El modelo de razonamiento Koa de Salesforce pone en alerta a los laboratorios de IA generalista

Salesforce presentó su primer modelo dedicado a CRM, convirtiendo el modelo de razonamiento Salesforce Koa en un desafío directo para los laboratorios de IA de propósito general.

La empresa construyó Koa sobre el modelo Nemotron 3 Super de pesos abiertos de Nvidia. Después entrenó Koa para flujos de trabajo de ventas, marketing y atención al cliente. Salesforce afirma que el modelo comete tres veces menos errores en acciones de CRM, al tiempo que iguala o supera a los modelos líderes.

Esta afirmación aún requiere pruebas independientes. Sin embargo, la estrategia detrás de Koa importa incluso antes de que se verifiquen todos los resultados de referencia. Salesforce puede combinar un modelo base adaptable con décadas de conocimiento sobre flujos de trabajo, su plataforma de software y acceso inmediato a compradores empresariales.

OpenAI, Anthropic y Google han concentrado enormes recursos en modelos capaces de gestionar casi cualquier tarea intelectual. Koa pone a prueba si los clientes empresariales preferirán algo más acotado, controlable y ya integrado en el lugar donde trabajan sus empleados.

La amenaza no es que Salesforce haya construido de repente el modelo más inteligente. La amenaza es que quizá no lo necesite.

Salesforce Koa convierte Nemotron en un especialista en CRM

Koa toma una base general de pesos abiertos y la entrena en torno a las acciones que hacen útil al software empresarial.

Salesforce y Nvidia anunciaron Koa el 15 de septiembre de 2026. Está entrando en programas piloto con clientes seleccionados de Agentforce, con una disponibilidad más amplia en Estados Unidos prevista para el invierno de 2026.

El modelo parte de Nemotron 3 Super de Nvidia, un modelo base de 120.000 millones de parámetros. Que sea de pesos abiertos significa que los parámetros entrenados del modelo están disponibles para una adaptación controlada, a diferencia de un modelo accesible únicamente mediante una API externa.

Salesforce no se limitó a conectar un sistema de búsqueda de CRM a Nemotron. Sus investigadores realizaron un postentrenamiento del modelo subyacente para que razonara a través de flujos de trabajo empresariales y ejecutara las herramientas necesarias.

Esta distinción importa. La recuperación de información puede proporcionar a un modelo general registros o documentos relevantes. No le enseña automáticamente qué acción corresponde en cada etapa de un proceso empresarial.

Pensemos en una oportunidad de venta que ha dejado de avanzar. Un agente debe revisar la actividad reciente, identificar la información faltante, comprobar las reglas de negocio, recomendar un siguiente paso y programar un seguimiento. Cada decisión modifica el estado del flujo de trabajo.

Un caso de atención al cliente genera otra secuencia. El modelo podría clasificar el problema, verificar los datos de la cuenta, recuperar una política aplicable, derivar el caso y actualizar su estado. Una respuesta fluida por sí sola no basta.

Salesforce entrenó Koa con ajuste fino supervisado y aprendizaje por refuerzo. El ajuste fino supervisado muestra a un modelo ejemplos del comportamiento deseado. El aprendizaje por refuerzo lo recompensa por completar tareas con éxito.

La empresa utilizó Group Relative Policy Optimization, o GRPO, para esa etapa de refuerzo. GRPO compara varias respuestas intentadas y refuerza el comportamiento asociado a mejores resultados.

Salesforce afirma que los escenarios de entrenamiento abarcan más de 14 sectores. Combinan perfiles simulados con tareas, acciones esperadas y llamadas a herramientas en manufactura, salud, servicios financieros, viajes y otros sectores.

Según Salesforce, el entrenamiento no utilizó datos de clientes. En su lugar, la empresa generó situaciones sintéticas basadas en los patrones de negocio recopilados durante 27 años de implementaciones de CRM.

Esta formulación exige cautela. Salesforce no afirma que registros confidenciales de clientes hayan sido incorporados a Koa. Dice que su conocimiento acumulado dio forma a los flujos de trabajo simulados utilizados para el entrenamiento.

El modelo también es más que una demostración de investigación. Salesforce ya utiliza Koa internamente mediante un agente de Slack que ayuda a los empleados a encontrar información y completar tareas rutinarias.

Entre los clientes piloto se encuentran 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine y Xero. Estas implementaciones deberían revelar si las evaluaciones controladas se traducen en fiabilidad en producción.

Por tanto, el cambio inmediato en el producto es concreto. Agentforce incorpora un modelo de razonamiento alojado por Salesforce y diseñado en torno a las acciones de su propia plataforma, en lugar de depender exclusivamente de modelos generales externos.

Por qué el modelo de razonamiento Salesforce Koa presiona a los laboratorios de IA

Salesforce compite en propiedad de los flujos de trabajo, distribución y control, no en ganar cada evaluación de inteligencia general.

Los laboratorios de IA de frontera han tratado la generalidad como una ventaja importante. Un modelo capaz puede escribir software, analizar documentos, realizar investigaciones, responder preguntas y respaldar muchas funciones empresariales.

Esa amplitud sigue siendo valiosa. Sin embargo, los agentes empresariales operan dentro de entornos más acotados, con permisos precisos, estructuras de datos y resultados aceptables. Esas restricciones favorecen a las empresas que comprenden la capa de aplicación.

Salesforce controla los registros, las estructuras de objetos, los permisos y los sistemas de automatización que definen el trabajo dentro de su plataforma. También controla las interfaces mediante las cuales muchos empleados interactúan con el software de CRM.

Esta posición ofrece a Salesforce tres ventajas frente a un proveedor de modelos que llega a través de una API.

En primer lugar, Salesforce puede describir la finalización satisfactoria de una tarea en términos nativos de la plataforma. Sabe si se actualizó una oportunidad, si un caso llegó a la cola correcta o si apareció un seguimiento en el calendario.

En segundo lugar, puede construir simulaciones de entrenamiento en torno a esos resultados. El modelo puede recibir una recompensa por completar un proceso, no solo por producir texto que se parezca a una buena respuesta.

En tercer lugar, Salesforce puede entregar el modelo resultante a través de Agentforce. Los clientes no necesitan montar una capa de orquestación independiente antes de probar el modelo con los flujos de trabajo existentes.

La investigación subyacente aclara esta estrategia. El artículo de investigación de Koa describe una canalización de simulación a recompensa para producir tareas de varios turnos basadas en perfiles.

Estas tareas incluyen solicitudes dependientes de datos que requieren el uso exitoso de herramientas. Salesforce utiliza Agent Script, su lenguaje declarativo para especificar el comportamiento de Agentforce, para definir flujos de trabajo en dominios empresariales.

Esto crea un ciclo de entrenamiento que las empresas de aplicaciones están especialmente bien posicionadas para aprovechar. Su software ya contiene acciones estructuradas, permisos, reglas de negocio y señales de finalización de tareas.

Un desarrollador de modelos generales puede aprender parte de esa estructura mediante asociaciones, indicaciones de clientes y documentación de herramientas. El propietario de la aplicación empieza con un mapa detallado del entorno.

La presión se extiende más allá de Salesforce. ServiceNow puede especializar modelos para flujos de trabajo de TI y empleados. SAP puede centrarse en finanzas, compras y cadenas de suministro. Workday puede entrenar modelos en torno a procesos de recursos humanos.

Cada empresa puede utilizar un modelo base adaptable en lugar de financiar un proyecto de preentrenamiento a escala de frontera. Nvidia se beneficia porque esas empresas siguen necesitando modelos, software de entrenamiento, aceleradores e infraestructura de inferencia.

Este modelo de competencia cambia la cuestión económica. Las empresas de software empresarial ya no necesitan preguntarse si pueden reproducir un laboratorio de frontera completo.

Pueden preguntarse si un modelo más pequeño y especializado realiza las tareas valiosas dentro de su propio producto. Ese es un objetivo mucho más alcanzable.

Salesforce también controla la relación con el cliente. Puede empaquetar Koa con Agentforce, aplicar los controles de gobernanza existentes y exponer el modelo mediante herramientas que los administradores ya comprenden.

El laboratorio de IA corre el riesgo de convertirse en un proveedor sustituible por debajo de esa experiencia. Un cliente podría saber que Agentforce completó la tarea sin saber qué modelo base contribuyó al resultado.

Esa es la parte que los laboratorios de IA deberían temer. Su tecnología puede seguir siendo importante mientras se debilitan su marca, su poder de fijación de precios y su conexión directa con los usuarios empresariales.

Los pesos abiertos trasladan el valor por encima del modelo base

Koa muestra cómo un modelo de pesos abiertos puede desplazar el valor competitivo del preentrenamiento hacia la especialización, el despliegue y la retroalimentación de los flujos de trabajo.

Nvidia publica modelos, recursos de entrenamiento e implementaciones de referencia a través de su centro de modelos Nemotron. Este enfoque anima a otras empresas a modificar una base capaz en vez de partir de cero.

Salesforce utilizó Nemotron 3 Super como materia prima. Después aplicó generación de datos específica del dominio, entrenamiento supervisado y aprendizaje por refuerzo mediante las herramientas NeMo de Nvidia.

El proceso representa una división del trabajo. Nvidia suministra la arquitectura del modelo, la pila de entrenamiento y la plataforma informática. Salesforce aporta especificaciones de flujos de trabajo, contexto empresarial, distribución y el límite del producto.

Los proveedores de modelos cerrados suelen ofrecer personalización mediante indicaciones, recuperación de información, ajuste fino o servicios de entrenamiento gestionados. Estas opciones pueden funcionar bien, especialmente cuando el modelo subyacente tiene una gran ventaja de capacidad.

También dejan decisiones importantes en manos del proveedor. Las actualizaciones del modelo, la ubicación de la inferencia, las políticas operativas y la visibilidad sobre los pesos pueden permanecer fuera del control de la empresa de aplicaciones.

Koa otorga a Salesforce control directo sobre sus pesos. Salesforce afirma que tanto el postentrenamiento como la inferencia ocurren dentro de su propio perímetro de confianza, donde la información de los clientes permanece bajo los controles de seguridad de Salesforce.

Este acuerdo resulta atractivo para los compradores regulados. También ayuda a Salesforce a cambiar el modelo sin esperar la hoja de ruta de producto de un laboratorio externo.

El control no implica automáticamente menor coste ni mejor rendimiento. Salesforce no ha publicado suficiente evidencia de producción para establecer ninguna de las dos conclusiones en distintos entornos de clientes.

Aun así, el control crea opciones estratégicas. Salesforce puede priorizar las tareas que generan valor dentro de Agentforce, incluso cuando esas tareas parezcan poco importantes en evaluaciones académicas amplias.

El artículo de Koa informa de que la especialización produjo las mejoras más claras en el uso de herramientas de varios turnos. Precisamente ahí es donde los agentes empresariales suelen tener dificultades.

Una única llamada a una herramienta es relativamente fácil de evaluar. Los flujos de trabajo más largos requieren que el modelo conserve el estado, reaccione a los resultados de las herramientas, respete los permisos y se recupere de condiciones inesperadas.

Estas capacidades importan más a un gerente de servicio que otro punto porcentual en una prueba de matemáticas. También encajan con el conocimiento existente de Salesforce sobre procesos empresariales.

El diseño de entrenamiento sintético del modelo añade otro mecanismo importante. Los registros de clientes son valiosos, pero también sensibles, inconsistentes y difíciles de combinar entre organizaciones.

Los escenarios sintéticos permiten a Salesforce reproducir la estructura del trabajo empresarial sin copiar datos reales de clientes en un corpus de entrenamiento compartido. También pueden generar fallos poco frecuentes o casos límite bajo demanda.

Sin embargo, los datos sintéticos tienen su propia debilidad. Una simulación refleja las suposiciones de quienes la diseñan. Puede recompensar un comportamiento que funciona en un entorno de prueba limpio, pero falla en una organización desordenada.

Los sistemas de CRM reales contienen registros incompletos, políticas en conflicto, objetos personalizados, automatizaciones desactualizadas y estructuras de permisos inusuales. Los pilotos de producción deben exponer a Koa a esa complejidad sin comprometer la seguridad.

Por eso el modelo de razonamiento Salesforce Koa representa un mecanismo, no una victoria garantizada. Los pesos abiertos hacen posible la especialización. La posición de Salesforce en los flujos de trabajo hace que esa especialización sea creíble.

Los resultados reales de los clientes decidirán si el sistema combinado es mejor que un modelo de frontera conectado a las mismas herramientas.

La afirmación del benchmark necesita una prueba más exigente

Los resultados reportados por Salesforce son prometedores, pero los benchmarks de CRM diseñados por la propia empresa no pueden resolver la comparación con los modelos de frontera.

Salesforce afirma que Koa iguala o supera el rendimiento de los modelos líderes en acciones de CRM, al tiempo que produce tres veces menos errores. Las tareas evaluadas incluyen actualizar oportunidades, asignar casos y programar seguimientos.

La empresa no ha presentado esa afirmación como una medida universal de inteligencia. Se refiere a acciones de CRM seleccionadas dentro de un benchmark alineado con el dominio previsto para Koa.

El documento adjunto aporta una salvedad importante. Según se informa, Koa mejora respecto a su base Nemotron y supera a una sólida referencia propietaria, pero sigue por debajo de los modelos de frontera más potentes en términos generales.

Ese resultado respalda una interpretación más acotada. La especialización ayuda a un modelo de pesos abiertos a competir en tareas específicas de agentes sin eliminar la ventaja de capacidades generales de los principales modelos cerrados.

Los compradores también deberían diferenciar la precisión de las acciones del valor operativo completo. Un agente podría invocar la herramienta correcta y, aun así, malinterpretar la intención del cliente, aplicar una política inadecuada o generar una escalación innecesaria.

Los recuentos de errores requieren contexto. Una actualización equivocada de un campo, una divulgación no autorizada y un borrador de correo deficiente no conllevan el mismo riesgo empresarial.

Los evaluadores independientes necesitarán acceso a las definiciones de tareas, los modelos de comparación, las reglas de puntuación y los registros de ejecución. De lo contrario, quienes estén fuera no podrán determinar de dónde procede la ventaja reportada.

El benchmark podría premiar la familiaridad con esquemas específicos de Salesforce. Eso sería legítimo para un producto de Salesforce, pero no demostraría superioridad en otras aplicaciones empresariales.

Los entornos de producción añaden otra capa de dificultad. La propia Salesforce advierte que el rendimiento en sandbox no predice de forma fiable el comportamiento en producción, porque la infraestructura y los patrones de uso son diferentes.

El mismo principio se aplica a los agentes. Las tareas controladas no pueden reproducir plenamente datos cambiantes, usuarios simultáneos, integraciones personalizadas, restricciones de latencia y solicitudes ambiguas.

Por tanto, los pilotos de clientes de Koa deberían medir más que la finalización de benchmarks. Entre los indicadores útiles figuran las resoluciones exitosas, las tasas de intervención humana, las acciones revertidas, las infracciones de políticas y la satisfacción del cliente.

Estas mediciones necesitan referencias claras. Comparar Koa con la ausencia de automatización respondería una pregunta. Compararlo con un sistema Agentforce que use un modelo de frontera respondería una más difícil.

Salesforce también debe demostrar que los clientes pueden gobernar el modelo especializado. Los administradores necesitan visibilidad sobre lo que intentó el agente, qué herramientas utilizó y por qué falló una acción.

La revisión humana seguirá siendo importante en procesos con consecuencias significativas. Las decisiones crediticias, las comunicaciones médicas, los compromisos contractuales y los cambios de cuenta exigen más que una precisión promedio en benchmarks.

La seguridad plantea otra cuestión aún sin resolver. Ejecutar la inferencia dentro del perímetro de confianza de Salesforce reduce la exposición a API de modelos externos, pero no elimina la inyección de prompts ni los permisos excesivos.

Un atacante podría introducir instrucciones maliciosas en contenido que un agente lee. Un modelo de confianza con acceso amplio aún puede emprender acciones perjudiciales si se manipulan sus entradas.

Los clientes deben limitar las herramientas, validar las salidas y mantener controles de aprobación. La propiedad del modelo no sustituye a la seguridad de las aplicaciones.

También existe una cuestión de mercado. Algunas empresas prefieren un único proveedor de frontera para muchos departamentos. Una colección de modelos especializados puede incrementar el trabajo de gobernanza e integración.

Los laboratorios de frontera pueden responder facilitando la especialización, el alojamiento y la evaluación de sus modelos. También pueden asociarse más estrechamente con proveedores de software empresarial.

Los modelos generales más potentes podrían seguir siendo necesarios para excepciones difíciles. Salesforce podría usar Koa para el trabajo rutinario de CRM y derivar los casos inusuales a un modelo externo de mayor tamaño.

Ese enfoque híbrido debilitaría la idea de un único ganador. Aun así, reduciría la proporción de inferencia empresarial que fluye automáticamente hacia los proveedores de frontera.

Koa desafía la estrategia original de modelos de Agentforce

Salesforce está pasando de elegir modelos a poseerlos, invirtiendo la anterior dependencia de la capa de aplicaciones respecto a proveedores externos de IA.

Cuando Salesforce presentó AI Cloud en 2023, hizo hincapié en el acceso a modelos de varios proveedores. Los clientes podían usar modelos de socios mientras Salesforce aportaba conexión con datos, gobernanza y aplicaciones empresariales.

Agentforce llegó en 2024 con el motor de razonamiento Atlas. Atlas coordina modelos, datos, flujos de trabajo y herramientas para que un agente pueda decidir qué hacer a continuación.

Koa no reemplaza cada parte de esa arquitectura. Un modelo de lenguaje y un motor de razonamiento desempeñan funciones diferentes. El motor gestiona el proceso más amplio, mientras que el modelo interpreta las tareas y selecciona acciones.

Sin embargo, Koa lleva a Salesforce más profundamente a la capa de inteligencia. La empresa ya no solo selecciona y orquesta modelos. Ahora controla los pesos, el entrenamiento, el alojamiento y el despliegue de un modelo especializado.

Ese es el cambio estratégico. Los proveedores de software empresarial antes parecían depender de unos pocos laboratorios de frontera para el razonamiento avanzado. Los pesos abiertos ahora permiten que esos proveedores incorporen más capacidad de modelos en sus propios productos.

El conocimiento acumulado por Salesforce sobre flujos de trabajo adquiere más valor bajo esta estructura. Marc Benioff sostiene que Koa incorpora al propio modelo conocimiento sobre acuerdos, casos de servicio y procesos sectoriales.

La afirmación no debe interpretarse literalmente como historiales de clientes incorporados en los pesos. Salesforce afirma que Koa utilizó datos públicos y sintéticos de entrenamiento, en lugar de datos de clientes.

El activo valioso es la abstracción de cómo avanza el trabajo. Salesforce puede describir roles, objetos, secuencias de herramientas, excepciones y condiciones de finalización en situaciones habituales de CRM.

Esa descripción puede entrenar a un modelo para comportarse con mayor eficacia dentro de Agentforce. También puede actualizarse a medida que Salesforce modifica sus aplicaciones.

La distribución completa el ciclo. La empresa puede observar el rendimiento de los pilotos, identificar tipos de fallos recurrentes, generar escenarios relacionados y ejecutar otro ciclo de posentrenamiento.

Las normas de privacidad limitarán lo que Salesforce puede recopilar y reutilizar. Sin embargo, los patrones operativos agregados aún pueden orientar el diseño de evaluaciones y las mejoras de producto.

Los laboratorios de frontera cuentan con sus propias ventajas de retroalimentación a través de millones de usuarios. Sin embargo, gran parte de esa actividad consiste en conversaciones, sesiones de programación o solicitudes generales.

Salesforce puede centrarse en señales más acotadas vinculadas a resultados empresariales. ¿Llegó el caso al equipo correcto? ¿Se actualizó el registro? ¿Un humano revirtió la acción?

Estas señales son especialmente útiles para el aprendizaje por refuerzo porque facilitan la definición del éxito.

Koa también cambia la posición negociadora de Salesforce. La empresa puede seguir ofreciendo modelos externos mientras mantiene una alternativa interna para cargas de trabajo seleccionadas.

Esa flexibilidad reduce la dependencia de un único laboratorio. También permite a Salesforce comparar proveedores con un modelo optimizado para su propio territorio.

Para los laboratorios de IA, la lección va más allá del CRM. Sus competidores empresariales más difíciles quizá no construyan modelos de frontera. Podrían adaptar modelos abiertos y controlar todo lo que rodea la llamada de inferencia.

Qué observar a medida que Koa entra en producción

Tres señales mostrarán si Koa representa un cambio duradero en la IA empresarial o un anuncio de producto bien posicionado.

La primera señal es la evidencia procedente de pilotos de clientes. Salesforce ha mencionado organizaciones de los sectores de contabilidad, finanzas, salud, viajes, software y deportes.

El resultado importante no es cuántas empresas entran en un piloto. Es si llevan Koa a flujos de trabajo de producción repetibles con reducciones medibles de errores y gestión humana.

Busque estudios de caso detallados que revelen volúmenes de tareas, tasas de intervención, métodos de evaluación y límites de despliegue. Las afirmaciones vagas sobre productividad no validarán la ventaja del modelo.

Unos resultados sólidos en producción reforzarían el argumento central de Salesforce. Mostrarían que el entrenamiento de dominio cierra una parte suficiente de la brecha de capacidades como para superar a modelos más amplios en trabajo valioso.

Reversiones frecuentes o despliegues limitados lo debilitarían. Sugerirían que el benchmark capturó mejor las acciones controladas de CRM que la complejidad operativa.

La segunda señal es el lanzamiento previsto en Estados Unidos para el invierno de 2026. La disponibilidad general pondrá a prueba la fiabilidad, la capacidad, la administración y la integración en una gama más amplia de entornos de Salesforce.

Los clientes querrán controles de configuración en lugar de un comportamiento de modelo fijo. También necesitarán supervisión, trazas de auditoría, aprobaciones y procedimientos claros para acciones fallidas.

El lanzamiento revelará cómo posiciona Salesforce a Koa junto a modelos externos. Un papel predeterminado dentro de Agentforce indicaría confianza y crearía una distribución significativa.

Un modelo opcional reservado para unos pocos flujos de trabajo sugeriría una estrategia más cautelosa. Aun así podría ser útil, pero ejercería menos presión sobre los proveedores de frontera.

La tercera señal es la respuesta competitiva. OpenAI, Anthropic, Google, Microsoft, ServiceNow, SAP y otros proveedores tienen razones para defender su lugar en las pilas de agentes empresariales.

Los laboratorios de frontera pueden publicar evaluaciones más sólidas de uso de herramientas, mejorar las opciones de despliegue privado u ofrecer un posentrenamiento más profundo. Los proveedores de aplicaciones pueden construir sus propios modelos de dominio a partir de bases abiertas.

El anterior lanzamiento de Agentforce por parte de Salesforce ya situó a los agentes empresariales en un mercado saturado. Competidores como ServiceNow y compañías especializadas en servicio al cliente se dirigen a muchos de los mismos compradores.

La cuestión estratégica es si Koa crea una ventaja duradera o se convierte en un patrón que otros reproducen rápidamente. Nvidia tiene incentivos para ayudar a muchos proveedores de software a seguir el mismo camino.

Esa posibilidad tiene dos caras para Salesforce. Koa se beneficia de la infraestructura de modelos abiertos, pero esa misma infraestructura reduce las barreras para sus rivales.

Los despliegues gubernamentales añaden otra prueba. Salesforce planea incorporar modelos Nvidia posentrenados a Missionforce para nubes privadas controladas y redes aisladas.

Se espera que clientes seleccionados reciban esos modelos en octubre de 2026. El éxito en ese ámbito respaldaría el argumento de que el control del modelo importa en entornos regulados.

La conclusión más amplia no depende de que Salesforce derrote a todos los laboratorios de IA. Koa solo necesita demostrar que el valor empresarial puede concentrarse por encima del modelo fundacional.

Para desarrolladores y compradores empresariales, el siguiente paso es práctico. Compare modelos en flujos de trabajo reales, capture las llamadas de herramientas fallidas y registre cada corrección humana.

Los equipos pueden usar una base de conocimiento de IA con búsqueda para conservar esas evaluaciones, decisiones y reglas operativas durante un despliegue.

No pregunte solo qué modelo obtiene la puntuación más alta. Pregunte quién controla el flujo de trabajo, quién define el éxito, adónde viajan los datos y con qué rapidez mejoran los fallos.

Si el modelo de razonamiento Salesforce Koa ofrece resultados fiables en producción, los laboratorios generales de IA seguirán proporcionando tecnología esencial. Simplemente controlarán una menor parte del resultado empresarial.