El modelo CRM Koa de Salesforce desafía el estándar de la IA de propósito general

Salesforce presentó el modelo CRM Salesforce Koa como su primer modelo de razonamiento creado específicamente para Agentforce, ofreciendo una alternativa directa a los modelos frontier de propósito general. Anunciado junto con NVIDIA el 15 de septiembre de 2026, Koa está dirigido al trabajo de múltiples pasos que sustentan ventas, servicio, comercio y otras operaciones de atención al cliente.

El cambio importante no es que Salesforce haya añadido otro modelo de lenguaje a su catálogo. Koa traslada parte de la inteligencia central de Agentforce a una infraestructura y unos pesos de modelo que Salesforce controla. La empresa afirma que esta configuración mejora la selección de herramientas, el recuerdo contextual y la consistencia, al tiempo que mantiene los datos de los clientes dentro de su perímetro de confianza.

Esto sitúa a Koa frente al enfoque predominante de IA empresarial. La mayoría de las plataformas de agentes se apoyan en modelos amplios de empresas como Anthropic y OpenAI, y después añaden datos empresariales, instrucciones, permisos y herramientas a su alrededor. Salesforce sostiene que el trabajo complejo de CRM necesita un razonamiento entrenado en torno al propio trabajo, no solo un modelo capaz que reciba mejores prompts.

Qué cambió con el modelo CRM Salesforce Koa

Koa proporciona a Salesforce una capa de razonamiento especializada que puede operar, adaptar e integrar directamente en Agentforce.

Salesforce y NVIDIA anunciaron Koa durante Dreamforce en San Francisco. Según el anuncio de lanzamiento de las empresas, Koa está disponible para clientes seleccionados del piloto de Agentforce. Salesforce prevé su disponibilidad general en las regiones de Estados Unidos durante el invierno de 2026.

Koa se basa en NVIDIA Nemotron 3 Super, un modelo fundacional de pesos abiertos con 120.000 millones de parámetros. Que tenga pesos abiertos significa que Salesforce puede acceder y modificar los parámetros aprendidos del modelo, en lugar de conectarse únicamente mediante la API cerrada de otro proveedor.

Salesforce no entrenó Koa desde cero. Realizó un postentrenamiento de Nemotron 3 Super, es decir, adaptó un modelo existente después de su entrenamiento inicial. Esta decisión redujo el tiempo y los datos necesarios para crear un sistema especializado.

La empresa creó para este trabajo una colección propietaria de escenarios CRM sintéticos. Estos escenarios generados representan actividades como calificar leads, actualizar oportunidades, resolver casos de servicio, elegir herramientas y decidir cuándo solicitar asistencia humana.

Salesforce afirma que los escenarios reflejan conocimientos acumulados a lo largo de 27 años de implantaciones de CRM. El material de entrenamiento abarca más de 14 sectores, incluidos sanidad, servicios financieros, manufactura y viajes.

Según Salesforce, no se utilizaron registros reales de clientes para entrenar el modelo. En su lugar, la empresa afirma haber generado clientes ficticios, situaciones empresariales, estados emocionales, políticas y secuencias de acciones esperadas.

Esta distinción importa porque los datos de entrenamiento y los datos en tiempo de ejecución generan riesgos distintos. El entrenamiento sintético evita incorporar registros de clientes a los pesos aprendidos de Koa. Durante el despliegue, el contexto del cliente sigue entrando en el sistema para que un agente pueda completar la tarea asignada.

Salesforce afirma que tanto la inferencia como el postentrenamiento se realizan dentro de su infraestructura. La empresa controla los pesos del modelo y presenta Koa como una opción gestionada dentro de su perímetro de confianza existente.

Los clientes no tendrán que reconstruir cada flujo de trabajo de Agentforce para probarlo. Salesforce planea permitir seleccionar Koa en el catálogo de modelos generativos de Data Cloud, en la configuración de Agentforce para toda la organización y en el nivel de cada agente o subagente.

Este diseño convierte la selección de modelos en una decisión administrativa. Una empresa podría usar Koa para un flujo de trabajo de servicio y conservar un modelo general para redacción, investigación u otra tarea que requiera conocimientos más amplios.

Koa ya funciona en el agente interno de empleados de Salesforce, que ayuda al personal a encontrar información y completar tareas rutinarias en Slack. Entre los pilotos externos se encuentran 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine y Xero.

Los pilotos abarcan entornos en los que una respuesta plausible no es suficiente. Un agente contable debe seguir las normas fiscales y las circunstancias del cliente. Un flujo de trabajo sanitario debe coordinar información sin omitir pasos obligatorios. Un agente de viajes puede necesitar varias herramientas para resolver un itinerario interrumpido.

Estos ejemplos aclaran la afirmación central del lanzamiento. Salesforce no intenta convertir a Koa en el mejor modelo para todas las tareas intelectuales. Busca que el modelo sea más fiable cuando un agente de Agentforce debe interpretar el estado del CRM y ejecutar una secuencia de acciones permitidas.

Por qué el razonamiento CRM especializado importa ahora

Los agentes empresariales fallan cada vez más en el punto en que el lenguaje debe convertirse en una acción correcta y autorizada.

Un chatbot puede responder una pregunta sobre un producto sin modificar un registro empresarial. Un agente CRM autónomo se enfrenta a un estándar más exigente porque podría actualizar una oportunidad, derivar un caso, aprobar un reembolso o programar un seguimiento.

Cada acción depende de restricciones específicas de la empresa. El agente debe saber qué registro importa, qué puede modificar el usuario, qué herramienta se ajusta a la solicitud y si la política de la empresa permite la acción.

Un modelo general puede razonar sobre esas instrucciones en tiempo de ejecución. Sin embargo, Salesforce sostiene que reconstruir repetidamente el flujo de trabajo a partir de prompts y contexto genera variaciones innecesarias.

Su explicación del postentrenamiento compara la especialización de modelos con la formación de empleados. Incluso una persona recién contratada y competente necesita aprender los umbrales, las reglas de escalamiento, las definiciones y los procedimientos de la organización antes de actuar de forma consistente.

Koa aplica ese argumento al comportamiento del modelo. Salesforce lo entrenó con trabajo simulado en el que completar la tarea requería el uso correcto de herramientas a lo largo de varios turnos conversacionales.

Las simulaciones incluyeron perfiles cooperativos y frustrados. Las herramientas respondían a las llamadas de Koa, mientras un evaluador comprobaba si el problema subyacente se había resuelto realmente. Los intentos fallidos generaban señales de entrenamiento adicionales.

Salesforce utilizó Group Relative Policy Optimization, o GRPO, para el aprendizaje por refuerzo. GRPO compara varias respuestas candidatas a una misma tarea y recompensa el comportamiento que obtiene mejores resultados según criterios definidos.

Este método da al modelo práctica, en vez de limitarse a mostrarle transcripciones exitosas. Salesforce afirma que el ajuste fino supervisado, que enseña a un modelo a imitar ejemplos, produjo mejoras limitadas en interacciones complejas de múltiples pasos.

La empresa también entrenó comportamientos de rechazo y escalamiento. Algunas tareas simuladas omitían deliberadamente una herramienta necesaria. En esos casos, Koa era recompensado por explicar la limitación, solicitar la información faltante o transferir la tarea a una persona.

Ese es un objetivo relevante para la IA empresarial. Un agente que confirma falsamente que una acción se ha completado puede ser más perjudicial que uno que se niega. El fallo puede permanecer oculto hasta que un cliente, empleado o auditor descubre que el registro subyacente nunca cambió.

Por tanto, la presión recae sobre los proveedores de modelos de propósito general y las empresas de software que canalizan todas las tareas a través de ellos. La amplitud sigue siendo valiosa, pero los compradores empresariales necesitan cada vez más una ejecución predecible dentro de un perímetro operativo estrecho.

Los modelos especializados también dan a Salesforce mayor control sobre el despliegue. Puede ajustar el comportamiento del modelo junto con Agentforce, los esquemas de CRM, las definiciones de herramientas y los sistemas internos de evaluación.

La misma estrategia podría reducir la dependencia de un único proveedor externo de modelos. Salesforce ya admite la elección de modelos, y sus alianzas con laboratorios frontier siguen siendo importantes. Koa añade una opción cuyos pesos y entorno de servicio quedan bajo control de Salesforce.

Eso no significa que los modelos generales se vuelvan innecesarios. Los modelos amplios siguen siendo más adecuados para análisis abiertos, trabajo creativo y tareas que atraviesan numerosos dominios de conocimiento.

La arquitectura empresarial más probable es una cartera. Los modelos más pequeños pueden clasificar intenciones, filtrar contenido o reordenar resultados de búsqueda. Un modelo de razonamiento especializado puede gestionar flujos de trabajo gobernados. Los modelos frontier pueden abordar tareas que requieren una inteligencia más amplia.

Salesforce ya ha avanzado en esta dirección con modelos como HyperClassifier, TextEval y Moirai. Koa amplía esa cartera hacia la fase de razonamiento, que antes dependía en gran medida de modelos de inteligencia general.

Para los compradores, la cuestión clave pasa a ser el enrutamiento. Enviar todas las solicitudes al modelo frontier más capaz puede desperdiciar recursos y exponer más trabajo a comportamientos imprevisibles. Enviar todas las solicitudes a un modelo especializado puede limitar la flexibilidad.

El valor estratégico de Koa depende de que Agentforce pueda elegir el modelo adecuado para cada trabajo. Esa elección debe tener en cuenta la complejidad de la tarea, el riesgo, la latencia, los límites de datos y las herramientas a las que puede acceder un agente.

Koa frente a los modelos generales: la diferencia está en la práctica del flujo de trabajo

La principal apuesta técnica de Koa es que la práctica repetida dentro de procesos empresariales simulados puede superar al razonamiento desde primeros principios.

El modelo CRM Salesforce Koa parte de Nemotron 3 Super, no de una red sin entrenar. Por tanto, hereda capacidades generales de lenguaje, razonamiento y uso de herramientas del modelo fundacional de NVIDIA.

Después, Salesforce conecta las especificaciones de los agentes con entornos simulados. Una especificación de agente describe el enrutamiento, los subagentes, las acciones disponibles, los permisos de herramientas y las instrucciones del flujo de trabajo.

Estas especificaciones se convierten en situaciones de entrenamiento ejecutables. Los perfiles interactúan con el agente durante varios turnos, y el entorno cambia a medida que las herramientas leen o actualizan datos.

Un sistema de recompensas evalúa la resolución de la tarea, no solo si la respuesta se parece a una respuesta de referencia. Esto importa porque varios caminos conversacionales pueden ser válidos, mientras que solo algunos producen el resultado empresarial correcto.

El artículo técnico que acompaña al lanzamiento denomina a esto una canalización de simulación a recompensa. Su rasgo distintivo es vincular las mismas especificaciones declarativas utilizadas para configurar un agente con las tareas empleadas para entrenar el modelo.

Ese mecanismo crea una conexión más estrecha entre la configuración del producto y el comportamiento del modelo. Una definición de flujo de trabajo deja de ser únicamente una instrucción leída durante la inferencia. También puede dar forma al entorno de práctica del modelo.

Consideremos la calificación de leads. Una empresa podría exigir un tamaño mínimo de cuenta, una región admitida, información de contacto verificada y evidencia de intención de compra. El agente debe recuperar esos campos, aplicar las reglas, registrar su conclusión y derivar el lead.

Un modelo general recibe las reglas y razona sobre ellas para cada lead. El enfoque de entrenamiento de Koa intenta convertir la secuencia en un trabajo conocido, incluidas las llamadas a herramientas esperadas y las condiciones de fallo.

La misma idea se aplica a los casos de servicio. Un agente que gestione una solicitud de reembolso podría inspeccionar el historial de compras, confirmar la elegibilidad, detectar una excepción, solicitar aprobación, emitir el reembolso y documentar el resultado.

Una respuesta fluida es solo una parte de esa tarea. El agente debe llamar a los sistemas correctos en el orden correcto, respetando los permisos y preservando el estado durante la conversación.

Salesforce informa de que Koa obtuvo 69,41 en el promedio ponderado por tarea de Tau2Bench, frente a 68,64 de su base Nemotron y 54,48 de GPT-4.1. Tau2Bench evalúa tareas de atención al cliente de múltiples pasos en entornos de aerolíneas, comercio minorista y telecomunicaciones.

En el Berkeley Function Calling Leaderboard, Koa obtuvo un 66,63 por ciento. Su base Nemotron alcanzó el 64,73 por ciento, mientras que GPT-4.1 llegó al 53,96 por ciento en la comparación reportada.

Koa logró una puntuación general de 0,86 en CRM Bench de Salesforce. GPT-4.1 obtuvo 0,81, la base Nemotron obtuvo 0,84, Claude Opus 4.8 obtuvo 0,87 y GPT-5.5 obtuvo 0,90.

Estos resultados respaldan una conclusión prudente. El postentrenamiento mejoró el rendimiento de Nemotron, especialmente en llamadas a funciones y uso de herramientas en varios pasos. Koa también superó a una referencia propietaria, GPT-4.1, en los benchmarks agregados reportados.

Los resultados no demuestran que Koa supere a todos los modelos de frontera. El documento afirma explícitamente que Koa permanece por debajo de los sistemas de frontera más potentes, y su propia tabla sitúa a GPT-5.5 por encima de Koa en Tau2Bench y CRM Bench.

La página de producto de Salesforce presenta mediciones internas adicionales. La empresa afirma que Koa es un 11 por ciento más preciso al invocar la acción correcta, recupera el contexto del cliente con una fiabilidad 2,1 veces mayor y conserva el contexto un 15 por ciento mejor en conversaciones más largas.

También sostiene que Koa iguala o supera el rendimiento de los modelos líderes en acciones de CRM con tres veces menos errores. Estas cifras provienen de las propias evaluaciones de Salesforce y deben tratarse como resultados reportados por la empresa.

El mecanismo importa más que una sola posición en un leaderboard. Salesforce está probando si la práctica en un dominio puede cerrar parte de la brecha entre un modelo adaptable de pesos abiertos y un sistema de frontera cerrado de mayor tamaño.

Si esta tesis se confirma en producción, los proveedores de software con un conocimiento profundo de los flujos de trabajo obtienen una nueva ventaja. Su experiencia histórica puede convertirse en entornos de entrenamiento, evaluadores, especificaciones de herramientas y recompensas de tareas.

Eso es más difícil de copiar que una biblioteca de prompts. También cambia el significado de los datos propietarios. El activo valioso puede ser la estructura del trabajo, incluidas las reglas, los resultados, los casos de fallo y las secuencias de acciones, en lugar del texto de los clientes por sí solo.

Lo que los benchmarks de Koa de Salesforce no resuelven

Los primeros resultados son lo bastante creíbles como para justificar pilotos, pero no establecen fiabilidad en producción en distintas organizaciones de Salesforce.

Salesforce merece reconocimiento por publicar un documento técnico con modelos identificados y puntuaciones de benchmarks. El documento también indica que Koa queda por detrás de los modelos de frontera más potentes, lo cual resulta más informativo que una afirmación de liderazgo sin matices.

Aun así, el rendimiento en benchmarks no es lo mismo que una operación fiable dentro del CRM activo de una empresa. Las organizaciones reales contienen objetos personalizados, automatizaciones antiguas, datos incoherentes, excepciones no documentadas e instrucciones contradictorias.

CRM Bench incluye tareas como asignar un caso, actualizar una oportunidad y programar un seguimiento. Son pruebas útiles, pero Salesforce controla tanto el modelo como su entorno de evaluación orientado al CRM.

Los investigadores independientes aún no han reproducido los resultados de Koa. El modelo también está disponible solo mediante un piloto limitado, lo que restringe las pruebas externas en implementaciones diversas.

Las mejoras relativas reportadas necesitan contexto adicional. Decir que un sistema produce tres veces menos errores es difícil de interpretar sin una tasa de error base, tamaño de muestra, intervalo de confianza y desglose de fallos por categoría.

Una mejora en la selección de la acción correcta tampoco revela la gravedad de los errores restantes. Elegir una fecha de seguimiento incorrecta es distinto de modificar el registro del cliente equivocado o emitir un reembolso no autorizado.

La tabla pública de benchmarks del documento proporciona una mejor calibración. La puntuación de 0,86 de Koa en CRM Bench está cerca del 0,87 de Claude Opus 4.8, pero por debajo del 0,90 de GPT-5.5. Su precisión en llamadas a funciones alcanzó 0,77, dejando un margen significativo para el error.

El rendimiento también varió entre benchmarks. El promedio ponderado de 69,41 de Koa en Tau2Bench estuvo sustancialmente por debajo de las puntuaciones reportadas para Claude Opus 4.8 y GPT-5.5.

Esto no supone necesariamente un problema para la estrategia de Salesforce. Un modelo puede ser útil sin liderar todos los benchmarks, especialmente si ofrece un mayor control de los datos, un despliegue predecible o una menor complejidad operativa.

Sin embargo, los compradores no deben interpretar la especialización en CRM como una superioridad garantizada. Necesitan pruebas basadas en sus propios registros, políticas, permisos, integraciones y costes de fallo.

El entrenamiento sintético plantea otra incertidumbre. Los escenarios generados facilitan los controles de privacidad y permiten a los investigadores crear casos raros o peligrosos sin exponer a usuarios reales.

Sin embargo, los clientes y flujos de trabajo simulados pueden omitir el comportamiento irregular presente en producción. Los empleados usan lenguaje incompleto. Los registros entran en conflicto. Las integraciones agotan el tiempo de espera. Las políticas contienen excepciones que nadie codificó en la especificación del agente.

Un modelo entrenado para seguir definiciones formales de flujos de trabajo reflejará la calidad de esas definiciones. Si las instrucciones de una organización están incompletas, la especialización puede hacer que el sistema siga de forma consistente el proceso equivocado.

Por tanto, la gobernanza sigue siendo una responsabilidad a nivel de sistema. Los pesos del modelo, los permisos, la recuperación, el diseño de herramientas, la observabilidad y la escalada humana deben trabajar juntos.

Salesforce afirma que Koa funciona con temperatura cero, una configuración destinada a reducir la aleatoriedad de las respuestas generadas. Una menor variabilidad puede mejorar la repetibilidad, pero no garantiza la corrección factual ni el uso seguro de herramientas.

La afirmación sobre el límite de confianza también requiere una lectura cuidadosa. Salesforce indica que los datos de los clientes no entrenan a Koa y permanecen dentro de una infraestructura controlada por Salesforce durante la inferencia.

Esto resulta valioso para las organizaciones preocupadas por enviar registros a una API de modelos externa. No elimina la necesidad de controles de acceso, políticas de retención, registros de auditoría, disponibilidad regional y protecciones contra la inyección de prompts.

Se espera que el primer lanzamiento general de Koa llegue solo a regiones de EE. UU. Salesforce no ha detallado públicamente una disponibilidad regional más amplia, las condiciones comerciales finales ni todos los controles administrativos que acompañarán el lanzamiento.

Los pilotos con clientes deberían proporcionar evidencia más útil que las demostraciones de lanzamiento. Los compradores deben buscar tasas de finalización de tareas, frecuencia de intervención humana, comportamiento de reversión, latencia y errores según su gravedad.

También deberían comparar Koa con los modelos exactos que ya utilizan en sus implementaciones de Agentforce. Una comparación con una referencia propietaria más antigua puede no predecir los resultados frente a modelos de frontera actuales configurados con herramientas sólidas y contexto de dominio.

Los equipos que evalúan agentes necesitan registros duraderos de requisitos, pruebas, excepciones y fallos observados. Una base de conocimiento de IA con capacidad de búsqueda puede ayudar a conservar esa evidencia a lo largo de los pilotos, aunque no sustituye la monitorización técnica.

Por tanto, la incertidumbre central es la adopción en condiciones reales. Koa tiene un mecanismo plausible y datos de benchmarks alentadores. Aún debe demostrar que el razonamiento especializado reduce errores costosos en entornos de Salesforce específicos de cada cliente.

Tres señales mostrarán si Salesforce Koa funciona

El éxito de Koa estará determinado por la evidencia de los pilotos, el enrutamiento de modelos y la calidad de su lanzamiento general, más que por sus afirmaciones de lanzamiento.

La primera señal son los datos de producción de los clientes piloto identificados. Salesforce ha señalado organizaciones de contabilidad, salud, servicios financieros, viajes, deportes y software, pero no ha publicado mediciones detalladas de resultados.

La evidencia útil distinguiría la finalización de tareas de la calidad de las respuestas. Debería informar con qué frecuencia Koa completa flujos de trabajo sin intervención humana, con qué frecuencia selecciona la herramienta equivocada y qué fallos modifican datos empresariales.

La evidencia de los clientes reforzaría el argumento de Salesforce si el rendimiento se mantiene en organizaciones muy personalizadas. Las excepciones repetidas o una revisión manual extensa debilitarían la afirmación de que la especialización en CRM crea experiencia operativa fiable.

La segunda señal es cómo Salesforce enruta el trabajo entre Koa y otros modelos. La empresa sigue colaborando con Anthropic, Google, OpenAI y otros proveedores, por lo que Koa no reemplaza la elección de modelos.

Una implementación madura de Agentforce debería asignar flujos de trabajo acotados y gobernados a Koa, mientras dirige las tareas más amplias a otros sistemas. Los administradores también necesitan controles claros para seleccionar modelos en los niveles de organización, agente y subagente.

La calidad del enrutamiento determinará si la especialización se convierte en una ventaja práctica o en otra carga de configuración. Los clientes necesitan valores predeterminados comprensibles, herramientas de evaluación y explicaciones rastreables de por qué un modelo concreto manejó una tarea.

Aquí es donde Koa frente a los modelos generales se convierte en una decisión arquitectónica. El sistema más potente puede combinar ambos enfoques en lugar de forzar todas las cargas de trabajo a través de un único motor de razonamiento.

La tercera señal es el lanzamiento general de Salesforce en invierno de 2026. La disponibilidad en regiones de EE. UU. revelará si Koa pasa de un piloto controlado a entornos ordinarios de clientes según lo previsto.

El lanzamiento debería aclarar las ediciones compatibles de Salesforce, la capacidad, la latencia, las restricciones regionales, la monitorización y los controles administrativos finales. También debería mostrar si los clientes pueden comparar modelos con el mismo conjunto de evaluación antes de modificar un agente de producción.

Las pruebas independientes después de la disponibilidad general serán igual de importantes. Los desarrolladores y compradores empresariales necesitan resultados reproducibles en acciones personalizadas, esquemas grandes, límites de permisos y conversaciones largas.

También vale la pena observar el papel de NVIDIA. Nemotron proporciona a Salesforce acceso a pesos de modelo y procedencia de entrenamiento, mientras que NVIDIA aporta las herramientas NeMo y la infraestructura informática utilizada para la adaptación.

Si Koa rinde bien, la colaboración ofrece una plantilla para otros proveedores de software. Un proveedor puede comenzar con un modelo de pesos abiertos, convertir su experiencia en flujos de trabajo en simulaciones y entrenar las acciones que su producto ya gestiona.

Ese modelo desafía una suposición común sobre la IA empresarial. El modelo general más grande no ofrece automáticamente el resultado operativo más seguro ni el más preciso.

Un modelo especializado tampoco gana automáticamente. Debe superar a un sistema de frontera bien configurado después de considerar el trabajo de integración, las actualizaciones del modelo, las pruebas y el coste de los errores.

Para los desarrolladores, Koa hace que la evaluación de agentes sea más central. Las llamadas a herramientas, los cambios de estado, las negativas y las rutas de escalada necesitan pruebas tan rigurosas como las aplicadas al software convencional.

Para los compradores empresariales, el lanzamiento crea margen de negociación. Pueden preguntar a los proveedores si sus agentes dependen de un modelo externo cerrado, un modelo controlado internamente o una combinación enrutada de sistemas especializados y generales.

Para los trabajadores del conocimiento, el efecto inmediato será menos visible. Koa funciona bajo Agentforce, por lo que los usuarios pueden experimentarlo como menos preguntas repetidas, mejor continuidad o una finalización más precisa de solicitudes de varios pasos.

Por tanto, el modelo CRM Salesforce Koa no es simplemente otro asistente con un nombre nuevo. Es el intento de Salesforce de convertir el conocimiento del producto en comportamiento del modelo y situar ese comportamiento dentro de su propio límite operativo.

La cobertura independiente del lanzamiento confirma el alcance inmediato: un modelo especializado de Agentforce, pilotos seleccionados y un enfoque en flujos de trabajo de CRM que utilizan herramientas. La prueba más difícil comienza después del anuncio.

Antes de adoptar Koa, los equipos deberían identificar un flujo de trabajo acotado, documentar sus acciones esperadas y medir las tasas actuales de errores y escaladas. Después pueden comparar Koa con su modelo actual bajo permisos y datos idénticos.

Sigue de cerca los resultados del piloto, los controles de enrutamiento y la versión de invierno. Si esas señales muestran menos errores importantes sin sacrificar flexibilidad, Salesforce tendrá un argumento sólido a favor del razonamiento especializado para CRM. De lo contrario, los modelos de propósito general con mejor contexto y herramientas seguirán siendo la opción predeterminada más sencilla.