Modelo de Raciocínio Koa da Salesforce Coloca Laboratórios de IA Geral em Alerta

A Salesforce apresentou seu primeiro modelo dedicado a CRM, transformando o modelo de raciocínio Salesforce Koa em um desafio direto aos laboratórios de IA de propósito geral.

A empresa construiu o Koa sobre o modelo Nemotron 3 Super, de pesos abertos, da Nvidia. Em seguida, treinou o Koa para fluxos de trabalho de vendas, marketing e suporte ao cliente. A Salesforce afirma que o modelo comete três vezes menos erros em ações de CRM, ao mesmo tempo que iguala ou supera os principais modelos.

Essa afirmação ainda precisa de testes independentes. Ainda assim, a estratégia por trás do Koa importa mesmo antes que todos os resultados de benchmark sejam verificados. A Salesforce pode combinar um modelo-base adaptável com décadas de conhecimento sobre fluxos de trabalho, sua plataforma de software e acesso imediato a compradores empresariais.

OpenAI, Anthropic e Google concentraram enormes recursos em modelos capazes de lidar com quase qualquer tarefa intelectual. O Koa testa se clientes empresariais preferirão algo mais restrito, controlável e já integrado ao ambiente em que seus funcionários trabalham.

A ameaça não é que a Salesforce tenha construído de repente o modelo mais inteligente. A ameaça é que ela talvez não precise disso.

Salesforce Koa Transforma o Nemotron em Especialista em CRM

O Koa parte de uma base geral de pesos abertos e a treina em torno das ações que tornam o software empresarial útil.

Salesforce e Nvidia anunciaram o Koa em 15 de setembro de 2026. Ele está entrando em pilotos selecionados com clientes do Agentforce, com disponibilidade mais ampla nos EUA esperada durante o inverno de 2026.

O modelo começa com o Nemotron 3 Super da Nvidia, um modelo-base de 120 bilhões de parâmetros. Pesos abertos significam que os parâmetros treinados do modelo estão disponíveis para adaptação controlada, ao contrário de um modelo acessível apenas por meio de uma API externa.

A Salesforce não se limitou a conectar um sistema de busca de CRM ao Nemotron. Seus pesquisadores realizaram pós-treinamento do modelo subjacente para que ele raciocine entre fluxos de trabalho empresariais e execute as ferramentas necessárias.

Essa distinção importa. A recuperação de informações pode fornecer a um modelo geral registros ou documentos relevantes. Ela não ensina automaticamente ao modelo qual ação cabe em cada etapa de um processo de negócios.

Considere uma oportunidade de vendas que deixou de avançar. Um agente precisa inspecionar atividades recentes, identificar informações ausentes, verificar regras de negócio, recomendar uma próxima etapa e agendar um acompanhamento. Cada decisão altera o estado do fluxo de trabalho.

Um caso de suporte ao cliente cria outra sequência. O modelo pode classificar o problema, verificar dados da conta, recuperar uma política aplicável, encaminhar o caso e atualizar seu status. Uma resposta fluente, por si só, não é suficiente.

A Salesforce treinou o Koa com ajuste fino supervisionado e aprendizado por reforço. O ajuste fino supervisionado mostra ao modelo exemplos do comportamento desejado. O aprendizado por reforço o recompensa por concluir tarefas com sucesso.

A empresa usou Group Relative Policy Optimization, ou GRPO, nessa etapa de reforço. O GRPO compara diversas respostas tentadas e fortalece comportamentos associados a melhores resultados.

A Salesforce afirma que os cenários de treinamento abrangem mais de 14 setores. Eles combinam personas simuladas com tarefas, ações esperadas e chamadas de ferramentas nos setores de manufatura, saúde, serviços financeiros, viagens e outros.

O treinamento não utilizou dados de clientes, segundo a Salesforce. Em vez disso, a empresa gerou situações sintéticas baseadas nos padrões de negócios reunidos ao longo de 27 anos de implantações de CRM.

Essa formulação exige cautela. A Salesforce não afirma que registros confidenciais de clientes foram incorporados ao Koa. Ela diz que seu conhecimento acumulado moldou os fluxos de trabalho simulados usados no treinamento.

O modelo também é mais do que uma demonstração de pesquisa. A Salesforce já usa o Koa internamente por meio de um agente do Slack que ajuda funcionários a encontrar informações e concluir tarefas rotineiras.

Os clientes-piloto incluem 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine e Xero. Essas implantações devem revelar se avaliações controladas se traduzem em confiabilidade em produção.

A mudança imediata no produto é, portanto, concreta. O Agentforce está ganhando um modelo de raciocínio hospedado pela Salesforce e projetado em torno das próprias ações da plataforma, em vez de depender exclusivamente de modelos externos gerais.

Por Que o Modelo de Raciocínio Salesforce Koa Pressiona Laboratórios de IA

A Salesforce compete pela propriedade dos fluxos de trabalho, distribuição e controle, e não por vencer todos os benchmarks de inteligência geral.

Os laboratórios de IA de fronteira trataram a generalidade como uma grande vantagem. Um modelo capaz pode escrever software, analisar documentos, conduzir pesquisas, responder a perguntas e apoiar diversas funções empresariais.

Essa amplitude continua valiosa. No entanto, agentes empresariais operam em ambientes mais restritos, com permissões precisas, estruturas de dados e resultados aceitáveis. Essas limitações favorecem empresas que entendem a camada de aplicação.

A Salesforce detém os registros, estruturas de objetos, permissões e sistemas de automação que definem o trabalho dentro de sua plataforma. Ela também controla as interfaces pelas quais muitos funcionários interagem com o software de CRM.

Essa posição dá à Salesforce três vantagens sobre um fornecedor de modelos que chega por meio de uma API.

Primeiro, a Salesforce pode descrever a conclusão bem-sucedida de uma tarefa em termos nativos da plataforma. Ela sabe se uma oportunidade foi atualizada, se um caso chegou à fila correta ou se um acompanhamento apareceu no calendário.

Segundo, ela pode construir simulações de treinamento em torno desses resultados. O modelo pode receber uma recompensa por concluir um processo, e não apenas por produzir um texto que se pareça com uma boa resposta.

Terceiro, a Salesforce pode fornecer o modelo resultante por meio do Agentforce. Os clientes não precisam montar uma camada separada de orquestração antes de testar o modelo em fluxos de trabalho existentes.

A pesquisa subjacente deixa essa estratégia mais clara. O artigo de pesquisa do Koa descreve um pipeline de simulação para recompensa que produz tarefas de múltiplas interações baseadas em personas.

Essas tarefas incluem solicitações dependentes de dados que exigem uso bem-sucedido de ferramentas. A Salesforce usa Agent Script, sua linguagem declarativa para especificar o comportamento do Agentforce, para definir fluxos de trabalho em domínios empresariais.

Isso cria um ciclo de treinamento que empresas de aplicações estão bem posicionadas para explorar. Seus softwares já contêm ações estruturadas, permissões, regras de negócio e sinais de conclusão de tarefas.

Um desenvolvedor de modelos gerais pode aprender parte dessa estrutura por meio de parcerias, prompts de clientes e documentação de ferramentas. O proprietário da aplicação começa com um mapa detalhado do ambiente.

A pressão vai além da Salesforce. A ServiceNow pode especializar modelos em torno de fluxos de trabalho de TI e funcionários. A SAP pode se concentrar em finanças, compras e cadeias de suprimentos. A Workday pode treinar modelos em processos de recursos humanos.

Cada empresa pode usar uma base adaptável em vez de financiar um projeto de pré-treinamento em escala de fronteira. A Nvidia se beneficia porque essas empresas ainda precisam de modelos, software de treinamento, aceleradores e infraestrutura de inferência.

Esse modelo de competição muda a questão econômica. Empresas de software empresarial não precisam mais perguntar se conseguem reproduzir um laboratório de fronteira inteiro.

Elas podem perguntar se um modelo menor e especializado executa as tarefas valiosas dentro de seu próprio produto. Esse é um objetivo muito mais alcançável.

A Salesforce também detém o relacionamento com o cliente. Ela pode empacotar o Koa com o Agentforce, aplicar controles de governança existentes e expor o modelo por meio de ferramentas que os administradores já entendem.

O laboratório de IA corre o risco de se tornar um fornecedor substituível por trás dessa experiência. Um cliente pode saber que o Agentforce concluiu a tarefa sem saber qual modelo-base contribuiu para o resultado.

Essa é a parte que os laboratórios de IA deveriam temer. Sua tecnologia pode continuar importante enquanto sua marca, poder de precificação e conexão direta com usuários empresariais enfraquecem.

Pesos Abertos Elevam o Valor Acima do Modelo-Base

O Koa mostra como um modelo de pesos abertos pode deslocar o valor competitivo do pré-treinamento para a especialização, implantação e feedback dos fluxos de trabalho.

A Nvidia publica modelos, recursos de treinamento e implementações de referência por meio de seu hub de modelos Nemotron. Essa abordagem incentiva outras empresas a modificar uma base capaz em vez de começar do zero.

A Salesforce usou o Nemotron 3 Super como matéria-prima. Em seguida, aplicou geração de dados específica do domínio, treinamento supervisionado e aprendizado por reforço usando as ferramentas NeMo da Nvidia.

O processo representa uma divisão de trabalho. A Nvidia fornece a arquitetura do modelo, a pilha de treinamento e a plataforma de computação. A Salesforce fornece especificações de fluxos de trabalho, contexto empresarial, distribuição e o limite do produto.

Fornecedores de modelos fechados geralmente oferecem personalização por meio de prompts, recuperação de informações, ajuste fino ou serviços gerenciados de treinamento. Essas opções podem funcionar bem, especialmente quando o modelo subjacente possui uma grande vantagem de capacidade.

Elas também deixam decisões importantes nas mãos do fornecedor. Atualizações do modelo, local de inferência, políticas operacionais e visibilidade sobre os pesos podem permanecer fora do controle da empresa de aplicações.

O Koa dá à Salesforce controle direto sobre seus pesos. A Salesforce afirma que tanto o pós-treinamento quanto a inferência ocorrem dentro de seu próprio perímetro de confiança, onde as informações dos clientes permanecem sob os controles de segurança da Salesforce.

Esse arranjo atrai compradores de setores regulados. Ele também ajuda a Salesforce a alterar o modelo sem esperar pelo roteiro de produto de um laboratório terceirizado.

Controle não significa automaticamente menor custo ou melhor desempenho. A Salesforce não publicou evidências de produção suficientes para estabelecer qualquer uma dessas conclusões em ambientes de clientes variados.

Ainda assim, o controle cria opções estratégicas. A Salesforce pode priorizar as tarefas que produzem valor dentro do Agentforce, mesmo quando essas tarefas parecem pouco importantes em avaliações acadêmicas amplas.

O artigo do Koa relata que a especialização produziu as melhorias mais claras no uso de ferramentas em múltiplas interações. É exatamente nesse ponto que agentes empresariais frequentemente enfrentam dificuldades.

Uma única chamada de ferramenta é relativamente fácil de avaliar. Fluxos de trabalho mais longos exigem que o modelo preserve o estado, reaja aos resultados das ferramentas, respeite permissões e se recupere de condições inesperadas.

Essas capacidades importam mais para um gerente de serviços do que outro ponto percentual em um teste de matemática. Elas também se encaixam no conhecimento existente da Salesforce sobre processos de negócios.

O desenho de treinamento sintético do modelo acrescenta outro mecanismo importante. Registros de clientes são valiosos, mas sensíveis, inconsistentes e difíceis de combinar entre organizações.

Cenários sintéticos permitem que a Salesforce reproduza a estrutura do trabalho empresarial sem copiar dados reais de clientes para um corpus de treinamento compartilhado. Eles também podem gerar falhas raras ou casos extremos sob demanda.

No entanto, dados sintéticos têm sua própria fraqueza. Uma simulação reflete as premissas de seus criadores. Ela pode recompensar um comportamento que funciona em um ambiente de teste limpo, mas falha em uma organização desorganizada.

Sistemas reais de CRM contêm registros incompletos, políticas conflitantes, objetos personalizados, automações desatualizadas e estruturas de permissões incomuns. Os pilotos de produção precisam expor o Koa a essa complexidade sem comprometer a segurança.

É por isso que o modelo de raciocínio Salesforce Koa representa um mecanismo, e não uma vitória garantida. Pesos abertos tornam a especialização possível. A posição da Salesforce nos fluxos de trabalho torna a especialização crível.

Os resultados reais dos clientes decidirão se o sistema combinado é melhor do que um modelo de fronteira conectado às mesmas ferramentas.

A Alegação de Benchmark Precisa de um Teste Mais Rigoroso

Os resultados divulgados pela Salesforce são promissores, mas benchmarks de CRM criados pela própria empresa não podem encerrar a comparação com modelos de fronteira.

A Salesforce afirma que o Koa iguala ou supera o desempenho dos principais modelos em ações de CRM, ao mesmo tempo que produz três vezes menos erros. As tarefas avaliadas incluem atualizar oportunidades, encaminhar casos e agendar acompanhamentos.

A empresa não apresentou essa declaração como uma medida universal de inteligência. Ela se refere a ações selecionadas de CRM dentro de um benchmark alinhado ao domínio pretendido do Koa.

O artigo que acompanha o anúncio traz uma qualificação importante. O Koa supostamente supera sua base Nemotron e um forte referencial proprietário, mas permanece abaixo dos modelos de fronteira mais avançados no geral.

Esse resultado sustenta uma interpretação mais restrita. A especialização ajuda um modelo de pesos abertos a competir em tarefas direcionadas de agentes, sem eliminar a vantagem de capacidade ampla dos principais modelos fechados.

Os compradores também devem separar a precisão das ações do valor operacional completo. Um agente pode chamar a ferramenta correta, mas ainda interpretar mal a intenção do cliente, aplicar uma política inadequada ou criar uma escalada desnecessária.

As contagens de erros exigem contexto. Uma atualização equivocada de campo, uma divulgação não autorizada e um rascunho ruim de e-mail não envolvem o mesmo risco para o negócio.

Avaliadores independentes precisarão ter acesso às definições das tarefas, aos modelos de comparação, às regras de pontuação e aos rastros de execução. Caso contrário, observadores externos não poderão determinar de onde vem a vantagem reportada.

O benchmark pode recompensar a familiaridade com esquemas específicos da Salesforce. Isso seria legítimo para um produto da Salesforce, mas não provaria superioridade em outros aplicativos empresariais.

Ambientes de produção acrescentam outra camada de dificuldade. A própria Salesforce alerta que o desempenho em sandbox não prevê de forma confiável o comportamento em produção, porque a infraestrutura e os padrões de uso diferem.

O mesmo princípio se aplica aos agentes. Tarefas controladas não conseguem reproduzir totalmente dados em mudança, usuários simultâneos, integrações personalizadas, restrições de latência e solicitações ambíguas.

Os pilotos do Koa com clientes devem, portanto, medir mais do que a conclusão de benchmarks. Indicadores úteis incluem resoluções bem-sucedidas, taxas de intervenção humana, ações revertidas, violações de políticas e satisfação do cliente.

Essas medições precisam de referências claras. Comparar o Koa com a ausência de automação responderia a uma pergunta. Compará-lo com um sistema Agentforce que usa um modelo de fronteira responderia a uma pergunta mais difícil.

A Salesforce também precisa provar que os clientes conseguem governar o modelo especializado. Os administradores precisam ter visibilidade sobre o que o agente tentou fazer, quais ferramentas utilizou e por que uma ação falhou.

A revisão humana continuará importante para processos consequentes. Decisões de crédito, comunicações médicas, compromissos contratuais e alterações de conta exigem mais do que uma precisão média de benchmark.

A segurança cria outra questão ainda não resolvida. Executar a inferência dentro da fronteira de confiança da Salesforce reduz a exposição a APIs externas de modelos, mas não elimina a injeção de prompts nem permissões excessivas.

Um invasor poderia inserir instruções maliciosas em conteúdo lido por um agente. Um modelo confiável com acesso amplo ainda pode tomar ações prejudiciais quando suas entradas são manipuladas.

Os clientes precisam restringir ferramentas, validar resultados e preservar etapas de aprovação. A propriedade do modelo não substitui a segurança da aplicação.

Há também uma questão de mercado. Algumas empresas preferem um único provedor de fronteira em vários departamentos. Uma coleção de modelos especializados pode aumentar o trabalho de governança e integração.

Os laboratórios de fronteira podem responder tornando seus modelos mais fáceis de especializar, hospedar e avaliar. Também podem estabelecer parcerias mais profundas com fornecedores de software empresarial.

Os modelos gerais mais avançados podem continuar necessários para exceções difíceis. A Salesforce poderia usar o Koa para trabalho rotineiro de CRM e encaminhar casos incomuns a um modelo externo maior.

Essa abordagem híbrida enfraqueceria a ideia de um único vencedor. Ainda assim, reduziria a parcela da inferência empresarial que flui automaticamente para provedores de fronteira.

Koa Desafia a Estratégia Original de Modelos do Agentforce

A Salesforce está passando da escolha de modelos para a propriedade de modelos, revertendo a dependência anterior da camada de aplicações em provedores externos de IA.

Quando a Salesforce apresentou o AI Cloud em 2023, enfatizou o acesso a modelos de vários provedores. Os clientes podiam usar modelos parceiros enquanto a Salesforce fornecia fundamentação de dados, governança e aplicações empresariais.

O Agentforce veio em 2024 com o mecanismo de raciocínio Atlas. O Atlas coordena modelos, dados, fluxos de trabalho e ferramentas para que um agente possa decidir o que fazer em seguida.

O Koa não substitui todas as partes dessa arquitetura. Um modelo de linguagem e um mecanismo de raciocínio desempenham papéis diferentes. O mecanismo gerencia o processo mais amplo, enquanto o modelo interpreta tarefas e seleciona ações.

No entanto, o Koa leva a Salesforce mais profundamente para a camada de inteligência. A empresa não está mais apenas escolhendo e orquestrando modelos. Agora ela controla os pesos, o treinamento, a hospedagem e a implantação de um modelo especializado.

Essa é a reversão estratégica. Fornecedores de software empresarial antes pareciam depender de alguns poucos laboratórios de fronteira para raciocínio avançado. Pesos abertos agora permitem que esses fornecedores absorvam mais capacidade de modelo em seus próprios produtos.

O conhecimento acumulado pela Salesforce sobre fluxos de trabalho torna-se mais valioso nessa estrutura. Marc Benioff argumenta que o Koa coloca o conhecimento sobre negócios, casos de atendimento e processos setoriais dentro do próprio modelo.

A afirmação não deve ser interpretada literalmente como históricos de clientes incorporados aos pesos. A Salesforce afirma que o Koa usou dados de treinamento públicos e sintéticos, e não dados de clientes.

O ativo valioso é a abstração de como o trabalho avança. A Salesforce pode descrever funções, objetos, sequências de ferramentas, exceções e condições de conclusão em situações comuns de CRM.

Essa descrição pode treinar um modelo para se comportar de forma mais eficaz dentro do Agentforce. Ela também pode ser atualizada à medida que a Salesforce altera suas aplicações.

A distribuição completa o ciclo. A empresa pode observar o desempenho dos pilotos, identificar tipos recorrentes de falha, gerar cenários relacionados e executar outro ciclo de pós-treinamento.

As regras de privacidade limitarão o que a Salesforce pode coletar e reutilizar. Ainda assim, padrões operacionais agregados podem informar o desenho das avaliações e melhorias de produto.

Os laboratórios de fronteira têm suas próprias vantagens de feedback entre milhões de usuários. No entanto, grande parte dessa atividade consiste em conversas, sessões de programação ou solicitações gerais.

A Salesforce pode se concentrar em sinais mais restritos ligados a resultados empresariais. O caso chegou à equipe correta? O registro foi atualizado? Um humano reverteu a ação?

Esses sinais são especialmente úteis para aprendizado por reforço, porque tornam o sucesso mais fácil de definir.

O Koa também altera a posição de negociação da Salesforce. A empresa pode continuar oferecendo modelos externos enquanto mantém uma alternativa interna para cargas de trabalho selecionadas.

Essa flexibilidade reduz a dependência de qualquer laboratório individual. Também permite que a Salesforce compare provedores com um modelo otimizado para seu próprio território.

Para os laboratórios de IA, a lição vai além do CRM. Seus concorrentes empresariais mais difíceis talvez não construam modelos de fronteira. Eles podem adaptar modelos abertos e possuir tudo ao redor da chamada de inferência.

O Que Observar à Medida que o Koa Entra em Produção

Três sinais mostrarão se o Koa representa uma mudança duradoura na IA empresarial ou um anúncio de produto bem posicionado.

O primeiro sinal são as evidências dos pilotos com clientes. A Salesforce citou organizações dos setores de contabilidade, finanças, saúde, viagens, software e esportes.

O resultado importante não é quantas empresas entram em um piloto. É se elas levam o Koa a fluxos de trabalho repetíveis em produção, com reduções mensuráveis de erros e de tratamento humano.

Observe estudos de caso detalhados que divulguem volumes de tarefas, taxas de intervenção, métodos de avaliação e limites de implantação. Declarações vagas sobre produtividade não validarão a vantagem do modelo.

Resultados sólidos em produção reforçariam o argumento central da Salesforce. Eles mostrariam que o treinamento de domínio reduz o bastante a lacuna de capacidade para superar modelos mais amplos em trabalhos valiosos.

Reversões frequentes ou implantações restritas o enfraqueceriam. Elas sugeririam que o benchmark capturou ações controladas de CRM melhor do que a complexidade operacional.

O segundo sinal é o lançamento planejado nos EUA para o inverno de 2026. A disponibilidade geral testará confiabilidade, capacidade, administração e integração em uma gama mais ampla de ambientes Salesforce.

Os clientes desejarão controles de configuração, em vez de um comportamento fixo do modelo. Também precisarão de monitoramento, trilhas de auditoria, aprovações e procedimentos claros para ações com falha.

O lançamento revelará como a Salesforce posiciona o Koa ao lado de modelos externos. Um papel padrão dentro do Agentforce indicaria confiança e criaria uma distribuição significativa.

Um modelo opcional reservado para alguns fluxos de trabalho sugeriria uma estratégia mais cautelosa. Isso ainda poderia ser útil, mas exerceria menos pressão sobre os provedores de fronteira.

O terceiro sinal é a resposta competitiva. OpenAI, Anthropic, Google, Microsoft, ServiceNow, SAP e outros fornecedores têm razões para defender seu espaço nas pilhas de agentes empresariais.

Os laboratórios de fronteira podem publicar avaliações mais robustas de uso de ferramentas, melhorar opções de implantação privada ou oferecer pós-treinamento mais profundo. Fornecedores de aplicações podem construir seus próprios modelos de domínio a partir de fundações abertas.

A implantação anterior do Agentforce pela Salesforce já colocou agentes empresariais em um mercado concorrido. Concorrentes como ServiceNow e empresas especializadas em atendimento ao cliente visam muitos dos mesmos compradores.

A questão estratégica é se o Koa cria uma vantagem duradoura ou se se torna um padrão que outros reproduzem rapidamente. A Nvidia tem incentivos para ajudar muitos fornecedores de software a seguir o mesmo caminho.

Essa possibilidade tem dois lados para a Salesforce. O Koa se beneficia da infraestrutura de modelos abertos, mas a mesma infraestrutura reduz barreiras para seus rivais.

As implantações governamentais acrescentam outro teste. A Salesforce planeja levar modelos Nvidia pós-treinados para o Missionforce, em nuvens privadas controladas e redes isoladas.

Espera-se que clientes selecionados recebam esses modelos em outubro de 2026. O sucesso nesse contexto sustentaria o argumento de que o controle do modelo importa em ambientes regulados.

A conclusão mais ampla não depende de a Salesforce derrotar todos os laboratórios de IA. O Koa só precisa provar que o valor empresarial pode se concentrar acima do modelo de fundação.

Para desenvolvedores e compradores empresariais, o próximo passo é prático. Compare modelos em fluxos de trabalho reais, registre chamadas de ferramentas com falha e acompanhe cada correção humana.

As equipes podem usar uma base de conhecimento de IA pesquisável para preservar essas avaliações, decisões e regras operacionais ao longo de uma implantação.

Não pergunte apenas qual modelo obtém a maior pontuação. Pergunte quem controla o fluxo de trabalho, quem define o sucesso, por onde os dados trafegam e com que rapidez as falhas melhoram.

Se o modelo de raciocínio Salesforce Koa oferecer resultados confiáveis em produção, os laboratórios gerais de IA continuarão fornecendo tecnologia essencial. Eles simplesmente serão donos de uma parcela menor do resultado empresarial.