Salesforce lancerer Koa Decisions med understøttelse af billeder og lyd

Salesforce lancerede Koa Decisions den 6. november 2026. Beslutningsmodellen bygger på Googles Gemma-model med åbne vægte og kan behandle tekst, billeder og lyd. Virksomheden planlægger at udvide teknologien fra routing af anmodninger i Agentforce til Salesforce-arbejdsgange og udviklerværktøjer.

Koa Decisions er næste version af HyperClassifier. Modellen læser en anmodning og en brugerdefineret liste over kategorier og returnerer derefter et valg, en ja-eller-nej-beslutning eller en score i ét trin. Salesforce oplyser, at processen tager millisekunder. Modellen bliver en del af Koa-familien sammen med en separat Koa-resonnementsmodel, der er udviklet med NVIDIA.

Sådan giver Koa Decisions et svar

Forskellen ligger i, hvordan svaret frembringes. En stor sprogmodel genererer tekst token for token, hvor hvert nyt token bygger på de foregående. En beslutningsmodel læser hele anmodningen og afgiver et kort svar, ofte et enkelt token, i ét trin. Fordi svaret er kort, kræver det mindre computerkraft at frembringe, og anden software kan handle på det med det samme.

Hvis problemet handler om login til en konto, kan modellen vælge kontoteamet fra en liste, der også omfatter teknik- og salgsteamet, og derefter returnere en konfidensscore. Dermed kan en agent bruge en specialiseret model til gentagne beslutninger og samtidig overlade skrivning og ræsonnering til en generel LLM. I Salesforces løsning behøver kunderne ikke selv at vælge en model til hver enkelt opgave.

Forskningsresultater og HyperClassifiers anvendelse i produktion

Teamets forskningsfortryk om Koa-beslutninger beskriver klassifikation, semantisk registrering af ytringers afslutning, booleske kontroller og scoring som begrænset generering med output på ét token. Atomare etiket-tokens og superviseret finjustering reducerer disse opgaver til deterministisk afkodning i ét trin.

Forfatterne rapporterer en nøjagtighed på 85,5 % på en benchmarktest af routing af brugerhensigter i produktion, svartider på omkring et halvt sekund og en medianhastighed, der er op til cirka 7,5 gange højere end for de avancerede modeller, der blev testet under identiske driftsforhold. Sammenlignet med det specialiserede Jev/TypeSafe-system rapporterer de konkurrencedygtig nøjagtighed og hurtigere medianresponstider samt multimodale input og output med flere etiketter, som tekstsystemer med en enkelt etiket ikke kan håndtere.

Koa Decisions bygger videre på en forgænger, der allerede er integreret i Agentforce. En beskrivelse fra Salesforce Engineering-kontoen forklarer, hvordan HyperClassifier fortolker brugerens hensigt og sender agenter videre til handlingssæt, før der genereres et svar. I stemmeinteraktioner afgør modellen, om en person er færdig med at tale. I det tidligere design repræsenteres hver klasse med et unikt specialtoken, og de indledende promptberegninger gemmes i en cache, så gentagne instruktioner ikke behandles igen. Dermed holdes antallet af outputtrin konstant, uanset hvor langt klassenavnet er.

Ifølge en beskrivelse af implementeringen den 8. juli 2026 blev HyperClassifier finjusteret på GPT-OSS-20B og kan klassificere op til 200 etiketter. Modellen blev standardmodellen til registrering af brugerhensigter og routing i Agentforce Service- og Employee Agent-skabelonerne i foråret 2026.

Salesforce målte HyperClassifiers svartid ved routing til cirka 26 millisekunder sammenlignet med 1.446 millisekunder for en generel avanceret model. Denne måling fra produktion gælder forgængeren og dokumenterer ikke Koa Decisions’ ydeevne.

Adgang til demoen og planlagte integrationer

Alle kan afprøve demoen af Koa Decisions, også personer, der ikke er Salesforce-kunder, når de har oprettet en gratis Trailhead-konto. Brugerne kan redigere anmodningen og kategorilisten og se konfidensscorer for valgmulighederne.

Salesforce oplyser, at det ikke kræver genoptræning af modellen at tilføje en kategori som returneringer. Virksomheden sammenligner dette med skræddersyede projekter inden for prædiktiv klassifikation, som tog flere måneder for mange virksomhedskunder; en beslutningsmodel kan i nogle tilfælde sættes i produktion på få timer.

I et dokumenteret eksempel på en arbejdsgang markerer en beslutningsmodel en salgsmulighed, der er i fare, og udvælger det team, der bør gribe ind, mens en LLM opsummerer, hvad der har ændret sig. Arbejdsgangen går fra en Sales Cloud-post til en Slack-alarm. Planlagte integrationer omfatter flows, Apex, promptskabeloner og en udvikler-API. Priser og pakkeløsninger kan ændre sig, tilgængeligheden kan variere fra region til region, og adgangen er underlagt kundeaftaler. Demoen og HyperClassifiers eksisterende implementering dokumenterer derfor ikke, at alle planlagte integrationer er generelt tilgængelige.

Den praktiske betydning er en tydeligere arbejdsdeling i virksomhedssoftware: Beslutningsmodeller håndterer routing, kontroller og scoring, mens LLM’er tager sig af forklaringer og ræsonnering. Koa Decisions føjer multimodale input og flere planlagte integrationsmuligheder til denne arkitektur. Hvor bredt modellen kan anvendes i virksomheder, afhænger nu af, hvordan integrationerne udvides ud over demoen og de routingfunktioner, som HyperClassifier allerede udfører.