Salesforce Koa 모델, CRM 추론과 에이전트 제어로 최전선 AI에 도전

Salesforce는 Dreamforce에서 첫 CRM 추론 모델을 공개하며, 엔터프라이즈 에이전트가 언제나 최전선 AI 제공업체에 의존해야 한다는 통념에 도전장을 던졌다. Salesforce Koa 모델은 NVIDIA Nemotron을 기반으로 하며, 다단계 영업·서비스·마케팅 워크플로에 맞춰 조정됐다.

이 모델은 에이전트, 모델, 데이터 접근, 비용을 관리하기 위한 더 광범위한 제어 기능과 함께 등장했다. 이 발표들은 Salesforce의 더 큰 승부수를 보여준다. 회사는 가장 똑똑한 범용 모델을 보유하는 것보다 엔터프라이즈 맥락과 운영 통제력이 더 중요해지기를 바라고 있다.

이 입장은 Salesforce를 두 가지 경쟁 접근법 사이에 놓는다. OpenAI와 Anthropic은 독점적인 최전선 모델을 통해 광범위한 지능을 제공한다. Salesforce는 특화된 추론, 비즈니스 맥락, 강제 가능한 권한 관리가 더 유용한 엔터프라이즈 에이전트를 만들 수 있다고 주장한다.

Koa가 이 논쟁에 결론을 내리지는 않는다. Salesforce 자체 연구에 따르면 이 모델은 여러 평가에서 가장 강력한 최전선 시스템보다 여전히 뒤처진다. 더 넓은 제어 아키텍처의 일부 기능은 Salesforce의 2028 회계연도까지 제공 시점이 이어진다.

그럼에도 이 발표는 중요하다. Salesforce는 더 이상 모델을 외부 연구소가 전적으로 공급하는 대체 가능한 인프라로 보지 않는다. 이제 회사는 추론 모델, 사후 학습 과정, 이를 둘러싼 비즈니스 맥락, 그리고 에이전트의 행동을 관리하는 제어 기능을 직접 보유한다.

Salesforce Koa 모델은 모든 질문이 아니라 CRM 업무를 겨냥한다

Koa는 열린 대화보다 정확한 도구 사용이 더 중요한 엔터프라이즈 워크플로에 모델의 역할을 집중한다.

Salesforce와 NVIDIA는 2026년 Dreamforce 기간인 9월 15일 샌프란시스코에서 Koa를 발표했다. Salesforce는 이를 Agentforce 내 고객 관계 관리 업무를 위해 특별히 설계된 첫 추론 모델이라고 설명한다.

추론 모델은 답변이나 행동을 내놓기 전에 단계를 계획하거나 평가하는 데 추가 연산을 사용한다. Koa의 경우 이 과정은 비즈니스 기록, 정책, 소프트웨어 도구가 관련된 워크플로에 초점을 둔다.

예를 들면 영업 기회를 검증하고, 지원 사례를 배정하며, 후속 조치를 예약하거나, 다음에 어떤 행동이 일어나야 하는지 결정하는 업무가 포함된다. 이런 작업은 평범하게 들리지만, 유창한 텍스트를 생성하는 것만으로는 충분하지 않다.

에이전트는 올바른 도구를 선택하고, 유효한 인수를 제공하며, 결과를 확인한 뒤 조직의 규칙을 위반하지 않고 다음 작업을 이어가야 한다. 단 한 번의 잘못된 행동도 고객 기록을 변경하거나 제한된 정보를 노출할 수 있다.

Koa 발표에 따르면 Salesforce는 NVIDIA의 Nemotron 3 Super를 사후 학습해 이 모델을 만들었다. 기반 모델은 1,200억 개의 매개변수를 갖고 있으며, 각 토큰마다 네트워크의 일부만 활성화하는 전문가 혼합 아키텍처를 사용한다.

Salesforce는 고객 데이터 대신 공개 정보와 합성 상호작용으로 Koa를 학습시켰다고 밝혔다. 이러한 합성 시나리오는 영업 대화, 서비스 사례, 변화하는 고객 행동, 다단계 도구 호출을 포함한 CRM 상황을 모방한다.

이 구분은 엔터프라이즈 구매자에게 중요하다. 실제 고객 기록으로 학습하면 개인정보 보호, 동의, 보존, 지식재산권 문제가 생길 수 있다. 합성 학습은 실제 고객 데이터를 모델 가중치에 넣지 않고도 워크플로 패턴을 재현할 수 있게 한다.

Koa는 Salesforce의 신뢰 경계 안에서 실행된다. Salesforce는 모델 가중치, 사후 학습, 추론을 제어함으로써 Agentforce가 민감한 비즈니스 정보를 처리할 때 관여하는 외부 시스템의 수를 줄인다.

그렇다고 Koa가 고객이 내려받아 어디서나 실행할 수 있는 오픈 모델이 되는 것은 아니다. 이는 오픈 가중치 NVIDIA 기반 모델에서 파생된 Salesforce 호스팅 모델로 이해하는 편이 더 정확하다.

Agentforce 고객은 계속해서 다른 모델을 사용할 수 있다. Koa는 OpenAI, Anthropic, Google 모델을 의무적으로 대체하는 것이 아니라 Salesforce의 모델 라우팅 시스템 안에서 또 하나의 선택지가 된다.

이 선택권 중심 접근법은 Salesforce가 한 모델 제공업체에 모든 것을 걸지 않도록 보호한다. 동시에 회사는 자체 API, Agent Script 사양, CRM 워크플로를 중심으로 최적화할 수 있는 모델을 확보한다.

따라서 즉각적인 변화는 단일 모델 출시보다 더 크다. Salesforce는 외부 지능을 조율하는 단계에서, 스스로 조정하고 운영할 수 있는 특화 추론 계층을 개발하는 단계로 옮겨갔다.

Salesforce가 지금 자체 CRM 추론 모델을 만든 이유

Salesforce는 고객 데이터, 워크플로 정의, 권한 관리가 범용 AI 플랫폼이 쉽게 재현할 수 없는 우위를 만든다는 점을 보여줘야 한다.

Agentforce는 이전까지 까다로운 추론 작업에 외부 최전선 모델을 의존했다. Salesforce는 더 작은 작업 특화 모델을 개발해 왔지만, 장시간 실행되는 워크플로에는 Claude, ChatGPT 또는 다른 외부 시스템이 필요한 경우가 많았다.

Koa는 이러한 의존도를 바꾼다. Salesforce의 AI 담당 수석부사장 Jayesh Govindarajan은 TechCrunch에 회사가 추론을 위해 최전선 제공업체에 “지금까지” 의존해 왔다고 말했다.

이 시점은 전략적 위협을 반영한다. 최전선 AI 기업들은 모델 주변에 도구, 메모리, 통합 기능, 엔터프라이즈 커넥터를 추가하고 있다. 이들의 에이전트는 사용자가 기존 Salesforce 인터페이스 안에 머물 필요 없이 영업, 지원, 법무, 분석 시스템과 점점 더 많이 상호작용할 수 있다.

Salesforce의 대응은 가장 유능한 범용 챗봇을 두고 경쟁하는 것이 아니다. 대신 축적해 온 엔터프라이즈 업무 이해를 모델 학습 자료와 런타임 맥락으로 활용하는 것이다.

회사는 Koa의 합성 데이터셋이 거의 30년에 이르는 CRM 구축 경험을 반영한다고 말한다. 이것이 모델에 27년치 고객 기록이 들어 있다는 뜻은 아니다. Salesforce는 고객 데이터로 학습하지 않고 엔터프라이즈 워크플로와 운영 패턴을 모델링했다고 밝혔다.

이 구분은 분명히 유지돼야 한다. Koa의 우위는 합성 시나리오가 실제 조직에서 에이전트가 마주하는 복잡한 상황을 정확하게 나타내는지에 달려 있다.

영업 프로세스는 하나의 깔끔한 순서를 따르는 경우가 드물다. 역할에 따라 권한이 다르고, 필드가 불완전할 수 있으며, 지역별 정책은 충돌하고, 사람의 승인이 자동화 워크플로를 중단시킬 수 있다.

Salesforce의 Agent Script는 이에 대한 해답의 일부를 제공한다. 이는 에이전트의 라우팅, 하위 에이전트, 사용 가능한 작업, 도구 범위, 워크플로 지침, 종료 조건을 정의하는 선언형 언어다.

회사의 연구진은 이러한 사양을 사용해 시뮬레이션 환경과 학습 과제를 생성했다. 이후 Koa는 그럴듯한 텍스트를 만드는 데 그치지 않고 성공적인 도구 사용을 통해 요청을 해결한 경우 보상을 받았다.

이 메커니즘은 에이전트 구성과 모델 사후 학습을 직접 연결한다. 배포된 에이전트를 제어하는 동일한 워크플로 사양이 기반 모델을 개선하기 위한 시나리오 생성에도 활용될 수 있다.

Salesforce 입장에서는 이 연결이 잠재적인 피드백 루프를 형성한다. 더 세부적인 에이전트 사양은 더 나은 시뮬레이션을 만들 수 있고, 더 나은 모델은 그러한 사양을 더 안정적으로 실행할 수 있다.

또한 이는 기반 모델이 더 널리 उपलब्ध해질수록 엔터프라이즈 맥락의 가치가 커진다는 Salesforce의 더 큰 주장을 뒷받침한다. 모델은 바뀔 수 있지만 조직의 고객 이력, 정책, 비즈니스 정의, 권한, 워크플로는 해당 조직에 고유하게 남는다.

Salesforce는 Enterprise AI Harness를 통해 이 개념을 공식화했다. 이 아키텍처는 공통 제어 계층 아래에서 맥락, 자율성, 행동, 거버넌스, 보안, 모델 선택을 결합한다.

이 지점에서 Koa와 보안 발표가 연결된다. 특화 모델만으로는 엔터프라이즈 시스템을 안전하게 운영할 수 없다. 검증된 맥락, 제한된 도구, 인증된 신원, 관찰 가능한 행동, 그리고 모델이 실수해도 집행 가능한 정책이 필요하다.

지식 근로자도 더 작은 규모에서 비슷한 맥락 문제에 직면한다. 유용한 AI는 모델에게 일반 학습으로 모든 세부 사항을 재구성하라고 요청하기보다 knowledge blending을 통해 신뢰할 수 있는 소스 자료를 연결하는 데 달려 있다.

Salesforce는 이 원칙을 기업 시스템 전반에 적용하고 있다. 회사의 전략적 자산은 모델만이 아니다. 모든 결정과 행동을 둘러싼 관리된 맥락이다.

Koa의 결과는 범용 모델에 도전하지만 최고 수준을 넘어서지는 못한다

Salesforce가 공개한 결과는 특화의 효과를 뒷받침하지만, Koa가 선도적인 최전선 모델을 일관되게 능가한다는 것을 보여주지는 않는다.

Salesforce Koa 모델에는 기술 논문이 함께 공개돼 구매자에게 기조연설 시연만으로는 얻기 어려운 더 많은 근거를 제공한다. 이 논문은 학습 과정, 벤치마크 설계, 몇 가지 중요한 한계를 설명한다.

Salesforce 연구진은 Tau2Bench, Berkeley Function Calling Leaderboard, CRM 벤치마크에서 Koa를 평가했다. 이 시험은 대화형 도구 사용, 함수 호출, 엔터프라이즈 CRM 작업을 다룬다.

Tau2Bench에서 Koa는 작업 가중 점수 69.41을 기록했다. Nemotron 기반 모델은 68.64점이었고, GPT-4.1은 54.48점이었다.

Koa는 Berkeley 함수 호출 평가에서 66.63%를 기록했다. Nemotron 기반 모델은 64.73%, GPT-4.1은 53.96%였다.

CRM 벤치마크에서는 차이가 더 크지 않았다. Koa는 전체 0.86점을 기록했으며, Nemotron은 0.84점, GPT-4.1은 0.81점이었다.

해당 CRM 평가에서 Koa의 함수 호출 정확도는 0.77로, 기반 모델의 0.71에서 상승했다. 올바른 도구 선택은 신뢰할 수 있는 에이전트 행동의 핵심이므로 이 결과는 의미가 있다.

그러나 가장 강력한 최전선 모델은 중요한 비교에서 여전히 앞섰다. OpenAI의 GPT-5.5는 Tau2Bench에서 83.99점, CRM 벤치마크 전체에서 0.90점을 기록했다. Claude Opus 4.8은 함수 호출 시험에서 78.18점, CRM에서 0.87점을 기록했다.

Koa 연구 논문은 Koa가 가장 강력한 최전선 모델보다 여전히 낮은 수준이라고 명시한다. 이러한 공개는 Salesforce가 선도 AI 연구소를 앞질렀다는 더 광범위한 해석을 막는다.

대신 결과는 더 좁은 결론을 뒷받침한다. 워크플로 사양을 중심으로 오픈 가중치 기반 모델을 사후 학습하면 여러 도구 사용 측정치가 개선됐고, 이전 세대 독점 모델 기준선을 넘어섰다.

Salesforce는 또한 Koa가 자체 CRM 벤치마크에서 오류를 세 배 적게 냈다고 말한다. 특히 벤치마크 구성은 결과에 큰 영향을 미칠 수 있으므로, 구매자는 이 수치를 회사가 보고한 결과로 받아들여야 한다.

Agent Script 워크플로를 중심으로 학습된 모델은 그 워크플로와 유사한 평가에서 예상되는 이점을 갖는다. 이것이 결과를 무효화하지는 않지만, 이 발견을 얼마나 넓게 일반화할 수 있는지는 제한한다.

논문은 또 다른 제약을 지적한다. Salesforce가 추가 강화 학습과 지도 미세 조정을 비교하기 시작하기 전에 Nemotron은 이미 강화 학습을 거친 상태였다.

연구진은 이러한 출발점에서 다단계 도구 사용에는 강화 학습이 더 유용하다는 사실을 발견했다. 사전 강화 학습을 전혀 받지 않은 기반 모델에는 같은 결과가 적용되지 않을 수 있다고 경고한다.

실제 배포 환경은 통제된 벤치마크보다 더 어려운 시험을 만들 것이다. 고객 데이터는 불완전할 수 있고, API는 실패할 수 있으며, 도구는 변경될 수 있고, 요청은 학습 중 표현된 시나리오를 벗어날 수 있다.

보안 실패는 일반적인 추론 오류와도 다릅니다. 요약이 약간 부정확한 것은 불편할 수 있습니다. 그러나 잘못된 권한 결정이나 무단 도구 호출은 보고 대상 사고로 이어질 수 있습니다.

그 차이는 Salesforce가 Koa를 에이전트 제어 기능과 결합한 이유를 설명합니다. 더 나은 추론은 한 종류의 실패를 줄이지만, 엔터프라이즈 배포에는 추론이 여전히 잘못될 때 그 결과를 제한하는 시스템이 필요합니다.

에이전트 보안, Salesforce 베팅의 또 다른 축이 되다

Salesforce는 에이전트 보안을 충분히 정확한 모델이 언제나 올바르게 작동할 것이라는 약속이 아니라 런타임 제어 문제로 다루고 있습니다.

전통적인 소프트웨어는 정의된 명령을 실행합니다. AI 에이전트는 작동 중 목표를 해석하고, 도구를 선택하며, 계획을 조정합니다. 이러한 유연성은 더 넓고 예측하기 어려운 공격 표면을 만듭니다.

에이전트는 문서에서 악성 지시를 가져오거나, 승인된 커넥터를 통해 데이터를 노출하거나, 지나치게 광범위한 도구를 선택하거나, 원래의 컨텍스트가 신뢰할 수 없게 된 뒤에도 계속 행동할 수 있습니다.

모델 개선만으로는 이러한 위험을 제거할 수 없습니다. 보안 제어는 모델 외부에서 신원, 권한, 데이터 접근, 행동, 행위를 관리해야 합니다.

Salesforce Guardian은 이러한 환경을 위한 회사의 보안, 규정 준수, 개인정보 보호, 복원력 포트폴리오입니다. 기존 기능에는 Shield, 보안 모니터링, 백업, 복구, 샌드박스 테스트, 민감한 데이터를 둘러싼 제어 기능이 포함됩니다.

Salesforce는 Shield가 에이전트 추론을 모니터링하고 무단 데이터 접근을 차단할 수 있다고 말합니다. 더 광범위한 Guardian 포트폴리오는 관리자가 에이전트 행동을 관찰하고, 접근 정책을 시행하며, 기록을 보존하고, 원치 않는 변경 사항에서 복구하도록 돕는 것을 목표로 합니다.

Dreamforce에서 Salesforce는 이러한 제어 기능을 독립적인 부가 기능으로 제시하기보다 더 큰 아키텍처 안에 배치했습니다. Enterprise AI Harness에는 신원, 권한, 개인정보 보호, 데이터 보호, 런타임 보안을 포괄하는 Trusted Security 기능이 포함됩니다.

회사는 또한 AI Control Plane을 발표했습니다. Salesforce는 이 인터페이스를 통해 조직이 에이전트를 발견하고, 기능을 등록하며, 신원과 정책을 수립하고, 수명주기를 관리하며, 성능을 평가하고, 결과를 관찰하고, 비용을 통제할 수 있다고 말합니다.

이 범위는 Agentforce를 넘어섭니다. Salesforce는 이 Control Plane이 Salesforce 에이전트와 타사 에이전트를 모두 관리하도록 설계됐다고 밝혔으며, 이는 조직이 여러 모델과 에이전트 플랫폼을 사용하는 현실을 반영합니다.

이 멀티벤더 입장은 중요한 긴장을 만듭니다. Salesforce는 Koa가 더 많은 CRM 추론을 처리하기를 원하지만, 고객이 외부 모델과 에이전트를 계속 사용할 것으로도 예상합니다.

따라서 제어 계층은 전략적으로 Koa보다 더 광범위합니다. Salesforce가 기업이 에이전트를 관리하는 장소가 된다면, 다른 기업이 기반 인텔리전스를 제공하더라도 중심적 위치를 유지할 수 있습니다.

Security Mesh는 여러 보안 도구의 신호를 공유 뷰로 가져와 이 전략에 또 다른 요소를 더합니다. 통합된 신호는 신원, 구성, 데이터, 에이전트 활동을 각각 따로 검토할 때는 보이지 않는 위험 패턴을 팀이 파악하는 데 도움을 줄 수 있습니다.

다만 발표된 아키텍처가 완전히 제공되는 것은 아닙니다. Salesforce는 많은 기반 기술이 이미 존재하지만, 새 기능과 통합 경험은 2028 회계연도 초부터 순차적으로 제공될 예정이라고 밝혔습니다.

이 일정은 중요합니다. 기업은 아키텍처 다이어그램만으로 Control Plane을 평가할 수 없습니다. 문서, 지원되는 통합, 정책 동작, 사고 로그, 지연 시간 측정치, 에이전트가 경계를 넘을 때의 명확한 대응이 필요합니다.

Salesforce의 자체 Agentforce 보안 가이드는 모니터링, 권한, 데이터 보호, 복구를 적절히 강조합니다. 어려운 질문은 이러한 제어가 타사 모델, 헤드리스 인터페이스, 외부 도구 전반에서 일관되게 유지되는지 여부입니다.

Model Context Protocol, 즉 MCP는 에이전트가 도구를 발견하고 호출하는 표준 방식을 제공합니다. 상호운용성을 높이지만, 에이전트를 악의적이거나 오해를 부르는 도구 구현에 노출할 수도 있습니다.

Salesforce 연구진은 별도로 ToolGuardian도 제안했습니다. 이는 에이전트와 도구 간 상호작용을 선언적 보안 정책에 따라 점검하는 프레임워크입니다. 이 연구는 Dreamforce 발표의 핵심 설계 원칙을 뒷받침합니다. 권한 부여는 모델의 의도 내부가 아니라 도구 경계에 존재해야 합니다.

엔터프라이즈 구매자에게 중요한 검증 기준은 에이전트가 보안 정책을 설명할 수 있는지가 아닙니다. 모델이 정책을 무시하거나 오해하거나, 정책을 우회하도록 조작됐을 때 플랫폼이 행동을 막는지입니다.

진짜 경쟁은 엔터프라이즈 제어와 프론티어 인텔리전스 사이에 있다

Salesforce는 실제로 기업이 자동화하는 워크플로에서는 특화된 추론과 관리되는 컨텍스트가 제한 없는 모델 성능을 이길 것이라고 베팅하고 있습니다.

이는 단순한 Salesforce 대 OpenAI의 경쟁이 아닙니다. Salesforce는 플랫폼 내에서 계속 OpenAI, Anthropic, Google 및 기타 제공업체의 모델을 지원합니다.

이견은 엔터프라이즈 가치가 어디에 축적되는지를 둘러싼 것입니다. 프론티어 연구소는 여러 영역에서 개선되는 범용 인텔리전스를 강조합니다. Salesforce는 데이터, 정책, 도구, 비즈니스 결과가 만나는 운영 계층을 강조합니다.

Koa는 Salesforce에 이 스택의 한 부분을 더 크게 통제할 수 있는 역량을 제공합니다. CRM 행동에 맞춰 모델을 조정하고, 신뢰 경계 내부에서 추론을 호스팅하며, Agentforce가 적합한 워크로드를 라우팅하는 방식을 최적화할 수 있습니다.

이러한 통제는 경제성에도 영향을 줄 수 있습니다. 특화 모델은 익숙한 작업에 더 적은 토큰이나 더 짧은 추론 경로를 사용할 수 있지만, Salesforce는 광범위한 비용 절감을 입증할 만큼 충분한 독립적인 프로덕션 데이터를 공개하지 않았습니다.

프론티어 제공업체는 여전히 주요 강점을 지닙니다. 이들의 모델은 여러 공개 벤치마크를 선도하고, 더 넓은 범위의 작업을 지원하며, 엔터프라이즈 소프트웨어 기업이 따라잡기 어려울 수 있는 출시 주기로 개선됩니다.

따라서 Salesforce는 모델 라우팅이 잘 작동하도록 해야 합니다. 간단한 CRM 작업은 Koa로 보내고, 더 어려운 요청은 여전히 더 강력한 프론티어 모델이 필요할 수 있습니다.

라우팅은 자체적인 복잡성도 도입합니다. 플랫폼은 모델을 선택하기 전에 작업 난이도를 예측하고, 보안 요구사항을 이해하며, 예상 정확도를 비교하고, 비용과 지연 시간을 고려해야 합니다.

잘못된 라우팅 결정은 특화의 이점을 없앨 수 있습니다. 어려운 작업을 더 약한 모델에 보내면 실패 위험이 커지고, 모든 작업을 프론티어 모델에 보내면 Koa의 실질적 가치는 줄어듭니다.

회사는 엔터프라이즈 컨텍스트가 정확하게 유지된다는 점도 입증해야 합니다. 에이전트는 오래된 계정 기록, 상충하는 정책, 불완전한 지식에 기반해 신뢰할 수 있는 결정을 내릴 수 없습니다.

이 때문에 데이터 거버넌스는 모델 성능의 일부가 됩니다. 신뢰할 수 없는 정보에 기반한 지능형 에이전트는 더 단순한 시스템보다 더 확신에 차서 실패할 수 있습니다.

따라서 Salesforce의 주장을 가장 강하게 만드는 버전은 아키텍처입니다. Koa는 특화된 추론을 처리하고, AI Harness는 관리되는 컨텍스트를 제공하며, Guardian은 접근을 제한하고, Control Plane은 벤더 전반의 행동을 관찰합니다.

가장 약한 버전은 통합이 아직 불완전한 중복 제품명들의 집합입니다. Salesforce는 관리자가 또 다른 운영 복잡성 계층을 만들지 않고도 시스템을 구성하고 감사할 수 있음을 보여야 합니다.

고객은 결정론적 제어와 모델 기반 모니터링도 구분해야 합니다. 신원 시스템이 강제하는 권한은 행동이 위험해 보이는지를 예측하는 AI 분류기보다 강력합니다.

최선의 설계는 둘 다 사용합니다. 결정론적 규칙은 절대로 발생해서는 안 되는 행동을 차단해야 하며, 모니터링 모델은 고정 정책이 예상하지 못한 비정상적 행동을 식별할 수 있습니다.

이러한 균형은 유용한 엔터프라이즈 에이전트 플랫폼과 설득력 있는 기조연설을 구분합니다. Salesforce는 구성 요소를 설명했습니다. 프로덕션 증거는 이 구성 요소들이 실제 워크로드에서 함께 작동한다는 점을 보여야 합니다.

Salesforce 전략의 성패를 보여줄 세 가지 신호

다음 시험대는 또 하나의 벤치마크 헤드라인이 아닙니다. 고객이 Koa를 채택하고, 제어 기능을 신뢰하며, 혼합 모델 환경에서도 Salesforce를 중심에 둘지 여부입니다.

첫 번째 신호는 프로덕션 제공 시점과 라우팅 행동입니다. Salesforce는 Koa가 언제 폭넓게 제공되는지, 어떤 Agentforce 작업에서 사용할 수 있는지, 고객이 이를 선택하거나 피할 수 있는 방식을 공개해야 합니다.

유용한 증거에는 라우팅 기준, 지연 시간, 토큰 소비량, 실패율, 고객이 정의한 워크플로를 활용한 비교가 포함됩니다. Koa가 더 적은 오류로 의미 있는 CRM 작업을 처리한다면 Salesforce의 특화 논리는 강화됩니다.

Koa가 시연이나 제한된 프리뷰에 머문다면, 프론티어 모델은 대부분의 어려운 추론을 계속 담당하게 될 것입니다. 이는 Salesforce가 AI 스택의 더 많은 부분을 소유할 수 있다는 주장을 약화시킬 것입니다.

두 번째 신호는 AI Control Plane 및 관련 보안 제어 기능의 출시입니다. 기업에는 구체적 일정, 지원되는 타사 플랫폼, 정책 정의, 감사 형식, 사고 대응 워크플로가 필요합니다.

가장 강력한 증명은 Agentforce, 외부 에이전트, MCP 도구, API, 헤드리스 인터페이스 전반에서 일관된 집행일 것입니다. 보안팀은 누가 에이전트를 승인했는지, 에이전트가 무엇에 접근했는지, 어떤 행동을 시도했는지, 플랫폼이 왜 이를 허용했는지를 파악할 수 있어야 합니다.

출시가 지연되거나 파편화된다면 고객은 여러 제품의 제어 기능을 조합해야 합니다. 이는 Salesforce 통합 아키텍처의 가치를 약화시킬 것입니다.

세 번째 신호는 독립적인 고객 증거입니다. Salesforce는 벤치마크 점수와 선별된 고객 사례를 공개했지만, 기업에는 다양한 배포 환경에서 나온 더 장기적인 데이터가 필요합니다.

중요한 측정 항목에는 성공적인 작업 완료, 인간 검토로의 이관 비율, 무단 행동 차단, 복구 이벤트, 에이전트 사양 유지에 필요한 노력이 포함됩니다.

고객 도입은 Koa가 Agentforce 사용을 확장하는지, 아니면 기존 워크플로 뒤의 모델 하나를 단순히 교체하는지도 보여줘야 합니다. 확장은 특화된 추론이 더 복잡한 자동화를 가능하게 한다는 Salesforce의 주장을 뒷받침할 것입니다.

사용량 증가 없는 교체도 프론티어 제공업체에 대한 의존도를 낮출 수는 있지만, 더 작은 전략적 승리에 그칠 것입니다.

Salesforce Koa 모델은 범용 에이전트로부터 커지는 압박에 대한 신뢰할 만한 기술적 대응을 회사에 제공합니다. 이는 Salesforce의 CRM 경험을 학습 시나리오로 전환하고, 해당 모델을 관리되는 엔터프라이즈 행동과 연결합니다.

에이전트 보안 도구는 문제의 더 어려운 절반을 다룹니다. 기업 시스템 전반에서 행동할 수 있는 모델에는 그 추론이 실패할 때에도 신뢰성을 유지하는 제어 기능이 필요합니다.

Salesforce는 이제 경쟁 구도를 명확히 정의했습니다. 엔터프라이즈 AI는 가장 어려운 질문에 어느 모델이 답하는지로만 평가되지 않을 것입니다. 가시성이나 통제력을 잃지 않고 컨텍스트를 승인된 행동으로 전환할 수 있는 플랫폼이 무엇인지로 평가될 것입니다.

기술 리더에게 실질적인 다음 단계는 전체 워크플로를 시험하는 것입니다. 모델의 결정을 측정하고, 모든 도구 호출을 점검하며, 권한에 도전하고, 자율성을 확대하기 전에 복구가 작동하는지 검증해야 합니다.