Salesforce et Nvidia parient que le raisonnement spécifique à l’entreprise peut concurrencer l’IA de pointe

Salesforce et Nvidia ont annoncé Koa, un modèle de raisonnement conçu pour les tâches de vente, de marketing et de support client plutôt que pour la résolution de problèmes à usage général. Présenté lors de la conférence Dreamforce de Salesforce, Koa rejoindra les options de modèles disponibles via Agentforce, la plateforme de l’entreprise pour créer des agents IA.

Cette annonce compte parce qu’elle reflète une séparation croissante entre le développement de l’IA de pointe et son déploiement en entreprise. Plutôt que d’envoyer chaque requête complexe à un modèle général d’OpenAI ou d’Anthropic, Salesforce propose un système adapté aux workflows de ses clients, avec des contrôles des données et une efficacité d’inférence pensés pour les logiciels métier.

Koa repose sur Nvidia Nemotron, un modèle à poids ouverts de Nvidia. Les entreprises ont travaillé ensemble au post-entraînement, en utilisant des scénarios synthétiques représentant des conversations commerciales et des interactions de service client. Selon le dirigeant de Salesforce Jayesh Govindarajan, aucun véritable donné client n’a été utilisé.

Koa cible les workflows opérationnels de Salesforce

Salesforce indique que Koa est destiné à gérer les tâches en plusieurs étapes que les clients d’Agentforce souhaitent automatiser. Cela peut inclure répondre aux questions des clients, soutenir l’activité commerciale et gérer des interactions de service impliquant différents profils de clients et différents niveaux de complexité.

Cet accent distingue Koa des modèles généralement commercialisés autour de capacités de raisonnement larges. Salesforce ne positionne pas le modèle comme un remplacement de tous les systèmes d’IA d’une entreprise. À la place, il ajoute une option spécialisée au portefeuille de modèles existant d’Agentforce, qui comprend déjà des modèles de langage plus petits et spécifiques à certaines tâches.

L’entreprise acheminait auparavant les tâches de raisonnement plus exigeantes via une passerelle IA vers des modèles externes tels que Claude ou ChatGPT. La passerelle détermine quel modèle traite une requête. Koa offre à Salesforce un autre choix pour cette couche de routage, en particulier lorsque la tâche est étroitement liée à des processus de vente ou de support client.

Le positionnement d’entreprise du modèle dépend aussi de son lieu d’exécution et des informations utilisées pour l’entraîner. Salesforce affirme que Koa n’a pas été entraîné sur des dossiers clients. Ses données de post-entraînement ont été générées synthétiquement pour simuler des interactions, notamment un client en colère contactant un centre de service et un commercial tentant de conclure une vente.

Pourquoi les poids ouverts et la provenance comptent

La décision de Salesforce de s’appuyer sur Nvidia Nemotron reflète une contrainte pratique à laquelle font face les entreprises qui veulent davantage de contrôle sur leur pile IA : entraîner un modèle de base performant à partir de zéro est coûteux et techniquement difficile. Govindarajan a déclaré à TechCrunch que Nemotron offrait un modèle pré-entraîné américain disponible, avec ce que Salesforce considérait comme de solides capacités et une provenance des données plus claire.

La question de la provenance est importante pour les acheteurs d’entreprise qui évaluent des modèles à poids ouverts. Govindarajan a opposé Nemotron à Qwen d’Alibaba, affirmant que Salesforce ne sait pas avec quelles données Qwen a été entraîné. Son commentaire est une déclaration de dirigeant sur les critères de sélection de Salesforce, et non une évaluation indépendante des modèles concurrents.

Kari Ann Briski, de Nvidia, a déclaré que l’architecture de Nemotron est conçue pour une inférence efficace en tokens. En pratique, Salesforce et Nvidia soutiennent que Koa peut produire des réponses utiles avec moins de texte généré et donc à moindre coût d’utilisation que l’envoi du même travail à un modèle généraliste plus grand.

Les éléments de reporting disponibles ne fournissent pas de benchmarks indépendants, de tarification, de mesures de latence ou de résultats de qualité comparatifs pour Koa. Les affirmations concernant une moindre consommation de tokens, des réponses plus rapides et de meilleures performances sur les workflows Salesforce doivent donc être considérées comme des déclarations du fournisseur jusqu’à ce que des clients ou des évaluateurs tiers publient des preuves comparables.

Un modèle spécialisé, pas une sortie d’Anthropic ou d’OpenAI

L’annonce de Koa par Salesforce ne signifie pas que l’entreprise rompt avec les fournisseurs de modèles de pointe. Salesforce a également annoncé Claudeforce, un partenariat avec Anthropic qui permet aux entreprises d’utiliser Claude comme interface IA tout en gardant les données d’entreprise au sein des systèmes et de l’infrastructure de sécurité de Salesforce.

Cette combinaison suggère une stratégie de portefeuille plutôt qu’un engagement envers un seul modèle. Un modèle spécialisé comme Koa pourrait gérer des tâches métier prévisibles, tandis que Claude ou d’autres systèmes de pointe resteraient disponibles pour les requêtes nécessitant des capacités plus larges. La passerelle IA devient le point de contrôle, permettant à Salesforce d’associer les charges de travail à différents modèles.

Pour les clients d’entreprise, cet arrangement pourrait réduire la dépendance à un seul fournisseur tout en préservant l’accès à des modèles avancés. Il donne aussi à Salesforce un moyen de rendre sa plateforme plus centrale dans la sélection des modèles, la gouvernance des données et l’exécution des agents. Le compromis est une complexité accrue : les acheteurs devront comprendre comment les décisions de routage sont prises, comment la qualité du modèle varie selon la tâche et si les modèles spécialisés restent compétitifs à mesure que les systèmes généralistes progressent.

Ce que Koa signifie pour les développeurs et les acheteurs

Pour les équipes produit IA, Koa illustre pourquoi le post-entraînement spécifique à un domaine peut être attractif même lorsque les modèles généralistes sont largement disponibles. Un modèle qui comprend les conventions de workflow d’une entreprise peut nécessiter moins d’instructions, produire des chaînes de raisonnement plus courtes et s’intégrer plus naturellement dans les systèmes existants de permissions et d’enregistrements.

L’approche par données synthétiques peut aussi intéresser les organisations qui ne peuvent pas utiliser des données de production pour le développement de modèles. Elle peut aider les équipes à tester des scénarios impliquant des interactions sensibles avec des clients sans exposer de dossiers réels. Mais les conversations simulées ne capturent pas automatiquement toute la diversité, l’ambiguïté ou les modes d’échec des opérations métier réelles. Les clients de Salesforce devront valider Koa par rapport à leurs propres processus avant de lui confier des tâches importantes.

La fiabilité et la gouvernance seront aussi importantes que la qualité brute du modèle. Les déploiements d’Agentforce pourraient nécessiter des règles d’escalade claires pour les demandes inhabituelles, des journaux d’audit pour les actions automatisées et des contrôles empêchant qu’un modèle à faible coût soit utilisé en dehors des tâches pour lesquelles il a été évalué. La présence d’une passerelle IA peut soutenir ces politiques, mais le reportage n’établit pas encore le niveau de détail des contrôles ou du cadre d’évaluation de Koa.

L’implication concurrentielle dépasse la seule gamme de produits de Salesforce. Si les éditeurs de logiciels d’entreprise peuvent combiner des modèles de base à poids ouverts avec du post-entraînement synthétique et un routage contrôlé, ils pourraient capter davantage de la valeur qui va aujourd’hui aux laboratoires d’IA généralistes. Les fournisseurs de pointe fourniraient toujours des capacités importantes, mais les éditeurs de logiciels pourraient devenir la couche qui détermine quand ces capacités sont nécessaires.

Ce qu’il faut surveiller ensuite

Le premier signal sera la preuve indépendante de la qualité de Koa, de sa latence, de sa consommation de tokens et de son coût sur des charges de travail Agentforce réelles. Les études de cas clients devraient préciser si le modèle améliore les taux de résolution ou l’achèvement des tâches sans augmenter la revue humaine.

Les développeurs devraient aussi observer comment Koa est exposé via la passerelle IA : si les clients peuvent définir des règles de routage, comparer les sorties, imposer des limites de dépenses et auditer les décisions du modèle. Les options de déploiement, la disponibilité régionale et les politiques de conservation des données compteront pour les secteurs réglementés.

Enfin, le marché montrera si l’approche à double voie de Salesforce — Koa pour le travail spécialisé et Claude ou d’autres modèles de pointe pour un raisonnement plus large — devient un schéma reproductible dans les logiciels d’entreprise. La stratégie à poids ouverts de Nvidia sera jugée en partie à l’aune du nombre d’entreprises capables de reproduire l’approche de post-entraînement de Salesforce sans les données de plateforme, les outils et la distribution de Salesforce.

Point de vue Creati.ai

Koa est important moins parce que les éléments disponibles prouvent qu’il s’agit d’un modèle de raisonnement supérieur que parce qu’il montre où se déplace la concurrence dans l’IA d’entreprise. Salesforce considère le raisonnement comme une capacité de workflow déployable, et pas seulement comme une catégorie de benchmark. Cela déplace l’attention vers le coût par tâche, les frontières des données, le routage et la fiabilité opérationnelle.

L’argument le plus fort en faveur de Koa viendra des résultats en production, pas de l’annonce elle-même. Si Salesforce peut démontrer qu’un modèle spécialisé, entraîné sur des données synthétiques, gère de manière fiable et peu coûteuse les tâches courantes d’Agentforce, d’autres plateformes d’entreprise pourraient poursuivre des architectures similaires. Si ce n’est pas le cas, les clients continueront à router les tâches difficiles vers les fournisseurs de pointe malgré le coût supplémentaire et les préoccupations de gouvernance.