Salesforce Koa demuestra la eficacia del tool calling empresarial: qué deben implementar hoy los equipos de marketing

Los flujos de trabajo de marketing empresarial han superado a las simples completaciones de chat. Cuando se ejecuta un agente de automatización de campañas, no basta con redactar el texto de un correo electrónico: debe consultar puntuaciones de leads en el CRM, cruzar atributos personalizados, revisar listas de supresión en un data warehouse externo y disparar payloads de webhooks con una sintaxis JSON exacta.

Salesforce AI Research abordó exactamente esta frontera en su informe técnico, Salesforce Koa: An Enterprise Language Model for Agentic Tool Use. Al realizar el post-entrenamiento de un modelo base de pesos abiertos de 120B usando Optimización de Políticas Relativas de Grupo (GRPO) sobre tareas guiadas por especificaciones, el equipo de Salesforce logró una tasa de éxito en tareas (Task Success Rate) del 87% en CRMAgentBench, superando a modelos base de frontera generales como GPT-4.1 (82%).

Aunque desplegar modelos propios de 120B de parámetros en FP8 requiere infraestructura de GPU dedicada, los hallazgos arquitectónicos de Koa ofrecen una hoja de ruta para especialistas en growth marketing e ingenieros de operaciones. Para los equipos que construyen agentes de producción hoy en día, combinar estos patrones de diseño agéntico con modelos de alta velocidad como Gemini 3.7 Flash mediante la API unificada de OneMux proporciona una ejecución de nivel empresarial sin la sobrecarga de gestionar clústeres.

---

Qué demuestra Salesforce Koa sobre el uso de herramientas empresariales

Los modelos base generales suelen tener dificultades dentro de los stacks tecnológicos de marketing y CRM porque los flujos de trabajo reales presentan acciones superpuestas, tipado estricto de parámetros y graves penalizaciones por alucinaciones en registros en vivo.

El paper de Koa presenta varios hallazgos clave directamente aplicables a las operaciones de marketing:

1. Entornos guiados por especificaciones (Specification-Driven Environments): En lugar de datos conversacionales no estructurados de múltiples turnos, Salesforce derivó entornos a partir de Agent Script: grafos declarativos que especifican temas de enrutamiento, interfaces de acción tipadas y alcances de subagentes. Su expansión en simulaciones de clientes orientadas a arquetipos (personas) garantizó que la política se evaluara en función de la finalización de tareas con estado (stateful).
2. Recompensas por resolución fundamentada (Grounded Resolution Rewards): En lugar de depender exclusivamente de validaciones sintácticas intermedias, el pipeline de GRPO de Koa evaluó los despliegues usando un juez de cobertura congelado. Las recompensas escalaron en función de la proporción de subpreguntas de negocio resueltas, penalizando las acciones duplicadas con una recompensa de cero si se repetía de forma consecutiva una llamada a herramienta idéntica.
3. Adaptación específica dentro del dominio (Targeted In-Domain Adaptation): Aunque el aprendizaje por refuerzo en dominios abiertos aportó mejoras modestas en benchmarks públicos como Tau2Bench y BFCL, continuar el RL directamente sobre la distribución dentro del dominio del CRM de Salesforce mejoró drásticamente la precisión de argumentos y el éxito total de llamadas a herramientas en datasets empresariales etiquetados por humanos.

Para un equipo de marketing que gestiona customer journeys, esto deja una realidad evidente: la escala del modelo por sí sola no evita payloads de API defectuosos. Una ejecución confiable requiere esquemas declarativos de herramientas, verificación de llamadas duplicadas y modelos diseñados para un enrutamiento de funciones ágil.

---

Por qué Gemini 3.7 Flash encaja en los equipos modernos de marketing

No todos los equipos de ingeniería de growth pueden ajustar y alojar un checkpoint personalizado de Nemotron-120B. Para los stacks de marketing que ingieren telemetría de producto, registros de leads y catálogos de contenido, Gemini 3.7 Flash de Google funciona como un motor de inferencia rápido y rentable.

1. Enrutamiento de leads y enriquecimiento de datos de alto rendimiento

Los agentes de marketing suelen procesar colas asíncronas: clasificar envíos de formularios entrantes, evaluar señales firmográficas y registrar actualizaciones estructuradas en HubSpot o Salesforce. Gemini 3.7 Flash ofrece la rápida generación de tokens y la baja latencia necesarias para procesar grandes cargas de trabajo por lotes sin retrasar la entrega de campañas.

2. Amplia memoria de trabajo para atribución multitáctil (Multi-Touch Attribution)

Gemini 3.7 Flash incluye una ventana de contexto de 1M de tokens. En analítica de marketing, la atribución multitáctil con frecuencia exige introducir meses de registros de sesiones dispares, historiales de clics en emails y tickets de soporte al cliente en un único prompt. En vez de recurrir a podas vectoriales agresivas que descartan marcas de tiempo contextuales, el modelo puede procesar extensos historiales estructurados de clientes de forma directa.

3. Precisión nativa en Function Calling

Las operaciones de marketing dependen de salidas deterministas. Ya sea al consultar la API de pujas de Google Ads o al actualizar la etapa de una secuencia de correos, los argumentos mal formados interrumpen la ejecución. Gemini 3.7 Flash admite llamadas estructuradas a herramientas de forma nativa, lo que lo hace ideal para aplicar el tipado estricto de parámetros promovido por la arquitectura de Koa.

---

Precios en producción y análisis de costos

Para los equipos de marketing que escalan prospecciones autónomas o personalizaciones web en tiempo real, el gasto en tokens se acumula con rapidez. Acceder a Gemini 3.7 Flash mediante los precios de OneMux ofrece a los equipos de growth un seguimiento transparente del consumo y ahorros significativos frente a las tarifas base oficiales.

Instantánea de precios publicados

Precios registrados el 2026-10-15T10:20:07.502Z a partir de los listados publicados en el catálogo. Los precios estándar de tokens corresponden a 1.000.000 de tokens (1M).

Las lecturas de caché en Gemini 3.7 Flash figuran a un precio oficial de $0.075 por 1M de tokens, con un precio de lectura de caché en OneMux de $0.01365 por 1M de tokens.

Cálculo para una carga de trabajo de marketing concreta

Considere un motor automatizado de ciclo de vida en el segmento mid-market que ejecuta 50.000 auditorías de cuentas al mes:

• Entrada: 12.000 tokens por cuenta (datos firmográficos, últimas 5 transcripciones de usuarios, compras históricas).
• Salida: 800 tokens por cuenta (etiquetado JSON estructurado, asignación de campañas, generación de payloads).
• Volumen total: 600M de tokens de entrada, 40M de tokens de salida.

Facturación oficial de Gemini 3.7 Flash:

• Entrada: 600 × $0.75 = $450.00
• Salida: 40 × $3.75 = $150.00
• Costo total: $600.00

Facturación de Gemini 3.7 Flash en OneMux:

• Entrada: 600 × $0.1365 = $81.90
• Salida: 40 × $0.6825 = $27.30
• Costo total: $109.20

Con OneMux, el equipo de marketing ejecuta exactamente la misma carga de trabajo con una reducción del 81.8% en el gasto de inferencia, preservando presupuesto para experimentar con modelos alternativos en el catálogo de modelos.

---

Implementación de un pipeline de herramientas estilo Koa con OneMux

OneMux ofrece una interfaz de enrutamiento compatible con OpenAI. Al configurar herramientas declarativas junto con esquemas estrictos, los desarrolladores de marketing pueden replicar los principios de enrutamiento de tareas de Koa en unas pocas líneas de código.

Consulte la Guía de inicio rápido de OneMux para obtener su clave de API y luego invoque Gemini 3.7 Flash:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.onemux.net/v1",
    api_key=os.environ.get("ONEMUX_API_KEY"),
)

# Define declarative marketing tools following Koa's schema isolation
tools = [
    {
        "type": "function",
        "function": {
            "name": "update_lead_lifecycle_stage",
            "description": "Updates a prospect lifecycle stage in the marketing CRM.",
            "parameters": {
                "type": "object",
                "properties": {
                    "lead_id": {"type": "string"},
                    "lifecycle_stage": {
                        "type": "string",
                        "enum": ["marketing_qualified", "sales_accepted", "disqualified"]
                    },
                    "qualification_reason": {"type": "string"}
                },
                "required": ["lead_id", "lifecycle_stage", "qualification_reason"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="gemini-3-7-flash",
    messages=[
        {
            "role": "system",
            "content": "You are an enterprise marketing ops router. You only execute verified transitions."
        },
        {
            "role": "user",
            "content": "Lead ID 98231 completed two product tours and booked an enterprise demo. Transition stage."
        }
    ],
    tools=tools,
    tool_choice="auto"
)

# Inspect the model call
tool_call = response.choices[0].message.tool_calls[0]
print(f"Action: {tool_call.function.name}")
print(f"Arguments: {tool_call.function.arguments}")

Al centralizar las llamadas a través de una API unificada, los equipos de ingeniería mantienen visibilidad de gasto con una sola clave y capacidades de failover entre modelos de frontera sin necesidad de refactorizar su infraestructura de payloads.

---

Recomendaciones prácticas para operaciones de marketing

1. Adoptar subtareas declarativas: No pida a una sola llamada al modelo que analice una cuenta, formule una campaña y envíe actualizaciones. Divida los flujos de trabajo en subagentes deterministas (p. ej., Verificador de Leads, Redactor de Mensajes, Sincronizador de CRM) tal como se demostró en el paper de Koa.
2. Aplicar supresión de llamadas duplicadas: Mitigue la facturación por bucles infinitos. Si su agente llama al mismo endpoint de CRM consecutivamente con los mismos parámetros exactos, interrumpa el turno y márquelo para revisión humana.
3. Equilibrar velocidad y razonamiento: Utilice Gemini 3.7 Flash para enriquecimiento síncrono y enrutamiento operativo. Reserve motores de razonamiento más pesados para estrategias narrativas complejas y modelado de atribución multivariable.

Fuentes

• Chen, Z., Niu, S., Liu, Y., Zhao, W., Prabhakar, A., Mehrotra, S., et al. (2026). Salesforce Koa: An Enterprise Language Model for Agentic Tool Use. arXiv:2609.15066v2. https://arxiv.org/html/2609.15066v2