Le modèle Koa de Salesforce défie l’IA de pointe avec un raisonnement CRM et des contrôles pour agents

Salesforce a présenté son premier modèle de raisonnement CRM à Dreamforce, remettant en cause l’idée selon laquelle les agents d’entreprise devraient toujours dépendre de fournisseurs d’IA de pointe. Le modèle Salesforce Koa repose sur NVIDIA Nemotron et est optimisé pour les workflows de vente, de service client et de marketing en plusieurs étapes.

Le modèle a été lancé en parallèle de contrôles plus larges destinés à gouverner les agents, les modèles, l’accès aux données et les coûts. Ensemble, ces annonces révèlent le pari plus ambitieux de Salesforce. L’entreprise veut que le contexte d’entreprise et le contrôle opérationnel comptent davantage que la possession du modèle généraliste le plus intelligent.

Cette position place Salesforce entre deux approches concurrentes. OpenAI et Anthropic proposent une intelligence étendue via des modèles de pointe propriétaires. Salesforce affirme qu’un raisonnement spécialisé, un contexte métier et des autorisations applicables peuvent produire des agents d’entreprise plus utiles.

Koa ne tranche pas ce débat. Les propres recherches de Salesforce indiquent que le modèle reste en retrait par rapport aux systèmes de pointe les plus performants sur plusieurs évaluations. Les détails de disponibilité de certaines parties de son architecture de contrôle élargie s’étendent également jusqu’à l’exercice fiscal 2028 de Salesforce.

Ces annonces restent importantes, car Salesforce ne considère plus les modèles comme une infrastructure interchangeable fournie intégralement par des laboratoires externes. L’entreprise possède désormais un modèle de raisonnement, son processus de post-entraînement, le contexte métier qui l’entoure et les contrôles qui régissent la manière dont les agents agissent.

Le modèle Salesforce Koa cible le travail CRM, pas toutes les questions possibles

Koa limite le rôle du modèle aux workflows d’entreprise où l’utilisation précise des outils compte davantage qu’une conversation ouverte.

Salesforce et NVIDIA ont annoncé Koa à San Francisco le 15 septembre, lors de Dreamforce 2026. Salesforce le présente comme son premier modèle de raisonnement conçu spécifiquement pour la gestion de la relation client au sein d’Agentforce.

Un modèle de raisonnement consacre des ressources de calcul supplémentaires à planifier ou à évaluer des étapes avant de produire une réponse ou une action. Dans le cas de Koa, ce processus se concentre sur des workflows impliquant des dossiers métier, des politiques et des outils logiciels.

Parmi les exemples figurent la qualification d’une opportunité commerciale, l’orientation d’un dossier de support, la planification d’un suivi ou la décision de la prochaine action à effectuer. Ces tâches paraissent ordinaires, mais elles exigent plus que la simple génération d’un texte fluide.

Un agent doit sélectionner le bon outil, fournir des arguments valides, observer le résultat et poursuivre sans enfreindre les règles de l’organisation. Une seule mauvaise action peut modifier un dossier client ou exposer des informations restreintes.

Selon l’annonce de Koa, Salesforce a créé le modèle en post-entraînant Nemotron 3 Super de NVIDIA. Le modèle de fondation compte 120 milliards de paramètres et utilise une architecture mixture-of-experts, qui n’active qu’une partie du réseau pour chaque token.

Salesforce indique avoir entraîné Koa à partir d’informations publiques et d’interactions synthétiques, plutôt que de données clients. Ces scénarios synthétiques imitent des situations CRM, notamment des conversations commerciales, des dossiers de service, l’évolution du comportement des clients et des appels d’outils en plusieurs étapes.

Cette distinction est importante pour les acheteurs d’entreprise. L’entraînement sur de véritables dossiers clients pourrait soulever des préoccupations en matière de confidentialité, de consentement, de conservation des données et de propriété intellectuelle. L’entraînement synthétique permet à Salesforce de reproduire des modèles de workflow sans intégrer de données clients réelles dans les poids du modèle.

Koa fonctionne également à l’intérieur de la frontière de confiance de Salesforce. Salesforce contrôle les poids du modèle, le post-entraînement et l’inférence, ce qui réduit le nombre de systèmes externes impliqués lorsqu’Agentforce traite des informations métier sensibles.

Cela ne fait pas de Koa un modèle ouvert que les clients peuvent télécharger et exécuter n’importe où. Il est plus juste de le comprendre comme un modèle hébergé par Salesforce, dérivé d’un modèle de fondation NVIDIA à poids ouverts.

Les clients d’Agentforce peuvent toujours utiliser d’autres modèles. Koa devient une option supplémentaire au sein du système de routage des modèles de Salesforce, plutôt qu’un remplacement obligatoire des modèles d’OpenAI, Anthropic ou Google.

Cette approche fondée sur le choix protège Salesforce d’un pari total sur un seul fournisseur de modèles. Elle donne aussi à l’entreprise un modèle qu’elle peut optimiser autour de ses propres API, des spécifications Agent Script et des workflows CRM.

Le changement immédiat dépasse donc le lancement d’un seul modèle. Salesforce est passé de l’orchestration d’une intelligence externe au développement d’une couche de raisonnement spécialisée qu’il peut optimiser et exploiter lui-même.

Pourquoi Salesforce a créé son propre modèle de raisonnement CRM maintenant

Salesforce doit montrer que ses données clients, ses définitions de workflows et ses autorisations lui procurent un avantage que les plateformes d’IA généralistes ne peuvent pas facilement reproduire.

Agentforce s’appuyait auparavant sur des modèles de pointe externes pour les tâches de raisonnement exigeantes. Salesforce avait produit des modèles plus petits et spécialisés par tâche, mais les workflows de longue durée nécessitaient souvent Claude, ChatGPT ou un autre système externe.

Koa modifie cette dépendance. Jayesh Govindarajan, vice-président exécutif de l’IA chez Salesforce, a déclaré à TechCrunch que l’entreprise s’était appuyée sur des fournisseurs de modèles de pointe pour le raisonnement « jusqu’à présent ».

Ce calendrier reflète une menace stratégique. Les entreprises d’IA de pointe ajoutent des outils, de la mémoire, des intégrations et des connecteurs d’entreprise autour de leurs modèles. Leurs agents peuvent de plus en plus interagir avec des systèmes de vente, de support, juridiques et analytiques, sans que les utilisateurs aient à rester dans une interface Salesforce conventionnelle.

La réponse de Salesforce n’est pas de rivaliser pour créer le chatbot généraliste le plus capable. Elle consiste à rendre son expérience accumulée du travail en entreprise exploitable comme matériau d’entraînement des modèles et comme contexte à l’exécution.

L’entreprise affirme que le jeu de données synthétiques de Koa reflète près de trois décennies de déploiements CRM. Cela ne signifie pas que le modèle contient 27 ans de dossiers clients. Salesforce indique avoir modélisé des workflows d’entreprise et des schémas opérationnels sans entraîner le modèle sur des données clients.

Cette distinction doit rester claire. L’avantage de Koa dépend de la capacité des scénarios synthétiques à représenter fidèlement les situations complexes auxquelles les agents sont confrontés dans les organisations réelles.

Un processus commercial suit rarement une séquence parfaitement linéaire. Les autorisations diffèrent selon les rôles, certains champs peuvent être incomplets, les politiques régionales entrent en conflit et les validations humaines peuvent interrompre un workflow automatisé.

Agent Script de Salesforce apporte une partie de la réponse. Il s’agit d’un langage déclaratif qui définit le routage d’un agent, ses sous-agents, les actions disponibles, le périmètre des outils, les instructions de workflow et les conditions de fin.

Les chercheurs de l’entreprise ont utilisé ces spécifications pour générer des environnements simulés et des tâches d’entraînement. Koa a ensuite été récompensé pour la résolution de requêtes grâce à une utilisation réussie des outils, plutôt que pour la seule production d’un texte plausible.

Ce mécanisme crée un lien direct entre la configuration des agents et le post-entraînement des modèles. La même spécification de workflow qui contrôle un agent déployé peut contribuer à générer des scénarios visant à améliorer le modèle sous-jacent.

Pour Salesforce, ce lien forme une boucle de rétroaction potentielle. Des spécifications d’agents plus détaillées peuvent produire de meilleures simulations, tandis qu’un meilleur modèle peut exécuter ces spécifications avec davantage de fiabilité.

Il soutient également l’argument plus large de Salesforce selon lequel le contexte d’entreprise gagne en valeur à mesure que les modèles de fondation deviennent plus largement disponibles. Les modèles peuvent changer, mais l’historique client, les politiques, les définitions métier, les autorisations et les workflows d’une organisation restent propres à cette organisation.

Salesforce a formalisé cette idée via son Enterprise AI Harness. Cette architecture associe contexte, autonomie, actions, gouvernance, sécurité et choix de modèles sous une couche de contrôle commune.

C’est là que Koa et les annonces de sécurité se rejoignent. Un modèle spécialisé ne peut pas, à lui seul, exploiter un système d’entreprise en toute sécurité. Il lui faut un contexte vérifié, des outils limités, des identités authentifiées, un comportement observable et des politiques qui restent applicables lorsqu’il commet une erreur.

Les travailleurs du savoir font face à un problème de contexte similaire à plus petite échelle. Une IA utile dépend de la connexion de sources fiables via le knowledge blending, plutôt que de demander à un modèle de reconstituer chaque détail à partir d’un entraînement généraliste.

Salesforce applique ce principe à l’ensemble des systèmes d’entreprise. Son actif stratégique n’est pas seulement le modèle. C’est le contexte gouverné qui entoure chaque décision et chaque action.

Les résultats de Koa défient les modèles généralistes sans surpasser les meilleurs

Les résultats publiés par Salesforce soutiennent la spécialisation, mais ne démontrent pas que Koa surpasse systématiquement les principaux modèles de pointe.

Le modèle Salesforce Koa s’accompagne d’un article technique, offrant aux acheteurs davantage d’éléments qu’une simple démonstration de keynote. L’article explique le processus d’entraînement, la conception des benchmarks et plusieurs limitations importantes.

Les chercheurs de Salesforce ont évalué Koa sur Tau2Bench, le Berkeley Function Calling Leaderboard et un benchmark CRM. Ces tests couvrent l’utilisation conversationnelle d’outils, les appels de fonctions et les tâches CRM d’entreprise.

Sur Tau2Bench, Koa a obtenu un score pondéré par tâche de 69,41. Sa base Nemotron a obtenu 68,64, tandis que GPT-4.1 a obtenu 54,48.

Koa a enregistré 66,63 % sur l’évaluation d’appels de fonctions de Berkeley. La base Nemotron a atteint 64,73 %, tandis que GPT-4.1 a atteint 53,96 %.

Le benchmark CRM a produit un écart plus modeste. Koa a obtenu un score global de 0,86, contre 0,84 pour Nemotron et 0,81 pour GPT-4.1.

La précision des appels de fonctions de Koa sur cette évaluation CRM a atteint 0,77, contre 0,71 pour le modèle de base. Ce résultat est pertinent, car le choix du bon outil est essentiel à la fiabilité du comportement des agents.

Toutefois, les modèles de pointe les plus performants restent en tête dans des comparaisons importantes. GPT-5.5 d’OpenAI a obtenu 83,99 sur Tau2Bench et 0,90 au total sur le benchmark CRM. Claude Opus 4.8 a obtenu 78,18 au test d’appels de fonctions et 0,87 en CRM.

L’article de recherche sur Koa indique explicitement que Koa reste en dessous des modèles de pointe les plus performants. Cette divulgation empêche une interprétation plus large selon laquelle Salesforce aurait dépassé les principaux laboratoires d’IA.

Les résultats étayent plutôt une conclusion plus limitée. Le post-entraînement d’une base à poids ouverts autour de spécifications de workflows a amélioré plusieurs mesures liées à l’utilisation des outils et surpassé une référence propriétaire plus ancienne.

Salesforce affirme également que Koa a produit trois fois moins d’erreurs sur son propre benchmark CRM. Les acheteurs devraient considérer ce chiffre comme un résultat communiqué par l’entreprise, d’autant que la composition d’un benchmark peut fortement influencer les résultats.

Un modèle entraîné autour des workflows Agent Script bénéficie logiquement d’un avantage dans des évaluations qui ressemblent à ces workflows. Cela n’invalide pas le résultat, mais limite la portée de sa généralisation.

L’article identifie une autre contrainte. Nemotron avait déjà suivi un apprentissage par renforcement avant que Salesforce ne commence sa comparaison entre un nouvel apprentissage par renforcement et un réglage supervisé fin.

Les chercheurs ont constaté que l’apprentissage par renforcement était plus utile pour l’utilisation d’outils en plusieurs étapes à partir de ce point de départ. Ils soulignent que le même résultat pourrait ne pas s’appliquer à un modèle de fondation n’ayant reçu aucun apprentissage par renforcement préalable.

Les déploiements réels créeront des tests plus difficiles que les benchmarks contrôlés. Les données clients peuvent être incomplètes, les API peuvent échouer, les outils peuvent évoluer et les requêtes peuvent dépasser les scénarios représentés durant l’entraînement.

Les défaillances de sécurité diffèrent elles aussi des erreurs de raisonnement ordinaires. Un résumé légèrement erroné peut être gênant. Une décision d’autorisation incorrecte ou un appel d’outil non autorisé peut devenir un incident à signaler.

Cet écart explique pourquoi Salesforce a associé Koa à des contrôles pour agents. Un meilleur raisonnement réduit une catégorie de défaillances, mais le déploiement en entreprise exige des systèmes qui limitent les conséquences lorsque le raisonnement reste défaillant.

La sécurité des agents devient l’autre moitié du pari de Salesforce

Salesforce considère la sécurité des agents comme un problème de contrôle à l’exécution, et non comme la promesse qu’un modèle suffisamment précis se comportera toujours correctement.

Les logiciels traditionnels exécutent des instructions définies. Les agents d’IA interprètent des objectifs, sélectionnent des outils et adaptent leurs plans pendant leur fonctionnement. Cette flexibilité crée une surface d’attaque plus vaste et moins prévisible.

Un agent peut récupérer des instructions malveillantes depuis un document, exposer des données via un connecteur approuvé, sélectionner un outil aux autorisations trop larges ou continuer à agir après que son contexte initial est devenu peu fiable.

Les améliorations des modèles ne peuvent pas éliminer ces risques à elles seules. Les contrôles de sécurité doivent régir l’identité, les autorisations, l’accès aux données, les actions et les comportements en dehors du modèle.

Salesforce Guardian est le portefeuille de sécurité, conformité, confidentialité et résilience de l’entreprise pour cet environnement. Les capacités existantes comprennent Shield, la surveillance de sécurité, la sauvegarde, la récupération, les tests en sandbox et les contrôles relatifs aux données sensibles.

Salesforce affirme que Shield peut surveiller le raisonnement des agents et bloquer les accès non autorisés aux données. Son portefeuille Guardian plus large vise à aider les administrateurs à observer le comportement des agents, appliquer des politiques d’accès, préserver les enregistrements et récupérer après des modifications indésirables.

À Dreamforce, Salesforce a placé ces contrôles au sein d’une architecture plus vaste plutôt que de les présenter comme des modules complémentaires isolés. L’Enterprise AI Harness comprend une capacité Trusted Security couvrant l’identité, les autorisations, la confidentialité, la protection des données et la sécurité à l’exécution.

L’entreprise a également annoncé un AI Control Plane. Salesforce indique que cette interface permettra aux organisations de découvrir des agents, enregistrer des capacités, établir des identités et des politiques, gérer les cycles de vie, évaluer les performances, observer les résultats et contrôler les coûts.

Cette portée va au-delà d’Agentforce. Salesforce précise que le control plane est conçu pour gérer à la fois les agents Salesforce et ceux de tiers, reflétant un monde dans lequel les organisations utilisent plusieurs modèles et plateformes d’agents.

Cette position multi-fournisseurs crée une tension importante. Salesforce veut que Koa prenne en charge davantage de raisonnement CRM, mais s’attend également à ce que les clients continuent d’utiliser des modèles et agents externes.

La couche de contrôle est donc stratégiquement plus large que Koa. Si Salesforce devient l’endroit où les entreprises gouvernent leurs agents, l’entreprise peut rester centrale même lorsqu’une autre société fournit l’intelligence sous-jacente.

Security Mesh ajoute une autre composante à cette stratégie en rassemblant les signaux de plusieurs outils de sécurité dans une vue partagée. Des signaux consolidés peuvent aider les équipes à reconnaître des schémas de risque qui restent invisibles lorsque l’identité, la configuration, les données et l’activité des agents sont examinées séparément.

Toutefois, l’architecture annoncée n’est pas encore entièrement disponible. Salesforce indique que de nombreuses technologies fondamentales existent déjà, tandis que les nouvelles capacités et l’expérience unifiée devraient commencer à être déployées au début de l’exercice fiscal 2028.

Ce calendrier est important. Les entreprises ne peuvent pas évaluer un control plane à partir de seuls schémas d’architecture. Elles ont besoin de documentation, d’intégrations prises en charge, du comportement des politiques, de journaux d’incidents, de mesures de latence et de réponses claires lorsqu’un agent franchit une limite.

Les propres recommandations de Salesforce sur la sécurité d’Agentforce mettent à juste titre l’accent sur la surveillance, les autorisations, la protection des données et la récupération. La question difficile est de savoir si ces contrôles restent cohérents entre les modèles tiers, les interfaces headless et les outils externes.

Model Context Protocol, ou MCP, offre aux agents un moyen standard de découvrir et d’invoquer des outils. Il accroît l’interopérabilité, mais peut également exposer les agents à des implémentations d’outils malveillantes ou trompeuses.

Des chercheurs de Salesforce ont par ailleurs proposé ToolGuardian, un cadre qui vérifie les interactions entre agents et outils par rapport à des politiques de sécurité déclaratives. Ces travaux renforcent le principe de conception central des annonces de Dreamforce : l’autorisation doit résider à la frontière de l’outil, et non dans les intentions d’un modèle.

Pour les acheteurs en entreprise, le test pertinent n’est pas de savoir si un agent peut expliquer une politique de sécurité. Il s’agit de savoir si la plateforme empêche une action lorsque le modèle ignore cette politique, la comprend mal ou est manipulé pour la contourner.

Le véritable affrontement oppose le contrôle d’entreprise à l’intelligence de pointe

Salesforce parie qu’un raisonnement spécialisé associé à un contexte gouverné surpassera les capacités illimitées des modèles dans les flux de travail que les entreprises automatisent réellement.

Il ne s’agit pas d’un simple affrontement entre Salesforce et OpenAI. Salesforce continue de prendre en charge les modèles d’OpenAI, Anthropic, Google et d’autres fournisseurs au sein de sa plateforme.

Le désaccord porte sur l’endroit où s’accumule la valeur en entreprise. Les laboratoires de pointe mettent l’accent sur une intelligence générale qui progresse dans de nombreux domaines. Salesforce met l’accent sur la couche opérationnelle où se rencontrent les données, les politiques, les outils et les conséquences métier.

Koa donne à Salesforce davantage de contrôle sur une partie de cette pile. L’entreprise peut adapter le modèle au comportement CRM, héberger l’inférence au sein de sa frontière de confiance et optimiser la manière dont Agentforce oriente les charges de travail pertinentes.

Ce contrôle peut également influer sur l’économie. Les modèles spécialisés peuvent utiliser moins de tokens ou des parcours de raisonnement plus courts pour des tâches connues, bien que Salesforce n’ait pas publié suffisamment de données de production indépendantes pour établir des économies généralisées.

Les fournisseurs de modèles de pointe conservent des avantages majeurs. Leurs modèles dominent plusieurs benchmarks publics, prennent en charge un éventail plus large de tâches et s’améliorent selon des cycles de publication que les entreprises de logiciels d’entreprise pourraient avoir du mal à égaler.

Salesforce doit donc veiller à ce que l’acheminement des modèles fonctionne correctement. Les tâches CRM simples peuvent être confiées à Koa, tandis que les demandes plus complexes peuvent encore nécessiter un modèle de pointe plus capable.

L’acheminement introduit sa propre complexité. La plateforme doit prédire la difficulté de la tâche, comprendre les exigences de sécurité, comparer la précision attendue et prendre en compte le coût et la latence avant de choisir un modèle.

Une mauvaise décision d’acheminement peut annuler les avantages de la spécialisation. Envoyer une tâche difficile vers un modèle plus faible augmente le risque d’échec, tandis qu’envoyer chaque tâche vers un modèle de pointe réduit la valeur pratique de Koa.

L’entreprise doit également prouver que le contexte d’entreprise reste exact. Les agents ne peuvent pas prendre de décisions fiables à partir de dossiers clients obsolètes, de politiques contradictoires ou de connaissances incomplètes.

La gouvernance des données devient ainsi une composante de la performance des modèles. Un agent intelligent fondé sur des informations peu fiables peut échouer avec davantage d’assurance qu’un système plus simple.

La version la plus convaincante de l’argument de Salesforce est donc architecturale. Koa gère le raisonnement spécialisé, l’AI Harness fournit un contexte gouverné, Guardian limite les accès et le control plane observe les comportements à travers les fournisseurs.

La version la plus faible est une collection de noms de produits qui se chevauchent, dont l’intégration reste incomplète. Salesforce doit montrer que les administrateurs peuvent configurer et auditer le système sans créer une couche supplémentaire de complexité opérationnelle.

Les clients devraient également distinguer les contrôles déterministes de la surveillance fondée sur les modèles. Une autorisation appliquée par un système d’identité est plus robuste qu’un classificateur d’IA qui prédit si une action semble risquée.

La meilleure conception utilise les deux. Des règles déterministes doivent bloquer les actions qui ne doivent jamais se produire, tandis que des modèles de surveillance peuvent identifier des comportements inhabituels que les politiques fixes n’avaient pas anticipés.

Ce compromis distingue une plateforme d’agents d’entreprise utile d’une keynote persuasive. Salesforce a décrit les composants. Les preuves de production doivent montrer que ces composants fonctionnent ensemble sous de véritables charges de travail.

Trois signaux montreront si la stratégie de Salesforce fonctionne

Le prochain test n’est pas un nouveau titre de benchmark. Il s’agit de savoir si les clients adoptent Koa, font confiance aux contrôles et maintiennent Salesforce au centre d’environnements à modèles mixtes.

Le premier signal concerne la disponibilité en production et le comportement d’acheminement. Salesforce doit indiquer quand Koa deviendra largement disponible, quelles tâches Agentforce peuvent l’utiliser et comment les clients peuvent le sélectionner ou l’éviter.

Des éléments utiles comprendraient les critères d’acheminement, la latence, la consommation de tokens, les taux d’échec et des comparaisons utilisant des flux de travail définis par les clients. Si Koa traite un travail CRM significatif avec moins d’erreurs, l’argument de spécialisation de Salesforce se renforcera.

Si Koa reste limité à des démonstrations ou à des aperçus restreints, les modèles de pointe continueront à effectuer la plupart des raisonnements difficiles. Ce résultat affaiblirait l’affirmation selon laquelle Salesforce peut posséder une part plus importante de sa pile d’IA.

Le deuxième signal est le déploiement de l’AI Control Plane et des contrôles de sécurité associés. Les entreprises ont besoin de dates concrètes, de plateformes tierces prises en charge, de définitions de politiques, de formats d’audit et de flux de travail de réponse aux incidents.

La preuve la plus solide serait une application cohérente à travers Agentforce, les agents externes, les outils MCP, les API et les interfaces headless. Les équipes de sécurité devraient pouvoir identifier qui a autorisé un agent, ce à quoi il a accédé, quelles actions il a tentées et pourquoi la plateforme les a autorisées.

Un déploiement retardé ou fragmenté obligerait les clients à assembler des contrôles provenant de plusieurs produits. Cela minerait la valeur de l’architecture unifiée de Salesforce.

Le troisième signal est constitué de preuves clients indépendantes. Salesforce a publié des scores de benchmark et des témoignages clients sélectionnés, mais les entreprises ont besoin de données à plus long terme issues de déploiements variés.

Parmi les mesures importantes figurent la réalisation réussie des tâches, les taux d’escalade vers des humains, les blocages d’actions non autorisées, les événements de récupération et l’effort nécessaire pour maintenir les spécifications des agents.

L’adoption par les clients devrait également révéler si Koa étend l’utilisation d’Agentforce ou remplace simplement un modèle derrière des flux de travail existants. Une expansion soutiendrait l’affirmation de Salesforce selon laquelle le raisonnement spécialisé débloque une automatisation plus complexe.

Un remplacement sans hausse de l’utilisation réduirait toujours la dépendance envers les fournisseurs de modèles de pointe, mais représenterait une victoire stratégique plus limitée.

Le modèle Salesforce Koa donne à l’entreprise une réponse technique crédible à la pression croissante des agents généralistes. Il transforme l’expérience CRM de Salesforce en scénarios d’entraînement et connecte ce modèle à des actions d’entreprise gouvernées.

Les outils de sécurité des agents répondent à la moitié la plus difficile du problème. Un modèle capable d’agir à travers les systèmes d’entreprise a besoin de contrôles qui restent fiables lorsque son raisonnement ne l’est pas.

Salesforce a désormais clairement défini l’enjeu. L’IA d’entreprise ne sera pas jugée uniquement selon le modèle qui répond à la question la plus difficile. Elle le sera selon la plateforme capable de transformer le contexte en action autorisée sans perdre visibilité ni contrôle.

Pour les responsables technologiques, la prochaine étape pratique consiste à tester le flux de travail complet. Mesurez les décisions du modèle, inspectez chaque appel d’outil, mettez ses autorisations à l’épreuve et vérifiez que la récupération fonctionne avant d’élargir son autonomie.