Na conferência Dreamforce deste ano, a Salesforce lançou dois produtos que apontam em direções opostas. Um é o Claudeforce, construído com a Anthropic, que permite aos clientes operar o Salesforce diretamente de dentro do Claude. O outro é o Koa, um modelo de raciocínio construído com a NVIDIA sobre fundações open-weight — e, segundo o próprio enquadramento da Salesforce, projetado para substituir modelos fechados como Claude e GPT em uma fatia significativa das tarefas corporativas.
Uma mão abraça os laboratórios de fronteira; a outra trabalha para contorná-los. A maior parte da cobertura tratou isso como uma história de produto. Não é. Os dois lançamentos aparecerem lado a lado é o sinal.
Aqui está a mudança estrutural: pela primeira vez, o conhecimento de domínio acumulado de uma empresa pode ser instalado dentro do próprio modelo. Isso dá aos fornecedores de software corporativo um caminho crível para contornar os laboratórios de fronteira — e muda quem captura o valor da IA corporativa.
1. Repensando o que é um modelo vertical
Duas suposições dominam a conversa. Primeira: que modelos verticais são apenas modelos pequenos fazendo trabalho fácil — um compromisso para quem não pode pagar computação de fronteira. Segunda: que os modelos de fronteira acabarão absorvendo todos os casos de uso verticais, e que “cada passo dos grandes modelos é um passo atrás para o SaaS”.
O Koa desmonta as duas.
Não é um modelo pequeno treinado do zero. A Salesforce fez pós-treinamento do Nemotron 3 Super open-weight da NVIDIA usando fine-tuning supervisionado (SFT) seguido de aprendizado por reforço com Group Relative Policy Optimization (GRPO), em ferramentas que incluem NeMo RL, NeMo Gym e NeMo AutoModel. O raciocínio geral vem da fundação aberta; a competência de domínio vem do pós-treinamento. Este é um paradigma completo — base aberta mais pós-treinamento de domínio — não uma imitação em escala reduzida.
Os resultados contam a história real. No CRM Benchmark da Salesforce, o Koa obteve uma média ponderada de 8,6 — logo abaixo do Claude Opus 4.8 com 8,7 e do GPT-5.5 com 9,0, mas à frente do GPT-4.1 com 8,1. A reivindicação oficial da Salesforce: o Koa iguala ou supera os modelos líderes em ações de CRM com três vezes menos erros. Testes internos também citam 11% mais precisão em chamadas de ferramentas, 2,1x mais confiabilidade na recuperação de contexto e 15% mais memória em conversas longas.
Leia esse painel com atenção. Em benchmarks gerais, o Koa ainda fica atrás da fronteira. Mas em fluxos de trabalho delimitados e bem definidos — atualizar oportunidades, rotear casos, agendar follow-ups — ele é bom o suficiente. A competição mudou de “quem é mais inteligente” para “quem se adequa à tarefa”.
Um detalhe merece atenção especial: os dados de treinamento. A Salesforce não usou nenhum dado de clientes. O corpus é inteiramente sintético — cenários simulados abrangendo mais de 14 setores, de clientes irritados no atendimento a vendedores fechando negócios. Jayesh Govindarajan, EVP de IA da Salesforce, explicou ao TechCrunch por que isso não tinha acontecido antes: não existia um modelo base pré-treinado que fosse soberano, estado da arte e com proveniência de dados clara. Até o Nemotron, essa fundação não existia.
2. Por que agora: três forças
Primeiro, o custo crescente da confiança. Na mesma semana, outro fornecedor de modelos foi pego empacotando arquivos do workspace dos usuários e enviando-os para a nuvem, com uma empresa afetada ameaçando publicamente ação judicial. Quando as capacidades dos modelos convergem, as questões de fronteira de dados dominam as compras. A resposta do Koa: os pesos, o pós-treinamento e a inferência permanecem todos dentro da própria fronteira de confiança da Salesforce.
Segundo, a economia. A IA de fronteira é um negócio de alta margem — a Anthropic, segundo relatos, espera margem bruta de 50% em 2026 e 77% até 2028. Enquanto isso, a receita de Agentforce + Data 360 da Salesforce está se aproximando de US$ 3,9 bilhões por trimestre. A Salesforce tem tanto o motivo quanto a escala para trazer as cargas de inferência para dentro de casa. O TechCrunch acrescenta um detalhe revelador: a NVIDIA diz que a arquitetura de inferência do Nemotron é eficiente em tokens — o mesmo trabalho consome menos tokens, o que importa quando o gasto com IA é medido em milhões.
Terceiro — e o mais profundo — a questão existencial da indústria SaaS. À medida que os modelos melhoram, os clientes poderiam dispensar totalmente os fornecedores de software e construir seus próprios agentes. Toda empresa SaaS precisa agora responder: como nos tornamos a peça que os clientes não podem contornar? O CEO da Salesforce, Marc Benioff, colocou de forma direta: “A coisa mais valiosa que a Salesforce construiu não é a nossa plataforma — é o conhecimento acumulado de como o negócio corporativo realmente funciona. Com o Koa, esse conhecimento é colocado dentro do próprio modelo.”
3. Um framework: a pilha de raciocínio
Abstrair o Koa em uma ferramenta reutilizável. As necessidades de inferência da IA corporativa vêm em três camadas:
Camada inferior — raciocínio de ações de domínio. Tarefas delimitadas com ações padrão e contexto fechado: atualizar registros de CRM, rotear tickets, aprovações baseadas em regras. O modelo ideal aqui é um modelo vertical pós-treinado — mais barato, mais controlável, os dados nunca saem do domínio.
Camada do meio — orquestração de fluxos de trabalho. Tarefas de múltiplas etapas e entre sistemas que encadeiam chamadas de ferramentas. Isso pertence à plataforma — o gateway de IA do Agentforce roteia cada solicitação para o modelo mais adequado, e o Koa entra como uma das opções.
Camada superior — raciocínio de domínio aberto. Pesquisa aberta, trabalho criativo entre domínios, problemas genuinamente novos. Os modelos de fronteira permanecem insubstituíveis aqui, por enquanto.
O valor do framework: ele substitui a pergunta sem saída “os modelos verticais vão substituir os modelos de fronteira?” por uma questão de alocação — “quem deve ser dono de cada camada?”. Uma estratégia de modelos mistos não é um compromisso transitório. É o estado estacionário.
4. O paradigma vai se espalhar?
A NVIDIA é a principal evangelista do paradigma. Jensen Huang apareceu na Dreamforce para apoiar o Koa pessoalmente, citando uma estatística: o uso de modelos abertos cresceu de cerca de 30% no início do ano passado para aproximadamente 70% hoje. Seu jogo de longo prazo é a “IA soberana” — ajudar cada empresa a se tornar uma empresa de IA. Isso não conflita tanto com o negócio de laboratórios da NVIDIA quanto parece: segundo relatos, a Anthropic opera mais de um milhão de chips AWS Trainium2 e se comprometeu a gastar mais de US$ 100 bilhões na AWS ao longo de uma década. Se os laboratórios estão se des-NVIDIA-zando, a NVIDIA precisa encontrar seu próximo mercado na base corporativa — que é vastamente maior do que um punhado de laboratórios de IA.
Duas restrições moderam a previsão. Talento: as pessoas capazes de executar pós-treinamento de alta qualidade estão concentradas em laboratórios de fronteira e big techs; a maioria das empresas de software não as tem. Economia: a Salesforce pode amortizar os custos de pós-treinamento porque tem a maior carga de trabalho de CRM do mundo e cerca de US$ 3,9 bilhões em receita trimestral vinculada à IA. A maioria das empresas não tem nenhuma das duas.
Mas a história sugere que ambas as restrições se corroem. Quando o iPhone foi lançado, a Salesforce se apressou em construir produtos móveis e enfrentou dificuldades por falta de desenvolvedores iOS; em poucos anos, talento iOS era abundante, depois em excesso. Com as fundações abertas amadurecendo e toolchains de pós-treinamento como o NeMo se tornando produtos, a barreira está caindo de “nível laboratório” para “nível equipe de engenharia”.
Extrapole para os setores: um banco pode fazer pós-treinamento de um modelo em seus fluxos de conformidade. Um hospital pode instalar raciocínio de coordenação de cuidados on-premises. Os governos chegam lá mais rápido que todos — a tecnologia irmã do Koa já alimenta o Missionforce, a oferta da Salesforce para implantações em nuvem privada e air-gapped, respaldada por um contrato de US$ 1,6 bilhão relatado com o Departamento de Assuntos de Veteranos dos EUA. Toda empresa que possui dados de processos distintosivos é uma potencial empresa de modelos verticais.
5. O que fazer a respeito
- Se você constrói produtos SaaS: inventarie seus dados de processos. Quais tarefas têm uma “sequência correta de ações” que existe apenas dentro do seu sistema? Esse é o fosso sobre o qual seu futuro modelo vertical se sustentará. Comece agora experimentos de pós-treinamento em pequena escala sobre fundações abertas — não espere que um modelo geral resolva isso “um dia”.
- Se você compra IA corporativa: segmente suas necessidades de raciocínio por camada antes de negociar com fornecedores. Prefira soluções verticais de domínio delimitado para a camada inferior; pague preços de fronteira apenas pelo raciocínio de domínio aberto. E coloque os compromissos de fronteira de dados no contrato, não no deck de marketing.
- Se você é engenheiro(a): habilidades de pós-treinamento — SFT/GRPO, toolchains estilo NeMo, construção de dados sintéticos — estão entre as demandas de crescimento mais rápido dos próximos anos. Mais valioso do que aprender mais um framework.
- Se você acompanha os laboratórios de fronteira: observe a base do seu mercado ser devorada — não por modelos mais inteligentes, mas por modelos suficientes e controláveis. O fosso dos laboratórios está se deslocando da capacidade bruta para a borda extrema de domínio aberto.
Lançar o Claudeforce e o Koa juntos não é esquizofrenia corporativa. É um posicionamento de olhos abertos ao longo da pilha de raciocínio: continuar alugando inteligência de fronteira no topo, começar a ser dono dela na base. Quando inteligência vertical suficiente puder ser pós-treinada por qualquer um com dados de processos, a estrutura de poder da IA corporativa finalmente começa a ser redistribuída.
