Salesforce Koa доказывает эффективность вызова инструментов в enterprise: что внедрять маркетинговым командам уже сегодня

Корпоративные маркетинговые процессы давно переросли обычную генерацию текста в чате. Когда запускается агент автоматизации кампаний, ему недостаточно составить текст письма: он должен запросить скоринг лидов в CRM, сопоставить пользовательские атрибуты, проверить списки исключений во внешнем хранилище данных и отправить вебхуки с безупречным синтаксисом JSON.

Команда Salesforce AI Research исследовала эту границу в своем техническом отчете Salesforce Koa: An Enterprise Language Model for Agentic Tool Use. Проведя постобучение открытой базовой модели на 120B параметров с помощью Group Relative Policy Optimization (GRPO) на задачах, управляемых спецификациями, команда Salesforce добилась 87% успешности задач (Task Success Rate) на бенчмарке CRMAgentBench, опередив флагманские модели общего назначения, включая GPT-4.1 (82%).

Развертывание собственных моделей на 120B параметров в FP8 требует выделенной GPU-инфраструктуры, однако архитектурные выводы Koa дают четкую инструкцию для инженеров по автоматизации и growth-маркетологов. Команды, создающие production-агентов прямо сейчас, могут объединить эти архитектурные паттерны со скоростными моделями, такими как Gemini 3.7 Flash, через единый API OneMux, получая enterprise-уровень исполнения без расходов на поддержку кластеров.

---

Что Salesforce Koa доказывает относительно enterprise-вызова инструментов

Базовые LLM общего назначения часто сталкиваются с трудностями внутри стеков CRM и маркетинговых технологий. Причина кроется в специфике реальных процессов: пересекающиеся действия, строгая типизация параметров и недопустимость галлюцинаций при работе с живыми записями клиентов.

В исследовании Koa приводится несколько ключевых выводов, напрямую применимых к маркетинговым операциям:

1. Среды на основе спецификаций (Specification-Driven Environments): Вместо неструктурированных диалоговых данных Salesforce создавала окружения на базе Agent Script — декларативных графов, определяющих темы маршрутизации, типизированные интерфейсы действий и области видимости субагентов. Их расширение в симуляции клиентских сценариев на основе персон позволило оценивать политику на решении задач с сохранением состояния.
2. Вознаграждения за подтвержденное решение (Grounded Resolution Rewards): Вместо простой промежуточной проверки синтаксиса пайплайн GRPO в Koa оценивал прогоны сценариев с помощью фиксированного судьи полноты (coverage judge). Вознаграждения масштабировались в зависимости от доли решенных бизнес-подзадач, при этом дублирующие действия блокировались нулевым вознаграждением при последовательном повторении одинакового вызова инструмента.
3. Целевая адаптация под домен: Хотя обучение с подкреплением (RL) на открытых доменах показало умеренный рост на публичных бенчмарках вроде Tau2Bench и BFCL, продолжение RL непосредственно на целевом распределении Salesforce CRM резко повысило точность передачи аргументов и успешность вызова инструментов на размеченных вручную корпоративных датасетах.

Для маркетинговой команды, управляющей путями клиентов (customer journeys), вывод очевиден: масштаб модели сам по себе не защищает от некорректных полезных нагрузок в API. Надежная работа требует декларативных схем инструментов, отслеживания дублирующих вызовов и моделей, оптимизированных под отзывчивую маршрутизацию функций.

---

Почему Gemini 3.7 Flash подходит современным маркетинговым командам

Не каждая команда growth-инженерии может позволить себе файнтюнинг и хостинг собственного чекпоинта Nemotron-120B. Для маркетинговых платформ, агрегирующих телеметрию продукта, карточки лидов и каталоги контента, модель Gemini 3.7 Flash от Google выступает быстрым и экономически эффективным инференс-движком.

1. Высокопроизводительная маршрутизация лидов и обогащение данных

Маркетинговые агенты регулярно разбирают асинхронные очереди: категоризируют входящие заявки с форм, оценивают фирмографические сигналы и записывают структурированные изменения обратно в HubSpot или Salesforce. Gemini 3.7 Flash обеспечивает высокую скорость генерации токенов и минимальную задержку, позволяя выполнять объемные пакетные задания без задержек в отправке кампаний.

2. Большой объем рабочей памяти для сквозной атрибуции (Multi-Touch Attribution)

Gemini 3.7 Flash обладает контекстным окном в 1M токенов. В маркетинговой аналитике сквозная атрибуция часто требует передачи в единый промпт логов сессий за несколько месяцев, истории кликов по рассылкам и обращений в службу поддержки. Вместо агрессивного векторного сжатия, при котором теряются временные метки, модель способна напрямую обрабатывать протяженные срезы структурированной истории пользователя.

3. Точность нативного вызова функций (Function Calling)

Маркетинговые процессы зависят от детерминированности выходных данных. Будь то запрос к API ставок Google Ads или обновление этапа цепочки писем, некорректные аргументы приводят к сбою выполнения. Gemini 3.7 Flash нативно поддерживает структурированный вызов инструментов, обеспечивая строгую типизацию параметров, описанную в архитектуре Koa.

---

Цены в production и анализ затрат

При масштабировании автоматической рассылки или персонализации веб-страниц в реальном времени расходы на токены растут экспоненциально. Подключение к Gemini 3.7 Flash по тарифам OneMux дает командам прозрачный учет использования и заметную экономию относительно базовых официальных расценок.

Срез опубликованных цен

Цены зафиксированы 2026-10-15T10:20:07.502Z на основе опубликованных данных каталога. Стандартные цены указаны за 1 000 000 токенов (1M).

Чтение из кэша для Gemini 3.7 Flash указано по официальной цене $0.075 за 1M токенов, а в OneMux чтение из кэша тарифицируется по цене $0.01365 за 1M токенов.

Расчет стоимости реального маркетингового сценария

Рассмотрим автоматизированную систему жизненного цикла для сегмента mid-market, выполняющую 50 000 аудитов учетных записей в месяц:

• Input: 12 000 токенов на аккаунт (фирмографические данные, последние 5 диалогов с пользователем, история покупок).
• Output: 800 токенов на аккаунт (структурированные JSON-теги, назначение кампании, генерация полезной нагрузки).
• Общий объем: 600M входных токенов, 40M выходных токенов.

Официальная стоимость Gemini 3.7 Flash:

• Вход: 600 × $0.75 = $450.00
• Выход: 40 × $3.75 = $150.00
• Итоговая стоимость: $600.00

Стоимость Gemini 3.7 Flash через OneMux:

• Вход: 600 × $0.1365 = $81.90
• Выход: 40 × $0.6825 = $27.30
• Итоговая стоимость: $109.20

Через OneMux маркетинговая команда выполняет точно такой же объем задач со снижением затрат на инференс на 81.8%, высвобождая бюджет для тестирования гипотез на других альтернативах из каталога моделей.

---

Развертывание пайплайна инструментов в стиле Koa через OneMux

OneMux предоставляет интерфейс маршрутизации, совместимый со стандартом OpenAI. Настроив декларативные инструменты со строгими схемами, инженеры маркетинга могут воспроизвести принципы маршрутизации Koa с помощью нескольких строк кода.

Ознакомьтесь с кратким руководством OneMux Quickstart, чтобы получить ключ API, и выполните вызов 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}")

Централизуя запросы через единый API, техническая команда получает прозрачный контроль расходов по одному ключу и возможность бесшовного переключения (failover) между передовыми моделями без переписывания инфраструктуры обработки данных.

---

Практические рекомендации для Marketing Operations

1. Используйте декларативные подзадачи: Не пытайтесь поручить одному вызову модели анализ аккаунта, разработку кампании и отправку изменений. Разделяйте рабочие процессы на детерминированных субагентов (например, Lead Verifier, Message Drafter, CRM Syncer), как продемонстрировано в статье о Koa.
2. Внедряйте блокировку дублирующих вызовов: Защититесь от бесконечных циклов и лишних трат. Если агент последовательно вызывает один и тот же эндпоинт CRM с идентичными параметрами, прерывайте итерацию и передавайте задачу на проверку человеку.
3. Соблюдайте баланс между скоростью и глубиной рассуждений: Используйте Gemini 3.7 Flash для синхронного обогащения данных и операционной маршрутизации. Более тяжелые рассуждающие модели лучше оставить для построения сложных контентных стратегий и многофакторного моделирования атрибуции.

Источники

• 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