Salesforce ha presentado en Dreamforce 2026 Koa, su primer modelo de razonamiento especializado en CRM, con el que quiere trasladar a la IA el conocimiento acumulado sobre procesos de ventas, servicio, marketing y comercio.
La propuesta parte de una idea concreta: buena parte del trabajo empresarial no exige un modelo generalista capaz de resolver cualquier tipo de problema, sino uno entrenado para entender procesos, descomponer tareas, elegir herramientas y ejecutar una secuencia de acciones dentro del entorno de Salesforce.
«Para muchas tareas de razonamiento agéntico en servicio, ventas, marketing o comercio no necesitamos esos modelos enormes que permiten demostrar teoremas o resolver las ecuaciones de Stokes», explicó a La Ecuación Digital, Silvio Savarese, Chief Scientist de Salesforce, durante un encuentro técnico en Dreamforce. Su analogía fue todavía más directa: «No queremos disparar a una mosca con un cañón».
Koa se ha construido mediante el entrenamiento posterior de NVIDIA Nemotron 3 Super con datos sintéticos diseñados por Salesforce a partir de casi tres décadas de conocimiento sobre CRM. La compañía asegura que no ha empleado datos de clientes y sostiene que el modelo iguala o supera el rendimiento de modelos líderes en acciones de CRM con tres veces menos errores en su propio CRM Benchmark, una comparación que debe leerse teniendo en cuenta que la prueba ha sido desarrollada por la propia Salesforce.
La relevancia del anuncio va más allá de añadir otro modelo a Agentforce. Koa muestra cómo Salesforce quiere distribuir la inteligencia dentro de su plataforma: modelos especializados para una parte creciente del trabajo cotidiano, modelos frontera cuando la tarea requiere más capacidad y una capa de software que decide qué información, herramientas y restricciones necesita cada uno.
Koa cubre la pieza de razonamiento que faltaba en Agentforce
El desarrollo de Koa nace de los dos años que Salesforce lleva desplegando Agentforce. Ese recorrido ha llevado a sus equipos de ingeniería a descomponer lo que sucede cuando un usuario encarga una tarea a un agente.
Antes de razonar sobre un problema, el sistema debe interpretar la intención de la petición, distinguir una tarea legítima de un posible intento de inyección de prompts, recuperar el contexto adecuado y determinar qué herramientas puede utilizar. Salesforce asegura haber desarrollado durante el último año distintos modelos pequeños para realizar algunas de esas funciones dentro de Agentforce.
Quedaba el razonamiento. Koa ocupa ahora ese espacio dentro de lo que la compañía describe como una «constelación» de modelos.
La palabra requiere una precisión importante. Salesforce no utiliza aquí razonamiento en el sentido abierto con el que se evalúan modelos capaces de resolver problemas matemáticos, científicos o lógicos de gran complejidad. Savarese lo acotó a escenarios empresariales: recibir la solicitud de un cliente, dividirla en pasos, decidir qué función debe ejecutarse en cada uno y avanzar hasta completar el proceso.
Ese alcance limitado es precisamente parte de la apuesta. Salesforce considera que una política de devoluciones, la actualización de una oportunidad comercial o la resolución de un caso de atención al cliente no necesitan consumir la misma capacidad de cálculo que un problema científico avanzado.
Salesforce entrena el modelo con empresas simuladas, no con datos de clientes
La especialización de Koa procede de un sistema de simulación construido alrededor de procesos empresariales. Salesforce ha generado escenarios sintéticos para más de 14 sectores, entre ellos fabricación, servicios financieros, sanidad y viajes, que reproducen tareas como generar leads, cualificar oportunidades o resolver casos de servicio.
Uno de los ejemplos explicados durante la sesión consiste en simular a un cliente insatisfecho que contacta con atención al cliente. El entorno reproduce tanto al usuario como al agente encargado de resolver el caso y registra la secuencia de decisiones, llamadas a herramientas y acciones que conduce a un resultado satisfactorio. También genera casos en los que el proceso falla para aprender qué caminos no conducen al objetivo.
Esas trazas alimentan la fase de entrenamiento posterior de Nemotron 3 Super. Salesforce utiliza ajuste supervisado y aprendizaje por refuerzo para enseñar al modelo a desenvolverse en los flujos de trabajo que quiere cubrir.
Aquí aparece uno de los argumentos estratégicos de la compañía. Savarese sostiene que los proveedores de grandes modelos generalistas disponen de enormes cantidades de información, pero carecen de parte del conocimiento operativo que Salesforce ha acumulado sobre cómo funcionan ventas, servicio, marketing o comercio. Marc Benioff lo ha resumido diciendo que Koa intenta trasladar al modelo el conocimiento adquirido durante décadas sobre el funcionamiento de los procesos empresariales.
Salesforce insiste, además, en que los datos de sus clientes quedan fuera de este proceso. Los escenarios de entrenamiento son sintéticos y la compañía controla tanto los pesos como el entrenamiento posterior y la inferencia dentro de su propia infraestructura.
El conocimiento de cada empresa no está dentro de Koa
Que Koa esté especializado en CRM no significa que Salesforce haya creado un modelo diferente para cada cliente. De hecho, sus responsables reconocen que el modelo permanece relativamente horizontal.
La personalización ocurre principalmente alrededor de él.
Cuando un agente trabaja para una empresa concreta, Agentforce incorpora el contexto, los metadatos, las políticas, las estructuras de datos y las herramientas de esa organización. Salesforce mantiene en sus metadatos relaciones entre esos elementos y los trabajos que deben realizarse, lo que permite adaptar el comportamiento del agente sin trasladar toda esa información a los pesos del modelo.
Savarese explicó que incluso el «harness», la capa de software que rodea al modelo y organiza su funcionamiento, puede configurarse para cada cliente mediante AgentScript. Ahí pueden definirse instrucciones, herramientas y restricciones específicas mientras Koa conserva sus capacidades generales de razonamiento empresarial.
Esta distinción resulta importante para entender la arquitectura de Agentforce. Salesforce identifica tres grandes palancas para mejorar un agente: modificar el propio harness y sus instrucciones, proporcionarle un contexto mejor y, cuando resulte necesario, actualizar los pesos del modelo. Sus responsables consideran que las tres tienen capacidad para mejorar los resultados y que personalizar el modelo mediante entrenamiento no siempre será la opción más eficiente.
Koa tampoco sustituye a Claude, Gemini o los modelos de OpenAI
El desarrollo de un modelo propio podría parecer un giro respecto a la estrategia multimodelo que Salesforce ha defendido durante los últimos años. La compañía sostiene que ocurre lo contrario.
Agentforce continuará ofreciendo modelos de distintos proveedores, incluidos Anthropic, Google y OpenAI. Koa añade una nueva alternativa especializada y abre la puerta a que el sistema seleccione progresivamente el modelo en función del trabajo que debe realizar.
Un subagente encargado de resolver un ticket relativamente acotado puede utilizar un modelo especializado. Otro que necesite analizar una gran cantidad de información o afrontar un problema fuera de ese perímetro puede recurrir a un modelo frontera. Salesforce ya dispone de clasificadores de intención que ayudan a determinar qué tipo de tarea ha llegado al sistema y espera ampliar esa lógica hacia un enrutamiento cada vez más dinámico.
La ambición es desplazar hacia modelos propios una parte importante del trabajo para el que sus capacidades sean suficientes y reservar los modelos más grandes para los casos que realmente los necesitan. Ahí aparece uno de los objetivos económicos de Koa: mejorar la relación entre rendimiento y coste de inferencia a medida que aumenta el volumen de agentes en producción.
Koa es el modelo; Atlas sigue siendo la capa que lo rodea
El anuncio también obliga a ordenar parte de la terminología que Salesforce ha utilizado alrededor de Agentforce. Durante la sesión, un asistente planteó directamente la diferencia entre Koa y Atlas, que la compañía había descrito anteriormente como su motor de razonamiento.
La respuesta fue explícita: Koa es el modelo de razonamiento y Atlas es el harness que puede trabajar con una familia de modelos.
La distinción ayuda a entender por qué Salesforce puede combinar Koa con Claude, Gemini u otros modelos sin reconstruir Agentforce. La capa superior gestiona contexto, herramientas, instrucciones y restricciones, mientras el modelo seleccionado realiza el razonamiento requerido para cada tarea.
Esa arquitectura permite introducir también componentes deterministas. En procesos donde ciertas acciones deben producirse siempre en un orden concreto, Salesforce puede ejecutar código previamente probado en lugar de dejar que el modelo decida nuevamente la secuencia en cada ocasión. El objetivo es reducir las posibilidades de fallo en partes del proceso donde la flexibilidad probabilística aporta poco valor.
Del laboratorio a los primeros clientes
Koa ya se utiliza internamente en Salesforce y está entrando en pilotos con organizaciones como 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine y Xero. La disponibilidad para determinados clientes de Agentforce ha comenzado en fase piloto y Salesforce prevé ampliar su disponibilidad durante el invierno de 2026, inicialmente en regiones de Estados Unidos.
El modelo llega así a un mercado donde la discusión empieza a desplazarse desde qué proveedor tiene el modelo más capaz hacia qué combinación de modelos resulta suficiente para cada carga de trabajo. Para Salesforce, la oportunidad consiste en convertir su conocimiento del CRM en una ventaja dentro de esa ecuación y, al mismo tiempo, controlar una parte mayor de la tecnología que sostiene Agentforce.
Si Koa consigue absorber una proporción relevante de las tareas rutinarias y los modelos frontera quedan reservados para los problemas que realmente requieren su capacidad, la consecuencia será también económica. El coste de ejecutar agentes dependerá cada vez menos de utilizar siempre el modelo más potente disponible y más de enviar cada tarea al modelo adecuado, acompañado por el contexto, los metadatos y los controles necesarios para realizarla.
