一句话总结
2026 年 9 月 15 日，Salesforce 在 Dreamforce 大会上发布 Koa——公司第一个 CRM 推理模型，基于 NVIDIA 开放权重的 Nemotron 3 Super 后训练而来。它被塞进 Agentforce（Salesforce 的智能体平台），专门处理「更新商机、流转工单、安排跟进」这类多步骤企业任务。官方给的两个关键数字是：CRM 基准上达到或超过领先模型，错误减少 3 倍；训练数据全部是合成场景，没有用任何客户真实数据。更值得注意的是它背后的态度转变——过去企业要让智能体做长链条推理，只能把请求发给 Claude 或 ChatGPT；现在 Salesforce 说，这件事也可以在自己家的信任边界里做完。
数据来源
本文事实依据：
- Salesforce 官方新闻稿《Announcing Koa: Salesforce’s First CRM Reasoning Model, Built on NVIDIA Nemotron》（salesforce.com/news，2026-09-15）
- TechCrunch《Salesforce and Nvidia’s new reasoning model is everything the AI labs should fear》（2026-09-15，作者 Julie Bort，含对 Salesforce AI EVP Jayesh Govindarajan 与 NVIDIA VP Kari Ann Briski 的采访）
- NVIDIA 官方博客《‘Now We Can Know Everything and Do Anything,’ Jensen Huang Says at Dreamforce》（blogs.nvidia.com，2026-09）
27 年的 CRM 经验，第一次被「搬进模型里」
先把 Koa 是什么说清楚。
它不是又一个通用大模型的微调版本，而是一个「懂业务结构」的推理模型。Salesforce 官方的说法是：Koa 用「近三十年 CRM 部署沉淀下来的企业知识」构造的专有合成数据集，对 NVIDIA Nemotron 3 Super 做后训练，目标是让模型理解一单生意怎么推进、一个服务工单怎么流转、不同行业的流程差在哪。
Marc Benioff（Salesforce 董事长兼 CEO）在新闻稿里的表述很直白：
「Salesforce 最有价值的东西不是平台，而是我们积累的关于企业业务如何真正运转的知识。有了 Koa，这些知识被放进了模型本身。」
这句话解释了为什么这件事意义大于一次普通的产品发布：企业软件的护城河，从「数据存在我的数据库里」变成了「业务逻辑烧进了我的模型权重里」。
Koa 之前：多步推理必须「外发」
要理解 Koa 的分量，得先看它替掉了什么。
在 Koa 之前，Agentforce 客户搭建的智能体，如果遇到需要长链条、多步骤推理的任务（例如「把这个商机推进到下一阶段，并同步安排跟进会议」），请求会经由 Agentforce 的 AI 网关（AI gateway）——也就是决定用哪个模型来接这一单的调度层——转发给前沿模型：Claude 或者 ChatGPT。
也就是说，企业最贴近业务现场的那部分推理请求，是要离开自己的系统边界、发到第三方模型提供商那里的。
Salesforce AI 执行副总裁 Jayesh Govindarajan 对 TechCrunch 的表述，基本就是这次发布的动机说明：
「我们做了很多小而专的任务模型，它们属于 Agentforce 的产品组合。但推理这件事，我们一直依赖前沿模型提供商。直到现在。」
Koa 是怎么被训出来的：开放权重底座 + 全合成企业场景
Koa 的训练路线值得单独拆开看，因为它恰好回答了两个企业最关心的问题——数据会不会外流，以及成本能不能算得清。
第一，底座用开放权重，而不是从头训。 Govindarajan 说得很坦率：Salesforce 一直想训自己的企业级前沿模型，卡点从来不是算力，而是缺一个可用的预训练底座——需要同时满足三件事：属于美国本土（sovereign）、达到当时最优水平（state of the art）、并且训练数据来源清晰可追溯（clear data provenance）。
他顺带点了一个很有意思的对比：
「我们根本不知道 Qwen 是用什么数据训练的。」
这句话是当下「开源模型地缘政治」最直白的注脚：开放权重带来的自由，和数据来源的可审计性，是两件不同的事。 对企业与政府客户而言，后者往往才是采购决策的那道门槛。
第二，训练数据完全合成。 官方明确写了「没有客户数据被用于训练 Koa 推理模型」。做法是构造覆盖 14 个以上行业（制造业、金融服务、医疗、旅游等）的合成场景：每个场景配一个角色（persona）加一组任务，再把它必须调用的工具序列和动作路径标注出来。Govindarajan 描述得挺具体——他们模拟了一个客户服务环境，从「愤怒的来电客户」一直演到「正在促成交易的销售」。
第三，后训练方法是标准组合拳。 监督微调（SFT）加上基于 GRPO 的强化学习，工具链是 NVIDIA 的 NeMo RL、NeMo Gym 和 NeMo AutoModel。Salesforce 的说法是，模型因此学到的不只是「给出正确答案」，而是「一步步做出正确动作」。
NVIDIA 生成式 AI 软件副总裁 Kari Ann Briski 则把价值总结成了一个词：tokenomics（token 经济学）。她说 Nemotron 的推理架构是「token 高效」的，而企业真正需要的是三件套——主权 AI、首 token 时延、高效推理。
「自训一个」和「租一个」，差的从来不是能力上限
很多讨论会把这类发布解读成「企业模型要挑战前沿实验室」。但从官方给出的对标维度看，Koa 争的并不是能力天花板，而是四项工程与合规指标。
- 数据边界：Koa 的权重由 Salesforce 掌控，后训练与推理都发生在自己的信任边界内，推理阶段没有客户数据跨过边界；租用前沿模型意味着请求必然出界。
- 单位成本：官方强调 Koa 在客户实际想做的任务上「更便宜——按烧掉的 token 算」。这对高频、长链条的客服与销售流程是刚需。
- 任务精度：在 Salesforce 自建的 CRM 基准上（包含更新商机、流转工单、安排跟进等真实任务），Koa 在 CRM 动作上达到或超过领先模型，错误减少 3 倍。注意这是厂商自建基准，需要独立复现才能当定论。
- 底座可追溯性：Nemotron 是开放权重，来源与许可可查；闭源前沿模型的训练数据构成不对外披露。
同一个 Dreamforce，两个方向的动作
值得注意的是，Salesforce 并没有把这件事做成「跟前沿实验室翻脸」。
同一个大会上，他们还发布了 Claudeforce——与 Anthropic 的合作，允许企业把 Claude 当作 AI 交互界面，而数据继续留在 Salesforce 的系统记录里，由 Salesforce 的基础设施保障。另外，双方把 Nemotron 模型与加速计算引入 Missionforce，面向政府和受监管机构，支持私有云、**气隙网络（air-gapped）**等环境。
把三件事放在一起看，Salesforce 的策略其实很清楚：
| 场景 | 用什么 | 数据在哪 |
|---|---|---|
| 通用对话、复杂开放推理 | 前沿模型（Claude 等） | 通过网关外发，但业务记录留在 Salesforce |
| 高频 CRM 流程推理 | Koa | 全程不出信任边界 |
| 政府 / 受监管 / 气隙环境 | Nemotron 系模型 + 加速计算（Missionforce） | 私有云或本地 |
翻译一下：企业开始按「任务的敏感度与频率」分层选模型，而不是无脑全押一家。 这比「谁打败谁」的叙事更接近真实的企业采购逻辑。
已经有人在用了
官方披露的落地情况是：Koa 已在 Salesforce 内部使用（例如一个 Slack 里的智能体，帮员工找信息、办日常事务），并进入客户试点，名单包括 1-800Accountant、Baxter Credit Union（BCU）、Engine、Formula 1、UChicago Medicine 和 Xero。
三个观察
一、企业 AI 的竞争重心，从「模型能力」挪到了「边界与账本」。 Koa 的所有卖点——本土底座、数据可溯源、权重自持、token 更省——没有一条是「更聪明」。这正是企业级采购的真实排序。
二、合成数据正在成为企业模型的默认训练材料。 「不用客户数据也能训出业务专精模型」这件事如果被反复验证，会显著降低企业使用 AI 的合规阻力，也会让「数据 = 燃料」的直觉变得不那么绝对。
三、开放权重模型的价值，正在从「便宜」转向「可掌控」。 Govindarajan 那句「我们不知道 Qwen 训在什么数据上」，说明在企业与政府市场里，开放权重的真正卖点是可审计性，而不是免费。这对所有做开源模型的团队都是一个明确的信号。
信息来源：Salesforce 官方新闻稿 · TechCrunch 报道 · NVIDIA 官方博客
配图说明：封面与内联示意图由 UU AI Hub 生成；koa-salesforce-nvidia.jpg 来自 Salesforce Newsroom 官方新闻稿配图，koa-jensen-dreamforce.jpg 来自 NVIDIA 官方博客 Dreamforce 现场照片，均为官方公开素材，此处仅作报道引用。
