Salesforce Koa lover lavere AI-kostnad for kundeservice

Nøkkelpunkter per 23. september 2026:

• Koa er Salesforces første resonneringsmodell, bygget på Nvidias åpne Nemotron og ettertrenet for salg, markedsføring og kundestøtte (TechCrunch, 2026).
• 88 prosent av kontaktsentre bruker AI, men bare 25 prosent har fullt integrert automatisering i daglige arbeidsflyter (amplifai.com, 2026).
• Ingen faktiske kundedata ble brukt i treningen. Salesforce og Nvidia ettertrenete Koa på syntetiske data, som fjerner en lekkasjevei, men ikke hele risikobildet (TechCrunch).
• 66 prosent av kontaktsentre brukte over seks måneder på å se ROI fra AI, og den ventetiden koster som regel mer enn tokenprisen (amplifai.com, 2026).
• Claudeforce kom i samme kunngjøring. Salesforce inngikk parallelt et partnerskap med Anthropic, et signal om at vertikale modeller supplerer frontier-modeller (TechCrunch, 2026).

---

Hva Koa er, og hvorfor Salesforce bygget sin egen resonneringsmodell

Salesforce lanserte Koa på Dreamforce. Det er selskapets første resonneringsmodell, bygget på Nvidias åpne Nemotron-modell og ettertrenet sammen med Nvidia for salg, markedsføring og kundestøtte (TechCrunch, 2026). Modellen tilbys som et alternativ blant andre modeller i Agentforce, plattformen der Salesforce-kunder bygger AI-agentene sine. Det interessante for norske ledere er ikke lanseringen i seg selv. Det er at modellvalget flyttes ned i den enkelte arbeidsflyten, og at en CRM-leverandør nå konkurrerer på pris per oppgave i stedet for på generell kapasitet.

Salesforce selger ikke Koa som den smarteste modellen på markedet. Argumentet er smalere: en modell som er ettertrenet for salgs- og servicearbeid bruker færre tokens på samme oppgave og kan derfor redusere AI-kostnadene (TechCrunch, 2026). Det er en påstand om enhetsøkonomi, ikke om intelligens. Da bør den også vurderes slik man vurderer enhetsøkonomi: med målinger på egen trafikk, ikke med demoer.

Resonneringsmodell betyr noe annet enn chatbot

En chatbot svarer på en melding. En resonneringsmodell bryter oppgaven i flere steg før den svarer: lese saken, slå opp ordren, sjekke retningslinjen, vurdere unntaket, formulere svaret. Koa er Salesforces første modell i denne kategorien (TechCrunch). Skillet betyr noe praktisk, fordi det er flerstegsoppgavene som spiser tid i kundeservice, og det er der feilene koster mest.

Baksiden følger av det samme. Jo flere steg en modell tar på egen hånd, jo flere steder kan den ta feil uten at noen oppdager det før kunden klager. Logging per steg, ikke bare per svar, er derfor et krav fra dag null og ikke noe du utsetter til fase to. Vi har skrevet om hvorfor pålitelighet bør gå foran hastighet i agentprosjekter.

Hvorfor en CRM-leverandør bygger modellen selv

En plattformleverandør som er avhengig av en enkelt modellleverandør, eier verken kostnadskurven eller veikartet sitt. Ved å ettertrene en åpen basemodell fra Nvidia slipper Salesforce å bygge fra bunnen, samtidig som de får kontroll over hva modellen er god på (TechCrunch, 2026). Det er en forsyningskjede-beslutning like mye som en produktbeslutning.

For kunden er konsekvensen todelt. Modellen kommer ferdig koblet til objektene i CRM-et, noe som forkorter tiden til første fungerende agent. Samtidig knytter du mer av verdikjeden til en leverandør. Det er en reell avveining, ikke et problem i seg selv, men den bør stå skrevet ned før kontrakten signeres.

Det Salesforce ikke har tallfestet

Kunngjøringen inneholder retning, ikke regnskap. Færre tokens uten et tall er en påstand om retning, ikke en forretningssak (TechCrunch). Det samme gjelder kvalitet: en modell som er billigere per svar, men som eskalerer flere saker til et menneske, er dyrere per løst sak.

Be leverandøren om fire tall målt på din egen trafikk: tokens per løst sak, løsningsgrad, eskaleringsrate og svartid. Legg til et femte som sjelden står i materiellet: hvordan modellen presterer på norsk, med norske produktnavn, norske adresser og norske avtalevilkår. Får du ikke tallene, har du ikke grunnlag for å bytte.

Åpen vekt og syntetiske data: hva Salesforce faktisk hevder

To påstander bærer hele kommunikasjonen rundt Koa. Den første er at modellen tilbys som et åpent alternativ til lukkede frontier-modeller. Den andre er at Salesforce og Nvidia ikke brukte faktiske kundedata under ettertreningen, men syntetiske data, og at modellen derfor ikke kan lekke slike data (TechCrunch, 2026). Begge påstandene er presise. Begge er også smalere enn de høres ut.

Tabellen under skiller mellom det som faktisk står i kunngjøringen, hva som følger av det, og hva det ikke sier noe om.

Salesforce sier	Hva som følger av det	Hva det ikke dekker
Koa er bygget på Nvidias åpne Nemotron-modell	Basemodellen har åpen opprinnelse, og Salesforce er ikke bundet til en enkelt lukket leverandør	Om og hvor du selv kan kjøre modellen, og hva den koster der
Ettertrent for salg, markedsføring og kundestøtte	Modellen er optimalisert for CRM-arbeid, ikke for generell resonnering	Hvordan den presterer på dine sakstyper, på norsk
Ingen faktiske kundedata i treningen	Modellen kan ikke gjengi treningsdata den aldri har sett	Alt som skjer i drift: prompter, kontekst, logger, integrasjoner
Færre tokens for samme arbeid	Lavere kostnad per oppgave hvis påstanden holder på din trafikk	Kvalitet, svartid, eskaleringsrate og total prosjektkostnad

Hva åpen vekt gir deg, og hva det ikke gir

Åpen vekt betyr at vektene i basemodellen er tilgjengelige, i dette tilfellet gjennom Nvidias Nemotron (TechCrunch). Fordelen er strukturell: økosystemet rundt modellen er ikke avhengig av at en enkelt aktør fortsetter å selge tilgang på samme vilkår. For en kjøper er dette først og fremst en forsikring mot prishopp og brå avviklinger.

Det åpen vekt ikke automatisk gir, er retten til å kjøre modellen i ditt eget miljø, en gratis lisens, eller innsyn i hva ettertreningen faktisk inneholdt. Still tre konkrete spørsmål til leverandøren: kan modellen kjøres utenfor Agentforce, hva koster den der, og hvilke lisensvilkår følger med vektene? Svaret avgjør om åpen vekt er en reell exit-mulighet eller en markedsføringsformulering.

Syntetiske treningsdata fjerner en lekkasjevei

Påstanden om syntetiske data løser et konkret og velkjent problem: at en modell trent på en kundes data kan gjengi biter av dem til en annen kunde. Når treningen aldri har sett reelle kundedata, finnes ikke den lekkasjeveien (TechCrunch, 2026). Det er et ekte fremskritt, og det bør telle positivt i en risikovurdering.

Alura mener åpen vekt og syntetiske treningsdata fjerner en risiko, ikke hele risikobildet i en AI-agent. I drift leser agenten reelle data: kundekort, ordrehistorikk, vedlegg, interne notater. Risikoen flytter seg dermed til promptinjeksjon, for vide rettigheter, logger som lagrer mer enn de burde, og integrasjoner som eksponerer systemer agenten ikke skulle nå. Vi har gått gjennom sårbarheter i AI-agenter tidligere.

Syntetiske data har også en egen svakhet. De ligner på det som genererte dem, og arver hullene i kildematerialet. Sjeldne, rotete og flerspråklige saker er nettopp det syntetiske datasett er dårligst til å representere, og det er samtidig de sakene som skaper mest støy i et norsk kundesenter. Test på dine egne kanttilfeller før du konkluderer.

Token-effektivitet er en påstand du kan teste

Token-effektivitet er den eneste påstanden i lanseringen du kan verifisere selv uten leverandørens hjelp. Kjør samme sakssett gjennom dagens modell og gjennom Koa, og mål forbruk per løst sak, ikke per svar (TechCrunch). Forskjellen mellom de to måltallene er der de fleste business case-ene sprekker.

Legg inn en kvalitetsterskel før du begynner. Hvis en billigere modell løser færre saker uten menneskelig inngripen, spiser den besparelsen opp igjen i lønnskostnad og lengre behandlingstid. Sett terskelen først, mål så, og la resultatet avgjøre. Det er kjedelig arbeid, og det er den eneste delen av vurderingen ingen leverandør kan gjøre for deg.

---

Les også: AI-agenter i kundeservice kutter 30 prosent av kostnadene. OpenAI har nådd 20 millioner brukere av ChatGPT Work til 20 dollar i måneden.

---

Rammeverk for å vurdere en vertikal modell mot en frontier-modell

Valget mellom en vertikal modell som Koa og en generell frontier-modell er ikke et spørsmål om hvilken som er best. Det er et spørsmål om hvilken oppgave du løser, hvor mye volum den har, og hva en feil koster. Samme virksomhet kan lande på forskjellig svar for fakturaspørsmål, for komplekse reklamasjoner og for salgsoppfølging.

Forhold	Vertikal modell av Koa-typen	Generell frontier-modell
Oppgavetype	Repeterende CRM-arbeid med kjent form	Åpne, uforutsigbare eller sjeldne saker
Volum	Høyt volum der kostnad per sak dominerer	Lavt volum der feilkostnaden dominerer
Språk	Må testes eksplisitt på norsk før beslutning	Ofte sterkere på norsk uten tilpasning
Bytterisiko	Tettere bundet til plattformens agentrammeverk	Enklere å bytte leverandør via API
Styring	Snevrere adferdsrom gjør avvik lettere å oppdage	Bredere adferdsrom krever strammere rammer
Tid til første versjon	Kort, fordi modellen er koblet til CRM-objektene	Lengre, fordi konteksten må bygges selv

Spørsmålene som avgjør valget

Første spørsmål: hvor mange saker av denne typen har vi i måneden? Uten volum betyr ikke tokenpris noe, og da bør du velge den modellen som gjør færrest feil. Andre spørsmål: hva koster en feil? En feil svarfrist er irriterende, en feil kredittvurdering er dyr, en feil helseopplysning er en avviksmelding.

Tredje spørsmål: hvor mye kontekst trenger modellen for å svare? Hvis svaret ligger i tre systemer, er det integrasjonen og ikke modellen som avgjør resultatet. Fjerde spørsmål: hvem eier saken når agenten gir opp? Et eskaleringsløp uten navngitt eier er den vanligste grunnen til at en pilot stopper etter demoen.

Femte spørsmål er det som oftest hoppes over: hvordan ser vi at kvaliteten faller? Modeller oppdateres, prompt-biblioteker vokser, og dataene endrer seg. Uten et fast evalueringssett som kjøres jevnlig, oppdager du degradering gjennom kundeklager i stedet for gjennom målinger.

Når den vertikale modellen vinner

Den vertikale modellen har størst fordel der oppgaven er smal, formen er kjent og volumet er høyt. Generativ AI anslås å kunne automatisere 30 prosent av timene i kundeoperasjoner, og det er nettopp denne typen repeterende arbeid det gjelder (amplifai.com, 2026). I slike flyter er kostnad per sak den variabelen som betyr mest over tid.

Motsatt: i saker med juridisk risiko, uvanlig formulerte henvendelser eller kunder som allerede er misfornøyde, er det feilkostnaden som dominerer. Der er det rasjonelt å betale mer per sak for en modell med bredere resonnering, eller å la et menneske ta saken direkte.

Modellstacken bør ha flere modeller

Alura mener vertikale modeller bør velges per bruksområde, ikke som erstatning for hele modellstacken. En modell som er ettertrenet for salg og kundestøtte er et godt valg for salg og kundestøtte, og et dårlig valg for kontraktsanalyse, kodegenerering eller rapportskriving.

Praktisk betyr det at arkitekturen må tåle flere modeller bak samme agentlag. Koa tilbys nettopp som et alternativ blant flere modeller i Agentforce, ikke som en erstatning for dem (TechCrunch, 2026). Behold den muligheten. Den dagen en billigere eller bedre modell dukker opp, er det ruting og ikke omskriving som skal til.

Praktisk: den første uken med Koa i Agentforce

En modellvurdering som ikke er tidsavgrenset, blir aldri ferdig. Under er en uke som gir deg nok grunnlag til å ta en beslutning, uten at du har bundet organisasjonen til noe. Poenget er ikke å rulle ut en agent. Poenget er å svare på om påstandene holder på dine data.

Dag	Oppgave	Leveranse ved dagens slutt
Mandag	Velg en avgrenset sakstype med kjent volum og kjent fasit	En skriftlig avgrensning på en side
Tirsdag	Hent historiske saker med faktisk utfall og faktisk svartid	Evalueringssett med fasit
Onsdag	Definer terskler for løsningsgrad, eskalering og svartid	Akseptkriterier alle er enige om
Torsdag	Kjør samme sett gjennom dagens modell og gjennom Koa	Sammenlignbare måltall, inkludert tokenforbruk
Fredag	Skyggekjøring på levende trafikk uten at svaret sendes kunden	Beslutningsgrunnlag: gå videre, juster eller stopp

Mandag og tirsdag: velg en flyt, ikke en plattform

Den vanligste feilen i uke en er å vurdere Agentforce som plattform i stedet for Koa i en konkret flyt. Plattformvurderingen tar måneder og involverer innkjøp, arkitektur og jus. Flytvurderingen tar dager og gir deg et svar du faktisk kan handle på (TechCrunch).

Velg en sakstype der du allerede vet hva riktig svar er: ordrestatus, endring av abonnement, enkel reklamasjon. Hent historiske saker med det faktiske utfallet, ikke idealsvaret. Evalueringssettet ditt skal ligne den virkeligheten agenten møter, inkludert de dårlig formulerte henvendelsene.

Onsdag og torsdag: mål før du bytter

Akseptkriteriene skal settes før du ser resultatene. Definer minst tre: hvor stor andel av sakene som skal løses uten menneske, hvor mange som får lov til å eskalere, og hvor lang svartid som er akseptabel. Uten disse tallene blir sammenligningen en smakssak, og smakssaker vinnes av den som demonstrerer mest overbevisende.

Kjør så nøyaktig samme sakssett gjennom begge modellene. Mål tokenforbruk per løst sak, ikke per svar, siden det er dette den påståtte besparelsen faktisk hviler på (TechCrunch, 2026). Noter også hvilke sakstyper hver modell feiler på. Feilmønsteret er ofte mer nyttig enn gjennomsnittet.

Fredag: skyggekjøring mot dagens løsning

Skyggekjøring betyr at agenten ser levende trafikk og genererer svar, men at svaret går til en kø og ikke til kunden. Et menneske vurderer så avviket mellom agentens forslag og det svaret som faktisk ble sendt. Dette er den billigste formen for produksjonstesting som finnes, og den avdekker kontekstfeil som aldri dukker opp i et historisk datasett.

Resultatet av uken skal være en av tre beslutninger: gå videre med begrenset utrulling, juster avgrensningen og kjør en runde til, eller stopp. En pilot som fortsetter uten at noen har sagt ja til den, er den dyreste varianten. AI-agenter i kundeservice gir effekt når de er avgrenset, ikke når de er ambisiøse.

Markedsbildet: 88 prosent bruker AI, bare 25 prosent har integrert den

Koa lanseres inn i et marked som allerede har prøvd AI, men i liten grad har fått den inn i den daglige driften. 88 prosent av kontaktsentre bruker AI-drevne løsninger, mens bare 25 prosent har fullt integrert automatisering i arbeidsflytene sine (amplifai.com, 2026). Gapet mellom de to tallene er den egentlige historien.

Det gapet forklarer også hvorfor en leverandør bygger en vertikal modell. Problemet kjøperne har er sjelden at modellen ikke er smart nok. Problemet er at den ikke er koblet til systemene, ikke er målt mot noe, og ikke har en eier når den feiler.

Gapet mellom pilot og drift

Under en tredjedel av kontaktsentrene har fått automatiseringen inn i de daglige arbeidsflytene (amplifai.com, 2026). Resten har AI et sted i organisasjonen, men den løser saker ved siden av prosessen i stedet for i den. Det er forskjellen mellom et verktøy noen bruker og et verktøy som endrer kostnadsbildet.

Årsakene er som regel de samme. Kunnskapsgrunnlaget er utdatert eller spredt. Integrasjonene mangler, så agenten kan lese men ikke handle. Ingen har definert hva som skjer når agenten er usikker. En ny modell løser ingen av disse tre.

Presset kommer ovenfra

91 prosent av kundeserviceledere oppgir at de er under press for å implementere AI, og 61 prosent av lederne i kontaktsentre planlegger økt AI-investering (amplifai.com, 2026). Kombinasjonen av press ovenfra og uklare måltall er en kjent oppskrift på prosjekter som kjøpes raskt og evalueres sent.

Samtidig sier 40 prosent av CX-lederne at det å demonstrere ROI er den største investeringsutfordringen (amplifai.com, 2026). Det er et styringsproblem, ikke et teknologiproblem. Hvis du ikke kan forklare hva du måler før du kjøper, kan du heller ikke forklare gevinsten etterpå.

Kunden vil fortsatt ha et menneske

Tallene på kundesiden trekker i motsatt retning av automatiseringspresset. 99 prosent av kundene føler seg mer komfortable med menneskelig assistanse, og 80 prosent forventer å få snakke med et menneske (amplifai.com, 2026). Det betyr ikke at automatisering er feil. Det betyr at veien til mennesket må være kort og synlig.

Samtidig forventer 74 prosent av forbrukerne kundeservice døgnet rundt (amplifai.com, 2026). Der ligger den reelle gevinsten for de fleste norske SMB-er: ikke å erstatte kundeserviceteamet, men å dekke timene der teamet ikke er på jobb. Det er en enklere sak å måle og en enklere sak å forsvare internt.

Kostnad: token-effektivitet mot 92 dollar per dag

Salesforce argumenterer for Koa med lavere tokenforbruk (TechCrunch). Det er et riktig argument på en variabel som ofte er liten. For de fleste kundeserviceprosjekter ligger hovedkostnaden et annet sted: i integrasjon, datakvalitet, testing og tiden det tar før noe faktisk virker i produksjon.

Under er postene som bestemmer totalregnestykket, sortert etter hvor synlige de er i et tilbud.

Tallet fra Goldman Sachs

Goldman Sachs anslår at en AI-representant i kundeservice koster 92 dollar per dag, mot 90 dollar for en menneskelig representant (amplifai.com, 2026). Det anslaget er ubehagelig for alle som selger AI på besparelse alene, og det er nyttig nettopp derfor. Det flytter samtalen fra pris til kapasitet.

Poenget er ikke at anslaget er fasit. Poenget er at gevinsten sjelden ligger i å bytte ut en person med en modell. Den ligger i dekning utenfor arbeidstid, i kortere ventetid, i saker som ikke blir liggende, og i at erfarne folk slipper å bruke dagen på gjentagende spørsmål.

Tid til ROI er den største kostnaden

66 prosent av kontaktsentre brukte mer enn seks måneder på å se ROI fra AI-implementeringene sine (amplifai.com, 2026). I et halvt år betaler du lisenser, konsulenter og internt tidsbruk uten motsvarende inntekt eller besparelse. Den posten står sjelden i budsjettet, men den er der uansett.

Alura mener tokenpris bare er en del av regnestykket, og at tid til ROI ofte er den største kostnaden i et kundeserviceprosjekt. Praktisk konsekvens: velg den avgrensningen som gir målbar effekt raskest, selv om den er mindre ambisiøs enn den du egentlig vil ha. En smal flyt i drift slår en bred flyt i pilot, hver gang.

Det gir også et konkret krav til leverandørdialogen. Be om en referanse der du får vite hvor lang tid det gikk fra kontrakt til første målte effekt, ikke fra kontrakt til første demo. Avstanden mellom de to tallene forteller deg mer enn noen produktpresentasjon.

Regnestykket du faktisk må sette opp

Avkastningen spriker kraftig i markedet. Gjennomsnittet ligger på 3,50 dollar tilbake per dollar investert i AI, mens topputøverne rapporterer 8 dollar (amplifai.com, 2026). Forskjellen handler ikke om modellvalg. Den handler om hvor godt arbeidsflyten rundt modellen er bygget.

På den optimistiske siden anslås AI-agenter å kunne halvere kostnaden per samtale, og Gartner anslår globale reduksjoner i arbeidskostnader i kontaktsentre på 80 milliarder dollar fra samtale-AI (amplifai.com, 2026). Slike makrotall er nyttige som retning og ubrukelige som budsjettgrunnlag. Ditt eget tall må komme fra din egen sakstype.

Kostnadspost	Synlig i tilbudet?	Hvorfor den undervurderes
Modellbruk, altså tokens	Ja	Blir forhandlingstema fordi den er lett å sammenligne
Plattform- og agentlisenser	Ja	Prises per bruker, mens bruken vokser med suksess
Integrasjon mot fagsystemer	Delvis	Estimeres før noen har sett de faktiske API-ene
Kunnskapsgrunnlag og datavask	Sjelden	Antas å være ferdig, er det nesten aldri
Evaluering og testing før produksjon	Sjelden	Ingen budsjetterer for arbeid som ikke synes utad
Opplæring og endret arbeidsflyt	Nesten aldri	Regnes som internt tidsbruk uten prislapp
Overvåking, avvik og eskalering i drift	Nesten aldri	Oppstår først etter at prosjektet er erklært ferdig

Databeskyttelse når modellen er trent uten kundedata

Salesforce fremhever at Koa ikke har tatt inn faktiske kundedata i treningen og derfor ikke kan lekke slike data (TechCrunch, 2026). For en personvernansvarlig er det et godt utgangspunkt, men det besvarer bare det ene av to spørsmål som en vurdering må dekke.

83 prosent av CX-lederne prioriterer databeskyttelse og cybersikkerhet (amplifai.com, 2026). Prioritering er likevel ikke det samme som dokumentasjon. Det er dokumentasjonen et tilsyn ber om.

Treningsdata og driftsdata er to forskjellige spørsmål

Treningsspørsmålet handler om hva modellen har sett før den ble levert til deg. Driftsspørsmålet handler om hva den ser hver eneste dag etterpå: kundekort, ordrehistorikk, vedlegg, tidligere samtaler. Syntetiske treningsdata påvirker det første og ingenting av det andre (TechCrunch).

Driftsspørsmålene er konkrete og kan besvares skriftlig: hvor behandles dataene geografisk, hvor lenge lagres prompter og svar, hvem hos leverandøren har tilgang til loggene, og brukes noe av dette til videre forbedring av modellen? Få svarene inn i databehandleravtalen, ikke i et møtereferat.

Spørsmål	Leverandørens ansvar	Ditt ansvar
Hva modellen er trent på	Å dokumentere treningsgrunnlaget	Å be om dokumentasjonen og vurdere den
Hvor driftsdata behandles	Å beskrive lokasjon, lagringstid og tilgang	Å bestemme hvilke data agenten får se
Hva agenten får lov til å gjøre	Å tilby rettighetsstyring	Å sette rettighetene så snevert som mulig
At kunden vet det er AI	Å levere verktøy for merking og logging	Å faktisk informere kunden
Feil som rammer en kunde	Kontraktsfestet ansvar innenfor avtalen	Omdømme, klagebehandling og tilsynsdialog

Forklarbarhet er markedets største gap

95 prosent av forbrukerne vil vite hvorfor AI tar en beslutning, mens bare 37 prosent av selskapene tilbyr en begrunnelse (amplifai.com, 2026). Avstanden mellom forventning og praksis er stor, og dette er et av de få stedene der en tydelig policy gir konkurransefortrinn nesten gratis.

For en resonneringsmodell er dette både enklere og vanskeligere. Enklere fordi modellen tar identifiserbare steg som kan logges. Vanskeligere fordi de stegene ikke automatisk er en forklaring kunden forstår. Kravet om at folk skal vite at de snakker med AI er en del av det samme bildet, og vi har beskrevet det i sammenheng med AI Act og talekanalen.

Ansvaret følger bruken, ikke treningen

Alura mener ansvaret for hvordan modellen brukes ligger hos virksomheten, uansett hvem som har trent den. Hvis agenten gir et feil svar om prisen, om angreretten eller om en helseopplysning, er det ditt navn i e-posten. Leverandørens treningsvalg er relevant informasjon i risikovurderingen, men det flytter ikke ansvaret.

Praktisk betyr det tre ting før produksjon: dokumenter hvilke beslutninger agenten får ta alene, definer hvem som eier avvikene når de oppstår, og sørg for at et menneske kan overstyre uten å måtte vente på leverandørsupport. Alt dette er billigere å bygge før lansering enn å ettermontere etter det første avviket.

---

Les også: Tolv AI-agenter per bedrift endrer CRM for norske SMB-er. Organisasjoner kjorer i snitt tolv AI-agenter, og adopsjonen ventes a oke 67 prosent pa to ar.

---

Markedsobservasjon: Koa og Claudeforce i samme kunngjøring

Salesforce kunngjorde Koa og et partnerskap med Anthropic kalt Claudeforce samtidig (TechCrunch, 2026). Det er to tilsynelatende motsatte bevegelser i samme pressemelding: bygg din egen modell, og knytt deg tettere til en frontier-leverandør. Kombinasjonen er ikke en selvmotsigelse. Den er strategien.

To strategier, ett scenelys

Den ene bevegelsen handler om kostnad og kontroll på volumoppgaver. Den andre handler om å ha tilgang til den beste tilgjengelige resonneringen for de oppgavene som krever det. Koa tilbys som et alternativ i Agentforce, ikke som et påbud (TechCrunch). Plattformen vinner uansett hvilken modell kunden velger.

Det er verdt å se på hva dette gjør med maktbalansen. Når plattformleverandørene kan ettertrene åpne basemodeller for sitt eget domene, mister frontier-laboratoriene noe av forhandlingsmakten på nettopp de volumoppgavene som utgjør mye av forbruket. Konkurransen flyttes fra modell til distribusjon.

Hva kjøpere bør lese ut av det

For en kjøper er hovedbudskapet at modellvalget er blitt en konfigurasjon, ikke en arkitekturbeslutning. Hvis leverandøren din ikke kan bytte modell bak agenten uten et nytt prosjekt, har du kjøpt noe strammere enn markedet nå tilbyr. Det er et konkret spørsmål å stille i neste kontraktsforhandling.

Det andre budskapet er at prisene på denne typen arbeid sannsynligvis fortsetter nedover. Det taler for korte bindingstider og mot store forhåndsbetalte volumforpliktelser. En avtale som ser rimelig ut i dag, kan være dyr om atten måneder hvis den låser deg til en modellgenerasjon.

Slik treffer dette norske SMB-er som ikke bruker Salesforce

De fleste norske SMB-er sitter ikke på Salesforce. De sitter på HubSpot, Pipedrive, Dynamics eller et bransjesystem. Lanseringen av Koa er likevel relevant, fordi den viser mønsteret: CRM-leverandørene beveger seg fra å integrere andres modeller til å levere sine egne, tett koblet til dataene de allerede har.

78 prosent av selskapene bruker allerede AI i minst en forretningsfunksjon (amplifai.com, 2026). Spørsmålet for de fleste er derfor ikke om de skal bruke AI, men hvor mye av modellvalget de vil overlate til CRM-leverandøren sin.

Mønsteret kommer til alle CRM-ene

Andelen servicesaker som løses av AI ventes å gå fra 30 prosent i 2025 til 50 prosent innen 2027 (amplifai.com, 2026). En slik utvikling kommer ikke fra at hver bedrift bygger egne agenter. Den kommer fra at agentene følger med plattformen du allerede betaler for. Vi har sett samme bevegelse i hvordan AI-agenter endrer CRM for mindre virksomheter.

Konsekvensen er at beslutningen din i praksis handler om hvilken plattform du binder deg til, ikke hvilken modell som er best denne måneden. Still derfor samme spørsmål til din nåværende CRM-leverandør som Salesforce-kunder nå stiller om Koa: hvilke modeller kan vi velge, hva koster de, hvor behandles dataene, og kan vi bytte?

Sjekklisten for en SMB uten eget AI-team

Uten interne spesialister er disiplin viktigere enn teknologivalg. Start med sakstypen som har høyest volum og lavest risiko. Skriv ned hva som er riktig svar i dag, før du automatiserer noe. Sett en tydelig grense for hva agenten får gjøre uten menneske, og gjør veien til et menneske synlig for kunden, gitt at 80 prosent forventer å kunne snakke med en person (amplifai.com, 2026).

Krev deretter tre ting av leverandøren, uansett hvem det er: dokumentasjon på hvor data behandles, mulighet til å bytte modell uten omskriving, og en referansekunde som kan si noe om tid fra kontrakt til målt effekt. Dette er spørsmål en SMB kan stille uten teknisk stab, og de sorterer markedet raskt.

Vanlige feil når virksomheter bytter modell i kundeservice

Modellbytte ser ut som en teknisk operasjon og oppfører seg som en organisatorisk. Feilene under går igjen på tvers av bransje og plattform, og de har lite med modellens kvalitet å gjøre.

Å bytte uten evalueringssett

Uten et fast sett saker med kjent fasit finnes det ingen måte å si om den nye modellen er bedre. Da blir beslutningen tatt på inntrykk fra en håndfull testsamtaler, og inntrykk favoriserer alltid det nyeste. Evalueringssettet er dessuten en investering som holder: det brukes igjen ved neste modelloppdatering, og det er den eneste beskyttelsen mot at kvaliteten glir sakte nedover.

Et brukbart sett trenger ikke være stort, men det må inneholde de rotete sakene. Kunder som skriver uklart, blander to spørsmål i en melding eller viser til noe de sa for tre uker siden, er der modellene skiller lag.

Å starte med de vanskeligste sakene

Fristelsen er å bevise verdien på de sakene som koster mest. Der er også feilkostnaden høyest. 73 prosent av forbrukerne bytter til en konkurrent etter flere dårlige opplevelser, og kunder blir langt oftere hos en merkevare når problemet løses raskt (amplifai.com, 2026). Kundetålmodighet er en ressurs du bruker opp, ikke en du bygger opp.

Start derfor der volumet er høyt og konsekvensen av en feil er lav. Bygg tillit internt med målte resultater, og flytt grensen gradvis. Rekkefølgen avgjør ofte om prosjektet får en runde to.

Å glemme agentene som blir igjen

87 prosent av kontaktsenteragentene rapporterer jobbrelatert stress, turnover ligger på 30 til 45 prosent årlig, og det koster 10 000 til 20 000 dollar å erstatte en frontlinjeagent (amplifai.com, 2026). Hvis AI tar de enkle sakene og lar menneskene sitte igjen med en uavbrutt strøm av de vanskelige, gjør du turnover-problemet verre samtidig som du sparer tokens.

Bedret agenttilfredshet anslås å gi 62 prosent høyere CSAT, 56 prosent effektivitetsgevinst og 39 prosent bedre agentretensjon (amplifai.com, 2026). Det er en påminnelse om at agentopplevelsen er en driver og ikke en bieffekt. Design derfor saksmiksen bevisst, ikke bare terskelen for automatisering.

Ofte stilte spørsmål om Koa, Agentforce og åpen vekt

Spørsmålene under er de som oftest kommer opp når en ledergruppe møter en vertikal modell for første gang.

Er Koa gratis fordi den bygger på en åpen modell?

Nei. Koa er bygget på Nvidias åpne Nemotron-modell og tilbys som et alternativ i Agentforce, men åpen basemodell er ikke det samme som gratis bruk i en kommersiell plattform (TechCrunch). Argumentet fra Salesforce er lavere tokenforbruk, ikke null kostnad. Be om prismodellen skriftlig, og regn på ditt eget volum.

Erstatter Koa Claude eller ChatGPT i agenten vår?

Ikke nødvendigvis. Koa tilbys som et alternativ blant flere modeller der kunder bygger agenter, og Salesforce inngikk samtidig partnerskap med Anthropic gjennom Claudeforce (TechCrunch, 2026). Den praktiske modellen for de fleste blir ruting: den vertikale modellen på volumsakene, en sterkere modell på det som krever bredere resonnering.

Betyr syntetiske treningsdata at vi kan forenkle personvernvurderingen?

Nei. At modellen er trent uten faktiske kundedata fjerner risikoen for at treningsdata lekker, men sier ingenting om hva agenten behandler i drift (TechCrunch, 2026). Vurderingen må fortsatt dekke hvilke personopplysninger agenten får tilgang til, hvor de behandles, hvor lenge de lagres og hvem som kan se loggene.

Hvor lang tid bør vi regne før vi ser effekt?

Regn med lengre tid enn leverandøren antyder. 66 prosent av kontaktsentre brukte over seks måneder på å se ROI fra AI-implementeringene sine (amplifai.com, 2026). Du kan korte ned denne perioden kraftig ved å velge en smalere første flyt, men du kan ikke fjerne den. Planlegg budsjettet deretter.

Oppsummering og neste steg

Koa er en konkret hendelse med en generell lærdom. Salesforce og Nvidia har vist at en plattformleverandør kan ettertrene en åpen basemodell for sitt eget domene, slippe kundedata ut av treningen og konkurrere på kostnad per oppgave (TechCrunch). Det mønsteret kommer til å gjenta seg hos andre CRM-leverandører.

Det korte svaret

En vertikal modell er relevant for deg hvis du har høyt volum av like saker, målbare utfall og en flyt som allerede er definert. Den er ikke relevant som erstatning for hele modellstacken, og den løser ikke integrasjonsproblemet, datakvaliteten eller eierskapet til avvikene. Påstandene om åpen vekt og syntetiske data er verdt noe, men de dekker treningen og ikke driften (TechCrunch, 2026).

Markedskonteksten er verdt å holde fast ved: mange bruker AI, langt færre har fått den inn i driften (amplifai.com, 2026). Gapet lukkes ikke av en ny modell. Det lukkes av arbeidsflyt, målinger og eierskap.

Det du kan gjøre denne måneden

Velg en sakstype. Bygg et evalueringssett med fasit fra egne historiske saker. Sett akseptkriterier for løsningsgrad, eskalering og svartid før du tester noe. Kjør så dagens modell og et vertikalt alternativ mot samme sett, og mål forbruk per løst sak. Dette er arbeid som gir verdi uansett hvilken leverandør du ender opp med.

Still deretter de fire spørsmålene som sorterer markedet: kan vi bytte modell uten omskriving, hvor behandles driftsdataene, hvem eier avvikene, og hvor lang tid gikk det hos referansekunden fra kontrakt til målt effekt? Får du gode svar på alle fire, er du klar for en pilot. Får du det ikke, har du spart deg selv et halvt år.

I Alura bygger vi AI-infrastruktur for norske virksomheter, fra dataplattformer til agentiske systemer i produksjon. Vi er ikke en SaaS-leverandør. Vi er håndverkere som setter sammen byggesteinene som faktisk fungerer for din situasjon.

Bestill en arkitektur-samtale: vi går gjennom din nåværende infrastruktur, identifiserer integrasjonspunkter, og foreslår en pragmatisk vei videre. Uforpliktende, 45 minutter.

Kilder

• TechCrunch (2026). Salesforce and Nvidia launch Koa, a reasoning model tuned for sales and support
• amplifai.com (2026). 140+ Customer Service Statistics You Need to Know in 2026 | AmplifAI
• TechCrunch. Salesforce and Nvidia launch Koa, a reasoning model for sales and support