Salesforce introduceert Koa Decisions met ondersteuning voor afbeeldingen en audio

Salesforce introduceerde Koa Decisions op 6 november 2026. Het is een beslissingsmodel op basis van Gemma van Google, een model met open gewichten dat tekst, afbeeldingen en audio kan verwerken. Het bedrijf wil de technologie verder uitbreiden dan het routeren van verzoeken in Agentforce, naar Salesforce-workflows en ontwikkelaarstools.

Koa Decisions is de volgende versie van HyperClassifier. Het model leest een verzoek en een door de gebruiker gedefinieerde lijst met categorieën en geeft vervolgens in één stap een selectie, een ja-of-neebeslissing of een score. Volgens Salesforce duurt dit proces enkele milliseconden. Het model wordt toegevoegd aan de Koa-familie, naast een afzonderlijk Koa-redeneermodel dat met NVIDIA is ontwikkeld.

Hoe Koa Decisions een antwoord genereert

Het verschil zit in de manier waarop een antwoord wordt gegenereerd. Een groot taalmodel genereert tekst token voor token, waarbij elke nieuwe token is gebaseerd op de voorgaande tokens. Een beslissingsmodel leest het volledige verzoek en geeft in één stap een beknopt antwoord, vaak bestaande uit één token. Omdat dat antwoord kort is, zijn er minder rekenkracht en -middelen nodig om het te genereren, en kan andere software er meteen mee aan de slag.

Bij een probleem met inloggen op een account kan het model uit een lijst met onder meer engineering en verkoop het accountteam selecteren en vervolgens een betrouwbaarheidsscore geven. Zo kan een agent een gespecialiseerd model gebruiken voor herhaalbare beslissingen en een algemeen LLM inzetten voor schrijven en redeneren. In het ontwerp van Salesforce hoeven klanten niet voor elke taak handmatig een model te selecteren.

Onderzoeksresultaten en de prestaties van HyperClassifier in productie

In de preprint over onderzoek naar Koa-beslissingen formuleren de onderzoekers classificatie, semantische eindpuntdetectie, booleaanse controles en scoring als generatie onder beperkingen, met uitvoer van één token. Atomaire labeltokens en supervised fine-tuning brengen deze taken terug tot deterministische decodering in één stap.

De auteurs rapporteren een nauwkeurigheid van 85,5% op een benchmark voor het routeren van productie-intenties, responstijden van ongeveer een halve seconde en een mediane snelheid die tot ongeveer 7,5 keer hoger lag dan die van de geteste koplopermodellen onder identieke omstandigheden voor het serveren van modellen. In vergelijking met het gespecialiseerde Jev/TypeSafe-systeem rapporteren ze een vergelijkbare nauwkeurigheid en kortere mediane responstijden, evenals ondersteuning voor multimodale invoer en uitvoer met meerdere labels, die tekstsystemen met één label niet aankunnen.

Koa Decisions bouwt voort op een voorganger die al is geïntegreerd in Agentforce. In een verslag van Salesforce Engineering wordt beschreven hoe HyperClassifier de intentie van gebruikers interpreteert en agents naar actiesets leidt voordat er een antwoord wordt gegenereerd. Bij spraakinteracties bepaalt het model of iemand is uitgesproken. In het eerdere ontwerp wordt elke klasse weergegeven met een unieke speciale token en worden de berekeningen voor de eerste prompt gecachet, zodat herhaalde instructies niet opnieuw hoeven te worden verwerkt. Daardoor blijft het aantal uitvoerstappen vast, ongeacht de lengte van de klassenaam.

Volgens een verslag over de implementatie van 8 juli 2026 is HyperClassifier gefinetuned op GPT-OSS-20B en kan het model classificeren op basis van maximaal 200 labels. In het voorjaar van 2026 werd het de standaard voor intentiedetectie en routering in Agentforce Service- en Employee Agent-sjablonen.

Salesforce mat voor HyperClassifier een routeringsresponstijd van ongeveer 26 milliseconden, tegenover 1.446 milliseconden voor een algemeen koplopermodel. Die meting in productie betreft de voorganger en geeft geen uitsluitsel over de prestaties van Koa Decisions.

Demo beschikbaar en integraties in ontwikkeling

Iedereen kan de demo van Koa Decisions uitproberen, ook mensen die geen klant zijn van Salesforce, na registratie voor een gratis Trailhead-account. Gebruikers kunnen het verzoek en de categorielijst aanpassen en de betrouwbaarheidsscores voor de opties bekijken.

Salesforce zegt dat er geen nieuwe training nodig is om een categorie toe te voegen, zoals retourzendingen. Het bedrijf zet dit af tegen maatwerkprojecten voor voorspellende classificatie, die voor veel grote ondernemingen maanden in beslag namen; een implementatie van een beslissingsmodel kan soms al binnen enkele uren in productie worden genomen.

In een gedocumenteerd workflowvoorbeeld signaleert een beslissingsmodel een verkoopkans die gevaar loopt en selecteert het het team dat moet ingrijpen, terwijl een LLM samenvat wat er is veranderd. De workflow loopt daarbij van een Sales Cloud-record naar een Slack-melding. Geplande integraties omvatten flows, Apex, promptsjablonen en een API voor ontwikkelaars. Prijzen en pakketten kunnen veranderen, de beschikbaarheid kan per regio verschillen en de toegang valt onder klantovereenkomsten. De demo en de bestaande implementatie van HyperClassifier betekenen daarom niet dat elke geplande integratie algemeen beschikbaar is.

In de praktijk zorgt dit voor een duidelijkere taakverdeling binnen bedrijfssoftware: beslissingsmodellen verzorgen routering, controles en scoring, terwijl LLM’s uitleg en redeneringen voor hun rekening nemen. Koa Decisions voegt multimodale invoer en meer mogelijke integratiepunten toe aan die architectuur. Hoe ver het model binnen ondernemingen wordt ingezet, hangt nu af van de manier waarop die integraties verder gaan dan de demo en de routeringsfuncties die HyperClassifier al uitvoert.