Il modello di ragionamento Salesforce Koa mette in allerta i laboratori di IA generalista

Salesforce ha introdotto il suo primo modello CRM dedicato, trasformando il modello di ragionamento Salesforce Koa in una sfida diretta ai laboratori di IA generalista.

L'azienda ha costruito Koa sul modello Nemotron 3 Super a pesi aperti di Nvidia. Ha poi addestrato Koa per i flussi di lavoro di vendite, marketing e assistenza clienti. Salesforce afferma che il modello commette tre volte meno errori nelle azioni CRM, eguagliando o superando i modelli leader.

Questa affermazione necessita ancora di test indipendenti. Tuttavia, la strategia alla base di Koa conta ancor prima che ogni risultato di benchmark venga verificato. Salesforce può combinare un modello di base adattabile con decenni di conoscenza dei flussi di lavoro, la propria piattaforma software e l'accesso immediato agli acquirenti aziendali.

OpenAI, Anthropic e Google hanno concentrato enormi risorse su modelli in grado di gestire quasi qualsiasi compito intellettuale. Koa mette alla prova l'ipotesi che i clienti aziendali preferiscano qualcosa di più mirato, controllabile e già integrato nei luoghi in cui lavorano i loro dipendenti.

La minaccia non è che Salesforce abbia improvvisamente costruito il modello più intelligente. La minaccia è che potrebbe non averne bisogno.

Salesforce Koa trasforma Nemotron in uno specialista CRM

Koa prende una base generale a pesi aperti e la addestra sulle azioni che rendono utile il software aziendale.

Salesforce e Nvidia hanno annunciato Koa il 15 settembre 2026. Sta entrando in programmi pilota selezionati per clienti Agentforce, con una più ampia disponibilità negli Stati Uniti prevista durante l'inverno 2026.

Il modello parte da Nemotron 3 Super di Nvidia, un modello di base da 120 miliardi di parametri. Pesi aperti significa che i parametri addestrati del modello sono disponibili per un adattamento controllato, a differenza di un modello accessibile soltanto tramite un'API esterna.

Salesforce non si è limitata a collegare a Nemotron un sistema di ricerca CRM. I suoi ricercatori hanno ulteriormente addestrato il modello sottostante affinché ragionasse attraverso i flussi di lavoro aziendali ed eseguisse gli strumenti richiesti.

Questa distinzione è importante. Il recupero delle informazioni può fornire a un modello generale record o documenti pertinenti. Non insegna automaticamente al modello quale azione sia appropriata in ciascuna fase di un processo aziendale.

Si consideri un'opportunità di vendita che ha smesso di avanzare. Un agente deve esaminare l'attività recente, individuare le informazioni mancanti, verificare le regole aziendali, consigliare un passaggio successivo e programmare un follow-up. Ogni decisione modifica lo stato del flusso di lavoro.

Un caso di assistenza clienti crea un'altra sequenza. Il modello potrebbe classificare il problema, verificare i dettagli dell'account, recuperare una policy applicabile, instradare il caso e aggiornarne lo stato. Una risposta fluente da sola non è sufficiente.

Salesforce ha addestrato Koa con fine-tuning supervisionato e reinforcement learning. Il fine-tuning supervisionato mostra a un modello esempi del comportamento desiderato. Il reinforcement learning lo ricompensa per il completamento efficace dei compiti.

L'azienda ha utilizzato Group Relative Policy Optimization, o GRPO, per quella fase di reinforcement. GRPO confronta diversi tentativi di risposta e rafforza il comportamento associato a risultati migliori.

Salesforce afferma che gli scenari di addestramento coprono più di 14 settori. Abbinano profili simulati a compiti, azioni attese e chiamate di strumenti nei settori manifatturiero, sanitario, dei servizi finanziari, dei viaggi e in altri comparti.

Secondo Salesforce, l'addestramento non ha utilizzato dati dei clienti. L'azienda ha invece generato situazioni sintetiche modellate sui modelli aziendali raccolti durante 27 anni di implementazioni CRM.

Questa formulazione richiede cautela. Salesforce non afferma che i record riservati dei clienti siano stati assorbiti da Koa. Sostiene che le sue conoscenze accumulate abbiano plasmato i flussi di lavoro simulati usati per l'addestramento.

Il modello è inoltre più di una dimostrazione di ricerca. Salesforce utilizza già Koa internamente tramite un agente Slack che aiuta i dipendenti a trovare informazioni e completare attività di routine.

I clienti pilota includono 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine e Xero. Queste implementazioni dovrebbero mostrare se le valutazioni controllate si traducano in affidabilità in produzione.

Il cambiamento immediato del prodotto è quindi concreto. Agentforce ottiene un modello di ragionamento ospitato da Salesforce e progettato attorno alle azioni della piattaforma stessa, anziché dipendere esclusivamente da modelli esterni generali.

Perché il modello di ragionamento Salesforce Koa esercita pressione sui laboratori di IA

Salesforce compete sulla proprietà dei flussi di lavoro, sulla distribuzione e sul controllo, non sulla vittoria in ogni benchmark di intelligenza generale.

I laboratori di IA di frontiera hanno considerato la generalità un vantaggio significativo. Un modello capace può scrivere software, analizzare documenti, svolgere ricerche, rispondere a domande e supportare molte funzioni aziendali.

Questa ampiezza resta preziosa. Tuttavia, gli agenti aziendali operano in ambienti più circoscritti, con autorizzazioni precise, strutture dati e risultati accettabili. Tali vincoli favoriscono le aziende che comprendono il livello applicativo.

Salesforce possiede i record, le strutture degli oggetti, le autorizzazioni e i sistemi di automazione che definiscono il lavoro all'interno della sua piattaforma. Controlla inoltre le interfacce attraverso cui molti dipendenti utilizzano il software CRM.

Questa posizione offre a Salesforce tre vantaggi rispetto a un fornitore di modelli che arriva tramite un'API.

Primo, Salesforce può descrivere il completamento efficace delle attività in termini nativi della piattaforma. Sa se un'opportunità è stata aggiornata, se un caso ha raggiunto la coda corretta o se un follow-up è apparso nel calendario.

Secondo, può costruire simulazioni di addestramento attorno a questi risultati. Il modello può ricevere una ricompensa per aver completato un processo, non soltanto per aver prodotto un testo che assomiglia a una buona risposta.

Terzo, Salesforce può distribuire il modello risultante tramite Agentforce. I clienti non devono assemblare un livello di orchestrazione separato prima di testare il modello sui flussi di lavoro esistenti.

La ricerca sottostante rende più chiara questa strategia. Il paper di ricerca su Koa descrive una pipeline dalla simulazione alla ricompensa per produrre attività multi-turno basate su profili.

Queste attività includono richieste dipendenti dai dati che richiedono un uso efficace degli strumenti. Salesforce utilizza Agent Script, il proprio linguaggio dichiarativo per specificare il comportamento di Agentforce, per definire flussi di lavoro in domini aziendali.

Questo crea un ciclo di addestramento che le aziende applicative sono ben posizionate per sfruttare. Il loro software contiene già azioni strutturate, autorizzazioni, regole aziendali e segnali di completamento dei compiti.

Uno sviluppatore di modelli generali può apprendere parte di questa struttura tramite partnership, prompt dei clienti e documentazione degli strumenti. Il proprietario dell'applicazione parte da una mappa dettagliata dell'ambiente.

La pressione si estende oltre Salesforce. ServiceNow può specializzare modelli attorno ai flussi di lavoro IT e dei dipendenti. SAP può concentrarsi su finanza, approvvigionamenti e catene di fornitura. Workday può addestrare modelli sui processi delle risorse umane.

Ciascuna azienda può utilizzare una base adattabile invece di finanziare un progetto di preaddestramento su scala di frontiera. Nvidia ne beneficia perché queste aziende necessitano comunque di modelli, software di addestramento, acceleratori e infrastruttura di inferenza.

Questo modello di competizione cambia la questione economica. Le aziende di software aziendale non devono più chiedersi se siano in grado di replicare un intero laboratorio di frontiera.

Possono chiedersi se un modello più piccolo e specializzato svolga le attività di valore all'interno del proprio prodotto. Si tratta di un obiettivo molto più raggiungibile.

Salesforce possiede inoltre il rapporto con il cliente. Può integrare Koa con Agentforce, applicare i controlli di governance esistenti ed esporre il modello tramite strumenti che gli amministratori già comprendono.

Il laboratorio di IA rischia di diventare un fornitore sostituibile al di sotto di questa esperienza. Un cliente potrebbe sapere che Agentforce ha completato l'attività senza sapere quale modello di base abbia contribuito al risultato.

Questa è la parte che i laboratori di IA dovrebbero temere. La loro tecnologia può restare importante mentre il loro marchio, il potere contrattuale sui prezzi e il collegamento diretto con gli utenti aziendali si indeboliscono.

I pesi aperti spostano il valore al di sopra del modello di base

Koa mostra come un modello a pesi aperti possa spostare il valore competitivo dal preaddestramento verso la specializzazione, la distribuzione e il feedback dei flussi di lavoro.

Nvidia pubblica modelli, risorse di addestramento e implementazioni di riferimento attraverso il suo hub di modelli Nemotron. Questo approccio incoraggia altre aziende a modificare una base capace anziché partire da zero.

Salesforce ha utilizzato Nemotron 3 Super come materia prima. Ha poi applicato generazione di dati specifici per dominio, addestramento supervisionato e reinforcement learning tramite gli strumenti NeMo di Nvidia.

Il processo rappresenta una divisione del lavoro. Nvidia fornisce l'architettura del modello, lo stack di addestramento e la piattaforma di calcolo. Salesforce fornisce specifiche dei flussi di lavoro, contesto aziendale, distribuzione e il perimetro del prodotto.

I fornitori di modelli chiusi offrono solitamente personalizzazione tramite prompt, recupero delle informazioni, fine-tuning o servizi di addestramento gestiti. Queste opzioni possono funzionare bene, soprattutto quando il modello sottostante offre un ampio vantaggio in termini di capacità.

Lasciano però decisioni importanti al fornitore. Gli aggiornamenti del modello, la posizione dell'inferenza, le politiche operative e la visibilità sui pesi possono restare al di fuori del controllo dell'azienda applicativa.

Koa offre a Salesforce il controllo diretto sui propri pesi. Salesforce afferma che sia il post-addestramento sia l'inferenza avvengono entro il proprio perimetro di fiducia, dove le informazioni dei clienti restano soggette ai controlli di sicurezza di Salesforce.

Questo assetto è interessante per gli acquirenti regolamentati. Aiuta inoltre Salesforce a modificare il modello senza attendere la roadmap di prodotto di un laboratorio terzo.

Il controllo non significa automaticamente costi inferiori o prestazioni migliori. Salesforce non ha pubblicato prove di produzione sufficienti per stabilire una delle due conclusioni in diversi ambienti dei clienti.

Tuttavia, il controllo crea opzioni strategiche. Salesforce può dare priorità alle attività che producono valore all'interno di Agentforce, anche quando tali attività sembrano poco importanti nelle ampie valutazioni accademiche.

Il paper su Koa riporta che la specializzazione ha prodotto i miglioramenti più evidenti nell'uso di strumenti multi-turno. È proprio qui che gli agenti aziendali spesso incontrano difficoltà.

Una singola chiamata a uno strumento è relativamente facile da valutare. Flussi di lavoro più lunghi richiedono al modello di preservare lo stato, reagire ai risultati degli strumenti, rispettare le autorizzazioni e recuperare da condizioni impreviste.

Queste capacità contano più di un ulteriore punto percentuale in un test di matematica per un responsabile dei servizi. Si adattano inoltre alle conoscenze già esistenti di Salesforce sui processi aziendali.

La progettazione dell'addestramento sintetico del modello aggiunge un altro meccanismo importante. I record dei clienti sono preziosi ma sensibili, incoerenti e difficili da combinare tra organizzazioni.

Gli scenari sintetici consentono a Salesforce di riprodurre la struttura del lavoro aziendale senza copiare dati reali dei clienti in un corpus di addestramento condiviso. Possono inoltre generare su richiesta errori rari o casi limite.

Tuttavia, i dati sintetici hanno una propria debolezza. Una simulazione riflette le ipotesi dei suoi progettisti. Può ricompensare un comportamento che funziona in un ambiente di test pulito ma fallisce in un'organizzazione complessa.

I sistemi CRM reali contengono record incompleti, policy in conflitto, oggetti personalizzati, automazioni obsolete e strutture di autorizzazione insolite. I programmi pilota in produzione devono esporre Koa a questa complessità senza compromettere la sicurezza.

Ecco perché il modello di ragionamento Salesforce Koa rappresenta un meccanismo, non una vittoria garantita. I pesi aperti rendono possibile la specializzazione. La posizione di Salesforce nei flussi di lavoro rende tale specializzazione credibile.

I risultati effettivi dei clienti stabiliranno se il sistema combinato sia migliore di un modello di frontiera connesso agli stessi strumenti.

L'affermazione sul benchmark richiede un test più rigoroso

I risultati riportati da Salesforce sono promettenti, ma benchmark CRM progettati dall'azienda non possono risolvere il confronto con i modelli di frontiera.

Salesforce afferma che Koa eguaglia o supera le prestazioni dei principali modelli nelle azioni CRM, producendo al contempo tre volte meno errori. Le attività valutate includono l'aggiornamento delle opportunità, l'instradamento dei casi e la pianificazione dei follow-up.

L'azienda non ha presentato questa affermazione come una misura universale dell'intelligenza. Riguarda azioni CRM selezionate all'interno di un benchmark allineato al dominio previsto per Koa.

Il documento di accompagnamento fornisce un'importante precisazione. Secondo quanto riportato, Koa migliora rispetto alla sua base Nemotron e supera un solido riferimento proprietario, ma rimane al di sotto dei più forti modelli di frontiera nel complesso.

Questo risultato sostiene un'interpretazione più circoscritta. La specializzazione aiuta un modello a pesi aperti a competere su attività mirate per agenti, senza cancellare il vantaggio di capacità generalista dei migliori modelli chiusi.

Gli acquirenti dovrebbero inoltre distinguere l'accuratezza delle azioni dal valore operativo complessivo. Un agente potrebbe chiamare lo strumento corretto ma fraintendere l'intento del cliente, applicare una policy errata o creare un'escalation non necessaria.

Il conteggio degli errori richiede contesto. Un aggiornamento errato di un campo, una divulgazione non autorizzata e una bozza di email scadente non comportano lo stesso rischio aziendale.

I valutatori indipendenti dovranno avere accesso alle definizioni delle attività, ai modelli di confronto, alle regole di valutazione e alle tracce di esecuzione. Altrimenti, gli osservatori esterni non potranno determinare da dove derivi il vantaggio riportato.

Il benchmark potrebbe premiare la familiarità con schemi specifici di Salesforce. Sarebbe legittimo per un prodotto Salesforce, ma non dimostrerebbe una superiorità in altre applicazioni aziendali.

Gli ambienti di produzione aggiungono un ulteriore livello di difficoltà. Salesforce stessa avverte che le prestazioni in sandbox non prevedono in modo affidabile il comportamento in produzione, poiché infrastruttura e modelli di utilizzo differiscono.

Lo stesso principio vale per gli agenti. Le attività controllate non possono riprodurre pienamente dati in evoluzione, utenti simultanei, integrazioni personalizzate, vincoli di latenza e richieste ambigue.

I programmi pilota di Koa presso i clienti dovrebbero quindi misurare più del semplice completamento dei benchmark. Indicatori utili includono risoluzioni riuscite, tassi di intervento umano, azioni annullate, violazioni delle policy e soddisfazione dei clienti.

Queste misurazioni necessitano di riferimenti chiari. Confrontare Koa con l'assenza di automazione risponderebbe a una domanda. Confrontarlo con un sistema Agentforce che utilizza un modello di frontiera risponderebbe a una domanda più difficile.

Salesforce deve anche dimostrare che i clienti possono governare il modello specializzato. Gli amministratori hanno bisogno di visibilità su ciò che l'agente ha tentato, sugli strumenti utilizzati e sul motivo per cui un'azione è fallita.

La revisione umana resterà importante per i processi con conseguenze rilevanti. Decisioni di credito, comunicazioni mediche, impegni contrattuali e modifiche agli account richiedono più della precisione media di un benchmark.

La sicurezza crea un'altra questione irrisolta. Eseguire l'inferenza all'interno del perimetro di fiducia di Salesforce riduce l'esposizione alle API di modelli esterni, ma non elimina il prompt injection né le autorizzazioni eccessive.

Un attaccante potrebbe inserire istruzioni dannose nei contenuti letti da un agente. Un modello affidabile con un ampio accesso può comunque compiere azioni dannose quando i suoi input vengono manipolati.

I clienti devono limitare gli strumenti, convalidare gli output e preservare i passaggi di approvazione. La proprietà del modello non sostituisce la sicurezza dell'applicazione.

C'è anche una questione di mercato. Alcune imprese preferiscono un unico fornitore di modelli di frontiera per molti reparti. Una raccolta di modelli specializzati può aumentare il lavoro di governance e integrazione.

I laboratori di frontiera possono rispondere rendendo i propri modelli più facili da specializzare, ospitare e valutare. Possono inoltre stringere partnership più profonde con i fornitori di software enterprise.

I modelli generalisti più forti potrebbero rimanere necessari per le eccezioni difficili. Salesforce potrebbe utilizzare Koa per il lavoro CRM di routine e instradare i casi insoliti verso un modello esterno più grande.

Questo approccio ibrido indebolirebbe l'idea di un unico vincitore. Ridurrebbe comunque la quota di inferenza enterprise che confluisce automaticamente verso i fornitori di frontiera.

Koa mette in discussione la strategia originaria dei modelli Agentforce

Salesforce sta passando dalla scelta dei modelli alla loro proprietà, invertendo la precedente dipendenza del livello applicativo dai fornitori di AI esterni.

Quando Salesforce ha introdotto AI Cloud nel 2023, ha enfatizzato l'accesso a modelli di diversi fornitori. I clienti potevano utilizzare modelli partner, mentre Salesforce forniva ancoraggio ai dati, governance e applicazioni aziendali.

Agentforce è seguito nel 2024 con il motore di ragionamento Atlas. Atlas coordina modelli, dati, workflow e strumenti affinché un agente possa decidere cosa fare successivamente.

Koa non sostituisce ogni parte di questa architettura. Un modello linguistico e un motore di ragionamento svolgono ruoli diversi. Il motore gestisce il processo più ampio, mentre il modello interpreta le attività e seleziona le azioni.

Tuttavia, Koa sposta Salesforce più in profondità nel livello di intelligenza. L'azienda non si limita più a scegliere e orchestrare modelli. Ora controlla i pesi, l'addestramento, l'hosting e il deployment di un modello specializzato.

Questo è il ribaltamento strategico. I fornitori di software enterprise un tempo apparivano dipendenti da pochi laboratori di frontiera per il ragionamento avanzato. I pesi aperti consentono ora a quei fornitori di incorporare una maggiore capacità dei modelli nei propri prodotti.

La conoscenza accumulata da Salesforce sui workflow acquista più valore in questa struttura. Marc Benioff sostiene che Koa inserisca nel modello stesso la conoscenza relativa a trattative, casi di assistenza e processi di settore.

L'affermazione non va interpretata letteralmente come se le cronologie dei clienti fossero incorporate nei pesi. Salesforce afferma che Koa ha utilizzato dati di addestramento pubblici e sintetici anziché dati dei clienti.

La risorsa preziosa è l'astrazione di come procede il lavoro. Salesforce può descrivere ruoli, oggetti, sequenze di strumenti, eccezioni e condizioni di completamento nelle comuni situazioni CRM.

Questa descrizione può addestrare un modello a comportarsi in modo più efficace all'interno di Agentforce. Può anche essere aggiornata quando Salesforce modifica le proprie applicazioni.

La distribuzione completa il ciclo. L'azienda può osservare le prestazioni dei piloti, identificare tipi di fallimento ricorrenti, generare scenari correlati ed eseguire un altro ciclo di post-addestramento.

Le regole sulla privacy limiteranno ciò che Salesforce può raccogliere e riutilizzare. Ciononostante, i modelli operativi aggregati possono ancora orientare la progettazione delle valutazioni e i miglioramenti del prodotto.

I laboratori di frontiera dispongono di propri vantaggi di feedback su milioni di utenti. Tuttavia, gran parte di tale attività consiste in conversazioni, sessioni di programmazione o richieste generiche.

Salesforce può concentrarsi su segnali più circoscritti legati ai risultati aziendali. Il caso ha raggiunto il team corretto? Il record è stato aggiornato? Un operatore umano ha annullato l'azione?

Questi segnali sono particolarmente utili per il reinforcement learning perché rendono più facile definire il successo.

Koa cambia anche la posizione negoziale di Salesforce. L'azienda può continuare a offrire modelli esterni mantenendo al contempo un'alternativa interna per carichi di lavoro selezionati.

Questa flessibilità riduce la dipendenza da un singolo laboratorio. Consente inoltre a Salesforce di confrontare i fornitori con un modello ottimizzato per il proprio territorio di competenza.

Per i laboratori di AI, la lezione va oltre il CRM. I loro concorrenti enterprise più difficili potrebbero non costruire modelli di frontiera. Potrebbero adattare modelli aperti e possedere tutto ciò che circonda la chiamata di inferenza.

Cosa osservare mentre Koa entra in produzione

Tre segnali mostreranno se Koa rappresenta un cambiamento duraturo nell'AI enterprise o un annuncio di prodotto ben posizionato.

Il primo segnale è costituito dalle evidenze dei programmi pilota presso i clienti. Salesforce ha nominato organizzazioni nei settori della contabilità, della finanza, della sanità, dei viaggi, del software e dello sport.

Il risultato importante non è quante aziende entrano in un pilota. È se portano Koa in workflow di produzione ripetibili, con riduzioni misurabili degli errori e della gestione umana.

Osservate studi di caso dettagliati che rivelino volumi di attività, tassi di intervento, metodi di valutazione e limiti del deployment. Dichiarazioni vaghe sulla produttività non convalideranno il vantaggio del modello.

Risultati solidi in produzione rafforzerebbero l'argomento centrale di Salesforce. Mostrerebbero che l'addestramento di dominio riduce abbastanza il divario di capacità da superare modelli più ampi in lavori di valore.

Annullamenti frequenti o deployment ristretti lo indebolirebbero. Suggerirebbero che il benchmark abbia catturato azioni CRM controllate meglio della complessità operativa.

Il secondo segnale è il previsto rilascio negli Stati Uniti nell'inverno del 2026. La disponibilità generale metterà alla prova affidabilità, capacità, amministrazione e integrazione in una gamma più ampia di ambienti Salesforce.

I clienti vorranno controlli di configurazione anziché un comportamento del modello fisso. Avranno inoltre bisogno di monitoraggio, audit trail, approvazioni e procedure chiare per le azioni fallite.

Il rilascio rivelerà come Salesforce posiziona Koa accanto ai modelli esterni. Un ruolo predefinito all'interno di Agentforce indicherebbe fiducia e creerebbe una distribuzione significativa.

Un modello opzionale riservato a pochi workflow suggerirebbe una strategia più prudente. Potrebbe comunque essere utile, ma eserciterebbe minore pressione sui fornitori di frontiera.

Il terzo segnale è la risposta competitiva. OpenAI, Anthropic, Google, Microsoft, ServiceNow, SAP e altri fornitori hanno tutti ragioni per difendere il proprio posto negli stack di agenti enterprise.

I laboratori di frontiera possono pubblicare valutazioni più solide sull'uso degli strumenti, migliorare le opzioni di deployment privato o offrire post-addestramento più approfondito. I fornitori di applicazioni possono costruire i propri modelli di dominio su basi aperte.

Il precedente lancio di Agentforce da parte di Salesforce aveva già inserito gli agenti enterprise in un mercato affollato. Concorrenti come ServiceNow e società specializzate nel servizio clienti puntano a molti degli stessi acquirenti.

La domanda strategica è se Koa crei un vantaggio duraturo o diventi uno schema che altri riproducono rapidamente. Nvidia ha incentivi ad aiutare molti fornitori di software a seguire lo stesso percorso.

Questa possibilità ha due effetti per Salesforce. Koa trae beneficio dall'infrastruttura dei modelli aperti, ma la stessa infrastruttura riduce le barriere per i suoi rivali.

I deployment governativi aggiungono un altro test. Salesforce intende portare modelli Nvidia sottoposti a post-addestramento in Missionforce per cloud privati controllati e reti isolate.

Si prevede che clienti selezionati ricevano tali modelli nell'ottobre 2026. Il successo in quel contesto sosterrebbe l'argomento secondo cui il controllo del modello conta negli ambienti regolamentati.

La conclusione più ampia non dipende dal fatto che Salesforce sconfigga ogni laboratorio di AI. Koa deve solo dimostrare che il valore enterprise può concentrarsi al di sopra del modello fondazionale.

Per sviluppatori e acquirenti enterprise, il prossimo passo è pratico. Confrontate i modelli su workflow reali, registrate le chiamate agli strumenti fallite e tracciate ogni correzione umana.

I team possono utilizzare una base di conoscenza AI ricercabile per preservare tali valutazioni, decisioni e regole operative nel corso di un deployment.

Non chiedete solo quale modello ottiene il punteggio più alto. Chiedete chi controlla il workflow, chi definisce il successo, dove viaggiano i dati e con quale rapidità i fallimenti portano a miglioramenti.

Se il modello di ragionamento Salesforce Koa offrirà risultati affidabili in produzione, i laboratori di AI generalista continueranno a fornire tecnologia essenziale. Semplicemente, controlleranno una quota minore del risultato enterprise.