Salesforce 给全球 SaaS 公司打了个版：27年软件经验训进 AI，不碰一条客户数据

前两天看 Agent 给我发的商业简报，有一条消息引起了我的兴趣：

Salesforce 发布了一个 CRM 推理模型，叫 Koa，说是把 27 年的 CRM 经验训练进了模型。

我以前做过 SaaS，又是销售背景，对 CRM 这套东西很熟悉，且 Salesforce 是这个领域的绝对头部玩家，很多国内的 CRM 产品都“抄过”它。这两年进入AI时代后，它就鲜少再出现在信息流里，我都快把它忘了。

所以看到 Salesforce 的名字，推理模型，再加上“27 年业务经验”，一下就来了兴趣。

全球最大的 CRM 巨头居然自己下场做推理模型，而且还号称把“27 年经验”装了进去，我的第一反应是：居然做了个模型，而不是Agent？ 27 年的业务经验，要怎么“装”进去？

更有意思的是，它明确表示：

整个训练过程，没有使用任何真实的客户数据。

What？！没用客户数据？

那这所谓的“27 年业务经验”，到底是什么？

我就更好奇了，我就顺着消息一路扒下去，越看越兴奋。

因为这背后展示出来的，是企业软件在 AI 时代一次很根本、也很有意思的转变。

先理清一个概念：Koa 是大脑，不是智能体

聊它的机制之前，先理清一个容易混淆的认知。

很多人看新闻摘要，容易误以为 Salesforce 做了个叫 Koa 的智能体（Agent）。

其实不是。

论文标题写得很严谨：

Salesforce Koa: An Enterprise Language Model for Agentic Tool Use。

翻译过来是：

一个专门为了智能体工具调用而生的企业大语言模型。

所以它是一个实打实的、拥有 1200 亿参数的基础大模型。

9 月 15 日，Salesforce 与 NVIDIA 宣布推出 Koa。它在 NVIDIA Nemotron 这个开放权重的底座模型上，做针对企业工作的后训练，得到这个供自家 Agentforce 智能体平台使用的推理模型。

那它和我们平时说的智能体，到底是什么关系？

如果把一个在企业里办事的数字员工做个拆解：

Koa，就是这个员工的大脑。

外面的 Agentforce 平台是它的身体和执行系统；而底层的 CRM 数据库、邮件、各类业务接口，则是它的手和脚。

假设你开了一家公司，平时招普通大模型进来，它就像一个刚入职的名校高材生。

你问它：“这个客户沟通三次了，预算 80 万，合同还没签，我接下来怎么办？”

它能给你写一篇头头是道的宏观分析。

但真实企业要的不是一篇分析，而是要有人去具体办事：

Tasks:
① 找到这个客户的商机记录
② 查看过去三次沟通记录
③ 检查合同审批状态
④ 判断销售阶段应该改成什么
⑤ 更新系统数据
⑥ 创建一个法务跟进待办
⑦ 通知对应的业务负责人
⑧ 三天后如果还没签，自动再提醒一次

这就是 Koa 要干的事。

再举个常见的日常场景。

客户发来一句询问：“为什么我们这个月账单突然多了 20%？”

普通聊天机器人只会去搜帮助文档，写一段客套但解决不了问题的计费说明。

而由 Koa 驱动的系统，大脑里在做连续的业务推演：

第一步：识别客户身份
第二步：调用接口查询账户订阅历史
第三步：比对两个月账单，定位到增加了 25 个账号
第四步：查询权限记录，查清是谁在哪一天审批添加的
第五步：判断账单是否合规
   · 若无误：向客户清楚解释变动明细
   · 若算错：自动创建异常工单，转交财务核对

在这个过程中，Koa 并不直接伸手去数据库改数据。

它只负责两件事：

理解当前的业务状态，决定下一步该调用哪个工具。

真正执行操作的，是外层的运行系统。

Koa，就是 Salesforce 专门给自家系统训练出来的“业务决策大脑”。

好，那么问题来了，宣称没用一条客户数据的 Salesforce，是怎么把 Koa 这个大脑训练出来的？

27年的经验，被做成了 AI 的“练习场”

这 Part 来聊一聊，不用客户数据，Salesforce 凭什么把 27 年经验装进这个大脑？以及装的到底是什么？

答案很意外，是：Workflow Specification（工作规范）。

过去 27 年，Salesforce 最值钱的“遗产”是什么？

根本不是数据库里各家公司的机密流水或者合同数量，而是沉淀下来的业务工作规范：

一个销售线索进来，满足什么条件才能转成商机？

一个售后工单，什么情况下必须升级给主管？

一笔超过 5000 美元的退款，要走哪几层审批？超过 30 天还能不能退？

金融、制造、医疗……不同行业的标准作业流程到底长什么样？

这些规则，过去躺在产品逻辑、数据架构、权限边界和行业解决方案里。

他们干了一件极其聪明的事：

用这套成熟的业务规范，在系统里搭建了一个庞大的“企业经营模拟器”。

Salesforce 针对 14 个行业合成了海量虚拟场景。

然后，他们找来一个辅助大模型，在模拟器里一人分饰三角：

• 角色一：扮演形形色色、甚至故意挑刺的虚拟客户；

• 角色二：扮演软件系统，给工具调用返回逼真的模拟数据；

• 角色三：充当裁判，全程盯梢打分。

他们把 Koa 放进这个虚拟沙盒里，让它去“上班”。

在沙盒里，每一个任务都被定义得极其清晰：

【模拟工作任务】：处理客户退款申请
可用工具：
· 查询客户信息
· 查询历史订单
· 查询退款政策
· 执行退款操作
· 转交人工客服
工作规则：
· 超过 5000 美元必须人工审批
· 购买超过 30 天不能直接退款
· 必须先确认订单的实际状态
成功条件：
· 客户问题合规解决
· 并且没有越权或乱用工具

虚拟客户跑来说：“我两个月前买的软件不好用，现在要退款！”

Koa 就得自己在沙盒里查客户 → 查订单 → 发现已经买了 63 天 → 查退款规则 → 超过期限，不能直接退款 → 向客户说明，必要时转人工。

这时候，如果顺着客户说一句“好的，已经退了”，服务态度看着挺好，工作可没做对。

一个场景，Koa 可以在模拟器里翻来覆去跑成千上万次。

真正的训练资产，不是数据库里的静态死数据，而是把工作经验变成了源源不断生成训练场景的“企业模拟器”。

在具体的训练机制上，Salesforce 还发现了一个关键点：

面对复杂的多轮工具调用，传统的 SFT 监督微调（让模型背题库）几乎没有什么用。

因为真实业务从来没有唯一标准答案。面对投诉客户，有人先看沟通历史，有人先查订单，如果强迫模型死记硬背一套固定步骤，现实中只要情况稍微变化，模型立刻就会卡壳死循环。

所以他们把重心全押在了强化学习上。

裁判要看整个处理过程。涉及具体业务数据的问题，有没有调用相关工具拿到依据？客户提出的问题，究竟哪些已经解决？

事情办成了、没踩红线 → 给奖励；

没办成，或者乱调工具 → 扣分；

如果连续重复同一个工具调用，这轮奖励还会直接归零。

这些工作过程和反馈，被用来调整模型的参数。这就是强化学习在这里的用法。同一类任务可以反复练，让它在不同情况里尝试，逐渐提高得分。

Salesforce 还会故意把能办事的工具拿掉，看模型会怎么办。遇到做不了的事，要说清楚缺什么，或者交给人，不能假装已经办完。

会干活，也得知道什么时候不能瞎干。

到这里，我才看懂了这“27 年经验”到底是什么样子。

一个做了27年 CRM 软件的公司，最知道销售线索怎么判断、工单怎么流转、哪些动作需要审批。这些积累让它能定义清楚工作规则，构造练习场景，也知道怎样检查结果。模拟过程中产生的对话、动作和反馈，才进一步用于训练。

原来软件里沉淀的工作方法，还能拿来给 AI 出题。

Koa 的模型跑分肯定跑不过当前的那几个顶尖梯队的模型，但 Salesforce 根本没想去跟通用模型拼写诗和写代码。

它要的是：在企业日常最核心的几千个业务动作里，足够可控、便宜，而且模型牢牢握在自己手里。

老 SaaS 的痛点：企业买得起软件，跨不过门槛

看到这里，我挺感慨的。

我以前做过 SaaS，还是销售背景出来，平心而论，过去三十年 SaaS 软件的兴起，是一次巨大的商业进步。

它把原本散落在各个销售脑子里、甚至小笔记本上的客户信息，变成了标准化的流程。销售线索怎么跟进、商机阶段怎么推进、审批怎么流转，都被搬上了云端。业务流程被规范了，信息可以共享，团队协作也更顺畅了。

但与此同时，另一个无法回避的现实摩擦也出现了，我觉得做过 SaaS 的朋友可能都有过相同的痛点：

企业把软件买回去了，员工真的用得起来吗？

未必。

为什么？

因为任何软件都有使用门槛，需要人先学怎么操作，然后才是用。很多企业和销售团队不是没有管理意识和协同意识，而是在第一步就被卡住了，这点在国内市场尤其明显。

一个优秀的销售，核心竞争力本该是去理解客户、捕捉需求、建立信任。

但为了让系统运转起来，他每天还要花大量的时间和精力去适应软件，比如，这个信息填在哪个字段？商机阶段该怎么改？审批流走到哪一步了？下一步该点哪个菜单？

很多时候，员工为了完成一件事，不得不先把自己训练成一个熟练的“软件操作员”。

这也就是为什么在企业软件领域，会衍生出那么庞大的实施顾问、培训团队，以及有些大公司还有一个专职的岗位名称叫客户成功（Customer Success）团队。

企业买 CRM，真正想要的是把销售管理做好、把业务跑通，而不是得到一本几百页的软件操作手册，花3个月先熟悉软件。

但过去，卖软件和用好软件之间，隔着一条巨大的鸿沟。软件公司只能靠大批客户成功或实施人员人肉驻场，手把手教客户怎么配置、怎么操作、怎么把自己的业务嵌进系统里。

本质上，大家都在靠人力服务，去填补“业务意图”与“软件操作”之间的缝隙。

这就引出了一个我们习以为常、却很少深思的问题：

为什么一定要人先学会软件，工作才能往下走？

底层的范式反转：从“人学软件”，到“软件教 AI 怎么干活”

所以，Koa 让我觉得最受启发的地方，恰恰是它打破了这个惯性。

把两件事情放在一起看，结构上的反转非常清晰：

这是一个很根本的反转。

曾经需要顾问坐在旁边教、员工一遍遍学的那些操作经验——这个工单应该分派给谁？这个商机缺少了什么关键信息？这个退款应该调哪几个底层接口核验？

现在，这些能力正在被压缩进模型的权重里。

软件正在从 Software you learn to use（你必须学习使用的软件），

变成 Software that knows how to use itself（自己知道该怎么使用自己的软件）。

你不再需要去研究二级菜单里的按钮叫什么名字，不再需要记得转商机要在哪里提交登记。

你只需要像跟资深业务助理说话一样，表达你的业务目标：

“帮我查一下上个月掉单但有挽回希望的客户，找出原因，安全的跟进动作直接安排掉，需要我确认的列出来。”

剩下的查表、比对、关联对象、跑工单、发通知，全由模型在后台默默完成。

当学习和操作软件的门槛被模型内部消化掉，人与工具之间的那层摩擦，第一次被大幅缩窄了。

软件不会消失，但人与软件的关系要变了

顺着这个逻辑再往前推一步：如果软件越来越多地由智能体来操作，那我们熟悉的 SaaS 会消失吗？

我倒不觉得软件会完全消失，只是会逐渐的不再被人看见。

就在发布 Koa 的第二天，Salesforce 紧跟着发布了另一个产品动作：AIforce。

官方直接用了一个词：Headless。

大白话讲，就是把“脸”拿掉。

（“脸”在这里指代给人看的UI界面。）

那个我们过去三十年习以为常的软件形象——复杂的菜单、一排排表格、花哨的数据大盘、必须登录进去才能点击的网页，正在退居二线。

Salesforce 甚至在宣传里直说：未来员工可能几个月都不需要登录一次 Salesforce，你在 Slack、在 Claude、在任何常用的对话框里，就能直接调用它的能力。

但这绝不代表软件死了。相反，它把软件清晰地切成了两层：

一层是：核心记录系统（System of Record）

客户档案、资金流水、权限边界、合规审计。这些核心资产不仅不会消失，反而会成为智能体在真实世界行动时唯一信赖的现实锚点。

另一层是：能力暴露层（Capability Layer）

软件公司不再只卖静态页面，而是通过 MCP、API、plugins、skills 把 Salesforce 的数据、Workflow、业务逻辑、权限和动作暴露出去。

软件脱掉了给人类点击的外衣，退到了后台，变成企业运转的底层能力基座。

以后看一家软件公司，光看它有多少功能、多少页面，可能越来越不够了。更值得看的是，它对业务的理解，能不能真正帮助 Agent 把工作完成。

软件里的规则、权限、工具和成功标准，原来藏在界面后面的这些东西，会变得更值得研究。

过去，我们把工作经验做成软件，再教人使用；

现在，我们用这些经验训练 AI，让它替人去操作软件。

软件没有消失，但人与软件之间的关系，彻底变了。

我觉得其实大家期待的，从来不是什么“以后再也不用工作了”，而是我们终于能把更多心思放在事情本身，少一点花在研究工具怎么用上。

客户关系怎么经营，生意该怎么做，如何理解真实的人和需求——这些充满温度与商业判断的事情，值得人认真想。

至于信息该填进哪个框、下一步该点哪个按钮，就让工具多操点心吧。