Jensen Huang à Dreamforce soutient Salesforce Koa face à l’IA de pointe fermée

Jensen Huang a livré un message sans détour à Dreamforce alors que Salesforce présentait son premier modèle de raisonnement CRM le 15 septembre 2026. L’intelligence artificielle, a-t-il soutenu, permet désormais aux humains de « tout savoir et tout faire ».

La principale nouvelle n’était pas le slogan. Salesforce a dévoilé Koa, un modèle spécialisé construit par post-entraînement de NVIDIA Nemotron 3 Super sur des scénarios CRM synthétiques. Il fonctionne au sein de l’infrastructure Salesforce et offre à Agentforce une alternative aux modèles de pointe fermés.

Jusqu’à présent, Salesforce s’appuyait sur des fournisseurs tels qu’Anthropic et OpenAI lorsqu’un flux de travail Agentforce nécessitait un raisonnement soutenu. Koa modifie cette dépendance sans mettre fin à ces partenariats. Salesforce peut désormais orienter certaines tâches d’entreprise vers un modèle qu’elle contrôle.

Cette annonce met ainsi à l’épreuve deux approches concurrentes. L’une envoie de nombreuses tâches métier vers des modèles de pointe généralistes. L’autre adapte des poids ouverts aux structures de données, aux politiques et aux flux de travail récurrents d’une entreprise.

Koa ne prouve pas que les modèles spécialisés l’emporteront. Salesforce a publié des résultats internes, des noms de pilotes et un calendrier de disponibilité, mais peu d’éléments indépendants issus de la production. Cet écart sépare la vision expansive de Huang à Dreamforce de ce que les acheteurs d’entreprise peuvent vérifier aujourd’hui.

Jensen Huang à Dreamforce a placé Koa au cœur d’une grande promesse

Le message ambitieux de Huang sur l’IA a accompagné une évolution précise de la stratégie de modèles de Salesforce.

Huang a rejoint le PDG de Salesforce, Marc Benioff, au Moscone Center de San Francisco lors de la journée d’ouverture de Dreamforce. Il s’est avancé dans le public en présentant l’IA comme la prochaine grande couche d’infrastructure.

« Avec l’électricité, nous pouvions tout alimenter », a déclaré Huang. « Avec Internet, vous pouvez tout trouver. » Il a ensuite soutenu que l’IA permet à la société de « tout savoir et tout faire ».

Cette formulation reflétait la vision large de Huang sur l’IA, mais l’annonce de produit qui l’accompagnait en précisait les enjeux pratiques. Salesforce a présenté Koa comme son premier modèle de raisonnement conçu spécifiquement pour la gestion de la relation client.

Un modèle de raisonnement consacre des ressources de calcul supplémentaires à des étapes intermédiaires avant de produire une réponse ou d’exécuter une action. Dans le CRM, cela peut signifier évaluer l’historique d’un compte, les politiques, les autorisations et plusieurs outils au cours d’une même requête.

Selon l’annonce officielle de Dreamforce, Salesforce a développé Koa en post-entraînant Nemotron 3 Super. Le post-entraînement adapte un modèle de base existant à des tâches, des comportements et des contraintes opérationnelles particuliers.

Salesforce indique avoir créé un jeu de données synthétiques propriétaire inspiré de près de trois décennies de déploiements CRM. Les données synthétiques se composent d’exemples générés plutôt que de copies directes des dossiers clients.

L’entreprise affirme que ces scénarios représentent le travail dans plus de 14 secteurs. Ils couvrent des activités telles que la génération de prospects, la qualification d’opportunités, la résolution de dossiers de service et l’utilisation d’outils tenant compte des politiques.

Chaque scénario associait un professionnel simulé à une tâche et à la séquence d’actions nécessaire pour l’accomplir. Cette conception vise à apprendre au modèle comment se déroule le travail en entreprise, et pas seulement à lui apprendre la terminologie CRM.

Salesforce affirme également qu’aucune donnée client n’a intégré le corpus d’entraînement de Koa. L’apparition de Huang a donc relié une affirmation ambitieuse sur les capacités universelles de l’IA à un modèle d’entreprise volontairement ciblé.

Ce contraste est important. Koa n’est pas conçu pour répondre à toutes les questions ni pour surpasser tous les modèles de pointe. Il est destiné à raisonner de manière fiable dans les flux de travail Salesforce tout en restant sous le contrôle opérationnel de Salesforce.

L’entreprise prévoit d’exposer Koa via plusieurs points d’entrée Agentforce. Les clients pourront le sélectionner pour une organisation, l’assigner à des agents individuels ou l’utiliser via le catalogue de modèles géré.

Cette flexibilité place le routage au centre de l’annonce. Une entreprise n’a pas besoin de choisir un seul modèle pour chaque tâche. Elle peut réserver une intelligence générale coûteuse aux problèmes inhabituels et utiliser Koa pour le travail CRM répétable.

C’est le sens concret du message « tout faire » de Huang. Le modèle doit relier le raisonnement à des actions régies, notamment la mise à jour d’une opportunité, le routage d’un dossier ou la planification d’un suivi.

L’annonce précise également ce que « tout savoir » peut signifier de manière responsable. Koa ne reçoit que les dossiers, les données de contextualisation et les instructions qu’un client choisit de partager.

Il n’est pas omniscient, et Salesforce ne le présente pas ainsi dans les détails techniques du produit. Son avantage proposé provient du contexte pertinent, de la spécialisation et d’un accès contrôlé.

Cette distinction transforme un moment de keynote théâtral en une décision de plateforme conséquente. Salesforce ne se contente plus de connecter une intelligence externe à ses applications. L’entreprise construit une couche de raisonnement qu’elle peut exploiter elle-même.

Salesforce Koa remet en cause la dépendance aux modèles de pointe fermés

Koa exerce une pression sur les fournisseurs de modèles fermés en donnant à Salesforce le contrôle d’une plus grande part du raisonnement d’entreprise.

Avant Koa, les requêtes Agentforce complexes pouvaient transiter par la passerelle d’IA de Salesforce vers des modèles tels que Claude ou ChatGPT. La passerelle choisit un modèle adapté à chaque requête.

Salesforce disposait déjà de modèles plus petits pour des tâches ciblées. Toutefois, Jayesh Govindarajan, vice-président exécutif de Salesforce AI, a déclaré que le raisonnement soutenu restait dépendant des fournisseurs de modèles de pointe.

« Le raisonnement a toujours été quelque chose pour lequel nous nous sommes appuyés sur les fournisseurs de modèles de pointe », a déclaré Govindarajan à TechCrunch. « Jusqu’à présent. »

Cette dernière phrase explique pourquoi Koa importe au-delà d’une nouvelle sortie de modèle. Salesforce possède la couche applicative, les relations clients, les autorisations, la logique métier et une grande partie du contexte derrière chaque requête.

Un fournisseur de modèles fermés assurait historiquement le raisonnement difficile. Cette position donnait aux laboratoires de pointe un rôle important dans les flux de travail d’entreprise à forte valeur.

Koa permet à Salesforce d’internaliser une partie de ce rôle. L’entreprise contrôle les poids du modèle, héberge le système, définit l’environnement de service et détermine son intégration au routage Agentforce.

Le modèle repose sur NVIDIA Nemotron 3 Super, un modèle à poids ouverts publié sous une licence permissive. Les poids ouverts permettent aux opérateurs approuvés de déployer et d’adapter le modèle sans envoyer chaque requête à son développeur d’origine.

Ce contrôle soutient l’argument de Salesforce concernant les frontières des données. L’entreprise affirme que Koa fonctionne entièrement au sein de son infrastructure, les informations clients restant dans Salesforce pendant l’inférence.

L’inférence est le processus par lequel un modèle entraîné produit une réponse ou une action. Maintenir ce processus dans un environnement contrôlé unique peut simplifier les décisions de gouvernance, d’audit et de localisation des données.

Cette affirmation ne signifie pas que le déploiement devient sans risque. Salesforce doit toujours protéger les points de terminaison du modèle, les outils connectés, les identifiants stockés, les autorisations d’action et les données fournies pendant chaque session.

Toutefois, la propriété modifie la partie qui gère ces risques. Les clients peuvent évaluer Koa dans le cadre de la frontière de confiance existante de Salesforce plutôt que d’ajouter un autre chemin vers un modèle externe.

Koa donne également à Salesforce davantage d’influence sur l’économie de l’inférence. Les fournisseurs fermés facturent généralement selon l’utilisation de jetons, la capacité réservée ou des accords d’entreprise négociés.

Un modèle spécialisé peut réduire le raisonnement inutile s’il atteint l’action CRM correcte avec moins de jetons générés. Salesforce et NVIDIA affirment que cette efficacité constitue l’un des objectifs de conception de Koa.

Nemotron 3 Super utilise une architecture de mélange d’experts, qui n’active que des parties sélectionnées du modèle pour chaque jeton. NVIDIA indique que le modèle compte 120 milliards de paramètres mais n’en active que 12 milliards pendant l’inférence.

NVIDIA attribue également au modèle une fenêtre de contexte d’un million de jetons. Une fenêtre de contexte correspond à la quantité d’informations qu’un modèle peut considérer lors d’une interaction.

Ces spécifications sont pertinentes car les flux de travail multi-agents génèrent de longs historiques, des sorties d’outils et des décisions intermédiaires. NVIDIA indique que ces charges de travail peuvent utiliser sensiblement plus de contexte que les conversations ordinaires.

L’entreprise affirme que Nemotron 3 Super fournit un débit jusqu’à cinq fois supérieur à celui du précédent modèle Nemotron Super. Elle revendique également une précision jusqu’à deux fois supérieure, selon le test.

Il s’agit de mesures NVIDIA, et non de conclusions indépendantes sur Koa. Le post-entraînement de Salesforce, le système de service, les outils connectés et la couche de gouvernance influenceront également les performances réelles.

Néanmoins, l’architecture offre à Salesforce une voie crédible vers une spécialisation moins coûteuse. L’entreprise peut ajuster le modèle pour des actions courantes au lieu de payer pour l’intelligence la plus large disponible à chaque requête.

Cela exerce une pression sur OpenAI, Anthropic et d’autres fournisseurs fermés dans un domaine précis. Ils doivent démontrer qu’un raisonnement général supérieur justifie leur coût et le contrôle réduit accordé à l’opérateur.

Cette pression ne constitue pas une menace de remplacement immédiate. Salesforce continue de prendre en charge les modèles externes et a annoncé un partenariat approfondi avec Anthropic au cours du même cycle Dreamforce.

Koa modifie plutôt la position de négociation de Salesforce. L’entreprise peut orienter le raisonnement routinier en interne tout en réservant les modèles de pointe aux tâches pour lesquelles leurs capacités plus larges apportent une valeur mesurable.

Ce portefeuille de modèles ressemble davantage au cloud computing qu’à une compétition où le gagnant remporte tout. Les entreprises combinent les systèmes selon la charge de travail, les exigences de sécurité, la latence et le coût.

Pour les travailleurs du savoir, cela déplace également l’attention des marques de modèles vers la qualité du contexte métier. Un modèle généraliste ne peut pas évaluer avec précision une affaire lorsqu’il ne dispose pas de l’historique du pipeline et des définitions opérationnelles.

Le contexte organisationnel structuré devient donc une partie de la pile d’IA. Les équipes qui construisent déjà une base de connaissances consultable reconnaîtront le même principe : des réponses utiles dépendent d’un accès régi aux informations pertinentes.

Le mécanisme repose sur la spécialisation, pas sur un modèle général plus grand

Le pari central de Koa est qu’un entraînement spécifique aux tâches et des actions contrôlées peuvent compter davantage qu’un leadership général sur les benchmarks.

La compétition entre modèles de pointe se concentre souvent sur les mathématiques, la programmation, les sciences et les tests de raisonnement généralisé. Ces mesures aident à comparer les capacités fondamentales, mais les agents CRM font face à un ensemble différent de défaillances.

Un agent d’entreprise doit sélectionner le bon dossier, respecter les autorisations, appeler un outil approuvé et préserver le contexte sur plusieurs étapes. Une réponse fluide est insuffisante si elle met à jour le mauvais compte.

Salesforce affirme que les scénarios d’entraînement synthétiques de Koa ciblent ces exigences opérationnelles. Ils simulent des professionnels, des états clients, des politiques, des outils et des séquences d’actions attendues tout au long du cycle de vie client.

Un scénario peut exiger qu’un agent identifie une opportunité à risque. Il devrait examiner les communications, analyser les changements d’étape, appliquer les règles de l’entreprise et recommander une prochaine action autorisée.

Un autre pourrait concerner un client mécontent du service. L’agent devrait récupérer le contexte du compte, comprendre les limites de politique, appeler les fonctions adéquates et transmettre le dossier si nécessaire.

Le modèle doit donc faire davantage que générer du texte. Il doit traduire le langage en travail contrôlé au sein d’un système d’enregistrement.

Salesforce évalue ce comportement avec CRM Bench, son benchmark pour des tâches telles que la mise à jour d’opportunités, le routage de dossiers et la planification de suivis. L’entreprise affirme que Koa égale ou dépasse les performances des principaux modèles sur les actions CRM.

Salesforce indique que Koa commet trois fois moins d’erreurs sur le benchmark. L’entreprise revendique également une précision supérieure de 11 % dans la sélection d’une action.

L’entreprise affirme que Koa se souvient du contexte client avec une fiabilité 2,1 fois supérieure. Elle signale en outre une amélioration de 15 % dans la mémorisation du contexte lors de conversations prolongées.

Ces chiffres figurent sur la page officielle du modèle Koa de Salesforce. Ils restent des résultats communiqués par l’entreprise tant que des évaluateurs externes ne les auront pas reproduits dans des conditions comparables.

La conception du benchmark mérite une attention particulière. Une évaluation spécifique au CRM peut mesurer les compétences opérationnelles plus directement qu’un test académique généraliste.

Cependant, un fournisseur peut également concevoir son benchmark autour de processus familiers et d’outils internes. Les acheteurs ont besoin de précisions sur les références, la répartition des tâches, la notation et la gravité des défaillances.

Une erreur mineure de mise en forme ne devrait pas avoir le même poids qu’une modification non autorisée d’un dossier. La précision globale peut masquer les défaillances les plus importantes en production.

La deuxième partie du mécanisme repose sur un contrôle déterministe autour d’un modèle probabiliste. Salesforce indique héberger Koa avec une température égale à zéro afin de rendre les réponses plus cohérentes.

La température contrôle la variation des sorties du modèle. Un réglage plus faible rend généralement les réponses plus reproductibles, sans pour autant garantir leur exactitude.

Salesforce utilise également un environnement d’exécution autour de Koa. L’entreprise le décrit comme une couche supplémentaire de sécurité et de contrôles opérationnels au-delà du modèle lui-même.

Cette conception en couches est importante, car un modèle de langage ne peut à lui seul faire respecter la gouvernance d’entreprise. Les autorisations, les schémas d’outils, la validation, la supervision et les étapes d’approbation doivent limiter ce qu’un agent peut faire.

Salesforce affirme que Koa reste soumis au contexte et aux garde-fous configurés par chaque client. Il ne voit que les informations fournies par ces voies gouvernées.

La troisième partie est le routage des modèles. Koa devient une option supplémentaire parmi les fournisseurs, plutôt que l’unique source d’intelligence d’Agentforce.

Un routeur d’agents peut diriger une tâche CRM vers Koa tout en envoyant un autre problème vers Claude ou un autre modèle. Cela dissocie l’expérience utilisateur du fournisseur sous-jacent.

Un tel routage peut transformer les modèles en infrastructure interchangeable, mais seulement si leurs performances sont réellement comparables. Une évaluation insuffisante orienterait le travail vers des coûts moindres tout en masquant des résultats de moindre qualité.

Cette stratégie protège également Salesforce d’une dépendance totale à un seul laboratoire. L’entreprise peut ajuster sa sélection de modèles selon l’évolution des coûts, des capacités, des exigences réglementaires ou des préférences des clients.

Pour NVIDIA, Koa démontre comment Nemotron peut devenir la base de modèles d’entreprise spécialisés. NVIDIA en tire profit même lorsque le produit final porte la marque Salesforce.

Son rôle va au-delà de la fourniture d’accélérateurs. L’entreprise propose des poids ouverts, des méthodes d’entraînement, des logiciels de déploiement et une collaboration technique aux partenaires qui développent leurs propres couches d’intelligence.

L’architecture Nemotron a été conçue pour des flux de travail d’agents de longue durée et une inférence efficace. Koa offre à cette conception un test visible au sein d’une grande plateforme logicielle.

Cette stratégie diffère de l’idée selon laquelle chaque entreprise devrait construire un modèle de base. Les entreprises peuvent partir d’un modèle ouvert performant et y appliquer leurs propres connaissances métier par le biais d’un post-entraînement.

La difficulté consiste alors à transformer l’expérience institutionnelle en données d’entraînement sûres et en évaluations utiles. Salesforce décrit son corpus synthétique comme reflétant 27 ans d’intelligence CRM.

Cette description ne doit pas être interprétée comme l’intégration de 27 ans de dossiers clients au modèle. Salesforce indique que le corpus utilise des scénarios synthétiques fondés sur des connaissances accumulées des flux de travail.

Cette distinction favorise la confidentialité, mais elle soulève une autre question. Les exemples synthétiques peuvent reproduire les schémas attendus sans saisir tout le désordre des environnements de production.

Les comptes réels comportent des champs incomplets, des dossiers contradictoires, des autorisations inhabituelles, des données obsolètes et des exceptions propres à chaque organisation. Ces conditions déterminent souvent la réussite d’un agent.

Le mécanisme de Koa est donc crédible, mais incomplet. La spécialisation peut améliorer la pertinence et l’efficacité, mais la valeur en production dépend de la qualité des données, de la fiabilité des outils et des tests opérationnels.

Les benchmarks internes ne peuvent pas trancher le débat sur l’IA d’entreprise

Les affirmations les plus fortes de Koa proviennent toujours des entreprises qui vendent et exploitent le système.

Salesforce a cité plusieurs organisations participant aux projets pilotes, notamment 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine et Xero.

L’entreprise indique également que Koa est déjà utilisé en interne par des agents destinés aux employés, à l’assistance, aux événements et au web. Ces déploiements offrent des environnements utiles pour les tests avant une disponibilité élargie.

Toutefois, la participation à un pilote ne constitue pas une preuve d’impact commercial durable. Les documents publiés ne révèlent ni les taux d’achèvement, ni les taux d’intervention, ni la latence, ni les coûts d’exploitation totaux.

Ils ne montrent pas non plus les performances de Koa lorsque les données de l’entreprise sont incohérentes. Il s’agit d’une situation courante dans les grands déploiements CRM, et non d’un cas limite exceptionnel.

Les déclarations des clients mettent l’accent sur des cas d’usage potentiels. UChicago Medicine a souligné la coordination en plusieurs étapes, tandis qu’Engine s’est concentré sur un raisonnement précis dans des situations de service complexes.

Ces exemples montrent où un raisonnement spécialisé pourrait aider. Ils n’établissent pas encore que le modèle peut fonctionner de manière autonome dans des environnements à forts enjeux.

Les acheteurs d’entreprise devraient demander à quelle fréquence des humains doivent corriger ou approuver les actions de Koa. Ils devraient également distinguer la qualité des réponses de l’exécution réussie des flux de travail.

Un agent peut générer un résumé exact tout en échouant à mettre à jour le bon système. Il peut sélectionner l’outil approprié mais fournir un paramètre non valide.

Les évaluations les plus pertinentes devraient suivre les tâches dans leur intégralité, de la demande au résultat vérifié. Elles devraient également mesurer si le système est resté dans les limites de ses autorisations attribuées.

L’affirmation de Salesforce selon laquelle les données clients restent à l’intérieur de sa frontière de confiance répond à une préoccupation importante. Elle n’élimine pas les injections de prompt, les autorisations excessives, les connecteurs compromis ou les règles métier défaillantes.

Une injection de prompt survient lorsqu’un contenu non fiable manipule les instructions d’un agent. Un e-mail ou un document pourrait tenter de rediriger un système vers une action non sûre.

Un modèle spécialisé peut résister à certaines attaques grâce à son entraînement, mais des contrôles périphériques restent nécessaires. Les actions sensibles devraient exiger validation, autorisations limitées, journalisation et approbation humaine appropriée.

Les acheteurs ont également besoin de clarté sur les limites de Koa. Une température égale à zéro peut accroître la cohérence sans rendre correcte une conclusion erronée.

De même, l’entraînement synthétique peut éviter l’exposition directe aux données clients tout en intégrant des hypothèses issues du processus de génération des scénarios. Ces hypothèses exigent un examen continu à mesure que les flux de travail évoluent.

La discussion sur la sécurité sur scène a ajouté une autre couche de tension. Huang a qualifié la sécurité de « priorité absolue », mais il a rejeté l’idée que sécurité et vitesse de développement exigent un compromis simple.

« Avancez aussi vite que possible », a-t-il déclaré, tout en ajoutant que les entreprises devraient s’arrêter lorsqu’un produit semble dangereux ou hors de contrôle.

Cette position s’est inscrite dans un différend actif entre dirigeants de l’IA sur le rythme du développement de pointe. Un débat sur le ralentissement de l’IA faisait déjà partie du contexte plus large de Dreamforce.

Koa ne devrait pas devenir le substitut de tous les débats sur les risques liés à l’IA de pointe. Il s’agit d’un système d’entreprise spécialisé opérant au sein d’une plateforme applicative.

Pourtant, le même principe s’applique à plus petite échelle. Aller vite n’est responsable que lorsqu’une entreprise peut détecter les comportements dangereux avant que les clients n’en subissent les conséquences.

L’infrastructure contrôlée de Salesforce peut rendre Koa plus facile à surveiller qu’un ensemble de services de modèles déconnectés. La centralisation peut soutenir des politiques, des journaux et des processus de restauration cohérents.

Elle concentre aussi la responsabilité. Si le modèle, le routeur ou l’environnement d’exécution échoue, de nombreux flux de travail Agentforce pourraient hériter du même problème.

Les modèles fermés de pointe conservent des avantages dans ce débat. Leurs développeurs investissent massivement dans les capacités générales, la recherche sur la sécurité, l’évaluation et une infrastructure d’exécution à grande échelle.

Ils peuvent également progresser rapidement sans que chaque entreprise répète le développement d’un modèle de base. Pour des tâches peu courantes ou intellectuellement exigeantes, les modèles généralistes pourraient rester le meilleur choix.

Salesforce reconnaît elle-même cette réalité grâce au maintien du choix des modèles. L’entreprise ne retire pas Claude, ChatGPT ou d’autres fournisseurs d’Agentforce.

Son partenariat Claudeforce donne aux commerciaux accès aux données et aux actions Salesforce via Claude. Le produit initial comprend 37 compétences commerciales régies par les autorisations Salesforce.

Ce partenariat simultané n’est pas une contradiction. Il montre que Salesforce s’attend à ce que la concurrence entre modèles se déroule au sein de sa plateforme, différents systèmes prenant en charge différentes charges de travail.

Le véritable adversaire de Koa est donc la dépendance obligatoire au raisonnement de pointe fermé. Il n’a pas besoin de remplacer chaque modèle externe pour réduire cette dépendance.

Les preuves décisives viendront des décisions de routage et des résultats en production. Si les clients sélectionnent systématiquement Koa pour des tâches de valeur, Salesforce aura validé l’adaptation spécialisée de modèles ouverts.

S’ils continuent à router la plupart des tâches difficiles vers des fournisseurs fermés, Koa restera une couverture stratégique plutôt qu’un nouveau centre de l’intelligence d’entreprise.

Trois signaux montreront si Salesforce Koa compte vraiment

L’importance de Koa se mesurera au déploiement, aux résultats vérifiés et au comportement de routage, plutôt qu’au langage des discours d’ouverture.

Le premier signal est le passage des pilotes à une disponibilité élargie. Salesforce indique que Koa est actuellement disponible pour certains clients pilotes sélectionnés.

L’entreprise prévoit une disponibilité générale dans les régions des États-Unis durant l’hiver 2026. Elle envisage également une bêta ouverte peu après la phase pilote initiale.

Ce calendrier crée un test immédiat. Une sortie dans les délais accompagnée d’une documentation claire renforcerait l’affirmation de Salesforce selon laquelle Koa est un modèle de production, et non une démonstration de conférence.

Un retard ne prouverait pas un échec technique. Il suggérerait néanmoins que l’évaluation, l’infrastructure, la gouvernance ou la préparation des clients ont nécessité davantage de travail que prévu.

Le deuxième signal est constitué par les preuves provenant des organisations pilotes citées. Les acheteurs devraient rechercher des résultats mesurés sur les flux de travail plutôt que des recommandations ou des descriptions d’usages prévus.

Parmi les indicateurs utiles figurent les taux d’achèvement des tâches, les taux de correction, la latence, les escalades et le pourcentage d’actions nécessitant une approbation humaine. Les incidents de sécurité et la fréquence des restaurations comptent également.

Les affirmations sur les coûts exigent la même rigueur. Moins de tokens peut réduire une composante des dépenses d’inférence, mais les coûts totaux incluent l’hébergement, la récupération, l’intégration, la surveillance et la vérification humaine.

Des comparaisons indépendantes seraient particulièrement précieuses. Les évaluateurs devraient tester Koa et les alternatives de pointe sur les mêmes dossiers, autorisations, outils et critères d’achèvement.

De telles comparaisons pourraient valider les résultats CRM Bench de Salesforce ou révéler les situations dans lesquelles ils ne se transfèrent pas. Dans les deux cas, elles aideraient les clients à prendre de meilleures décisions de routage.

Le troisième signal est la manière dont Salesforce équilibre Koa avec des modèles externes. La sélection des modèles au sein d’Agentforce révélera davantage que le positionnement public.

Si Salesforce fait de Koa le choix par défaut pour le raisonnement CRM courant, cela démontrerait sa confiance dans la fiabilité et l’économie du modèle. Les taux d’adhésion des clients fourniraient une autre mesure de l’adoption.

Si Claude ou d’autres systèmes de pointe continuent de traiter la plupart des tâches en plusieurs étapes, la spécialisation pourrait avoir un rôle plus restreint. Koa pourrait néanmoins servir des flux de travail sensibles à la confidentialité ou très répétitifs.

Observez également la manière dont Salesforce décrit le routeur. Des règles de sélection transparentes aideraient les administrateurs à comprendre pourquoi une tâche a été confiée à un fournisseur particulier.

Les organisations devraient pouvoir relier le choix du modèle à des exigences mesurables. Celles-ci incluent la localisation des données, la latence, le risque lié aux actions, la complexité des tâches et un coût acceptable.

L’ensemble du secteur suivra également le pipeline de partenaires de NVIDIA. Davantage de systèmes spécialisés par domaine construits sur Nemotron laisseraient penser que Koa représente un modèle de développement de modèles reproductible.

Un nombre limité de déploiements vitrines indiquerait que la spécialisation poussée reste coûteuse et difficile. Les grandes plateformes pourraient y parvenir, tandis que les petits éditeurs de logiciels continueraient à utiliser des API fermées.

Pour les équipes d’entreprise, la leçon immédiate est concrète. La capacité d’un modèle ne suffit pas, à elle seule, à créer un agent efficace.

Des agents fiables nécessitent un contexte propre, des autorisations limitées, des outils testés et des évaluations fondées sur le travail accompli. Ils ont également besoin de connaissances institutionnelles accessibles, et non de documents dispersés et de décisions non documentées.

Les équipes qui se préparent à cet environnement riche en modèles peuvent renforcer leurs flux de travail de connaissance avant de choisir un fournisseur. Un meilleur contexte améliore chaque voie d’acheminement des modèles, y compris les systèmes spécialisés et généralistes.

La déclaration de Huang à Dreamforce a résumé l’ambition qui entoure l’infrastructure d’IA. Koa met en lumière la question plus difficile qui se cache derrière : qui contrôle la couche de raisonnement connectée aux données d’entreprise ?

Salesforce dispose désormais d’une réponse qu’il peut tester au sein d’Agentforce. L’entreprise contrôle Koa tout en préservant l’accès aux modèles concurrents.

Les prochains mois devraient montrer si ce contrôle produit de meilleurs résultats ou seulement davantage d’options. Les acheteurs devraient exiger des mesures en production, des comparaisons indépendantes et des politiques de routage transparentes.

Ces éléments détermineront si Jensen Huang, à Dreamforce, a marqué un tournant durable vers une IA d’entreprise spécialisée. D’ici là, Koa constitue une contestation crédible de la dépendance aux modèles fermés, et non une preuve de victoire.