Trois fois moins d’erreurs sur les actions CRM : c’est le gain que Salesforce revendique pour Koa, son modèle de raisonnement présenté le 15 septembre 2026 à Dreamforce. Le chiffre récompense moins une architecture maligne que 27 ans de déploiements CRM convertis en données d’entraînement.
Votre reply rate plafonne sous 1 % et votre manager le voit passer chaque lundi. Si vous pilotez la prospection avec Clay ou Apollo, ce que Salesforce vient de fabriquer à grands frais dort déjà dans votre CRM : le contexte de vos comptes et de vos affaires perdues, à moitié faux. Cet article regarde ce que l’éditeur a réellement acheté avec Koa, puis ce que ça change pour la base sur laquelle vous tirez vos listes.
Ce que Salesforce a mis dans Koa
Koa est un modèle de raisonnement destiné à Agentforce, construit avec Nvidia par post-entraînement de Nemotron 3 Super. Sa mission consiste à déterminer quels outils appeler et quelles actions enchaîner pour boucler une tâche, plutôt qu’à produire du texte. Sur son CRM Benchmark maison, l’éditeur mesure trois fois moins d’erreurs que les modèles de pointe sur les actions CRM, selon le communiqué de lancement. Un benchmark produit par le vendeur se lit avec prudence. La méthode d’entraînement, elle, est vérifiable.
Le corpus est fait de données synthétiques, modelées sur la connaissance accumulée en 27 ans de déploiements CRM. Aucune donnée client n’a servi à l’entraînement. Les scénarios couvrent 14 secteurs dont la finance et la santé. Ils rejouent des workflows entiers comme la génération de leads ou la qualification d’opportunités. Chacun associe une persona à une tâche précise avant de cartographier les actions et les appels d’outils nécessaires pour la terminer. Salesforce conserve les poids du modèle et exécute l’inférence dans sa propre infrastructure, ce qui maintient la donnée client à l’intérieur de son périmètre de confiance.
Le pari technique se lit dans la métrique choisie. Un modèle généraliste sait produire une phrase juste. Koa doit choisir une suite d’appels d’outils qui aboutit. Chaque maillon faux se paie en écriture erronée dans la base. D’où le comptage d’erreurs plutôt qu’une évaluation de la qualité rédactionnelle.
Six clients ouvrent la phase pilote, relevés par MarTech : 1-800Accountant, Baxter Credit Union, Engine, Formula 1, UChicago Medicine et Xero. La disponibilité générale est annoncée pour cet hiver sur les régions américaines. Votre stack ne verra donc pas Koa cette année. Le sujet est ailleurs.
Le contexte métier, ce que les modèles généralistes n’ont pas
Marc Benioff, président-directeur général de Salesforce, tient la formule : « La connaissance est placée à l’intérieur du modèle lui-même. » Le moteur de raisonnement, explique-t-il, comprend la structure d’une affaire et le cycle de vie d’un dossier de service. Il appelle ça une intelligence d’un genre différent.
Rédiger un email demande de la langue, une compétence que tous les modèles possèdent. Décider qu’un lead se qualifie demande de vérifier l’historique du compte, d’appliquer les règles internes, de mettre à jour la fiche puis de déclencher le bon workflow. Un modèle généraliste ignore tout cela tant qu’on ne le lui a pas décrit. Salesforce a choisi de le décrire une fois pour toutes, par simulation.
Empiler les modèles plutôt qu’en choisir un
L’éditeur n’oppose pas Koa aux modèles généralistes, il les empile sous ses agents IA. Les clients d’Agentforce mobilisent déjà Gemini via le partenariat Google Cloud. Une intégration AWS élargie ouvre en plus l’accès aux modèles d’Anthropic et d’OpenAI via Amazon Bedrock. Chaque tâche appelle le modèle qui lui convient. Le même arbitrage se pose dans une équipe de 5 commerciaux.
| Tâche | Modèle adapté | Ce qui tranche |
|---|---|---|
| Rédiger un opener ou une séquence cold | Généraliste | Coût au millier de tokens, latence |
| Qualifier un lead contre l’ICP | Spécialisé CRM | Accès aux règles internes et à l’historique du compte |
| Mettre à jour le CRM et lancer le workflow | Spécialisé CRM | Coût d’une écriture fausse en base |
Votre contexte existe déjà et il est faux
Salesforce a dû simuler du contexte métier parce qu’il ne pouvait pas toucher aux données de ses clients. Vous avez le contexte réel : celui de vos comptes et de vos affaires perdues. Le problème n’est plus de l’obtenir. Il est de maintenir la donnée CRM exacte.
Ce contexte se dégrade en silence. Un contact change d’entreprise. Une adresse devient invalide. Un champ « secteur » reste vide au moment de l’import. Deux SDR créent le même compte le même jour. Aucun de ces événements ne déclenche d’alerte. La facture arrive plus tard, quand vous tirez une liste et lancez une cadence dessus.
La sanction est mesurable et elle est publique. Google exige depuis le 1er février 2024 que tout expéditeur vers Gmail maintienne son taux de spam sous 0,3 % dans Postmaster Tools. La documentation recommande même de rester sous 0,10 %. Un lot d’adresses mortes fait grimper les rebonds et attaque la délivrabilité du sous-domaine qui porte vos cold emails. La réputation tombe, les messages destinés aux prospects réels partent en spam. À ce stade, le modèle qui rédige vos openers ne joue plus aucun rôle.
Le même mécanisme joue en amont. L’enrichissement Clay ne produit rien de fiable quand le champ de départ est vide ou erroné. Un scoring de leads bâti sur des données incomplètes trie au hasard, avec l’assurance que donne un chiffre affiché à deux décimales. C’est la ligne de partage entre les projets d’IA commerciale qui restent en démo et ceux qui passent en production.
Quatre actions avant votre prochaine séquence
Le raisonnement de Salesforce se transpose sans changer un seul outil de votre stack.
- Mesurez l’état réel de votre base. Taux de rebond de la dernière campagne, nombre de doublons, part de comptes sans secteur renseigné, part de contacts sans activité depuis 12 mois. Salesforce a cartographié 14 secteurs avant d’entraîner quoi que ce soit. Commencez par savoir combien de lignes restent exploitables dans votre base.
- Validez la liste avant l’envoi. C’est le levier le plus direct sur les 0,3 % de Gmail et le seul qui agisse avant que le dommage soit fait. La vérification d’email en cold outreach se place entre l’export et la cadence, jamais l’inverse.
- Écrivez vos règles de qualification noir sur blanc. Chaque scénario d’entraînement de Koa associe une persona à une tâche puis à la suite d’actions attendue. Faites la même chose à votre échelle : quels critères font entrer un compte dans l’ICP, lesquels l’en sortent, qui tranche en cas de doute. Sans cette définition écrite, aucun modèle ne saura quoi faire d’un lead.
- Attribuez le bon modèle à chaque tâche. La rédaction des openers va au généraliste le moins cher qui tient la qualité. Tout ce qui écrit dans le CRM va à l’outil qui connaît vos règles et vos données, parce qu’une écriture fausse coûte plus cher qu’un opener moyen.
Salesforce a misé 27 ans d’historique CRM sur l’idée que le contexte métier pèse plus lourd que la puissance brute du modèle. Votre version du pari se joue à une autre échelle avec un avantage : le contexte, vous l’avez déjà. Reste à le rendre exact avant la prochaine séquence.
