本文へスキップ
SaaS Shift
日本語English
AI Tools

ChatGPTだけでは企業AIにならない？SalesforceがCRM専用AI「Koa」を作った理由

著者
SaaS Shift 編集部
公開
最終更新
読了時間
約6分

この記事の要約

SalesforceがDreamforceで発表したCRM専用Reasoning Model「Koa」を入口に、汎用LLMと業務特化AIの違い、企業データ・業務ルール・エージェントの役割、RAGとの関係を初心者にも分かる言葉で整理します。

「一番賢いChatGPT系モデルを入れれば、社内AIは完成する」——そう考えがちな場面は多いです。一方で外資系ITの導入現場では、モデルの賢さより、既存の業務・データ・権限・承認フローにどう組み込むかでプロジェクトが止まりがちです。

2026年9月15日、SalesforceはDreamforceで同社初のCRM向け推論モデル「Koa」を発表しました（公式発表）。本稿は発表速報ではなく、なぜ汎用の最先端モデルだけでは足りない、と考えたのかを読み解きます。

ただし結論から言うと、「ChatGPTでは企業AIは作れない」「汎用LLMは終わる」ではありません。企業AIでは、最も賢いモデルを選ぶことだけが競争優位になるわけでもない、という話です。

この記事でわかること:

  • Koa / Reasoning Model / 業務特化AIとは何か
  • 汎用LLMとCRM特化モデルの違い
  • 企業データ・業務ルール・エージェントの役割分担
  • 一般企業が独自モデルを作るべきかの判断軸

仕様・提供時期は変わり得るため、最終判断はSalesforce公式を優先してください（本稿は2026年9月時点）。

KoaSalesforce Koa

Salesforceが発表した、同社初のCRM向け推論モデル（Reasoning Model）です。NVIDIA Nemotronを土台に、CRM業務向けの追加学習（post-training）を行ったと説明されています。Agentforce上で、複数ステップの業務を進め、必要な操作を選ぶ用途を想定しています（公式発表、製品ページ）。

SalesforceがCRM専用Reasoning Model「Koa」を発表

事実（会社発表）:
  • 2026年9月15日発表。Salesforce初のCRM向け推論モデル
  • 土台は NVIDIA Nemotron 3 Super。CRM向けに post-training
  • 用途の例: 商談の更新、問い合わせの振り分け、フォロー予定の設定など
  • 顧客データは学習に使わず、約27年分のCRM導入知見を模した合成データ（Synthetic Data）を使用、と説明
  • Agentforceの一部顧客向けパイロット開始。米国での一般提供は2026年冬予定、と案内

Salesforceの主張（ベンチマーク）: 自社のCRMベンチマークで、主要モデル並み以上の成績、かつエラーは約3分の1、など。これは会社側の評価結果であり、第三者の独立検証として扱う必要はありません。

Reasoning Modelとは？

Reasoning Model（推論モデル）とは、「一問一答で文章を返す」だけでなく、条件を積み重ねて複数ステップの判断を進めることに重点を置いたモデルのことです。

たとえば「この問い合わせを誰に渡すか」は、一文の作文より、優先度・契約状況・担当ルールなどを順に見る作業に近いです。「頭が良いLLM」と同義ではなく、途中の考えや手順を踏まえて進める力に寄せた呼び方、と捉えると分かりやすいです。

補足: いまの多くのモデルにも推論寄りの能力は入っています。境界ははっきりしておらず、マーケティング用語に近い面もあります。

CRM専用Reasoning Modelとは何が違う？

違いは「何でも屋」か「営業・サポート業務の型を深く知っているか」です。
汎用モデルとCRM特化モデル（イメージ）
観点汎用モデル（例: ChatGPT系）CRM特化の推論モデル（例: Koa）
得意なこと幅広い知識・文章・一般的な相談CRMの用語・業務の流れ・操作の進め方
学習の重心世の中一般の情報商談・問い合わせ・見込み客など業務の型
向く場面調査、下書き、幅広い業務の入口営業・サポートなどCRM上の連続した作業
足りないもの（どちらも）御社固有の顧客データ・社内ルール御社固有の顧客データ・社内ルール

汎用モデル:

幅広い知識 → いろいろな作業

CRM特化モデル:

CRMの知識 + 業務の流れ + 用語 + プロセス理解
  → 営業 / サポート / マーケなどの業務

なぜSalesforceは汎用LLMだけに頼らないのか

企業のCRMでは「文章が書ける」だけでは足りないからです。

例: 「この見込み客（Lead）を営業に渡すべきか？」

見る必要があるもの:

  • どこから来たか
  • 会社規模
  • 過去のやり取り
  • 興味のある製品
  • 既存顧客かどうか
  • 自社の営業ルール

さらに判断のあと、

判断する
  → Salesforceのレコードを更新する
  → 担当営業を割り当てる
  → 次のフォローを仕掛ける

まで進めるなら、CRMの業務そのものを理解している必要があります。

現場ではよくあります。デモでは賢い回答が出る。本番では「うちのステージ定義と違う」「承認なしに更新してよい案件ではない」「担当の分け方が特殊」——ここで止まります。必要なのは一般知能だけでなく、業務知識＋業務の進め方の理解です。

Enterprise AIは「Modelだけ」では完成しない

企業向けAIは、モデルの上に何層も積み上げて初めて動きます。 
最先端の汎用モデル
  ↓
業務に寄せた推論（Domain-specific Reasoning）
  ↓
自社データ（顧客・商談・商品など）
  ↓
業務ルール（承認・権限・例外）
  ↓
ツール / API（Salesforce操作など）
  ↓
AIエージェント
  ↓
実際の業務アクション

モデルは「考える部分」。自社データとルールがなければ御社の判断にならず、ツールがなければ画面やレコードは変わりません。ChatGPT単体が弱い、というより、周りの層が揃っていないと企業AIにならない、という構造です。

Domain KnowledgeとCompany Dataの違い

ここを混同すると設計を誤ります。

業務領域の知識（Domain Knowledge）の例:

  • 「Opportunity（商談）とは何か」
  • 「Leadの見極め（Qualification）とは何か」
  • 「Caseの振り分けとは何か」

自社固有データ（Company Data）の例:

  • A社との商談履歴
  • 自社の顧客一覧
  • 自社の価格表
  • 自社のパイプライン定義

つまり必要なのは、

業務の型を知るモデル
  ＋
自社の文脈（データ・ルール）

の両方です。Koaが担うのは前者寄り。後者は各社のSalesforceデータと設定側に残ります。

KoaはなぜSynthetic Dataを使ったのか

合成データ（Synthetic Data）とは、本物の顧客データではなく、業務を模して作った練習用データのことです。

Salesforceの説明（会社の主張）:

  • 顧客データはKoaの学習に使っていない
  • 約27年のCRM導入経験を基に、合成シナリオを作成
  • 見込み客の生成・商談の見極め・サポート対応など、エージェントが取る手順を学習させた

企業AIでこれが重要な理由は、プライバシー・セキュリティ・データガバナンスです。「顧客情報がモデル学習に混ざるのでは」という懸念を下げやすい、という実務的な意味があります。

ただし合成データも万能ではありません。品質、偏り、現実とのズレは残ります。万能の解決策として扱わない方がよいです。

RAG・Fine-tuning・Post-trainingとの違い

読者が抱きやすい疑問: 「CRMの情報をRAGで渡せばいいのでは？」

RAGRetrieval-Augmented Generation

必要な社内文書やレコードを検索し、その場でモデルに渡して答えさせる仕組みです。「教科書を開いてから答える」イメージに近いです。

手法ざっくり言うと向くこと
RAG必要な情報を都度取りに行く自社データ・最新情報の反映
Fine-tuning / Post-trainingモデル側に追加で覚えさせる言い回し・手順・業務の型の定着
Domain-specific Model特定業務向けに寄せたモデルその領域での判断・操作の精度向上
RAGと業務特化モデルは対立しない
観点RAG業務特化モデル
何をするか外部情報をその場で渡す業務の知識や考え方をモデル側に寄せる
強み自社固有・最新情報に強い業務の型や手順の理解に強い
弱みになりやすい点渡し方・検索品質に依存作るコストが高い／自社データそのものではない
実務の使い方Company Dataの供給口Domain側の土台

組み合わせのイメージ:

業務特化モデル + RAG + 自社データ

KoaについてSalesforceは「post-training」と表現しています。本稿もその呼び方に合わせます（中身として教師あり学習や強化学習も使った、と公式は説明）。

KoaとAI Agentはどうつながる？

モデルは判断する能力。エージェントは、モデルを使いながらシステムを操作して仕事を終わらせる仕組みです。 
考える（Reasoning）
  → 決める（Decision）
  → ツールを呼ぶ（Tool Call）
  → Salesforceを操作する
  → レコード更新 / 担当割当 / 次アクション

関連して、エージェント実行基盤の話はOpenAI Agents APIの記事も参照してください。KoaはAgentforceの「考えるエンジン」の選択肢の一つ、という位置づけが近いです。

Vertical AI SaaSとは？

Vertical AI / Domain-specific AI業種・業務特化AI

法律・医療・金融・CRM・セキュリティなど、特定の業務領域に深く寄せたAIのことです。幅広い用途のChatGPT系（Horizontal）と対比されます。

例: 法律領域のHarveyなど、特定業務に入り込むAI SaaSが増えています。

ただし Vertical AI ＝ 必ず独自LLMを作る ではありません。多くは、

最先端の汎用モデル
  + 業務データ
  + 業務フロー
  + ツール連携
  + 画面・体験

で作れます。SalesforceのKoaは、その中でも業務特化モデルまで自社で持つ、より深い統合の例です。

企業も独自AIモデルを作るべきなのか

「Salesforceが作ったから日本企業も作るべき」ではありません。

Salesforceには、巨大な顧客基盤、約27年のCRM知見、エンジニアリング資源、大量の業務知識があります。一般企業では、

既存の汎用モデル
  + RAG
  + 自社データ
  + 業務ルール
  + エージェント

で十分なケースも多いです。ここは Build（自作） vs Buy（買う）の判断です。まず業務ルールとデータを整え、汎用モデル＋RAG＋エージェントで試し、どうしても足りない領域だけ特化を検討する、が現実的です。

SaaS企業の競争優位はどこへ移る？

筆者の考察: 今後の差は「どのLLMを使っているか」だけにはなりにくいです。

モデル
  + 業務への深い理解
  + 自社／顧客コンテキスト
  + 業務フロー
  + ツール連携
  + 画面体験
  + 販売・導入チャネル

「UIとデータベースの会社」から、「業務の判断と進め方を持つ会社」へ重心が移る可能性はあります。ただしモデル性能が不要になる、という意味ではありません。

Domain-specific AIは今後増えるのか

今後の予測（断定しない）:
  • CRM以外でも業務特化AIが増える
  • 法律・医療・金融・セキュリティなどでVertical AIが伸びる
  • 企業固有データと業務理解の重要性が増す
  • モデル単体の差より、業務への組み込み差が効く場面が増える
  • SaaSが「画面＋DB」から「業務理解＋ワークフロー」へ寄る可能性

一方で、最先端の汎用モデルは土台として残ります。

汎用の最先端モデル
  ↓ 業務レイヤー
  ↓ 自社レイヤー
  ↓ 業務フロー
  ↓ アプリ

競合ではなく、層として共存するイメージです。

よくある質問

Koaとは何ですか？
Salesforceが発表した、同社初のCRM向け推論モデルです。NVIDIA Nemotronを土台にCRM業務向けの追加学習を行い、Agentforce上で複数ステップの業務を進める用途を想定しています。
Reasoning Modelとは何ですか？
一問一答の文章生成だけでなく、条件を踏まえて複数ステップの判断を進めることに重点を置いたモデルの呼び方です。通常のLLMとの境界ははっきりしておらず、多くのモデルにも推論寄りの能力は含まれます。
Domain-specific AI / Vertical AIとは何ですか？
特定の業務や業種（CRM、法律、医療など）に寄せたAIです。幅広い用途の汎用AIと対比されます。必ずしも独自LLMを自作する必要はなく、汎用モデルに業務データ・フロー・ツールを組み合わせる形も多いです。
RAGとDomain-specific Modelの違いは？
RAGは必要な情報をその場で検索してモデルに渡す仕組みです。Domain-specific Modelは、特定業務の知識や考え方をモデル側に寄せるアプローチです。対立ではなく、併用されることが多いです。
一般企業も独自モデルを作るべきですか？
必須ではありません。多くの場合は汎用モデルに、自社データ（RAGなど）、業務ルール、エージェントを組み合わせる方が現実的です。Salesforceのように巨大な業務知見と資源がある場合の深い統合は、例外に近い例です。

まとめ

Koaの発表が示すのは、「もっと賢いChatGPTが欲しい」話というより、企業AIでは業務の型・自社データ・ルール・ツール・エージェントが揃って初めて仕事が終わる、という構造です。

汎用LLMは不要になりません。むしろ土台です。その上に業務理解を載せ、自社文脈を渡し、システムを操作する——この積み重ねが、実務の企業AIです。競争優位は「一番賢いモデル」単独より、既存業務にどれだけ安全に・正確に組み込めるかへ移りやすい、というのが本稿の実務的な結論です。

参考・出典

  1. Announcing Koa: Salesforce’s First CRM Reasoning Model, Built on NVIDIA Nemotron（Salesforce） 2026-09-15
  2. Salesforce Koa, built on Nvidia Nemotron（Salesforce） 2026-09
  3. Announcing Koa (Investor news)（Salesforce Investor Relations） 2026-09-15

タグ