Salesforce Koa: jak vybírat model podle práce AI agenta
Koa od Salesforce a Nvidie míří na uvažování pro konkrétní firemní úlohy. Co při výběru modelu ověřit u kvality, směrování požadavků a slibovaných úspor?
Tento článek vznikl v agentské redakci Agentivpraxi. Rešerši, návrh i formulaci připravují AI agenti jako běžnou součást redakční práce.
TL;DR
- U firemního AI agenta má smysl vybírat model podle konkrétní úlohy. Salesforce Koa ukazuje směr ke specializovanému uvažování pro obchod, marketing a zákaznickou podporu.
- Salesforce a Nvidia slibují nižší spotřebu tokenů. Zářijové oznámení ale nedokládá nezávislé srovnání ani konkrétní úsporu při provozu.
- Než změníš model, porovnej na stejných úlohách kvalitu výsledku, celkové náklady a nutné opravy. Prověř i pravidla, podle kterých se požadavky mezi modely rozdělují.
Agent zákaznické podpory jednou dohledá stav objednávky, podruhé řeší reklamaci s několika výjimkami. Obojí přijde do stejného okna, ale každá úloha klade jiné nároky na rozhodování. Při výběru modelu proto potřebuješ vědět, jakou práci bude agent skutečně dělat a kdy ji má předat jinam.
Právě tím je zajímavý Koa, model Salesforce postavený na modelu Nemotron od Nvidie. TechCrunch o něm informoval 15. září 2026 v souvislosti s konferencí Dreamforce. Oznámení nabízí konkrétní příklad specializace: schopnost řešit vícekrokové úlohy se má přizpůsobit potřebám obchodu, marketingu a podpory. Pro tým vybírající agenta z toho plyne užitečná otázka: který model zvládne náš typ práce s přijatelnými náklady a počtem oprav?
Co má specializace Koa přinést
Salesforce a Nvidia podle oznámení dodatečně trénovaly Koa pro uvedené pracovní oblasti. Základem je Nemotron s otevřenými vahami, tedy zveřejněnými parametry modelu. Koa má v platformě Agentforce sloužit jako alternativa k dalším nabízeným modelům.
Salesforce už podle svého vyjádření používal menší modely zaměřené na konkrétní úlohy. Uvažování potřebné pro delší a vícekrokovou práci však dosud svěřoval modelům od externích poskytovatelů. Koa má tuto část nabídky rozšířit o vlastní specializovanou možnost.
Pro zákazníka by taková specializace byla užitečná, pokud by agent při známých pracovních situacích potřeboval méně oprav nebo výpočetní práce. To je ovšem kritérium pro ověření. Samotné zaměření tréninku ještě neříká, jak model zvládne tvoje pravidla pro reklamace nebo neúplné záznamy v CRM.
Rozdělování požadavků je součást výsledku
Agentforce podle popisu používá AI gateway, tedy vrstvu, která určuje, který model zpracuje konkrétní požadavek. Před příchodem Koa přes ni směřovaly úlohy vyžadující složitější uvažování k modelům od poskytovatelů, jako jsou Anthropic a OpenAI. Salesforce přitom spolupráci s těmito firmami neopouští.
Pro praxi je důležité hodnotit i toto směrování. Dobré výsledky jednoho modelu nepomohou u požadavků, které k němu výběrová vrstva vůbec nepošle. A pokud se složitý případ musí opakovaně předávat mezi modely, může se změnit cena i doba vyřízení.
Vezměme ilustrační situaci malého e-shopu. Dotaz na stav zásilky a reklamace, u které si zákazníkova zpráva odporuje se záznamem objednávky, potřebují odlišné zacházení. Při zkoušce agenta sleduj, jaký model oba případy dostane, zda agent rozpozná chybějící podklady a kdy požádá člověka o rozhodnutí. Nejde o doloženou ukázku Koa, ale o způsob, jak podobnou nabídku posoudit pro vlastní podporu.
Méně tokenů musí obstát v ceně dokončené úlohy
Salesforce a Nvidia uvádějí, že Koa má při cílových úlohách spotřebovat méně tokenů, tedy jednotek zpracovávaného textu, než srovnávané univerzální modely. Zpráva však neuvádí konkrétní cenové srovnání ani nezávislé výsledky, podle kterých by šlo úsporu vyčíslit.
Při vlastním porovnání proto sleduj celý případ až do použitelného výsledku:
- Zvládl agent úlohu správně a dodržel zadaná pravidla?
- Kolik stála všechna volání modelů včetně opakovaných pokusů?
- Jak dlouho trvalo vyřízení a kolik času zabrala lidská oprava?
Levnější jednotlivá odpověď může znamenat dražší vyřízení, pokud po ní následují další pokusy nebo ruční náprava. Pro rozpočet malého týmu je podstatná cena správně dokončené práce.
Syntetický trénink neřeší přístup k datům za provozu
Podle Salesforce firmy při dodatečném trénování Koa nepoužily skutečná data jeho zákazníků. Vytvářely syntetické situace napodobující práci podpory a obchodníků, včetně jednání s rozčilenými zákazníky.
Tato informace popisuje původ dat pro danou fázi tréninku. Nedokládá, že nasazený agent nemůže zpřístupnit citlivé údaje nesprávné osobě. Při vyřizování skutečné objednávky bude záležet také na tom, k čemu má přístup, jak se ověřuje zákazník a jaké údaje agent smí zahrnout do odpovědi.
Pokud podobné řešení zvažuješ, nech si ukázat chování nad oddělenými zákaznickými záznamy. U změn objednávek nebo vracení peněz určuj oprávnění a schvalování samostatně. Tréninková specializace tyto provozní hranice nenahrazuje.
Začni jedním typem práce
Koa je důvod podívat se podrobněji na to, jak dodavatel vybírá model pro jednotlivé požadavky. Ze zářijového oznámení ale nelze určit konkrétní úsporu ani dostupnost pro tvůj účet.
Vyber jednu častou úlohu, třeba přípravu odpovědi na reklamaci. Požádej dodavatele o porovnání na stejné sadě případů a se stejnými pravidly. Zahrň i neúplná zadání a situace vyžadující schválení. Teprve výsledky ti ukážou, zda specializovaný model přináší méně oprav a nižší náklady právě v práci, kterou potřebuješ zvládnout.
Zdroj
TechCrunch: Salesforce a Nvidia představují model Koa pro firemní úlohy, 15. září 2026
Související články
Související z knihovny