El modelo Koa de Salesforce desafía a la IA de frontera con razonamiento para CRM y controles de agentes

Salesforce presentó su primer modelo de razonamiento para CRM en Dreamforce, cuestionando la suposición de que los agentes empresariales siempre deban depender de proveedores de IA de frontera. El modelo Salesforce Koa se basa en NVIDIA Nemotron y está ajustado para flujos de trabajo de ventas, servicio y marketing de varios pasos.

El modelo llegó junto con controles más amplios para gobernar agentes, modelos, acceso a datos y costes. En conjunto, esos anuncios revelan la apuesta más amplia de Salesforce. La compañía quiere que el contexto empresarial y el control operativo importen más que tener el modelo de propósito general más inteligente.

Esta posición sitúa a Salesforce entre dos enfoques en competencia. OpenAI y Anthropic ofrecen inteligencia amplia mediante modelos de frontera propietarios. Salesforce sostiene que el razonamiento especializado, el contexto empresarial y los permisos aplicables pueden producir agentes empresariales más útiles.

Koa no resuelve ese debate. La propia investigación de Salesforce afirma que el modelo sigue por detrás de los sistemas de frontera más potentes en varias evaluaciones. Los detalles de disponibilidad de partes de su arquitectura de control más amplia también se extienden hasta el ejercicio fiscal 2028 de Salesforce.

Los anuncios siguen siendo importantes porque Salesforce ya no trata los modelos como infraestructura intercambiable suministrada por completo por laboratorios externos. Ahora controla un modelo de razonamiento, su proceso de posentrenamiento, el contexto empresarial circundante y los controles que regulan cómo actúan los agentes.

El modelo Salesforce Koa se orienta al trabajo de CRM, no a cualquier pregunta posible

Koa limita la función del modelo a flujos de trabajo empresariales en los que el uso preciso de herramientas importa más que la conversación abierta.

Salesforce y NVIDIA anunciaron Koa en San Francisco el 15 de septiembre durante Dreamforce 2026. Salesforce lo describe como su primer modelo de razonamiento diseñado específicamente para el trabajo de gestión de relaciones con clientes dentro de Agentforce.

Un modelo de razonamiento dedica cómputo adicional a planificar o evaluar pasos antes de producir una respuesta o acción. En el caso de Koa, ese proceso se centra en flujos de trabajo que involucran registros empresariales, políticas y herramientas de software.

Los ejemplos incluyen calificar una oportunidad de ventas, enrutar un caso de soporte, programar un seguimiento o decidir qué acción debe ocurrir a continuación. Estas tareas parecen ordinarias, pero requieren más que generar texto fluido.

Un agente debe seleccionar la herramienta correcta, proporcionar argumentos válidos, observar el resultado y continuar sin infringir las reglas de la organización. Una sola acción errónea puede modificar un registro de cliente o exponer información restringida.

Según el anuncio de Koa, Salesforce creó el modelo mediante el posentrenamiento de NVIDIA Nemotron 3 Super. El modelo base tiene 120.000 millones de parámetros y utiliza una arquitectura de mezcla de expertos, que activa solo una parte de la red para cada token.

Salesforce afirma que entrenó Koa con información pública e interacciones sintéticas, en lugar de datos de clientes. Esos escenarios sintéticos imitan situaciones de CRM, incluidas conversaciones de ventas, casos de servicio, cambios en el comportamiento de los clientes y llamadas a herramientas de varios pasos.

La distinción importa para los compradores empresariales. Entrenar con registros reales de clientes podría generar preocupaciones sobre privacidad, consentimiento, retención y propiedad intelectual. El entrenamiento sintético permite a Salesforce reproducir patrones de flujo de trabajo sin incorporar datos reales de clientes en los pesos del modelo.

Koa también funciona dentro del perímetro de confianza de Salesforce. Salesforce controla los pesos de su modelo, el posentrenamiento y la inferencia, reduciendo el número de sistemas externos involucrados cuando Agentforce procesa información empresarial sensible.

Eso no convierte a Koa en un modelo abierto que los clientes puedan descargar y ejecutar en cualquier lugar. Se entiende mejor como un modelo alojado por Salesforce derivado de un modelo base NVIDIA de pesos abiertos.

Los clientes de Agentforce aún pueden utilizar otros modelos. Koa pasa a ser otra opción dentro del sistema de enrutamiento de modelos de Salesforce, en lugar de un sustituto obligatorio para los modelos de OpenAI, Anthropic o Google.

Este enfoque basado en la elección protege a Salesforce de apostar todo por un único proveedor de modelos. También le da a la compañía un modelo que puede optimizar en torno a sus propias API, especificaciones de Agent Script y flujos de trabajo de CRM.

Por tanto, el cambio inmediato es mayor que el lanzamiento de un solo modelo. Salesforce ha pasado de orquestar inteligencia externa a desarrollar una capa de razonamiento especializada que puede ajustar y operar por sí misma.

Por qué Salesforce creó ahora su propio modelo de razonamiento para CRM

Salesforce necesita demostrar que sus datos de clientes, definiciones de flujos de trabajo y permisos generan una ventaja que las plataformas de IA de propósito general no pueden reproducir fácilmente.

Agentforce dependía anteriormente de modelos externos de frontera para tareas de razonamiento exigentes. Salesforce había desarrollado modelos más pequeños y específicos para tareas, pero los flujos de trabajo de larga duración a menudo requerían Claude, ChatGPT u otro sistema externo.

Koa cambia esa dependencia. Jayesh Govindarajan, vicepresidente ejecutivo de IA de Salesforce, dijo a TechCrunch que la compañía había dependido de proveedores de frontera para el razonamiento “hasta ahora”.

Ese momento refleja una amenaza estratégica. Las empresas de IA de frontera están añadiendo herramientas, memoria, integraciones y conectores empresariales alrededor de sus modelos. Sus agentes pueden interactuar cada vez más con sistemas de ventas, soporte, legales y analítica sin exigir que los usuarios permanezcan dentro de una interfaz convencional de Salesforce.

La respuesta de Salesforce no es competir por el chatbot de propósito general más capaz. Es hacer que su conocimiento acumulado del trabajo empresarial pueda utilizarse como material de entrenamiento del modelo y contexto de ejecución.

La compañía afirma que el conjunto de datos sintético de Koa refleja casi tres décadas de implementaciones de CRM. Esto no significa que el modelo contenga 27 años de registros de clientes. Salesforce afirma que modeló flujos de trabajo empresariales y patrones operativos sin entrenar con datos de clientes.

Esta distinción debe mantenerse clara. La ventaja de Koa depende de si los escenarios sintéticos representan con precisión las situaciones complejas que los agentes encuentran en organizaciones reales.

Un proceso de ventas rara vez sigue una secuencia limpia. Los permisos difieren según el rol, los campos pueden estar incompletos, las políticas regionales entran en conflicto y las aprobaciones humanas pueden interrumpir un flujo de trabajo automatizado.

Agent Script de Salesforce ofrece parte de la respuesta. Es un lenguaje declarativo que define el enrutamiento de un agente, los subagentes, las acciones disponibles, el alcance de las herramientas, las instrucciones de flujo de trabajo y las condiciones de terminación.

Los investigadores de la compañía utilizaron esas especificaciones para generar entornos simulados y tareas de entrenamiento. Koa recibió entonces recompensas por resolver solicitudes mediante un uso exitoso de herramientas, no simplemente por producir texto verosímil.

Este mecanismo crea una conexión directa entre la configuración de los agentes y el posentrenamiento del modelo. La misma especificación de flujo de trabajo que controla un agente desplegado puede ayudar a generar escenarios para mejorar el modelo subyacente.

Para Salesforce, esa conexión conforma un posible ciclo de retroalimentación. Especificaciones de agentes más detalladas pueden producir mejores simulaciones, mientras que un modelo mejor puede ejecutar esas especificaciones de forma más fiable.

También respalda el argumento más amplio de Salesforce de que el contexto empresarial se vuelve más valioso a medida que los modelos base están más ampliamente disponibles. Los modelos pueden cambiar, pero el historial de clientes, las políticas, las definiciones empresariales, los permisos y los flujos de trabajo de una organización siguen siendo específicos de esa organización.

Salesforce formalizó esa idea mediante su Enterprise AI Harness. La arquitectura combina contexto, agencia, acciones, gobernanza, seguridad y elección de modelos bajo una capa de control común.

Aquí es donde Koa y los anuncios de seguridad se conectan. Un modelo especializado por sí solo no puede operar de forma segura un sistema empresarial. Necesita contexto verificado, herramientas limitadas, identidades autenticadas, comportamiento observable y políticas que sigan siendo aplicables cuando el modelo comete un error.

Los trabajadores del conocimiento afrontan un problema de contexto similar a menor escala. Una IA útil depende de conectar material fuente fiable mediante knowledge blending, en lugar de pedir a un modelo que reconstruya cada detalle a partir de entrenamiento general.

Salesforce aplica ese principio en todos los sistemas corporativos. Su activo estratégico no es solo el modelo. Es el contexto gobernado que rodea cada decisión y acción.

Los resultados de Koa desafían a los modelos generales sin superar a los mejores

Los resultados publicados por Salesforce respaldan la especialización, pero no demuestran que Koa supere de forma consistente a los principales modelos de frontera.

El modelo Salesforce Koa viene acompañado de un artículo técnico, que ofrece a los compradores más evidencia que una demostración de keynote por sí sola. El artículo explica el proceso de entrenamiento, el diseño de los benchmarks y varias limitaciones importantes.

Los investigadores de Salesforce evaluaron Koa en Tau2Bench, el Berkeley Function Calling Leaderboard y un benchmark de CRM. Estas pruebas cubren el uso conversacional de herramientas, las llamadas a funciones y las tareas empresariales de CRM.

En Tau2Bench, Koa obtuvo una puntuación ponderada por tarea de 69,41. Su modelo base Nemotron obtuvo 68,64, mientras que GPT-4.1 obtuvo 54,48.

Koa registró un 66,63 por ciento en la evaluación de llamadas a funciones de Berkeley. El modelo base Nemotron alcanzó un 64,73 por ciento, mientras que GPT-4.1 llegó al 53,96 por ciento.

El benchmark de CRM produjo una diferencia más modesta. Koa obtuvo 0,86 en total, frente a 0,84 para Nemotron y 0,81 para GPT-4.1.

La precisión de llamadas a funciones de Koa en esa evaluación de CRM alcanzó 0,77, frente al 0,71 del modelo base. Ese resultado es relevante porque elegir la herramienta correcta es fundamental para un comportamiento fiable de los agentes.

Sin embargo, los modelos de frontera más potentes siguieron liderando comparaciones importantes. GPT-5.5 de OpenAI obtuvo 83,99 en Tau2Bench y 0,90 en total en el benchmark de CRM. Claude Opus 4.8 obtuvo 78,18 en la prueba de llamadas a funciones y 0,87 en CRM.

El artículo de investigación de Koa afirma explícitamente que Koa sigue por debajo de los modelos de frontera más potentes. Esa divulgación impide una interpretación más amplia según la cual Salesforce ha superado a los principales laboratorios de IA.

En cambio, los resultados respaldan una conclusión más acotada. El posentrenamiento de una base de pesos abiertos en torno a especificaciones de flujos de trabajo mejoró varias mediciones de uso de herramientas y superó una referencia propietaria más antigua.

Salesforce también afirma que Koa produjo tres veces menos errores en su propio benchmark de CRM. Los compradores deberían tratar esa cifra como un resultado informado por la compañía, especialmente porque la composición de un benchmark puede influir de forma importante en los resultados.

Un modelo entrenado en torno a flujos de trabajo de Agent Script tiene una ventaja esperada en evaluaciones que se asemejan a esos flujos. Eso no invalida el resultado, pero limita hasta qué punto puede generalizarse el hallazgo.

El artículo identifica otra limitación. Nemotron ya había pasado por aprendizaje por refuerzo antes de que Salesforce iniciara su comparación entre aprendizaje por refuerzo adicional y ajuste fino supervisado.

Los investigadores concluyeron que el aprendizaje por refuerzo era más útil para el uso de herramientas de varios pasos a partir de ese punto de partida. Advierten que el mismo resultado podría no aplicarse a un modelo base que no hubiera recibido aprendizaje por refuerzo previo.

Los despliegues reales plantearán pruebas más difíciles que los benchmarks controlados. Los datos de clientes pueden estar incompletos, las API pueden fallar, las herramientas pueden cambiar y las solicitudes pueden ir más allá de los escenarios representados durante el entrenamiento.

Los fallos de seguridad también difieren de los errores de razonamiento ordinarios. Un resumen ligeramente incorrecto puede resultar incómodo. Una decisión de permisos errónea o una llamada a una herramienta no autorizada puede convertirse en un incidente que debe notificarse.

Esa brecha explica por qué Salesforce combinó Koa con controles para agentes. Un mejor razonamiento reduce una categoría de fallos, pero el despliegue empresarial requiere sistemas que limiten las consecuencias cuando el razonamiento sigue fallando.

La seguridad de los agentes se convierte en la otra mitad de la apuesta de Salesforce

Salesforce está tratando la seguridad de los agentes como un problema de control en tiempo de ejecución, no como la promesa de que un modelo suficientemente preciso siempre se comportará correctamente.

El software tradicional ejecuta instrucciones definidas. Los agentes de IA interpretan objetivos, seleccionan herramientas y adaptan sus planes mientras operan. Esa flexibilidad crea una superficie de ataque más amplia y menos predecible.

Un agente puede recuperar instrucciones maliciosas de un documento, exponer datos mediante un conector aprobado, seleccionar una herramienta con permisos excesivamente amplios o seguir actuando después de que su contexto original deje de ser fiable.

Las mejoras de los modelos no pueden eliminar estos riesgos por sí solas. Los controles de seguridad deben gobernar la identidad, los permisos, el acceso a datos, las acciones y el comportamiento fuera del modelo.

Salesforce Guardian es la cartera de seguridad, cumplimiento, privacidad y resiliencia de la compañía para ese entorno. Las capacidades existentes incluyen Shield, supervisión de seguridad, copias de seguridad, recuperación, pruebas en entornos sandbox y controles sobre datos sensibles.

Salesforce afirma que Shield puede supervisar el razonamiento de los agentes y bloquear accesos no autorizados a los datos. Su cartera más amplia de Guardian pretende ayudar a los administradores a observar el comportamiento de los agentes, aplicar políticas de acceso, conservar registros y recuperarse de cambios no deseados.

En Dreamforce, Salesforce situó estos controles dentro de una arquitectura más amplia, en lugar de presentarlos como complementos aislados. Enterprise AI Harness incluye una capacidad de Trusted Security que abarca identidad, permisos, privacidad, protección de datos y seguridad en tiempo de ejecución.

La compañía también anunció un AI Control Plane. Salesforce afirma que esta interfaz permitirá a las organizaciones descubrir agentes, registrar capacidades, establecer identidades y políticas, gestionar ciclos de vida, evaluar el rendimiento, observar resultados y controlar costes.

Ese alcance va más allá de Agentforce. Salesforce afirma que el plano de control está diseñado para gestionar tanto agentes de Salesforce como de terceros, reflejando un mundo en el que las organizaciones utilizan múltiples modelos y plataformas de agentes.

Esta posición multivendedor crea una tensión importante. Salesforce quiere que Koa gestione más razonamiento de CRM, pero también espera que los clientes sigan utilizando modelos y agentes externos.

Por tanto, la capa de control es estratégicamente más amplia que Koa. Si Salesforce se convierte en el lugar donde las empresas gobiernan los agentes, puede seguir siendo central incluso cuando otra compañía proporcione la inteligencia subyacente.

Security Mesh añade otra parte a esa estrategia al reunir señales de múltiples herramientas de seguridad en una vista compartida. Las señales consolidadas pueden ayudar a los equipos a reconocer patrones de riesgo que permanecen ocultos cuando la identidad, la configuración, los datos y la actividad de los agentes se revisan por separado.

Aun así, la arquitectura anunciada no está plenamente disponible. Salesforce afirma que muchas tecnologías fundamentales ya existen, mientras que las nuevas capacidades y la experiencia unificada tienen previsto comenzar a desplegarse a principios del año fiscal 2028.

Ese calendario importa. Las empresas no pueden evaluar un plano de control solo mediante diagramas de arquitectura. Necesitan documentación, integraciones compatibles, comportamiento de las políticas, registros de incidentes, mediciones de latencia y respuestas claras cuando un agente cruza un límite.

La propia guía de seguridad de Agentforce de Salesforce subraya correctamente la supervisión, los permisos, la protección de datos y la recuperación. La pregunta difícil es si esos controles se mantienen coherentes entre modelos de terceros, interfaces sin interfaz gráfica y herramientas externas.

Model Context Protocol, o MCP, ofrece a los agentes una forma estándar de descubrir e invocar herramientas. Aumenta la interoperabilidad, pero también puede exponer a los agentes a implementaciones de herramientas maliciosas o engañosas.

Investigadores de Salesforce han propuesto por separado ToolGuardian, un marco que verifica las interacciones entre agentes y herramientas frente a políticas de seguridad declarativas. Ese trabajo refuerza el principio de diseño central de los anuncios de Dreamforce: la autorización debe residir en el límite de la herramienta, no en las intenciones de un modelo.

Para los compradores empresariales, la prueba relevante no es si un agente puede explicar una política de seguridad. Es si la plataforma impide una acción cuando el modelo ignora, malinterpreta o es manipulado para eludir esa política.

La verdadera competencia es el control empresarial frente a la inteligencia de frontera

Salesforce apuesta a que el razonamiento especializado combinado con contexto gobernado superará a la capacidad de modelos sin restricciones en los flujos de trabajo que las empresas realmente automatizan.

No se trata de una competencia simple entre Salesforce y OpenAI. Salesforce sigue admitiendo modelos de OpenAI, Anthropic, Google y otros proveedores dentro de su plataforma.

El desacuerdo se refiere a dónde se acumula el valor empresarial. Los laboratorios de frontera hacen hincapié en la inteligencia general que mejora en muchos dominios. Salesforce pone el foco en la capa operativa donde confluyen datos, políticas, herramientas y consecuencias empresariales.

Koa ofrece a Salesforce un mayor control sobre una parte de esa pila. Puede ajustar el modelo al comportamiento de CRM, alojar la inferencia dentro de su perímetro de confianza y optimizar cómo Agentforce dirige las cargas de trabajo aplicables.

Ese control también puede afectar a la economía. Los modelos especializados pueden utilizar menos tokens o rutas de razonamiento más cortas para tareas conocidas, aunque Salesforce no ha publicado suficientes datos independientes de producción para establecer ahorros generalizados.

Los proveedores de frontera conservan ventajas importantes. Sus modelos lideran varios benchmarks públicos, admiten una gama más amplia de tareas y mejoran en ciclos de lanzamiento que las empresas de software empresarial pueden tener dificultades para igualar.

Por tanto, Salesforce necesita que el enrutamiento de modelos funcione bien. Las tareas de CRM más sencillas pueden ir a Koa, mientras que las solicitudes más difíciles podrían seguir requiriendo un modelo de frontera más capaz.

El enrutamiento introduce su propia complejidad. La plataforma debe predecir la dificultad de la tarea, comprender los requisitos de seguridad, comparar la precisión esperada y tener en cuenta el coste y la latencia antes de elegir un modelo.

Una mala decisión de enrutamiento puede eliminar los beneficios de la especialización. Enviar una tarea difícil a un modelo más débil aumenta el riesgo de fallo, mientras que enviar todas las tareas a un modelo de frontera reduce el valor práctico de Koa.

La compañía también debe demostrar que el contexto empresarial se mantiene preciso. Los agentes no pueden tomar decisiones fiables a partir de registros de cuentas obsoletos, políticas contradictorias o conocimiento incompleto.

Esto convierte la gobernanza de datos en una parte del rendimiento del modelo. Un agente inteligente fundamentado en información poco fiable puede fallar con más confianza que un sistema más sencillo.

Por tanto, la versión más sólida del argumento de Salesforce es arquitectónica. Koa gestiona el razonamiento especializado, AI Harness proporciona contexto gobernado, Guardian limita el acceso y el plano de control observa el comportamiento entre proveedores.

La versión más débil es una colección de nombres de productos superpuestos cuya integración sigue incompleta. Salesforce debe demostrar que los administradores pueden configurar y auditar el sistema sin crear otra capa de complejidad operativa.

Los clientes también deben distinguir entre controles deterministas y supervisión basada en modelos. Un permiso aplicado por un sistema de identidad es más sólido que un clasificador de IA que predice si una acción parece arriesgada.

El mejor diseño utiliza ambos. Las reglas deterministas deben bloquear acciones que nunca deben ocurrir, mientras que los modelos de supervisión pueden identificar comportamientos inusuales que las políticas fijas no anticiparon.

Ese equilibrio distingue una plataforma útil de agentes empresariales de una presentación persuasiva. Salesforce ha descrito los componentes. La evidencia de producción debe demostrar que esos componentes funcionan conjuntamente bajo cargas de trabajo reales.

Tres señales mostrarán si la estrategia de Salesforce funciona

La próxima prueba no es otro titular sobre benchmarks. Es si los clientes adoptan Koa, confían en los controles y mantienen a Salesforce en el centro de entornos con modelos mixtos.

La primera señal es la disponibilidad en producción y el comportamiento del enrutamiento. Salesforce debe revelar cuándo Koa estará ampliamente disponible, qué tareas de Agentforce pueden utilizarlo y cómo los clientes pueden seleccionarlo o evitarlo.

La evidencia útil incluiría criterios de enrutamiento, latencia, consumo de tokens, tasas de fallos y comparaciones mediante flujos de trabajo definidos por los clientes. Si Koa gestiona trabajo de CRM significativo con menos errores, se refuerza el argumento de especialización de Salesforce.

Si Koa sigue limitado a demostraciones o vistas previas estrechas, los modelos de frontera continuarán realizando la mayor parte del razonamiento difícil. Ese resultado debilitaría la afirmación de que Salesforce puede controlar una mayor parte de su pila de IA.

La segunda señal es el despliegue de AI Control Plane y de los controles de seguridad asociados. Las empresas necesitan fechas concretas, plataformas de terceros compatibles, definiciones de políticas, formatos de auditoría y flujos de trabajo de respuesta a incidentes.

La prueba más sólida sería una aplicación coherente entre Agentforce, agentes externos, herramientas MCP, APIs e interfaces sin interfaz gráfica. Los equipos de seguridad deberían poder identificar quién autorizó a un agente, a qué accedió, qué acciones intentó y por qué la plataforma las permitió.

Un despliegue retrasado o fragmentado dejaría a los clientes ensamblando controles de múltiples productos. Eso socavaría el valor de la arquitectura unificada de Salesforce.

La tercera señal es la evidencia independiente de los clientes. Salesforce ha publicado puntuaciones de benchmarks e historias de clientes seleccionadas, pero las empresas necesitan datos a más largo plazo de despliegues variados.

Entre las medidas importantes figuran la finalización satisfactoria de tareas, las tasas de escalamiento a humanos, los bloqueos de acciones no autorizadas, los eventos de recuperación y el esfuerzo necesario para mantener las especificaciones de los agentes.

La adopción por parte de los clientes también debería revelar si Koa amplía el uso de Agentforce o simplemente sustituye un modelo detrás de flujos de trabajo existentes. La expansión respaldaría la afirmación de Salesforce de que el razonamiento especializado desbloquea una automatización más compleja.

La sustitución sin un aumento de uso seguiría reduciendo la dependencia de proveedores de frontera, pero representaría una victoria estratégica menor.

El modelo Salesforce Koa ofrece a la compañía una respuesta técnica creíble ante la creciente presión de los agentes de propósito general. Convierte la experiencia de Salesforce en CRM en escenarios de entrenamiento y conecta ese modelo con acciones empresariales gobernadas.

Las herramientas de seguridad para agentes abordan la mitad más difícil del problema. Un modelo que puede actuar en sistemas corporativos necesita controles que sigan siendo fiables cuando su razonamiento no lo es.

Salesforce ha definido ahora claramente la competencia. La IA empresarial no se juzgará solo por qué modelo responde a la pregunta más difícil. Se juzgará por qué plataforma puede convertir el contexto en una acción autorizada sin perder visibilidad ni control.

Para los líderes tecnológicos, el siguiente paso práctico es probar el flujo de trabajo completo. Midan las decisiones del modelo, inspeccionen cada llamada a herramienta, pongan a prueba sus permisos y verifiquen que la recuperación funciona antes de ampliar la autonomía.