Le modèle de raisonnement Salesforce Koa met les laboratoires généralistes d’IA sous pression

Salesforce a présenté son premier modèle dédié au CRM, faisant du modèle de raisonnement Salesforce Koa un défi direct aux laboratoires d’IA généraliste.

L’entreprise a bâti Koa sur le modèle Nemotron 3 Super à poids ouverts de Nvidia. Elle l’a ensuite entraîné pour les flux de travail de vente, de marketing et de support client. Salesforce affirme que le modèle commet trois fois moins d’erreurs dans les actions CRM tout en égalant ou en dépassant les principaux modèles.

Cette affirmation nécessite encore des tests indépendants. Pourtant, la stratégie derrière Koa compte avant même que chaque résultat de benchmark soit vérifié. Salesforce peut associer un modèle de base adaptable à des décennies de connaissances sur les flux de travail, à sa plateforme logicielle et à un accès immédiat aux acheteurs d’entreprise.

OpenAI, Anthropic et Google ont consacré d’immenses ressources à des modèles capables de traiter presque toute tâche intellectuelle. Koa teste si les entreprises préféreront une solution plus ciblée, plus contrôlable et déjà intégrée aux outils utilisés par leurs employés.

La menace n’est pas que Salesforce ait soudainement créé le modèle le plus intelligent. La menace est qu’il pourrait ne pas en avoir besoin.

Salesforce Koa transforme Nemotron en spécialiste du CRM

Koa part d’une base généraliste à poids ouverts et l’entraîne autour des actions qui rendent les logiciels d’entreprise utiles.

Salesforce et Nvidia ont annoncé Koa le 15 septembre 2026. Il entre dans des programmes pilotes auprès d’une sélection de clients Agentforce, avec une disponibilité plus large aux États-Unis attendue pendant l’hiver 2026.

Le modèle repose sur Nemotron 3 Super de Nvidia, un modèle de base de 120 milliards de paramètres. Des poids ouverts signifient que les paramètres entraînés du modèle sont disponibles pour une adaptation contrôlée, contrairement à un modèle accessible uniquement via une API externe.

Salesforce ne s’est pas contenté de relier un système de recherche CRM à Nemotron. Ses chercheurs ont poursuivi l’entraînement du modèle sous-jacent afin qu’il raisonne à travers les flux de travail d’entreprise et exécute les outils requis.

Cette distinction est importante. La récupération d’informations peut fournir à un modèle généraliste des dossiers ou documents pertinents. Elle ne lui apprend pas automatiquement quelle action est appropriée à chaque étape d’un processus métier.

Prenons une opportunité commerciale qui n’avance plus. Un agent doit examiner l’activité récente, identifier les informations manquantes, vérifier les règles métier, recommander une prochaine étape et planifier un suivi. Chaque décision modifie l’état du flux de travail.

Un dossier de support client crée une autre séquence. Le modèle peut classer le problème, vérifier les informations du compte, récupérer une politique applicable, acheminer le dossier et mettre à jour son statut. Une réponse fluide ne suffit pas.

Salesforce a entraîné Koa avec du réglage fin supervisé et de l’apprentissage par renforcement. Le réglage fin supervisé montre au modèle des exemples du comportement attendu. L’apprentissage par renforcement le récompense lorsqu’il accomplit correctement des tâches.

L’entreprise a utilisé Group Relative Policy Optimization, ou GRPO, pour cette phase de renforcement. GRPO compare plusieurs réponses tentées et renforce les comportements associés à de meilleurs résultats.

Salesforce indique que les scénarios d’entraînement couvrent plus de 14 secteurs. Ils associent des personas simulés à des tâches, des actions attendues et des appels d’outils dans l’industrie manufacturière, la santé, les services financiers, le voyage et d’autres secteurs.

Selon Salesforce, l’entraînement n’a pas utilisé de données clients. L’entreprise a plutôt généré des situations synthétiques fondées sur les schémas métier recueillis durant 27 années de déploiements CRM.

Cette formulation appelle à la prudence. Salesforce ne prétend pas que des dossiers clients confidentiels ont été absorbés par Koa. Elle affirme que ses connaissances accumulées ont façonné les flux de travail simulés utilisés pour l’entraînement.

Le modèle est également plus qu’une démonstration de recherche. Salesforce utilise déjà Koa en interne via un agent Slack qui aide les employés à trouver des informations et à accomplir des tâches courantes.

Les clients pilotes comprennent 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine et Xero. Ces déploiements devraient montrer si des évaluations contrôlées se traduisent par une fiabilité en production.

L’évolution immédiate du produit est donc concrète. Agentforce gagne un modèle de raisonnement hébergé par Salesforce, conçu autour des propres actions de la plateforme, au lieu de dépendre exclusivement de modèles généralistes externes.

Pourquoi le modèle de raisonnement Salesforce Koa met les laboratoires d’IA sous pression

Salesforce mise sur la maîtrise des flux de travail, la distribution et le contrôle, plutôt que sur la victoire dans tous les benchmarks d’intelligence générale.

Les laboratoires d’IA de pointe ont considéré la généralité comme un avantage majeur. Un modèle performant peut écrire du logiciel, analyser des documents, mener des recherches, répondre à des questions et soutenir de nombreuses fonctions métier.

Cette polyvalence conserve sa valeur. Cependant, les agents d’entreprise opèrent dans des environnements plus restreints, avec des autorisations précises, des structures de données définies et des résultats acceptables. Ces contraintes favorisent les entreprises qui comprennent la couche applicative.

Salesforce possède les dossiers, les structures d’objets, les autorisations et les systèmes d’automatisation qui définissent le travail au sein de sa plateforme. L’entreprise contrôle également les interfaces par lesquelles de nombreux employés utilisent les logiciels CRM.

Cette position donne à Salesforce trois avantages sur un fournisseur de modèles arrivant par API.

Premièrement, Salesforce peut définir l’accomplissement réussi d’une tâche dans les termes propres à sa plateforme. L’entreprise sait si une opportunité a été mise à jour, si un dossier est arrivé dans la bonne file ou si un suivi est apparu dans le calendrier.

Deuxièmement, elle peut construire des simulations d’entraînement autour de ces résultats. Le modèle peut recevoir une récompense pour avoir mené un processus à son terme, plutôt que simplement pour avoir produit un texte ressemblant à une bonne réponse.

Troisièmement, Salesforce peut livrer le modèle résultant via Agentforce. Les clients n’ont pas besoin d’assembler une couche d’orchestration distincte avant de tester le modèle sur leurs flux de travail existants.

La recherche sous-jacente clarifie cette stratégie. L’article de recherche sur Koa décrit un pipeline de simulation à récompense destiné à produire des tâches multi-tours fondées sur des personas.

Ces tâches comprennent des demandes dépendantes des données qui nécessitent une utilisation réussie des outils. Salesforce utilise Agent Script, son langage déclaratif pour spécifier le comportement d’Agentforce, afin de définir les flux de travail dans les domaines d’entreprise.

Cela crée une boucle d’entraînement que les entreprises applicatives sont bien placées pour exploiter. Leurs logiciels contiennent déjà des actions structurées, des autorisations, des règles métier et des signaux d’achèvement des tâches.

Un développeur de modèles généralistes peut apprendre une partie de cette structure grâce aux partenariats, aux prompts clients et à la documentation des outils. Le propriétaire de l’application commence avec une carte détaillée de l’environnement.

La pression s’étend au-delà de Salesforce. ServiceNow peut spécialiser des modèles autour des flux de travail IT et employés. SAP peut se concentrer sur la finance, les achats et les chaînes logistiques. Workday peut entraîner des modèles autour des processus de ressources humaines.

Chaque entreprise peut utiliser une fondation adaptable au lieu de financer un projet de préentraînement à l’échelle des modèles de pointe. Nvidia en bénéficie, car ces entreprises ont toujours besoin de modèles, de logiciels d’entraînement, d’accélérateurs et d’infrastructures d’inférence.

Ce modèle de concurrence modifie la question économique. Les entreprises de logiciels d’entreprise n’ont plus besoin de se demander si elles peuvent reproduire un laboratoire de pointe entier.

Elles peuvent se demander si un modèle plus petit et spécialisé accomplit les tâches précieuses au sein de leur propre produit. C’est un objectif bien plus atteignable.

Salesforce possède aussi la relation client. L’entreprise peut proposer Koa avec Agentforce, appliquer les contrôles de gouvernance existants et exposer le modèle via des outils que les administrateurs comprennent déjà.

Le laboratoire d’IA risque de devenir un fournisseur interchangeable sous cette expérience. Un client pourrait savoir qu’Agentforce a accompli la tâche sans savoir quel modèle de fondation a contribué au résultat.

C’est la partie que les laboratoires d’IA devraient redouter. Leur technologie peut rester importante tout en voyant leur marque, leur pouvoir de négociation sur les prix et leur lien direct avec les utilisateurs d’entreprise s’affaiblir.

Les poids ouverts déplacent la valeur au-delà du modèle de fondation

Koa montre comment un modèle à poids ouverts peut déplacer la valeur concurrentielle du préentraînement vers la spécialisation, le déploiement et le retour d’information sur les flux de travail.

Nvidia publie des modèles, des ressources d’entraînement et des implémentations de référence via son hub de modèles Nemotron. Cette approche encourage d’autres entreprises à modifier une fondation performante plutôt que de partir de zéro.

Salesforce a utilisé Nemotron 3 Super comme matière première. L’entreprise lui a ensuite appliqué une génération de données propre au domaine, un entraînement supervisé et un apprentissage par renforcement à l’aide des outils NeMo de Nvidia.

Le processus représente une division du travail. Nvidia fournit l’architecture du modèle, la pile d’entraînement et la plateforme informatique. Salesforce fournit les spécifications des flux de travail, le contexte d’entreprise, la distribution et la frontière du produit.

Les fournisseurs de modèles fermés proposent généralement une personnalisation via les prompts, la récupération d’informations, le réglage fin ou des services d’entraînement gérés. Ces options peuvent bien fonctionner, surtout lorsque le modèle sous-jacent présente un avantage important en matière de capacités.

Elles laissent aussi des décisions importantes au fournisseur. Les mises à jour du modèle, le lieu de l’inférence, les politiques opérationnelles et la visibilité sur les poids peuvent rester hors du contrôle de l’entreprise applicative.

Koa donne à Salesforce un contrôle direct sur ses poids. Salesforce affirme que le post-entraînement comme l’inférence se déroulent dans sa propre frontière de confiance, où les informations clients restent sous les contrôles de sécurité de Salesforce.

Cette configuration séduit les acheteurs soumis à une réglementation. Elle aide aussi Salesforce à modifier le modèle sans attendre la feuille de route produit d’un laboratoire tiers.

Le contrôle ne signifie pas automatiquement un coût inférieur ou de meilleures performances. Salesforce n’a pas publié suffisamment d’éléments de preuve en production pour établir l’une ou l’autre conclusion dans des environnements clients variés.

Le contrôle crée néanmoins des options stratégiques. Salesforce peut prioriser les tâches qui créent de la valeur dans Agentforce, même lorsque ces tâches semblent peu importantes dans de larges évaluations académiques.

L’article sur Koa rapporte que la spécialisation a produit les améliorations les plus nettes dans l’utilisation d’outils multi-tours. C’est précisément là que les agents d’entreprise rencontrent souvent des difficultés.

Un seul appel d’outil est relativement facile à évaluer. Des flux de travail plus longs obligent le modèle à préserver l’état, à réagir aux résultats des outils, à respecter les autorisations et à se remettre de conditions inattendues.

Ces capacités importent davantage pour un responsable de service qu’un point de pourcentage supplémentaire à un test de mathématiques. Elles correspondent également aux connaissances existantes de Salesforce sur les processus métier.

La conception d’entraînement synthétique du modèle ajoute un autre mécanisme important. Les dossiers clients sont précieux, mais sensibles, incohérents et difficiles à combiner entre organisations.

Les scénarios synthétiques permettent à Salesforce de reproduire la structure du travail d’entreprise sans copier de véritables données clients dans un corpus d’entraînement partagé. Ils peuvent également générer à la demande des défaillances rares ou des cas limites.

Cependant, les données synthétiques ont leur propre faiblesse. Une simulation reflète les hypothèses de ses concepteurs. Elle peut récompenser un comportement qui fonctionne dans un environnement de test propre, mais échoue dans une organisation désordonnée.

Les systèmes CRM réels contiennent des dossiers incomplets, des politiques contradictoires, des objets personnalisés, des automatisations obsolètes et des structures d’autorisation inhabituelles. Les pilotes en production doivent exposer Koa à cette complexité sans compromettre la sécurité.

C’est pourquoi le modèle de raisonnement Salesforce Koa représente un mécanisme, et non une victoire garantie. Les poids ouverts rendent la spécialisation possible. La position de Salesforce dans les flux de travail rend cette spécialisation crédible.

Les résultats concrets pour les clients détermineront si le système combiné est meilleur qu’un modèle de pointe connecté aux mêmes outils.

L’affirmation sur les benchmarks nécessite un test plus rigoureux

Les résultats rapportés par Salesforce sont prometteurs, mais des benchmarks CRM conçus par l’entreprise ne peuvent pas trancher la comparaison avec les modèles de pointe.

Salesforce affirme que Koa égale ou dépasse les performances des principaux modèles sur des actions CRM tout en produisant trois fois moins d’erreurs. Les tâches évaluées comprennent la mise à jour d’opportunités, l’acheminement de dossiers et la planification de suivis.

L’entreprise n’a pas présenté cette affirmation comme une mesure universelle de l’intelligence. Elle concerne des actions CRM sélectionnées au sein d’un benchmark aligné sur le domaine visé par Koa.

L’article associé apporte une nuance importante. Koa améliorerait son modèle de base Nemotron et dépasserait une solide référence propriétaire, mais resterait globalement en deçà des modèles de pointe les plus puissants.

Ce résultat soutient une interprétation plus restreinte. La spécialisation aide un modèle à poids ouverts à rivaliser sur des tâches d’agents ciblées, sans effacer l’avantage général de capacité des meilleurs modèles fermés.

Les acheteurs doivent également distinguer l’exactitude des actions de la valeur opérationnelle complète. Un agent peut appeler le bon outil tout en comprenant mal l’intention du client, en appliquant une mauvaise politique ou en créant une escalade inutile.

Les décomptes d’erreurs exigent du contexte. Une mise à jour erronée de champ, une divulgation non autorisée et un mauvais brouillon d’e-mail ne présentent pas le même risque commercial.

Les évaluateurs indépendants devront avoir accès aux définitions des tâches, aux modèles de comparaison, aux règles de notation et aux traces d’exécution. Sans cela, les observateurs externes ne pourront pas déterminer d’où vient l’avantage rapporté.

Le benchmark pourrait récompenser la familiarité avec les schémas propres à Salesforce. Ce serait légitime pour un produit Salesforce, mais cela ne prouverait pas une supériorité dans d’autres applications métier.

Les environnements de production ajoutent un niveau de difficulté supplémentaire. Salesforce avertit lui-même que les performances en sandbox ne prédisent pas de manière fiable le comportement en production, car l’infrastructure et les usages diffèrent.

Le même principe s’applique aux agents. Les tâches contrôlées ne peuvent pas reproduire pleinement l’évolution des données, les utilisateurs simultanés, les intégrations personnalisées, les contraintes de latence et les demandes ambiguës.

Les pilotes clients de Koa devraient donc mesurer davantage que l’achèvement de benchmarks. Parmi les indicateurs utiles figurent les résolutions réussies, les taux d’intervention humaine, les actions annulées, les violations de politiques et la satisfaction client.

Ces mesures nécessitent des références claires. Comparer Koa à l’absence d’automatisation répondrait à une question. Le comparer à un système Agentforce utilisant un modèle de pointe en poserait une plus difficile.

Salesforce doit aussi prouver que les clients peuvent gouverner le modèle spécialisé. Les administrateurs ont besoin de visibilité sur ce que l’agent a tenté de faire, les outils qu’il a utilisés et les raisons de l’échec d’une action.

La revue humaine restera importante pour les processus à conséquences significatives. Les décisions de crédit, les communications médicales, les engagements contractuels et les modifications de comptes exigent davantage qu’une précision moyenne sur benchmark.

La sécurité crée une autre question non résolue. Exécuter l’inférence à l’intérieur de la frontière de confiance de Salesforce réduit l’exposition aux API de modèles externes, mais n’élimine ni l’injection de prompts ni les autorisations excessives.

Un attaquant pourrait placer des instructions malveillantes dans du contenu lu par un agent. Un modèle de confiance disposant d’un large accès peut toujours mener des actions nuisibles lorsque ses entrées sont manipulées.

Les clients doivent limiter les outils, valider les sorties et conserver des étapes d’approbation. La propriété du modèle ne remplace pas la sécurité applicative.

Une question de marché se pose également. Certaines entreprises préfèrent un seul fournisseur de modèles de pointe pour de nombreux services. Une collection de modèles spécialisés peut accroître le travail de gouvernance et d’intégration.

Les laboratoires de pointe peuvent réagir en rendant leurs modèles plus faciles à spécialiser, héberger et évaluer. Ils peuvent également établir des partenariats plus approfondis avec les éditeurs de logiciels d’entreprise.

Les modèles généralistes les plus puissants peuvent rester nécessaires pour les exceptions difficiles. Salesforce pourrait utiliser Koa pour le travail CRM courant et orienter les cas inhabituels vers un modèle externe plus vaste.

Cette approche hybride affaiblirait l’idée d’un gagnant unique. Elle réduirait néanmoins la part de l’inférence d’entreprise qui se dirige automatiquement vers les fournisseurs de pointe.

Koa remet en cause la stratégie initiale d’Agentforce en matière de modèles

Salesforce passe du choix des modèles à leur maîtrise, inversant la dépendance antérieure de la couche applicative envers les fournisseurs externes d’IA.

Lorsque Salesforce a présenté AI Cloud en 2023, l’entreprise mettait l’accent sur l’accès à des modèles provenant de plusieurs fournisseurs. Les clients pouvaient utiliser des modèles partenaires tandis que Salesforce fournissait l’ancrage dans les données, la gouvernance et les applications métier.

Agentforce a suivi en 2024 avec le moteur de raisonnement Atlas. Atlas coordonne les modèles, les données, les workflows et les outils afin qu’un agent puisse décider de la prochaine action.

Koa ne remplace pas chaque composant de cette architecture. Un modèle de langage et un moteur de raisonnement remplissent des rôles différents. Le moteur gère le processus global, tandis que le modèle interprète les tâches et sélectionne les actions.

Cependant, Koa fait entrer Salesforce plus profondément dans la couche d’intelligence. L’entreprise ne se contente plus de sélectionner et d’orchestrer des modèles. Elle contrôle désormais les poids, l’entraînement, l’hébergement et le déploiement d’un modèle spécialisé.

C’est le renversement stratégique. Les éditeurs de logiciels d’entreprise semblaient autrefois dépendre de quelques laboratoires de pointe pour le raisonnement avancé. Les poids ouverts permettent désormais à ces éditeurs d’intégrer davantage de capacités de modèles à leurs propres produits.

Les connaissances accumulées par Salesforce sur les workflows deviennent plus précieuses dans cette structure. Marc Benioff affirme que Koa intègre dans le modèle lui-même des connaissances sur les transactions, les dossiers de service et les processus sectoriels.

Cette affirmation ne doit pas être interprétée littéralement comme si les historiques clients étaient intégrés aux poids. Salesforce indique que Koa a utilisé des données d’entraînement publiques et synthétiques plutôt que des données clients.

L’actif précieux est l’abstraction de la manière dont le travail se déroule. Salesforce peut décrire les rôles, les objets, les séquences d’outils, les exceptions et les conditions d’achèvement dans des situations CRM courantes.

Cette description peut entraîner un modèle à fonctionner plus efficacement dans Agentforce. Elle peut aussi être mise à jour lorsque Salesforce fait évoluer ses applications.

La distribution complète la boucle. L’entreprise peut observer les performances des pilotes, identifier les types d’échecs récurrents, générer des scénarios associés et lancer un nouveau cycle de post-entraînement.

Les règles de confidentialité limiteront ce que Salesforce peut collecter et réutiliser. Néanmoins, les schémas opérationnels agrégés peuvent encore éclairer la conception des évaluations et les améliorations produit.

Les laboratoires de pointe disposent de leurs propres avantages de retour d’expérience auprès de millions d’utilisateurs. Pourtant, une grande partie de cette activité consiste en conversations, sessions de programmation ou demandes générales.

Salesforce peut se concentrer sur des signaux plus étroits liés aux résultats métier. Le dossier a-t-il atteint la bonne équipe ? L’enregistrement a-t-il été mis à jour ? Un humain a-t-il annulé l’action ?

Ces signaux sont particulièrement utiles pour l’apprentissage par renforcement, car ils facilitent la définition du succès.

Koa modifie aussi la position de négociation de Salesforce. L’entreprise peut continuer à proposer des modèles externes tout en conservant une alternative interne pour certaines charges de travail.

Cette flexibilité réduit la dépendance à un laboratoire unique. Elle permet aussi à Salesforce de comparer les fournisseurs à un modèle optimisé pour son propre territoire.

Pour les laboratoires d’IA, la leçon dépasse le CRM. Leurs concurrents les plus difficiles dans l’entreprise ne construiront peut-être pas de modèles de pointe. Ils pourraient adapter des modèles ouverts et posséder tout ce qui entoure l’appel d’inférence.

Ce qu’il faut surveiller alors que Koa entre en production

Trois signaux montreront si Koa constitue un changement durable dans l’IA d’entreprise ou une annonce produit bien positionnée.

Le premier signal provient des preuves issues des pilotes clients. Salesforce a cité des organisations dans les secteurs de la comptabilité, de la finance, de la santé, du voyage, des logiciels et du sport.

Le résultat important n’est pas le nombre d’entreprises qui participent à un pilote. Il s’agit de savoir si elles font passer Koa dans des workflows de production reproductibles, avec des réductions mesurables des erreurs et du traitement humain.

Il faudra surveiller les études de cas détaillées révélant les volumes de tâches, les taux d’intervention, les méthodes d’évaluation et les limites de déploiement. Des déclarations vagues sur la productivité ne valideront pas l’avantage du modèle.

De solides résultats en production renforceraient l’argument central de Salesforce. Ils montreraient que l’entraînement par domaine comble suffisamment l’écart de capacité pour surpasser des modèles plus larges sur des travaux à forte valeur.

Des annulations fréquentes ou des déploiements étroits l’affaibliraient. Ils suggéreraient que le benchmark a mieux capturé des actions CRM contrôlées que la complexité opérationnelle.

Le deuxième signal est la sortie américaine prévue pour l’hiver 2026. La disponibilité générale testera la fiabilité, la capacité, l’administration et l’intégration dans un éventail plus large d’environnements Salesforce.

Les clients voudront des contrôles de configuration plutôt qu’un comportement de modèle figé. Ils auront également besoin de surveillance, de pistes d’audit, d’approbations et de procédures claires pour les actions échouées.

La sortie montrera comment Salesforce positionne Koa aux côtés des modèles externes. Un rôle par défaut dans Agentforce indiquerait de la confiance et créerait une distribution significative.

Un modèle facultatif réservé à quelques workflows suggérerait une stratégie plus prudente. Cela pourrait rester utile, mais exercerait moins de pression sur les fournisseurs de pointe.

Le troisième signal est la réponse concurrentielle. OpenAI, Anthropic, Google, Microsoft, ServiceNow, SAP et d’autres fournisseurs ont tous des raisons de défendre leur place dans les piles d’agents d’entreprise.

Les laboratoires de pointe peuvent publier des évaluations plus robustes de l’utilisation d’outils, améliorer les options de déploiement privé ou proposer un post-entraînement plus approfondi. Les éditeurs d’applications peuvent construire leurs propres modèles de domaine à partir de fondations ouvertes.

Le déploiement initial d’Agentforce par Salesforce a déjà placé les agents d’entreprise dans un marché encombré. Des concurrents tels que ServiceNow et des entreprises spécialisées dans le service client ciblent bon nombre des mêmes acheteurs.

La question stratégique est de savoir si Koa crée un avantage durable ou devient un schéma que d’autres reproduisent rapidement. Nvidia a intérêt à aider de nombreux éditeurs de logiciels à suivre la même voie.

Cette possibilité joue dans les deux sens pour Salesforce. Koa bénéficie de l’infrastructure des modèles ouverts, mais cette même infrastructure abaisse les barrières pour ses rivaux.

Les déploiements gouvernementaux ajoutent un autre test. Salesforce prévoit d’intégrer des modèles Nvidia post-entraînés dans Missionforce pour des clouds privés contrôlés et des réseaux isolés.

Certains clients devraient recevoir ces modèles en octobre 2026. Leur succès soutiendrait l’argument selon lequel le contrôle du modèle compte dans les environnements réglementés.

La conclusion générale ne dépend pas de la capacité de Salesforce à vaincre tous les laboratoires d’IA. Koa doit seulement prouver que la valeur d’entreprise peut se concentrer au-dessus du modèle de fondation.

Pour les développeurs et les acheteurs d’entreprise, la prochaine étape est pratique. Comparez les modèles sur des workflows réels, consignez les appels d’outils échoués et suivez chaque correction humaine.

Les équipes peuvent utiliser une base de connaissances IA consultable pour préserver ces évaluations, décisions et règles opérationnelles tout au long d’un déploiement.

Ne demandez pas seulement quel modèle obtient le meilleur score. Demandez qui contrôle le workflow, qui définit le succès, où circulent les données et à quelle vitesse les échecs sont améliorés.

Si le modèle de raisonnement Salesforce Koa fournit des résultats de production fiables, les laboratoires généralistes d’IA continueront de fournir une technologie essentielle. Ils posséderont simplement une part moindre du résultat d’entreprise.