Modelo Salesforce Koa desafia a IA de ponta com raciocínio em CRM e controles de agentes

A Salesforce apresentou seu primeiro modelo de raciocínio para CRM no Dreamforce, desafiando a premissa de que agentes empresariais devem sempre depender de provedores de IA de ponta. O modelo Salesforce Koa é construído sobre o NVIDIA Nemotron e ajustado para fluxos de trabalho de vendas, atendimento e marketing com múltiplas etapas.

O modelo chegou ao lado de controles mais amplos para governar agentes, modelos, acesso a dados e custos. Juntos, esses anúncios revelam a aposta maior da Salesforce. A empresa quer que o contexto empresarial e o controle operacional importem mais do que ter o modelo generalista mais inteligente.

Essa posição coloca a Salesforce entre duas abordagens concorrentes. OpenAI e Anthropic oferecem inteligência ampla por meio de modelos proprietários de ponta. A Salesforce argumenta que raciocínio especializado, contexto de negócios e permissões aplicáveis podem gerar agentes empresariais mais úteis.

Koa não resolve essa discussão. A própria pesquisa da Salesforce afirma que o modelo continua atrás dos sistemas de ponta mais fortes em várias avaliações. Os detalhes de disponibilidade de partes de sua arquitetura de controle mais ampla também se estendem até o ano fiscal de 2028 da Salesforce.

Ainda assim, os anúncios são importantes porque a Salesforce deixou de tratar modelos como infraestrutura intercambiável, fornecida inteiramente por laboratórios externos. Agora, ela detém um modelo de raciocínio, seu processo de pós-treinamento, o contexto empresarial ao redor dele e os controles que governam como os agentes agem.

O modelo Salesforce Koa mira o trabalho de CRM, não todas as perguntas possíveis

Koa restringe a função do modelo a fluxos de trabalho empresariais nos quais o uso preciso de ferramentas importa mais do que conversas abertas.

Salesforce e NVIDIA anunciaram o Koa em San Francisco em 15 de setembro, durante o Dreamforce 2026. A Salesforce o descreve como seu primeiro modelo de raciocínio projetado especificamente para o trabalho de gestão de relacionamento com clientes dentro do Agentforce.

Um modelo de raciocínio emprega computação adicional para planejar ou avaliar etapas antes de produzir uma resposta ou ação. No caso do Koa, esse processo se concentra em fluxos de trabalho que envolvem registros empresariais, políticas e ferramentas de software.

Os exemplos incluem qualificar uma oportunidade de venda, encaminhar um caso de suporte, agendar um acompanhamento ou decidir qual ação deve ocorrer em seguida. Essas tarefas parecem comuns, mas exigem mais do que gerar texto fluente.

Um agente precisa selecionar a ferramenta correta, fornecer argumentos válidos, observar o resultado e continuar sem violar as regras da organização. Uma única ação errada pode alterar um registro de cliente ou expor informações restritas.

Segundo o anúncio do Koa, a Salesforce criou o modelo por meio do pós-treinamento do Nemotron 3 Super da NVIDIA. O modelo de base tem 120 bilhões de parâmetros e utiliza uma arquitetura mixture-of-experts, que ativa apenas parte da rede para cada token.

A Salesforce afirma que treinou o Koa com informações públicas e interações sintéticas, em vez de dados de clientes. Esses cenários sintéticos imitam situações de CRM, incluindo conversas de vendas, casos de atendimento, mudanças no comportamento de clientes e chamadas de ferramentas com múltiplas etapas.

A distinção importa para compradores empresariais. O treinamento com registros reais de clientes poderia criar preocupações relacionadas a privacidade, consentimento, retenção e propriedade intelectual. O treinamento sintético permite que a Salesforce reproduza padrões de fluxo de trabalho sem inserir dados reais de clientes nos pesos do modelo.

O Koa também opera dentro do perímetro de confiança da Salesforce. A Salesforce controla os pesos do modelo, o pós-treinamento e a inferência, reduzindo o número de sistemas externos envolvidos quando o Agentforce processa informações empresariais confidenciais.

Isso não torna o Koa um modelo aberto para que clientes façam download e executem em qualquer lugar. Ele é mais bem entendido como um modelo hospedado pela Salesforce, derivado de uma base NVIDIA de pesos abertos.

Os clientes do Agentforce ainda podem usar outros modelos. O Koa se torna mais uma opção dentro do sistema de roteamento de modelos da Salesforce, e não uma substituição obrigatória para os modelos da OpenAI, Anthropic ou Google.

Essa abordagem baseada em escolha protege a Salesforce de apostar tudo em um único provedor de modelos. Também dá à empresa um modelo que ela pode otimizar em torno de suas próprias APIs, especificações do Agent Script e fluxos de trabalho de CRM.

A mudança imediata, portanto, é maior do que o lançamento de um modelo. A Salesforce passou de orquestrar inteligência externa a desenvolver uma camada de raciocínio especializada que pode ajustar e operar por conta própria.

Por que a Salesforce criou agora seu próprio modelo de raciocínio para CRM

A Salesforce precisa mostrar que seus dados de clientes, definições de fluxo de trabalho e permissões criam uma vantagem que plataformas de IA generalistas não conseguem reproduzir facilmente.

Anteriormente, o Agentforce dependia de modelos externos de ponta para tarefas de raciocínio exigentes. A Salesforce havia produzido modelos menores e específicos para tarefas, mas fluxos de trabalho longos frequentemente exigiam Claude, ChatGPT ou outro sistema externo.

O Koa muda essa dependência. Jayesh Govindarajan, vice-presidente executivo de IA da Salesforce, disse à TechCrunch que a empresa havia dependido de provedores de ponta para raciocínio “até agora”.

Esse momento reflete uma ameaça estratégica. Empresas de IA de ponta estão adicionando ferramentas, memória, integrações e conectores empresariais aos seus modelos. Seus agentes podem interagir cada vez mais com sistemas de vendas, suporte, jurídico e análise sem exigir que os usuários permaneçam em uma interface convencional da Salesforce.

A resposta da Salesforce não é competir pelo chatbot generalista mais capaz. É tornar seu entendimento acumulado do trabalho empresarial utilizável como material de treinamento de modelos e contexto de execução.

A empresa diz que o conjunto de dados sintético do Koa reflete quase três décadas de implantações de CRM. Isso não significa que o modelo contenha 27 anos de registros de clientes. A Salesforce afirma que modelou fluxos de trabalho empresariais e padrões operacionais sem treinar com dados de clientes.

Essa distinção deve permanecer clara. A vantagem do Koa depende de os cenários sintéticos representarem com precisão as situações complexas que os agentes encontram em organizações reais.

Um processo de vendas raramente segue uma sequência limpa. As permissões variam conforme a função, os campos podem estar incompletos, políticas regionais entram em conflito e aprovações humanas podem interromper um fluxo de trabalho automatizado.

O Agent Script da Salesforce fornece parte da resposta. Trata-se de uma linguagem declarativa que define o roteamento de um agente, subagentes, ações disponíveis, escopo de ferramentas, instruções de fluxo de trabalho e condições de encerramento.

Os pesquisadores da empresa usaram essas especificações para gerar ambientes simulados e tarefas de treinamento. O Koa então recebeu recompensas por resolver solicitações por meio do uso bem-sucedido de ferramentas, e não apenas por produzir texto plausível.

Esse mecanismo cria uma conexão direta entre a configuração do agente e o pós-treinamento do modelo. A mesma especificação de fluxo de trabalho que controla um agente implantado pode ajudar a gerar cenários para aprimorar o modelo subjacente.

Para a Salesforce, essa conexão forma um possível ciclo de feedback. Especificações de agentes mais detalhadas podem produzir simulações melhores, enquanto um modelo melhor pode executar essas especificações de maneira mais confiável.

Isso também sustenta o argumento mais amplo da Salesforce de que o contexto empresarial se torna mais valioso à medida que os modelos de base ficam mais amplamente disponíveis. Os modelos podem mudar, mas o histórico de clientes, as políticas, as definições de negócios, as permissões e os fluxos de trabalho de uma organização continuam específicos daquela organização.

A Salesforce formalizou essa ideia por meio de seu Enterprise AI Harness. A arquitetura combina contexto, capacidade de agência, ações, governança, segurança e escolha de modelo sob uma camada comum de controle.

É aqui que o Koa e os anúncios de segurança se conectam. Um modelo especializado, por si só, não pode operar um sistema empresarial com segurança. Ele precisa de contexto verificado, ferramentas limitadas, identidades autenticadas, comportamento observável e políticas que permaneçam aplicáveis quando o modelo comete um erro.

Profissionais do conhecimento enfrentam um problema de contexto semelhante em menor escala. Uma IA útil depende da conexão de material de fonte confiável por meio de knowledge blending, em vez de pedir a um modelo que reconstrua cada detalhe a partir de treinamento geral.

A Salesforce está aplicando esse princípio em todos os sistemas corporativos. Seu ativo estratégico não é apenas o modelo. É o contexto governado que envolve cada decisão e ação.

Os resultados do Koa desafiam modelos generalistas sem superar os melhores

Os resultados publicados pela Salesforce sustentam a especialização, mas não mostram que o Koa supera consistentemente os principais modelos de ponta.

O modelo Salesforce Koa vem acompanhado de um artigo técnico, oferecendo aos compradores mais evidências do que apenas uma demonstração de keynote. O artigo explica o processo de treinamento, o design dos benchmarks e várias limitações importantes.

Os pesquisadores da Salesforce avaliaram o Koa no Tau2Bench, no Berkeley Function Calling Leaderboard e em um benchmark de CRM. Esses testes abrangem uso conversacional de ferramentas, chamadas de função e tarefas empresariais de CRM.

No Tau2Bench, o Koa recebeu uma pontuação ponderada por tarefa de 69,41. Sua base Nemotron marcou 68,64, enquanto o GPT-4.1 marcou 54,48.

O Koa registrou 66,63 por cento na avaliação de chamadas de função de Berkeley. A base Nemotron alcançou 64,73 por cento, enquanto o GPT-4.1 alcançou 53,96 por cento.

O benchmark de CRM produziu uma diferença mais modesta. O Koa obteve 0,86 no total, em comparação com 0,84 para o Nemotron e 0,81 para o GPT-4.1.

A precisão de chamadas de função do Koa nessa avaliação de CRM alcançou 0,77, ante 0,71 do modelo de base. Esse resultado é relevante porque escolher a ferramenta correta é central para o comportamento confiável de agentes.

No entanto, os modelos de ponta mais fortes ainda lideraram comparações importantes. O GPT-5.5 da OpenAI marcou 83,99 no Tau2Bench e 0,90 no total no benchmark de CRM. O Claude Opus 4.8 marcou 78,18 no teste de chamadas de função e 0,87 em CRM.

O artigo de pesquisa do Koa afirma explicitamente que o Koa continua abaixo dos modelos de ponta mais fortes. Essa divulgação impede uma interpretação mais ampla de que a Salesforce superou os principais laboratórios de IA.

Em vez disso, os resultados sustentam uma conclusão mais restrita. O pós-treinamento de uma base de pesos abertos em torno de especificações de fluxo de trabalho aprimorou várias medições de uso de ferramentas e superou uma referência proprietária mais antiga.

A Salesforce também afirma que o Koa produziu três vezes menos erros em seu próprio benchmark de CRM. Os compradores devem tratar esse número como um resultado relatado pela empresa, especialmente porque a composição de benchmarks pode influenciar fortemente os resultados.

Um modelo treinado em torno de fluxos de trabalho do Agent Script tem uma vantagem esperada em avaliações semelhantes a esses fluxos. Isso não invalida o resultado, mas limita o quanto a descoberta deve ser generalizada.

O artigo identifica outra restrição. O Nemotron já havia passado por aprendizado por reforço antes de a Salesforce iniciar sua comparação entre aprendizado por reforço adicional e ajuste fino supervisionado.

Os pesquisadores concluíram que o aprendizado por reforço era mais útil para o uso de ferramentas com múltiplas etapas a partir desse ponto de partida. Eles alertam que o mesmo resultado talvez não se aplique a um modelo de base que não tenha recebido aprendizado por reforço prévio.

Implantações reais criarão testes mais difíceis do que benchmarks controlados. Os dados de clientes podem estar incompletos, APIs podem falhar, ferramentas podem mudar e solicitações podem ir além dos cenários representados durante o treinamento.

As falhas de segurança também diferem de erros comuns de raciocínio. Um resumo levemente incorreto pode ser inconveniente. Uma decisão incorreta de permissão ou uma chamada de ferramenta não autorizada pode se transformar em um incidente que exige reporte.

Essa diferença explica por que a Salesforce combinou o Koa com controles de agentes. Um raciocínio melhor reduz uma categoria de falhas, mas a implantação empresarial exige sistemas que limitem as consequências quando o raciocínio ainda falha.

A Segurança de Agentes Se Torna a Outra Metade da Aposta da Salesforce

A Salesforce está tratando a segurança de agentes como um problema de controle em tempo de execução, e não como uma promessa de que um modelo suficientemente preciso sempre se comportará corretamente.

O software tradicional executa instruções definidas. Agentes de IA interpretam objetivos, selecionam ferramentas e adaptam seus planos enquanto operam. Essa flexibilidade cria uma superfície de ataque maior e menos previsível.

Um agente pode recuperar instruções maliciosas de um documento, expor dados por meio de um conector aprovado, selecionar uma ferramenta excessivamente abrangente ou continuar agindo depois que seu contexto original se tornar não confiável.

Melhorias nos modelos não conseguem eliminar esses riscos sozinhas. Os controles de segurança precisam governar identidade, permissões, acesso a dados, ações e comportamentos fora do modelo.

Salesforce Guardian é o portfólio da empresa de segurança, conformidade, privacidade e resiliência para esse ambiente. Os recursos existentes incluem Shield, monitoramento de segurança, backup, recuperação, testes em sandbox e controles sobre dados sensíveis.

A Salesforce afirma que o Shield pode monitorar o raciocínio de agentes e bloquear acessos não autorizados a dados. Seu portfólio mais amplo Guardian busca ajudar administradores a observar o comportamento dos agentes, aplicar políticas de acesso, preservar registros e recuperar-se de alterações indesejadas.

No Dreamforce, a Salesforce inseriu esses controles em uma arquitetura maior, em vez de apresentá-los como complementos isolados. O Enterprise AI Harness inclui um recurso de Trusted Security que abrange identidade, permissões, privacidade, proteção de dados e segurança em tempo de execução.

A empresa também anunciou um AI Control Plane. A Salesforce afirma que essa interface permitirá que organizações descubram agentes, registrem capacidades, estabeleçam identidades e políticas, gerenciem ciclos de vida, avaliem desempenho, observem resultados e controlem custos.

Esse escopo vai além do Agentforce. A Salesforce afirma que o control plane foi concebido para gerenciar agentes tanto da Salesforce quanto de terceiros, refletindo um cenário em que as organizações usam múltiplos modelos e plataformas de agentes.

Essa posição multiforncedor cria uma tensão importante. A Salesforce quer que o Koa realize mais raciocínio de CRM, mas também espera que os clientes continuem usando modelos e agentes externos.

Por isso, a camada de controle é estrategicamente mais ampla do que o Koa. Se a Salesforce se tornar o lugar onde as empresas governam agentes, poderá permanecer central mesmo quando outra empresa fornecer a inteligência subjacente.

O Security Mesh acrescenta outra parte dessa estratégia ao reunir sinais de várias ferramentas de segurança em uma visão compartilhada. Sinais consolidados podem ajudar as equipes a reconhecer padrões de risco que permanecem ocultos quando identidade, configuração, dados e atividade de agentes são analisados separadamente.

Ainda assim, a arquitetura anunciada não está totalmente disponível. A Salesforce afirma que muitas tecnologias fundamentais já existem, enquanto novos recursos e a experiência unificada devem começar a ser lançados no início do ano fiscal de 2028.

Esse cronograma importa. As empresas não podem avaliar um control plane apenas por diagramas de arquitetura. Elas precisam de documentação, integrações compatíveis, comportamento de políticas, registros de incidentes, medições de latência e respostas claras quando um agente ultrapassa um limite.

As próprias orientações da Salesforce sobre segurança do Agentforce enfatizam corretamente monitoramento, permissões, proteção de dados e recuperação. A questão difícil é se esses controles permanecem consistentes entre modelos de terceiros, interfaces headless e ferramentas externas.

O Model Context Protocol, ou MCP, fornece aos agentes uma forma padronizada de descobrir e invocar ferramentas. Ele aumenta a interoperabilidade, mas também pode expor agentes a implementações de ferramentas maliciosas ou enganosas.

Pesquisadores da Salesforce propuseram separadamente o ToolGuardian, uma estrutura que verifica interações entre agentes e ferramentas em relação a políticas de segurança declarativas. Esse trabalho reforça o princípio central de design por trás dos anúncios do Dreamforce: a autorização deve estar no limite da ferramenta, e não nas intenções de um modelo.

Para compradores empresariais, o teste relevante não é se um agente consegue explicar uma política de segurança. É se a plataforma impede uma ação quando o modelo ignora, interpreta mal ou é manipulado para contornar essa política.

A Verdadeira Disputa É Controle Empresarial Contra Inteligência de Fronteira

A Salesforce aposta que raciocínio especializado somado a contexto governado superará a capacidade irrestrita dos modelos nos fluxos de trabalho que as empresas realmente automatizam.

Esta não é uma simples disputa Salesforce versus OpenAI. A Salesforce continua a oferecer suporte a modelos da OpenAI, Anthropic, Google e outros provedores dentro de sua plataforma.

A divergência diz respeito a onde o valor empresarial se acumula. Laboratórios de fronteira enfatizam uma inteligência geral que melhora em muitos domínios. A Salesforce enfatiza a camada operacional onde dados, políticas, ferramentas e consequências empresariais se encontram.

O Koa dá à Salesforce maior controle sobre uma parte dessa pilha. Ela pode ajustar o modelo ao comportamento de CRM, hospedar a inferência dentro de seu limite de confiança e otimizar como o Agentforce encaminha cargas de trabalho aplicáveis.

Esse controle também pode afetar a economia. Modelos especializados podem usar menos tokens ou caminhos de raciocínio mais curtos para tarefas familiares, embora a Salesforce não tenha publicado dados independentes de produção suficientes para demonstrar economias amplas.

Os provedores de fronteira mantêm vantagens importantes. Seus modelos lideram diversos benchmarks públicos, suportam uma gama mais ampla de tarefas e melhoram em ciclos de lançamento que empresas de software empresarial podem ter dificuldade em acompanhar.

Portanto, a Salesforce precisa fazer o roteamento de modelos funcionar bem. Tarefas simples de CRM podem ir para o Koa, enquanto solicitações mais difíceis ainda podem exigir um modelo de fronteira mais capaz.

O roteamento introduz sua própria complexidade. A plataforma precisa prever a dificuldade da tarefa, entender os requisitos de segurança, comparar a precisão esperada e considerar custo e latência antes de escolher um modelo.

Uma decisão ruim de roteamento pode eliminar os benefícios da especialização. Enviar uma tarefa difícil para um modelo mais fraco aumenta o risco de falha, enquanto enviar todas as tarefas para um modelo de fronteira reduz o valor prático do Koa.

A empresa também precisa provar que o contexto empresarial permanece preciso. Agentes não podem tomar decisões confiáveis com base em registros de contas desatualizados, políticas contraditórias ou conhecimento incompleto.

Isso torna a governança de dados parte do desempenho do modelo. Um agente inteligente fundamentado em informações não confiáveis pode falhar com mais confiança do que um sistema mais simples.

A versão mais forte do argumento da Salesforce é, portanto, arquitetural. O Koa cuida do raciocínio especializado, o AI Harness fornece contexto governado, o Guardian limita o acesso e o control plane observa o comportamento entre fornecedores.

A versão mais fraca é uma coleção de nomes de produtos sobrepostos cuja integração permanece incompleta. A Salesforce precisa demonstrar que administradores podem configurar e auditar o sistema sem criar outra camada de complexidade operacional.

Os clientes também devem distinguir controles determinísticos de monitoramento baseado em modelos. Uma permissão aplicada por um sistema de identidade é mais forte do que um classificador de IA que prevê se uma ação parece arriscada.

O melhor design utiliza ambos. Regras determinísticas devem bloquear ações que nunca podem ocorrer, enquanto modelos de monitoramento podem identificar comportamentos incomuns que políticas fixas não anteciparam.

Essa troca separa uma plataforma empresarial de agentes útil de uma palestra persuasiva. A Salesforce descreveu os componentes. As evidências de produção precisam mostrar que esses componentes funcionam juntos sob cargas de trabalho reais.

Três Sinais Mostrarão se a Estratégia da Salesforce Funciona

O próximo teste não é mais uma manchete de benchmark. É se os clientes adotam o Koa, confiam nos controles e mantêm a Salesforce no centro de ambientes com modelos mistos.

O primeiro sinal é a disponibilidade em produção e o comportamento de roteamento. A Salesforce precisa informar quando o Koa estará amplamente disponível, quais tarefas do Agentforce poderão usá-lo e como os clientes poderão selecioná-lo ou evitá-lo.

Evidências úteis incluiriam critérios de roteamento, latência, consumo de tokens, taxas de falha e comparações usando fluxos de trabalho definidos pelos clientes. Se o Koa lidar com trabalho significativo de CRM com menos erros, o argumento de especialização da Salesforce se fortalece.

Se o Koa continuar limitado a demonstrações ou prévias restritas, modelos de fronteira continuarão realizando a maior parte do raciocínio difícil. Esse resultado enfraqueceria a alegação de que a Salesforce pode controlar uma parte maior de sua pilha de IA.

O segundo sinal é o lançamento do AI Control Plane e dos controles de segurança associados. As empresas precisam de datas concretas, plataformas de terceiros compatíveis, definições de políticas, formatos de auditoria e fluxos de resposta a incidentes.

A prova mais forte seria uma aplicação consistente entre Agentforce, agentes externos, ferramentas MCP, APIs e interfaces headless. As equipes de segurança deveriam conseguir identificar quem autorizou um agente, o que ele acessou, quais ações tentou executar e por que a plataforma as permitiu.

Um lançamento atrasado ou fragmentado deixaria os clientes montando controles a partir de vários produtos. Isso enfraqueceria o valor da arquitetura unificada da Salesforce.

O terceiro sinal são evidências independentes de clientes. A Salesforce publicou pontuações de benchmarks e histórias selecionadas de clientes, mas as empresas precisam de dados de longo prazo de implantações variadas.

Métricas importantes incluem conclusão bem-sucedida de tarefas, taxas de escalonamento para humanos, bloqueios de ações não autorizadas, eventos de recuperação e o esforço necessário para manter especificações de agentes.

A adoção pelos clientes também deve revelar se o Koa amplia o uso do Agentforce ou simplesmente substitui um modelo por trás de fluxos de trabalho existentes. A expansão sustentaria a alegação da Salesforce de que o raciocínio especializado desbloqueia automação mais complexa.

Uma substituição sem aumento de uso ainda reduziria a dependência de provedores de fronteira, mas representaria uma vitória estratégica menor.

O modelo Salesforce Koa oferece à empresa uma resposta técnica crível à crescente pressão de agentes de uso geral. Ele transforma a experiência de CRM da Salesforce em cenários de treinamento e conecta esse modelo a ações empresariais governadas.

As ferramentas de segurança para agentes abordam a metade mais difícil do problema. Um modelo que pode agir em sistemas corporativos precisa de controles que permaneçam confiáveis quando seu raciocínio não é.

A Salesforce agora definiu claramente a disputa. A IA empresarial não será julgada apenas por qual modelo responde à pergunta mais difícil. Será julgada por qual plataforma consegue transformar contexto em ação autorizada sem perder visibilidade ou controle.

Para líderes de tecnologia, o próximo passo prático é testar o fluxo de trabalho completo. Meça as decisões do modelo, inspecione cada chamada de ferramenta, desafie suas permissões e verifique se a recuperação funciona antes de ampliar a autonomia.