Salesforce presenterar Koa Decisions med stöd för bilder och ljud

Salesforce presenterade Koa Decisions den 6 november 2026. Beslutsmodellen bygger på Googles Gemma med öppna vikter och kan hantera text, bilder och ljud. Företaget planerar att utvidga tekniken från dirigering av förfrågningar i Agentforce till arbetsflöden och utvecklarverktyg i Salesforce.

Koa Decisions är nästa version av HyperClassifier. Modellen läser en förfrågan och en användardefinierad lista med kategorier och returnerar sedan ett val, ett ja- eller nej-beslut eller ett poängvärde i ett enda steg. Salesforce uppger att detta tar millisekunder. Modellen blir en del av Koa-familjen tillsammans med en separat resonerande Koa-modell som har utvecklats med NVIDIA.

Så genererar Koa Decisions ett svar

Skillnaden ligger i hur svaret tas fram. En stor språkmodell genererar text token för token, där varje ny token bygger på de föregående. En beslutsmodell läser hela förfrågan och ger ett kortfattat svar, ofta en enda token, i ett steg. Eftersom svaret är kort krävs mindre beräkningskraft för att ta fram det, och annan programvara kan agera på det direkt.

Vid ett problem med inloggning på ett konto kan modellen välja kundtjänstteamet från en lista som också innehåller teknik- och säljteamet och sedan returnera ett konfidensvärde. Det gör att en agent kan använda en specialiserad modell för återkommande beslut och samtidigt låta en generell LLM sköta skrivande och resonemang. I Salesforces lösning behöver kunderna inte välja modell manuellt för varje uppgift.

Forskningsresultat och HyperClassifiers användning i produktion

Teamets förhandsversion av forskningsartikeln om Koa-beslut beskriver klassificering, semantisk slutpunktsdetektering, booleska kontroller och poängsättning som begränsad generering med utdata på en enda token. Atomära etikettoken och övervakad finjustering reducerar dessa uppgifter till deterministisk avkodning i ett steg.

Författarna rapporterar en träffsäkerhet på 85,5 % i ett riktmärke för dirigering efter avsikt i produktionsmiljö, svar på ungefär en halv sekund och en mediantid som är upp till cirka 7,5 gånger snabbare än för de avancerade modeller som testades under identiska förhållanden för modellservering. Jämfört med det specialiserade systemet Jev/TypeSafe rapporterar de konkurrenskraftig träffsäkerhet och snabbare mediantider, samt multimodala indata och utdata med flera etiketter, vilket system med en enda etikett och textindata inte hanterar.

Koa Decisions bygger vidare på en föregångare som redan är integrerad i Agentforce. En redogörelse från Salesforce Engineering beskriver hur HyperClassifier tolkar användarens avsikt och dirigerar agenter till åtgärdsuppsättningar innan ett svar genereras. I röstinteraktioner avgör modellen om någon har pratat färdigt. I den tidigare utformningen representeras varje klass av en unik specialtoken, och beräkningar från den inledande prompten cachelagras så att upprepade instruktioner inte behöver behandlas på nytt. Därmed hålls antalet utmatningssteg konstant oavsett klassnamnets längd.

HyperClassifier finjusterades på GPT-OSS-20B och kan enligt en redogörelse för driftsättningen den 8 juli 2026 klassificera upp till 200 etiketter. Modellen blev standardmodell för avsiktsdetektering och dirigering i mallarna för Agentforce Service och Employee Agent under våren 2026.

Salesforce uppmätte en svarstid på ungefär 26 millisekunder för dirigering med HyperClassifier, jämfört med 1 446 millisekunder för en generell avancerad modell. Denna mätning från produktionsmiljö gäller föregångaren och fastställer inte prestandan hos Koa Decisions.

Demotillgång och planerade integrationer

Alla kan prova demoversionen av Koa Decisions, även personer som inte är Salesforce-kunder, efter att ha registrerat ett kostnadsfritt Trailhead-konto. Användarna kan redigera förfrågan och kategorilistan och se konfidensvärden för alternativen.

Salesforce uppger att det inte krävs någon omträning för att lägga till en kategori, till exempel returer. Företaget jämför detta med anpassade projekt för prediktiv klassificering, som tog flera månader för många företagskunder, medan en implementering av en beslutsmodell ibland kan tas i drift på några timmar.

I ett dokumenterat exempel på ett arbetsflöde flaggar en beslutsmodell en försäljningsaffär som riskerar att gå förlorad och väljer det team som bör ingripa, samtidigt som en LLM sammanfattar vad som har förändrats. Arbetsflödet går från en post i Sales Cloud till en Slack-avisering. Planerade integrationer omfattar flöden, Apex, promptmallar och ett utvecklar-API. Priser och paketering kan ändras, tillgängligheten kan variera mellan regioner och åtkomsten regleras av kundavtal. Därför innebär varken demot eller den befintliga driftsättningen av HyperClassifier att alla planerade integrationer är allmänt tillgängliga.

Den praktiska betydelsen är en tydligare arbetsfördelning i företagsprogramvara: beslutsmodeller hanterar dirigering, kontroller och poängsättning, medan LLM:er står för förklaringar och resonemang. Koa Decisions tillför multimodala indata och fler planerade integrationspunkter till den arkitekturen. Hur brett modellen kan användas i företag beror nu på hur dessa integrationer utvecklas bortom demon och de dirigeringsfunktioner som HyperClassifier redan utför.