Salesforce و NVIDIA Koa را در 15 سپتامبر اعلام کردند، مدل استدلالی که شرکت‌ها آن را اولین مدلی است که به طور خاص برای مدیریت ارتباط با مشتری ساخته شده است. به جای آموزش یک مدل پایه از ابتدا، Salesforce مدل وزن باز Nemotron 3 Super NVIDIA - یک پایه پارامتر 120B - را بر اساس یک مجموعه داده مصنوعی اختصاصی که بر اساس تقریباً سه دهه دانش استقرار CRM مدل شده بود، پس از آموزش آموزش داد. این مدل اکنون به نمایندگان تخصصی در پلتفرم Agentforce Salesforce قدرت می‌دهد و مشتریان آزمایشی از جمله Formula 1، Xero و UChicago Medicine در حال آزمایش آن هستند.

اعلامیه ای که در کنفرانس Salesforce's Dreamforce در سانفرانسیسکو اعلام شد، نشان دهنده تغییر قابل توجهی در نحوه نزدیک شدن فروشندگان نرم افزار سازمانی به هوش مصنوعی است. Salesforce به جای اجاره اطلاعات از آزمایشگاه های مرزی، مدل تخصصی خود را ساخت - و کنترل وزنه ها را حفظ کرد. برای زمینه بیشتر در مورد این داستان، [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) را ببینید.

چگونه Koa ساخته شد - بدون اطلاعات مشتری

Salesforce در مورد یک نکته صریح است: هیچ داده مشتری برای آموزش کوآ استفاده نشده است. مجموعه آموزشی کاملاً شامل سناریوهای ترکیبی است که استدلال، استفاده از ابزار و تصمیم‌گیری را که عوامل Agentforce در جریان‌های کاری CRM انجام می‌دهند، شامل می‌شود - ایجاد سرنخ، فرصت‌های واجد شرایط، حل و فصل موارد خدمات.

طبق اعلام مشترک، این سناریوها گردش کار واقعی سازمانی را در بیش از 14 صنعت از جمله تولید، خدمات مالی، مراقبت های بهداشتی و مسافرت شبیه سازی می کنند. هر سناریو یک شخصیت را با مجموعه ای از وظایف جفت می کند و توالی اقدامات و فراخوانی ابزار مورد نیاز برای تکمیل آنها از قبل ترسیم شده است.

برای پس از آموزش، Salesforce از تنظیم دقیق نظارت شده و به دنبال آن یادگیری تقویتی با استفاده از بهینه سازی خط مشی نسبی گروهی (GRPO) استفاده کرد که روی ابزار NeMo RL، NeMo Gym و NeMo AutoModel NVIDIA اجرا می شود. این شرکت می‌گوید آموزش مجموعه‌ای هدفمند از وظایف سازمانی اولویت‌بندی شده به مدل آموزش داده است که به جای ایجاد پاسخ صحیح، از طریق دنباله‌ای از اقدامات صحیح به اهداف برسد.

تحقیق در پشت مدل

یک مقاله تحقیقاتی که در 14 سپتامبر به arXiv ارسال شد، مؤلفه متمایز کوآ را به‌عنوان خط لوله شبیه‌سازی به پاداش توصیف می‌کند: مشخصات گردش کار به وظایف شخصی شرطی و چند نوبتی تبدیل می‌شوند، با پاداش‌هایی که به حل هر کار از طریق استفاده موفقیت‌آمیز از ابزار مرتبط است. برای دامنه های سازمانی، این مشخصات در Agent Script، زبان اعلانی Salesforce برای ساخت عوامل Agentforce نوشته شده است. همان شبیه‌سازی و ماشین‌های پاداش پایه، GRPO را در هر دو حوزه سازمانی و عمومی برای استفاده از ابزار هدایت کرد.

نویسندگان گزارش می‌دهند که کوآ بر پایه وزن باز خود در معیارهای استفاده از ابزار عمومی، استدلال عاملی و معیارهای CRM سازمانی، با واضح‌ترین دستاوردها در استفاده از ابزار چند نوبتی، بهبود می‌بخشد. این مدل از خط پایه اختصاصی قوی فراتر می رود و در عین حال زیر قوی ترین مدل های مرزی باقی می ماند - شکافی که Salesforce شرط بندی می کند برای کار CRM مهم نیست.

معیارها: سه برابر خطاهای کمتر در وظایف CRM

در معیار CRM خود Salesforce - مجموعه‌ای از کارهای دنیای واقعی مانند به‌روزرسانی یک فرصت، مسیریابی پرونده یا برنامه‌ریزی پیگیری - این شرکت می‌گوید که Koa با عملکرد مدل پیشرو در اقدامات CRM با سه برابر خطاهای کمتر مطابقت دارد یا از آن فراتر می‌رود.

این ادعا برای شماره سرفصل آن کمتر از فرضیه آن اهمیت دارد: یک مدل کوچکتر متخصص در یک حوزه می تواند مدل های مرزی همه منظوره را در وظایف آن دامنه شکست دهد. این همان استدلالی است که طرفداران وزن باز در تمام سال مطرح کرده اند، اکنون با یک مورد آزمایشی سازمانی پیوست شده است.

مرز اعتماد و فشار دولتی

Salesforce می‌گوید وزن‌های مدل Koa را کنترل می‌کند و پس از آموزش و استنباط را کاملاً در محدوده اعتماد خود انجام می‌دهد، بنابراین هیچ داده مشتری در طول استنتاج از آن مرز عبور نمی‌کند. این موقعیت‌یابی دقیقاً در صنایع تحت نظارت است.

در کنار Koa، این دو شرکت مدل‌های مبتنی بر Nemotron را به Missionforce، پیشنهاد متمرکز دولتی Salesforce، وارد می‌کنند. مدل‌های NVIDIA پس از آموزش، به Missionforce Operations نیرو می‌دهند، که جریان‌های کاری دولتی از جمله تدارکات، مدیریت تامین‌کننده و تدارکات را دیجیتالی می‌کند - از جمله استقرار در شبکه‌های دارای شکاف هوا که هرگز زیرساخت‌های عمومی را لمس نمی‌کنند. Missionforce Operations به طور کلی اکنون در مناطق ایالات متحده در دسترس است، با مدل های پس از آموزش در اکتبر 2026 به مشتریان منتخب می رسد.

آزمایشی در حال انجام است، در دسترس عمومی در این زمستان

Koa در حال حاضر در داخل خود Salesforce استفاده می شود، از جمله یک عامل Slack که به کارمندان کمک می کند اطلاعات را پیدا کنند و کارهای روزمره را انجام دهند. پایلوت های مشتری با 1-800Accountant، Baxter Credit Union، Engine، Formula 1، UChicago Medicine و Xero در حال انجام است.

رایان تیپلز، مدیر ارشد استراتژی در 1-800Accountant، گفت که کوآ به نمایندگان شرکت اجازه می دهد تا گام به گام قوانین مالیاتی، داده های مالی و اسناد مشتری استدلال کنند. اندرو چانگ، مدیر ارشد بازاریابی در UChicago Medicine گفت این مدل می‌تواند گردش‌های کاری هماهنگ چند مرحله‌ای طولانی‌تر را مدیریت کند و تیم‌ها را برای مراقبت از بیمار آزاد کند.

در دسترس بودن عمومی در زمستان 2026 در مناطق ایالات متحده پیش بینی می شود.

چرا مهم است

به سختی می توان زیرمتن استراتژیک را از دست داد. همانطور که Techzine اشاره کرد، Salesforce مدل خود را تنها چند هفته پس از گسترش همکاری خود با Anthropic برای وارد کردن Claude به محصولات خود معرفی کرد. مدیرعامل مارک بنیوف کوآ را محصول آن تجربه انباشته می داند: "با ارزش ترین چیزی که Salesforce ساخته است پلتفرم ما نیست - دانش انباشته شده از نحوه عملکرد واقعی تجارت سازمانی است. با Koa، دانش در خود مدل قرار می گیرد."

جنسن هوانگ از NVIDIA استدلال کرد که مدل‌های باز Nemotron به Salesforce پایه‌ای برای مدل CRM داد که می‌تواند استدلال کند و ایمن عمل کند. برای NVIDIA، هر شرکتی که Nemotron را آموزش می‌دهد کانال توزیع دیگری برای پشته محاسباتی آن است.

کوآ همچنین یک نقطه داده در روند گسترده‌تر برای سال 2026 است: شرکت‌هایی که به جای اینکه منتظر آزمایشگاه‌های مرزی برای ارسال محصولات عمودی باشند، مدل‌های پایه وزن باز را برای حوزه‌های باریک و با ارزش متخصص می‌کنند. نویسندگان مقاله arXiv نتیجه می‌گیرند که یادگیری تقویتی مبتنی بر مشخصات، یک مسیر عملی برای دقیقاً به آن ارائه می‌دهد.

اگر ادعای سه برابر خطاهای کمتر در تولید وجود داشته باشد، انتظار داشته باشید که سایر فروشندگان نرم افزار سازمانی همان مسیر را دنبال کنند - و انتظار داشته باشید آزمایشگاه های مرزی با توجیهی استدلال کنند که مدل های بعدی آنها به هر حال شکاف تخصصی را از بین خواهند برد.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →