Salesforce y Nvidia presentaron Koa, el primer modelo de razonamiento de Salesforce especializado en CRM, construido sobre la familia Nemotron de Nvidia. El anuncio no es relevante por el modelo en sí, sino por lo que revela: las grandes empresas dejaron de esperar que los laboratorios de IA resuelvan sus problemas y empezaron a construir los suyos.

Para quien trabaja o quiere trabajar con datos e inteligencia artificial, este movimiento cambia el mapa de habilidades demandadas. Vamos por partes.

Qué es Koa y en qué se diferencia

Según el anuncio oficial de Salesforce, Koa se construyó haciendo post-entrenamiento de Nvidia Nemotron 3 Super con un conjunto de datos sintéticos generado a partir del conocimiento empresarial acumulado en las implementaciones de CRM de la compañía. Está optimizado para tareas de ventas, marketing y soporte.

Los tres elementos que lo hacen distinto de usar un modelo de propósito general:

• Especialización de dominio. No intenta ser bueno en todo. Entiende el vocabulario, los objetos y los flujos de un CRM: oportunidades, etapas de pipeline, casos de soporte, secuencias de contacto.

• Control de los pesos. Salesforce mantiene el modelo y ejecuta tanto el post-entrenamiento como la inferencia dentro de su propia infraestructura. Los datos de los clientes no viajan a un proveedor externo.

• Costo predecible. Un modelo más chico y especializado consume mucho menos cómputo que uno frontera para las mismas tareas acotadas.

Está disponible para clientes piloto seleccionados dentro de Agentforce, con disponibilidad general prevista para el invierno boreal.

Por qué esto inquieta a los grandes laboratorios

El análisis de TechCrunch es directo: Koa es un ejemplo de cómo las necesidades de IA del mundo empresarial se están separando de lo que ofrecen los laboratorios de frontera.

El modelo de negocio de esos laboratorios supone que las empresas van a subir sus archivos, su código, sus prompts y su retroalimentación a modelos de terceros, y van a pagar millones por hacerlo. Koa propone lo contrario: tomar un modelo abierto como base, especializarlo con datos propios y correrlo en infraestructura propia.

Si ese patrón se generaliza, se abre una tensión real. Cuatro razones por las que a una empresa grande le conviene:

• Soberanía de datos. Sectores regulados —banca, salud, seguros— tienen restricciones concretas sobre dónde se procesa la información de sus clientes.

• Economía. Para tareas repetitivas y acotadas, un modelo especializado de tamaño medio rinde igual o mejor a una fracción del costo.

• Previsibilidad. Controlar los pesos significa que el comportamiento no cambia porque un proveedor actualizó su modelo sin avisar.

• Diferenciación. Si todos usan el mismo modelo, nadie tiene ventaja. El conocimiento acumulado propio es lo que no se puede copiar.

Qué cambia para los profesionales de datos e IA

Este movimiento desplaza el valor desde "saber usar la API del modelo más grande" hacia un conjunto de habilidades distinto:

Los roles que se benefician

• AI Engineer con foco en despliegue. Servir modelos, optimizar inferencia, controlar latencia y costo. Es el perfil que más crece con esta tendencia.

• Ingeniero de datos. Un modelo especializado necesita datos de dominio bien estructurados. Sin esa base, no hay especialización posible.

• Especialista en evaluación. Definir qué significa que el modelo "funcione bien" para un caso concreto de negocio, y medirlo de forma sistemática.

• Perfiles híbridos de negocio y datos. Alguien tiene que decidir qué conocimiento de la empresa vale la pena destilar en un modelo. Eso no lo resuelve un ingeniero solo.

Esta reconfiguración de perfiles se conecta con lo que venimos observando sobre las carreras de data con mayor crecimiento: el valor se está moviendo hacia quienes conectan el dato con la decisión de negocio.

Qué mirar en los próximos meses

• Si otras plataformas siguen el camino. Los grandes proveedores de software empresarial tienen el mismo activo que Salesforce: años de datos de uso de sus clientes.

• Si los modelos abiertos sostienen el ritmo. Toda esta estrategia depende de que existan bases abiertas suficientemente buenas para especializar.

• Cómo se resuelve la evaluación. Medir si un modelo de dominio es mejor que uno general para una tarea concreta es más difícil de lo que parece, y todavía no hay estándares claros.

• Qué pasa con los costos de inferencia. Si bajan mucho, parte del argumento económico a favor de la especialización se debilita.

Cursos recomendados de Coderhouse

Si querés posicionarte en las habilidades que este movimiento revaloriza:

• Si estás empezando: el Curso de Introducción a la Inteligencia Artificial te da el marco para entender qué es realmente un modelo de razonamiento y en qué se diferencia de un chatbot.

• Nivel intermedio: el Curso de AI Agents trabaja la construcción de agentes que ejecutan tareas, que es exactamente el terreno donde compiten propuestas como Agentforce.

• Nivel avanzado: el Curso de AI Engineering cubre despliegue, evaluación y puesta en producción de sistemas basados en modelos, que son las habilidades con mayor demanda insatisfecha hoy.

• Si tu foco es la base de datos: la Carrera de Data Scientist y el Curso de Data Engineering forman el cimiento sin el cual ninguna especialización de modelos es posible.

Preguntas frecuentes

¿Qué es Koa y para qué sirve?

Es el primer modelo de razonamiento de Salesforce, desarrollado con Nvidia sobre la base Nemotron 3 Super y especializado en tareas de CRM: ventas, marketing y soporte. Se entrenó con datos sintéticos generados a partir del conocimiento acumulado en implementaciones reales de Salesforce, y funciona dentro de la plataforma Agentforce. Está en fase piloto con clientes seleccionados.

¿Por qué se dice que preocupa a los laboratorios de IA?

Porque muestra un camino alternativo al que sostiene su negocio. En lugar de enviar datos empresariales a un modelo de frontera de terceros y pagar por uso, Salesforce tomó un modelo abierto, lo especializó con su propio conocimiento y lo ejecuta en su infraestructura. Si otras grandes plataformas de software replican la estrategia, una porción importante del gasto empresarial en IA dejaría de fluir hacia los laboratorios.

¿Un modelo especializado es mejor que uno de propósito general?

Para tareas acotadas de su dominio, suele ser igual de bueno o mejor, y considerablemente más barato de operar. Para tareas abiertas o fuera de su especialidad, los modelos de frontera siguen siendo superiores. La decisión práctica no es cuál es "mejor" en abstracto, sino cuál es el más adecuado por tarea, costo y requisitos de privacidad, que es justamente el criterio que las empresas están aprendiendo a aplicar.

¿Qué habilidades conviene desarrollar frente a esta tendencia?

Tres bloques: despliegue y servicio de modelos en infraestructura propia, generación y curaduría de datos de dominio, y diseño de evaluaciones específicas del negocio. Se suman al conocimiento de producto necesario para decidir qué vale la pena especializar. El prompting sobre modelos cerrados sigue siendo útil, pero pierde peso relativo como diferencial competitivo.

¿Esto afecta a quienes recién están entrando al mundo de la IA?

Lo vuelve más accesible en un sentido y más exigente en otro. Más accesible porque los modelos abiertos permiten experimentar sin depender de la API de un proveedor. Más exigente porque el diferencial ya no está en saber usar una herramienta sino en entender cómo se evalúa, se despliega y se conecta con datos reales. Para alguien que empieza, conviene construir sobre fundamentos de datos antes que sobre herramientas específicas.