구체적 지시 (Ultra) | 약 1,200 Credit | 사전 채팅으로 확보한 뼈대와 상세 데이터를 프롬프트에 담아 40장 요청 | 지시가 구체적이어서 에이전트의 불필요한 연산이 줄어 크레딧이 50% 절감됨 | | 가이드 모드 (Guide Mode) | 약 1,100 Credit | AI와 단계별 상의(사전분석 $\rightarrow$ 콘셉트 $\rightarrow$ 스토리 $\rightarrow$ 스타일) 후 제작 | 사용자가 중간 검증을 거치므로 안전하고 정교한 결과물이 나옴 (시간은 약 1시간 소요) |
슬라이드 수정 방식별 크레딧 소모량 비교
| 수정 방식 | 소모 크레딧 | 특징 | | :— | :— | :— | | 개별 페이지 수정 에디터 | 페이지당 약 300 Credit | 슬라이드 한 장 단위로 직접 개입하여 상세 수정 | | 대화창 내 1개 페이지 수정 지시 | 페이지당 약 440 Credit | 대화창에서 특정 슬라이드 번호를 지정하여 수정 | | 대화창 내 다수 페이지 일괄 수정 | 총 530 Credit (6개 페이지 기준) | 여러 장을 동시에 수정할 때 효율성이 극대화됨 (적극 추천) |
타임스탬프별 핵심 포인트
| 시간 | 핵심 내용 |
|---|---|
| 00:03 | 비개발자 업무(자료 검색, 분석, 문서 작성)와 AI 에이전트의 접점 및 한계점 설명 |
| 00:30 | 올인원 AI 워크스페이스 ‘젠스파크 AI (Genspark.ai)’ 소개 |
| 01:50 | 젠스파크를 정의하는 한 단어 ‘통합’ (70개 이상의 모델과 150개 이상의 도구 제공) |
| 02:13 | 젠스파크의 핵심 Mechanism인 ‘오케스트레이션(지휘)’ 및 플레잉 코치 개념 설명 |
| 02:50 | 젠스파크의 투자 유치 성과, 기업 가치(16억 달러) 및 연간 매출(ARR 2.5억 달러) 지표 제시 |
| 03:30 | 사용자의 요청을 수집, 처리, 출력하며 검토 후 자율적으로 되돌리는 ‘슈퍼 에이전트’ 프로세스 |
| 05:11 | 분석가 역할을 수행하는 ‘AI 시트(AI Sheets)’와 외부 연동 커넥터(MCP) 소개 |
| 06:17 | 데이터 수집 $\rightarrow$ 정제 $\rightarrow$ 분석 $\rightarrow$ 시각화로 이어지는 AI 시트의 5단계 자동화 과정 |
| 06:47 | 10개의 모델을 지원하는 ‘AI 이미지’ 앱 및 자동 프롬프트 기능 설명 |
| 08:08 | 타 서비스 비교 ①: 범용 AI 챗봇과의 결과물 차이 (답변 vs 완성된 산출물) |
| 08:56 | 타 서비스 비교 ②: 바이브코딩 툴(Claude Code 등)과의 대상 사용자 차이 (개발자 vs 비개발자) |
| 10:07 | 타 서비스 비교 ③: AI 슬라이드 툴(Gamma 등)과의 기획 출발점 차이 (디자인 위주 vs 기획 전 과정) |
| 11:12 | 크레딧 소모(토큰 세금)의 현실과 효율적인 프롬프트 작성의 필요성 언급 |
| 12:21 | 실제 슬라이드 제작 실험: 간단한 지시(Standard)와 사전 기획 후 구체적 지시(Ultra)의 크레딧 소모량 차이 비교 |
| 13:40 | 슬라이드를 만드는 3가지 방식(한 번에 위임, 수동 작성, 구조 후 위임)의 장단점 정리 |
| 13:44 | AI와 단계별 상의를 통해 완성도를 높이는 ‘AI 슬라이드 가이드 모드’ |
| 14:40 | 슬라이드 수정 시 크레딧을 절약할 수 있는 대화창 일괄 수정 꿀팁 |
| 15:20 | 자주 사용하는 워크플로우를 저장하여 활용하는 ‘스킬(Skill)’ 생성 및 라이브러리 활용법 |
결론 및 시사점
- 젠스파크 AI는 “질의응답을 하는 AI”의 시대에서 “결과물을 직접 만들어 가져오는 에이전트 AI”의 시대로 패러다임이 완전히 전환되었음을 보여주는 대표적인 서비스입니다.
- AI 에이전트가 자율적으로 고차원적인 비즈니스 업무를 수행하는 만큼, 사용자는 무작정 업무를 통째로 위임하기보다 스스로 ‘기획자이자 지휘자’가 되어 정교한 가이드라인(메타 프롬프트)을 제시해야 비용(크레딧)과 결과물의 품질을 모두 잡을 수 있습니다. 결국 에이전트 시대의 핵심 경쟁력은 ‘AI를 부리는 매니지먼트 역량’에 있음을 시사합니다.
추가 학습 키워드
- 오케스트레이션 (Orchestration): 여러 AI 모델과 도구 중 최적의 자원을 시스템이 알아서 선택하고 조합하여 실행하는 기술 메커니즘.
- MCP (Model Context Protocol): 다양한 외부 데이터 저장소 및 클라우드 애플리케이션을 LLM 에이전트와 매끄럽게 연결해주는 프로토콜 기술.
- 메타 프롬프트 (Meta Prompt): AI가 불필요한 탐색 비용을 쓰지 않도록 작업 요건, 제약 조건, 목차 구성안 등을 구체적으로 정의해 입력하는 고도화된 지시문.
- 슈퍼 에이전트 (Super Agent): 단순 대화형 인터페이스를 넘어 계획 수립, 실행, 검증, 피드백 루프를 스스로 돌며 문제를 끝까지 해결하는 자율형 AI 에이전트.
- Mixture-of-Agents (MoA): 여러 개의 전문화된 하위 AI 에이전트들을 결합하여 단일 모델의 성능적 한계를 극복하고 상호 검증하도록 설계된 아키텍처.
기본 정보
| 항목 | 내용 | |—|—| | 채널 | 티타임즈TV | | 카테고리 | 경제 | | 게시일 | 2026-06-26 | | 영상 길이 | 17:45 | | 처리 엔진 | gemini-3.5-flash | | 원본 영상 | YouTube에서 보기 |