Modelo de Raciocínio Salesforce Koa Desafia a IA de Fronteira no Trabalho de CRM

A Salesforce lançou o modelo de raciocínio Salesforce Koa em 15 de setembro, afirmando ter três vezes menos erros em ações de CRM do que os principais modelos de uso geral. Desenvolvido com a Nvidia, o Koa é voltado a fluxos de trabalho de vendas, atendimento e comércio em várias etapas que a Salesforce antes encaminhava a modelos externos de fronteira.

Essa mudança importa mais do que outra vitória em benchmarks. O Koa transforma o conhecimento acumulado da Salesforce sobre processos de CRM em um modelo que a própria Salesforce controla, hospeda e adapta dentro de seu próprio limite de confiança.

A pressão imediata recai sobre provedores de IA de fronteira como OpenAI e Anthropic. Seus modelos continuam mais fortes em diversos testes amplos, mas a Salesforce deixou de aceitar que uma inteligência ampla precise lidar com toda tarefa empresarial valiosa.

Em vez disso, o Koa faz uma pergunta mais restrita. Um modelo especializado consegue executar processos empresariais repetitivos com mais confiabilidade, privacidade e eficiência do que um modelo geral maior?

A Salesforce ainda não respondeu plenamente a essa pergunta. Seus resultados vêm de avaliações conduzidas pela própria empresa, e o Koa permanece limitado a pilotos selecionados antes de um lançamento esperado nos EUA no inverno de 2026.

Ainda assim, o lançamento estabelece uma alternativa crível a contratar cada tarefa de raciocínio de um provedor de fronteira. Também oferece aos compradores empresariais um teste concreto de se a especialização por domínio pode importar mais do que a liderança em benchmarks gerais.

Modelo de Raciocínio Salesforce Koa Entra no Agentforce

O Koa transforma a Salesforce de cliente de raciocínio de fronteira em proprietária de uma camada especializada de raciocínio.

A Salesforce e a Nvidia desenvolveram o Koa por meio do pós-treinamento do Nemotron 3 Super, modelo fundamental de pesos abertos da Nvidia com 120 bilhões de parâmetros. Pesos abertos significam que desenvolvedores podem inspecionar e modificar os parâmetros do modelo, embora isso não torne automaticamente todos os componentes de código aberto.

O modelo operará no Agentforce, plataforma da Salesforce para criar agentes que usam dados corporativos e ferramentas de negócios. Esses agentes podem qualificar leads, atualizar oportunidades, encaminhar casos, agendar acompanhamentos e resolver solicitações de atendimento.

Antes do Koa, a Salesforce dependia de modelos de fronteira de uso geral para o raciocínio central por trás de tarefas complexas e com várias etapas. Modelos menores da Salesforce já lidavam com funções mais restritas, incluindo classificação, avaliação, triagem de toxicidade e reordenação de resultados de busca.

O Koa assume responsabilidade pela camada intermediária mais difícil. Ele precisa interpretar uma solicitação, escolher ferramentas adequadas, preservar o estado ao longo de vários turnos e determinar se o trabalho solicitado realmente foi concluído.

A Salesforce descreve isso como raciocínio de CRM, e não inteligência geral. Essa distinção limita o escopo do Koa, mas também dá ao modelo uma definição mais clara de sucesso.

Um cliente que pergunta sobre um reembolso não precisa de uma explicação elegante das políticas de reembolso. Ele precisa de um agente que verifique a conta, aplique a política correta, acione ferramentas autorizadas e registre o resultado.

A Salesforce afirma que o Koa aprendeu esses processos com cenários sintéticos modelados a partir de 27 anos de experiência em CRM. O anúncio do Koa da empresa afirma que esses cenários abrangem mais de 14 setores.

O conjunto de treinamento inclui fluxos de trabalho simulados em manufatura, serviços financeiros, saúde e viagens. Cada cenário combina uma persona, uma tarefa, ações exigidas e as chamadas de ferramentas necessárias para alcançar um resultado válido.

A Salesforce afirma que não usou dados de clientes para criar esse corpus de treinamento. O Koa também opera em infraestrutura controlada pela Salesforce, onde os dados dos clientes e os rastros de raciocínio permanecem dentro do limite de confiança da empresa.

Essa arquitetura é central para a proposta. A Salesforce não está simplesmente oferecendo mais uma opção de modelo em um menu concorrido. Ela oferece controle sobre os pesos, o ambiente de inferência, o conhecimento de fluxos de trabalho e o caminho dos dados operacionais.

O Koa já está dando suporte a um agente interno de funcionários da Salesforce no Slack. A Salesforce também citou participantes dos pilotos, incluindo Formula 1, UChicago Medicine, Xero, Engine, Baxter Credit Union e 1-800Accountant.

O modelo está disponível para clientes-piloto selecionados do Agentforce. A Salesforce espera disponibilidade geral em regiões dos EUA durante o inverno de 2026.

Esses pilotos agora têm um peso incomum. Eles precisam demonstrar se o desempenho em avaliações controladas de CRM se transfere para organizações reais, com dados inconsistentes, políticas em mudança e regras de aprovação complexas.

Por Que a IA de CRM Especializada Pressiona os Modelos de Fronteira

O Koa desafia a premissa de que o modelo geral mais capaz é automaticamente o melhor modelo para o trabalho empresarial.

Os modelos de fronteira são projetados para atuar em programação, redação, matemática, pesquisa, análise e conversas abertas. Essa amplitude ajuda empresas a lidar com tarefas variadas sem treinar um modelo separado para cada fluxo de trabalho.

Ela também cria uma incompatibilidade para o trabalho operacional repetitivo. Um processo de vendas raramente precisa de criatividade irrestrita. Ele precisa que a mesma política de qualificação seja aplicada de forma consistente a cada lead.

A Salesforce argumenta que modelos gerais abordam cada solicitação a partir de princípios fundamentais. Eles recebem instruções e contexto, inferem o procedimento necessário e reconstroem a solução em cada interação.

Um modelo especializado pode internalizar uma parcela maior desse procedimento durante o pós-treinamento. Ele ainda recebe instruções específicas da organização, mas começa com expectativas mais fortes sobre fluxos de trabalho, ferramentas e resultados válidos.

Jayesh Govindarajan, vice-presidente executivo de IA da Salesforce, resumiu claramente a dependência. Ele disse ao TechCrunch que a Salesforce havia dependido de provedores de fronteira para raciocínio “até agora”.

Essa declaração identifica o verdadeiro oponente do Koa. Não é um modelo específico da OpenAI ou da Anthropic. É a prática padrão de enviar todo trabalho difícil de raciocínio empresarial para um sistema fechado e de uso geral.

O modelo de raciocínio Salesforce Koa não substitui esses sistemas em todo o Agentforce. A Salesforce afirma que sua camada de orquestração pode continuar atribuindo tarefas diferentes a modelos especializados e a modelos de fronteira.

Essa abordagem de roteamento trata os modelos como componentes, e não como plataformas completas. A classificação pode ir para um pequeno classificador, o raciocínio de CRM pode ir para o Koa, e uma tarefa geral incomum ainda pode chegar a um modelo de fronteira.

Esse roteamento também muda a relação com fornecedores. A Salesforce ganha uma alternativa ao negociar acesso a modelos, termos de implantação, latência, governança e integrações futuras.

Os provedores de software empresarial têm outro incentivo. Eles possuem anos de projetos de processos, esquemas, padrões de implementação e terminologia de domínio que os desenvolvedores de modelos gerais não detêm.

O Koa incorpora parte desse conhecimento à camada de IA da Salesforce. Isso pode aprofundar o valor da plataforma da Salesforce, ao mesmo tempo que reduz a diferenciação disponível aos provedores externos de modelos.

A estratégia vai além do CRM. A Constellation Research observou que fornecedores de software empresarial estão adaptando cada vez mais modelos Nemotron a cargas de trabalho especializadas e controlando os custos de IA.

A Palantir seguiu uma direção relacionada com modelos personalizados e implantações empresariais controladas. Outros fornecedores de aplicações podem fazer escolhas semelhantes se as bases de pesos abertos permanecerem competitivas.

Isso não significa que toda empresa de software deva treinar um modelo de raciocínio. O trabalho exige simulações de tarefas de alta qualidade, ambientes de avaliação, infraestrutura e fluxos de trabalho repetidos em quantidade suficiente para justificar a especialização.

A Salesforce possui esses elementos em uma escala incomum. Ela tem décadas de desenvolvimento de produtos de CRM e uma plataforma na qual agentes já interagem com registros estruturados e ações definidas.

Os laboratórios de fronteira mantêm vantagens importantes. Eles podem distribuir custos de pesquisa entre muitos clientes, lançar melhorias frequentes e dar suporte a tarefas que ficam fora do domínio operacional de um único fornecedor.

Portanto, o Koa cria pressão sem eliminar a dependência. Ele força provedores de fronteira a demonstrar por que um modelo externo amplo merece cada carga de trabalho empresarial, em vez de receber essa carga por padrão.

Como o Nvidia Nemotron se Tornou um Especialista em CRM

O mecanismo definidor do Koa é o aprendizado por reforço dentro de fluxos de trabalho simulados, e não a simples exposição a uma coleção maior de documentos de CRM.

A Salesforce começou com o Nvidia Nemotron 3 Super, em vez de treinar um modelo fundamental do zero. O modelo-base fornecia pesos acessíveis e capacidades gerais de raciocínio que a Salesforce poderia adaptar.

O pós-treinamento altera um modelo existente depois de seu treinamento fundamental amplo. Ele pode refinar o comportamento para tarefas específicas sem repetir o enorme processo usado para criar a base original.

A Salesforce explorou inicialmente o ajuste fino supervisionado, que ensina um modelo a imitar exemplos de trabalho bem-sucedido. Isso se assemelha a mostrar a um funcionário casos concluídos e pedir que ele reproduza os mesmos padrões.

A empresa afirma que essa abordagem produziu melhorias limitadas para o uso de ferramentas em várias etapas. Ler transcrições bem-sucedidas não ensinou adequadamente o modelo a se recuperar de erros ou verificar a conclusão real das tarefas.

Por isso, a Salesforce e a Nvidia enfatizaram o aprendizado por reforço. Nesse processo, o modelo tenta executar tarefas, recebe pontuações com base nos resultados e ajusta seu comportamento em direção a estratégias que obtêm melhores recompensas.

O treinamento usou Group Relative Policy Optimization, ou GRPO. Esse método de aprendizado por reforço compara múltiplas respostas à mesma tarefa e fortalece comportamentos associados a melhores resultados relativos.

A Salesforce gerou personas com diferentes objetivos e estados emocionais. Também criou ferramentas capazes de ler ou alterar registros empresariais simulados, preservando as consequências de ações anteriores.

Em seguida, um avaliador verificava se o fluxo de trabalho realmente alcançou o resultado pretendido. Essa recompensa ancorada é importante porque um agente pode produzir uma mensagem convincente sem realizar a ação prometida.

A equipe também testou situações em que a ferramenta correta não estava disponível. Um agente com governança inadequada poderia chamar uma ferramenta semelhante, alterar o registro errado ou afirmar que uma ação não suportada foi concluída.

O Koa foi treinado para reconhecer esses limites. Esse comportamento é essencial em sistemas nos quais o uso incorreto de ferramentas pode criar problemas operacionais ou de conformidade.

O artigo técnico descreve um pipeline de simulação para recompensa baseado nas especificações Agent Script da Salesforce. Agent Script é uma linguagem declarativa para definir roteamento, ações, ferramentas e instruções de fluxo de trabalho do Agentforce.

O sistema converte essas especificações em grafos executáveis de fluxo de trabalho. Esses grafos descrevem as ferramentas disponíveis, formatos de argumentos, condições de roteamento, mudanças de estado e regras para encerrar uma tarefa.

Os ambientes de treinamento podem então gerar conversas baseadas em personas em torno desses grafos. A mesma definição de fluxo de trabalho ajuda a configurar um agente, gerar tarefas de treinamento e determinar se o modelo as concluiu.

Essa conexão é mais importante do que o vocabulário de CRM do modelo. O Koa aprende como um fluxo de trabalho muda de estado, quando uma ferramenta se torna apropriada e qual resultado conta como resolvido.

Considere a qualificação de leads. Um processo válido pode exigir a verificação do porte da empresa, do histórico da conta, do território, da intenção do cliente e do limite de roteamento de uma organização.

Um modelo geral pode ler esses requisitos em um prompt. A vantagem do Koa deve surgir quando o processo abrange várias ferramentas, informações ausentes, correções e interações repetidas.

O mecanismo também torna o conhecimento de Koa diferente da recuperação. A recuperação traz documentos relevantes para o contexto de um modelo, enquanto o pós-treinamento altera o comportamento aprendido pelo modelo.

Ambas as abordagens continuam necessárias. Koa pode aprender a estrutura geral do trabalho de CRM, mas ainda precisa de detalhes atualizados de contas, políticas da empresa, permissões e registros de clientes.

Para trabalhadores do conhecimento, essa distinção reforça o valor de materiais-fonte bem organizados. Uma base de conhecimento pessoal ajuda a fornecer fatos atualizados, enquanto modelos especializados determinam como agir com base neles.

A Salesforce também preserva um papel para outros modelos. Sua explicação técnica afirma que Koa se junta a sistemas especializados como HyperClassifier, TextEval e Moirai, em vez de se tornar um mecanismo universal.

Essa abordagem de portfólio oferece uma arquitetura empresarial prática. Use modelos gerais para tarefas amplas, modelos menores para funções previsíveis e um modelo de domínio para raciocínio operacional recorrente.

A Vitória nos Benchmarks É Real, mas Limitada

Koa tem desempenho competitivo nos testes publicados, mas os resultados sustentam a especialização de forma mais convincente do que uma superioridade absoluta sobre os modelos de fronteira.

A Salesforce afirma que Koa produz três vezes menos erros em ações de CRM, ao mesmo tempo que iguala ou supera o desempenho de modelos líderes. Essa manchete exige interpretação cuidadosa, pois avaliações diferentes medem capacidades distintas.

O artigo da empresa compara Koa com a base Nemotron da Nvidia e três modelos proprietários. Esses modelos são OpenAI GPT-4.1, OpenAI GPT-5.5 e Anthropic Claude Opus 4.8.

Koa obteve 69,41 na média ponderada por tarefa do Tau2Bench. Esse benchmark mede conversas de atendimento ao cliente com múltiplas etapas em cenários de companhias aéreas, varejo e telecomunicações.

Nemotron 3 Super marcou 68,64, enquanto GPT-4.1 registrou 54,48. Claude Opus 4.8 alcançou 74,00, e GPT-5.5 liderou com 83,99.

No Berkeley Function Calling Leaderboard, Koa obteve 66,63%. O modelo-base Nemotron alcançou 64,73%, e GPT-4.1 chegou a 53,96%.

Claude Opus 4.8 obteve 78,18% nesse teste. GPT-5.5 marcou 67,63%, um ponto percentual acima de Koa.

A comparação mais favorável aparece no CRM Bench, a avaliação da Salesforce para fluxos de trabalho de CRM e Agentforce. Koa alcançou uma pontuação ponderada de 0,86.

Esse resultado superou GPT-4.1, com 0,81, e Nemotron, com 0,84. Ficou muito próximo de Claude Opus 4.8, com 0,87, enquanto GPT-5.5 atingiu 0,90.

A precisão de chamadas de função de CRM de Koa foi de 0,77, acima dos 0,71 do modelo-base. GPT-4.1 marcou 0,85, Claude alcançou 0,83 e GPT-5.5 chegou a 0,82 nessa subcategoria.

Esses resultados revelam um quadro mais sutil do que uma simples vitória. Koa aprimora a base de pesos abertos, supera GPT-4.1 nos benchmarks agregados reportados e se aproxima do desempenho de fronteira em CRM.

Ele não lidera todos os testes. O artigo afirma explicitamente que Koa continua abaixo dos modelos de fronteira mais fortes no geral.

Esse reconhecimento fortalece o argumento central. A Salesforce não precisa que Koa vença todos os modelos de fronteira em todas as tarefas. Precisa de desempenho suficiente em fluxos de trabalho valiosos da Salesforce.

A maior questão em aberto envolve a independência da avaliação. Pesquisadores da Salesforce criaram Koa e reportaram os resultados, enquanto o CRM Bench se concentra no próprio domínio operacional da empresa.

Isso não invalida os dados. Significa que os compradores devem aguardar testes externos, resultados de pilotos e comparações transparentes usando seus próprios fluxos de trabalho.

A redução de erros em três vezes também carece de contexto público suficiente para uma interpretação universal. As taxas de erro dependem da linha de base escolhida, do conjunto de tarefas, das regras de pontuação e da definição de erro.

Os sistemas de produção introduzem outras complicações. Os registros têm lacunas, campos personalizados entram em conflito, integrações falham, políticas mudam e usuários fazem solicitações que os cenários de treinamento não anteciparam.

Dados sintéticos oferecem privacidade e controle, mas podem reproduzir as premissas de seus projetistas. Uma simulação pode ignorar hábitos organizacionais que trabalhadores reais tratam como óbvios.

A Salesforce afirma que seus cenários incluem diferentes setores, personalidades e ferramentas indisponíveis. Essa diversidade ajuda, mas mais de 14 setores ainda abrangem milhares de processos especializados e variações regulatórias.

A base de 120 bilhões de parâmetros do modelo também traz consequências de infraestrutura. A Salesforce não publicou informações completas de produção sobre latência, eficiência de serving ou comparações de custos no nível da carga de trabalho.

A conclusão mais segura é específica. Koa fornece evidências críveis de que o aprendizado por reforço baseado em fluxos de trabalho pode transformar um modelo de pesos abertos em um mecanismo de raciocínio de CRM competitivo.

A alegação mais ampla — de que ele superará sistemas de fronteira em implantações reais de clientes — continua não comprovada antes da disponibilidade geral.

Controle e Privacidade Fazem Parte da Competição

Koa compete pelo controle da implantação tanto quanto por suas pontuações brutas de raciocínio.

A Salesforce controla os pesos de Koa e realiza a inferência dentro de uma infraestrutura que opera. A empresa afirma que nenhuma informação do cliente ultrapassa seu limite de confiança enquanto o modelo processa tarefas do Agentforce.

A Salesforce também afirma que prompts, dados e rastros de raciocínio dos clientes não treinam Koa. Esse arranjo aborda uma preocupação que se torna mais séria quando agentes podem alterar registros empresariais.

Um assistente que redige textos vê um contexto limitado. Um agente de CRM pode inspecionar históricos de clientes, aplicar descontos, encaminhar casos, agendar chamadas ou atualizar uma oportunidade de vendas.

Cada ação adicional amplia a superfície de governança. Os compradores precisam saber qual modelo tratou a solicitação, quais ferramentas ele chamou e se informações sensíveis saíram de um ambiente aprovado.

Serviços fechados de fronteira podem oferecer fortes controles empresariais de privacidade. A distinção de Koa é que a Salesforce controla uma parcela maior da pilha de modelo e serving por trás desses controles.

Essa propriedade pode apoiar requisitos de implantação mais rigorosos. Salesforce e Nvidia também estão estendendo sistemas baseados em Nemotron ao Missionforce, voltado a organizações governamentais e reguladas.

As empresas descrevem suporte a nuvens privadas, ambientes classificados e redes isoladas. Uma rede isolada permanece física ou logicamente separada da infraestrutura pública.

Missionforce Operations já está disponível de forma geral em regiões dos EUA. Espera-se que os modelos Nvidia pós-treinados cheguem a clientes selecionados do Missionforce em outubro de 2026.

Essa parte da parceria amplia o alcance da disputa. Koa demonstra como um fornecedor de software pode adaptar uma base de pesos abertos, mantendo o controle sobre dados, implantação e comportamento do modelo.

Também atribui à Nvidia um papel estratégico além da venda de aceleradores. Nemotron se torna uma base que plataformas empresariais podem transformar em inteligência de marca e específica de domínio.

Para a Nvidia, cada especialização bem-sucedida pode aumentar a demanda por seu software de treinamento, sua pilha de inferência, seus modelos e sua infraestrutura computacional. A empresa pode se beneficiar mesmo quando a Salesforce possui o modelo voltado ao cliente.

Para a Salesforce, o arranjo reduz a dependência de um único fornecedor fechado. Também permite que a empresa apresente a escolha de modelos como uma decisão de governança, e não como uma disputa de classificações.

No entanto, a inferência privada não elimina todos os riscos. O agente ao redor ainda depende de permissões, da qualidade da recuperação, da lógica da aplicação e da configuração correta das ferramentas.

Um modelo pode permanecer dentro de um limite de confiança e ainda tomar uma decisão incorreta. Pode interpretar mal uma política, escolher uma ação autorizada, mas inadequada, ou se basear em registros incompletos.

O controle dos pesos também transfere mais responsabilidade para a Salesforce. A empresa deve avaliar atualizações, operar o modelo de forma confiável, corrigir fragilidades e demonstrar que o comportamento continua estável.

Os testes mais relevantes para os clientes devem, portanto, medir o trabalho concluído, e não apenas a qualidade conversacional. Indicadores úteis incluem ações não autorizadas, recuperações malsucedidas, escalonamentos humanos e registros corrigidos.

As empresas também devem comparar Koa com modelos de fronteira sob permissões e definições de ferramentas idênticas. Caso contrário, diferenças na qualidade da integração podem parecer diferenças na inteligência do modelo.

A arquitetura de privacidade de Koa continua sendo uma vantagem substancial para alguns compradores. Ainda assim, as evidências mais fortes virão de implantações auditadas nas quais o controle produza resultados mensuravelmente mais seguros ou consistentes.

O Que Observar Antes do Lançamento Mais Amplo de Koa

Três sinais determinarão se Koa se tornará um modelo para a estratégia de IA empresarial ou permanecerá um experimento promissor da Salesforce.

O primeiro sinal é a validação independente das alegações sobre benchmarks. Pesquisadores e clientes precisam reproduzir os ganhos de Koa em testes públicos e implementações realistas de CRM.

O artigo técnico já fornece detalhes úteis sobre métodos e limitações. Ele confirma que Koa supera GPT-4.1 nos resultados agregados reportados, mas continua atrás de sistemas de fronteira mais fortes.

Testes independentes devem examinar mais do que precisão. Devem medir falhas na seleção de ferramentas, confirmações falsas, recuperação após ações indisponíveis, latência e consistência em execuções repetidas.

Esses testes fortaleceriam o argumento da Salesforce caso Koa mantenha sua vantagem diante de dados desconhecidos e fluxos de trabalho personalizados. Uma transferência fraca sugeriria sobreajuste a simulações projetadas pela Salesforce.

O segundo sinal são as evidências dos pilotos de clientes nomeados. Formula 1, UChicago Medicine, Xero, Engine, Baxter Credit Union e 1-800Accountant operam em ambientes muito diferentes.

Seus resultados podem revelar se Koa se generaliza entre saúde, finanças, viagens, contabilidade e engajamento de clientes. Evidências concretas devem incluir fluxos de trabalho concluídos e taxas de intervenção humana.

A explicação de treinamento da Salesforce afirma que os primeiros pilotos abrangem atendimento, vendas e comércio. Ela ainda não fornece dados de resultados em escala de produção.

Pilotos bem-sucedidos validariam a abordagem centrada em simulação. Exceções recorrentes ou revisão humana intensa exporiam a distância entre fluxos de trabalho modelados e organizações reais.

O terceiro sinal é como fornecedores de IA de fronteira e concorrentes de software empresarial respondem. OpenAI e Anthropic podem aprimorar o uso de ferramentas, opções de privacidade, personalização e flexibilidade de implantação.

Outros fornecedores de aplicações também podem adaptar bases de pesos abertos. A Constellation Research identifica isso como um movimento mais amplo em direção a modelos específicos para empresas, e não como um desenvolvimento exclusivo da Salesforce.

Uma onda de modelos de raciocínio pertencentes a fornecedores reforçaria a importância estratégica de Koa. Demonstraria que plataformas empresariais veem cada vez mais o raciocínio de domínio como propriedade intelectual.

Uma resposta limitada sugeriria que APIs de fronteira continuam economicamente e tecnicamente atraentes. Muitos fornecedores podem concluir que treinar e operar modelos desvia o foco de sua camada de aplicações.

A Salesforce também precisa cumprir sua janela anunciada de disponibilidade no inverno de 2026. Um lançamento atrasado ou restrito enfraqueceria o argumento de que Koa está pronto para substituir cargas de trabalho relevantes de fronteira.

A disponibilidade geral deve esclarecer o acesso ao modelo, controles de roteamento, fluxos de trabalho Agentforce compatíveis, cobertura regional e ferramentas de avaliação. Os compradores também precisarão de maneiras de comparar Koa com modelos alternativos.

A lição prática não é que os modelos especializados já venceram. Koa mostra que as empresas agora têm uma rota crível entre construir um modelo de base e alugar cada decisão.

Equipes que consideram essa rota devem começar com fluxos de trabalho repetíveis e de alto valor. Devem documentar resultados bem-sucedidos, ferramentas permitidas, regras de escalonamento e as evidências necessárias antes de qualquer ação.

Um fluxo de trabalho de IA estruturado pode ajudar as pessoas a preservar esse contexto operacional antes de delegar tarefas a agentes.

O modelo de raciocínio Koa da Salesforce conquistará seu espaço se concluir esses fluxos de trabalho com menos erros, maior controle e exigências operacionais aceitáveis.

Até que surjam evidências de clientes, o Koa deve ser tratado como um sério desafio técnico à dependência de modelos de fronteira, e não como prova de que os modelos gerais perderam espaço na IA empresarial.