На конференции Dreamforce компания Salesforce вместе с Nvidia представила Koa — свою первую reasoning-модель (модель с рассуждением), построенную на открытой модели Nemotron от Nvidia. Это событие важно не столько само по себе, сколько как симптом более широкого сдвига: потребности корпоративного рынка в ИИ начинают расходиться с тем, что предлагают ведущие лаборатории вроде OpenAI и Anthropic. Разбираемся, что произошло и какие практические выводы стоит сделать руководителям.
Что именно произошло
До сих пор Salesforce строила множество небольших специализированных языковых моделей для своей платформы Agentforce — они умели решать узкие задачи вроде ответов на типовые вопросы клиентов или записи на встречи. Но как только агенту требовалось «порассуждать» над многошаговой или длительной задачей, запрос уходил через внутренний AI-шлюз к внешней «фронтир-модели» — Claude от Anthropic или ChatGPT от OpenAI. За это Salesforce и её клиенты платили деньги и зависели от чужой инфраструктуры.
Koa закрывает именно этот пробел. Теперь reasoning-задачи в области продаж, маркетинга и клиентской поддержки может обрабатывать собственная модель Salesforce, а не внешний поставщик. По словам топ-менеджмента компании, до появления Nemotron не было подходящей базовой модели: нужна была одновременно «суверенная» американская модель, современная по качеству и с прозрачным происхождением данных. Китайские открытые модели (например, Qwen от Alibaba) отпали именно из-за неясности, на чём они обучались.
Ключевое отличие: заточка под работу, а не под рекорды
Фронтир-лаборатории соревнуются в решении олимпиадных математических задач и абстрактных бенчмарков. Бизнесу же нужно другое — надёжно и дёшево выполнять конкретные рабочие сценарии. Koa как раз позиционируется как модель, «доученная» (post-trained) под задачи продаж и поддержки.
Показателен подход к обучению. Salesforce и Nvidia не использовали реальные данные клиентов. Вместо этого они сгенерировали синтетические данные, имитирующие реальные сценарии: смоделировали среду колл-центра с персонами — от раздражённого клиента, звонящего в поддержку, до продавца, пытающегося закрыть сделку. Это принципиальный момент для корпоративной безопасности: модель физически не могла «впитать» и затем случайно раскрыть чужие данные.
Экономика токенов — недооценённый фактор
Отдельно стоит обратить внимание на «токеномику». Nvidia заявляет об архитектуре, эффективной по расходу токенов: Koa выполняет ту же работу, тратя меньше вычислений, чем универсальная модель. Для компаний, которые прогоняют через ИИ-агентов миллионы запросов в месяц, разница в стоимости токена напрямую превращается в разницу в счёте — и здесь специализированная модель получает системное преимущество перед «тяжёлой» универсальной.
Почему это должно беспокоить крупные лаборатории
Бизнес-модель проприетарных лабораторий строится на том, что предприятия загружают в их системы свои файлы, код, промпты и обратную связь — и платят за это миллионы. Salesforce же предлагает клиентам альтернативу, которая бьёт сразу по нескольким болевым точкам:
- открытая по весам модель вместо закрытой «чёрной коробки»;
- заточка под реальные рабочие задачи, а не под абстрактные бенчмарки;
- отсутствие риска утечки клиентских данных;
- снижение расходов за счёт экономии токенов;
- автоматическая маршрутизация запросов через AI-шлюз в зависимости от задачи;
- соблюдение требований клиента к данным и безопасности внутри контура Salesforce.
Иными словами, платформа перестаёт быть просто «переходником» к чужим моделям и становится самодостаточным поставщиком интеллекта для типовых бизнес-процессов.
При этом развода с лабораториями не произошло
Важно не впадать в упрощение. Salesforce не отказывается от Anthropic и OpenAI. Параллельно компания анонсировала партнёрство Claudeforce, позволяющее использовать Claude в качестве интерфейса ИИ, тогда как данные остаются в системах Salesforce под её инфраструктурой безопасности. То есть речь идёт не о войне «или-или», а о выстраивании гибридной архитектуры: универсальные модели для сложных и нестандартных задач, специализированные — для массовых и предсказуемых.
Что это значит для стратегии выбора ИИ-платформы
Главный вывод для руководителя: эпоха «одна универсальная модель на все случаи жизни» уходит. Формируется многоуровневый ландшафт, где выбор инструмента зависит от типа задачи, объёма, чувствительности данных и стоимости.
Когда отраслевая модель выгоднее универсальной
- Массовые типовые операции. Если процесс повторяется тысячи раз в день (поддержка, квалификация лидов, обработка обращений), экономия на токенах и скорость критичны.
- Высокие требования к данным. Когда важно, чтобы модель не обучалась на ваших данных и не создавала риск утечки в чужие системы.
- Предсказуемость и контроль. Модель, встроенная в платформу с понятными правилами безопасности, снижает регуляторные и репутационные риски.
Когда универсальная фронтир-модель по-прежнему нужна
- Нестандартные, творческие и слабо формализованные задачи.
- Сценарии, где требуется максимальная глубина рассуждения и широта знаний.
- Быстрое прототипирование, где важнее гибкость, чем стоимость.
Осознанное построение такой гибридной архитектуры требует зрелой ИИ-стратегии, а не набора разрозненных пилотов. Тем, кто хочет системно подойти к выбору моделей и платформ, полезен структурный подход из курса «ИИ-стратегия».
Практические выводы для руководителя
- Пересмотрите принцип «один вендор — одна модель». Оптимальная конфигурация всё чаще многоуровневая: дешёвые специализированные модели для рутины, дорогие универсальные — для сложного.
- Считайте токеномику, а не только качество. При больших объёмах разница в стоимости токена определяет рентабельность ИИ-проекта сильнее, чем пара процентов на бенчмарке.
- Ставьте вопрос о данных прямо. Уточняйте у поставщиков, обучается ли модель на ваших данных и где они физически хранятся. Модели, обученные на синтетике, снижают юридические риски.
- Оценивайте платформенную привязку осознанно. Встроенные в CRM модели удобны, но усиливают зависимость от одного вендора. Взвешивайте гибкость против интеграции.
- Следите за «суверенностью» и происхождением моделей. Для регулируемых отраслей прозрачность данных обучения становится не маркетингом, а требованием комплаенса.
- Не гонитесь за громкими анонсами. Начните с инвентаризации реальных процессов, где ИИ даёт измеримый эффект, и уже под них подбирайте тип модели.
Появление Koa — это не столько история про конкретный продукт, сколько сигнал о взрослении рынка корпоративного ИИ. Побеждать будут не те, у кого «самая умная модель вообще», а те, кто научится точно подбирать инструмент под задачу и управлять экономикой этого выбора.
Источник: TechCrunch