Prognozy w Salesforce przestają być ślepe: MoiraiAgent zmienia zasady

W wielu polskich orgach prognozy sprzedaży, wolumenów w service czy capacity planowanie oparte są nadal na liniowej ekstrapolacji i Excelach, mimo że zmienność rynkowa rośnie szybciej niż adopcja narzędzi AI. Salesforce Research prezentuje MoiraiAgent (Salesforce), nowy framework do prognozowania, który wygrywa nie tylko na danych historycznych, ale także wykorzystuje kontekst językowy, jak newsy, regulacje czy informacje operacyjne. To sygnał, że era czystych modeli time series się kończy, a agentowe podejście pojawia się w operacjach, finansach i sprzedaży. W artykule analizuję, jak działa MoiraiAgent, jak takie podejście przenosi się na realne scenariusze w Salesforce i co polskie zespoły mogą z tym zrobić teraz. Najważniejsza zmiana: forecasting w CRM wchodzi w etap, w którym kontekst staje się równorzędnym źródłem danych, a nie dodatkiem.

Techniczne fundamenty MoiraiAgent – dlaczego klasyczne modele pękają

Modele time series, które znamy z Forecasting w Sales Cloud czy Service Analytics, działają głównie na liczbach: trend, sezonowość, noise. Problem w tym, że w enterprise te wzorce załamują się natychmiast, gdy pojawia się nowy czynnik – zmiana regulacji, blackout, promocja konkurencji, nowa wersja produktu. Z danych źródłowych wynika, że MoiraiAgent rozwiązuje ten problem przez architekturę o dwóch warstwach: model selekcji eksperta oraz agentowy mechanizm wykonywania narzędzi. Zamiast próbować zbudować jeden idealny model, wykorzystuje trzy najlepsze z rynku (Chronos-v2, TimesFM-2.5, Tirex) i dobiera je zadaniowo przez LLM o parametrach 3B.

Technicznie ten wybór nie jest oparty na prostej metryce błędu, ale na wielowymiarowym wektorze sygnałów: historyczne wartości, częstotliwość timestampów, predykcje poszczególnych modeli, a także błędy krzyżowe z ostatniego okna. To podejście przypomina routing modeli w agentach złożonych, jak opisywaliśmy przy analizie scalingu agentów w sprzedaży. Wynik jest jednoznaczny: MoiraiAgent osiąga MASE 0.679, bijąc każdego z ekspertów z osobna.

Dla architektów Salesforce oznacza to prostą rzecz: klasyczne modele trenowane per-org nie będą w stanie konkurować z takim podejściem ensemble+LLM. Podobnie jak w automatyzacji agentowej, gdzie jeden agent nie wystarcza, w prognozowaniu kończy się era pojedynczych modeli Einstein Forecasting. Kluczowe stanie się przygotowanie warstwy danych i kontekstu, a nie wybór jednego algorytmu.

Trend jest spójny z innymi zmianami: tak jak Agentforce zaczyna agregować narzędzia według kontekstu, tak MoiraiAgent agreguje modele predykcyjne. W obu przypadkach architektura staje się „orchestrated”, a nie „monolityczna”.

Kontekst jako równoprawne dane – największy brakujący element w CRM

W praktyce Salesforce największą bolączką prognoz jest nie brak danych, tylko brak kontekstu. Firma ma pipeline, historie opportunity, dane o ticketach, ale nie ma ustrukturyzowanych informacji o tym, że konkurent obniżył ceny, operator logistyczny wprowadził limit dostaw albo zmienił się kalendarz urlopowy. MoiraiAgent integruje tego typu kontekst wprost jako wejście dla planowania i transformacji danych. W artykule źródłowym opisano trzy kluczowe przypadki: przełączanie lookback window, usuwanie nietrwałych anomalii oraz modyfikowanie predykcji na podstawie planowanych zdarzeń.

Architektonicznie działa to jak agent: LLM analizuje tekstowy opis kontekstu i decyduje, czy użyć pythonowego sandboxa do oczyszczenia danych, czy skrócić historię, czy skorygować output modelu. To znacznie bardziej elastyczne niż dotychczasowe podejście Einstein Forecasting, w którym modele same musiały odgadnąć wpływ kontekstu z danych, których często po prostu nie było.

Implikacje dla polskich wdrożeń są bardzo konkretne. Dane kontekstowe pojawiają się w Salesforce w kilku źródłach: Slack (np. powiadomienia operacyjne), Service Cloud, integracje z ERP, a także insighty w PDF-ach i mailach. Już dziś Agentforce potrafi czytać PDF-y i obrazy, co opisywaliśmy w analizie Agentforce dla dokumentów. MoiraiAgent pokazuje, jak ta sama zdolność może wejść do forecastingu, np. wyciągając informację o planowanej modernizacji magazynu z dokumentu wysłanego przez współpracownika.

Kierunek jest jasny: forecasting staje się multimodalny. Modele, które nie znają kontekstu, będą przegrywać z tymi, które potrafią zrozumieć tekst, PDF, newsy i sygnały operacyjne. Dla architektów to oznacza konieczność dodania warstwy kontekstowej do Data Cloud oraz integracji eventów z systemów zewnętrznych.

Benchmark GIFT-CTX – pierwszy test forecastingu z kontekstem

Jednym z najciekawszych elementów pracy Salesforce Research jest stworzenie benchmarku, który naprawdę weryfikuje zdolność modeli do łączenia liczb i tekstu. GIFT-CTX nie pozwala modelowi wygrać dzięki samej historii ani samemu opisowi. Wymaga obu. To dokładnie ten typ problemów, z jakimi mierzą się firmy: dane sprzedażowe same nie powiedzą, że obowiązuje nowy VAT lub że konkurent przejął dużego klienta.

W testach MoiraiAgent pokonał nie tylko modele time series, ale też frontierowe LLM-y w rodzaju GPT-5.2 czy Gemini 3.0 Pro. Powód jest prosty: ogólne LLM-y potrafią analizować tekst, ale nie radzą sobie z długimi sekwencjami numerycznymi, a modele TS nie czytają tekstu. MoiraiAgent łączy jedno z drugim, a jego routing narzędzi pozwala wykonywać operacje na danych, których LLM nie zrobi samodzielnie.

Dla praktyków Salesforce benchmark ten ma znaczenie podobne do pojawienia się MCP dla Agentforce: otwiera drogę do agentowego forecastingu, w którym LLM nie generuje predykcji sam, tylko zarządza narzędziami. Oznacza to, że w przyszłych wersjach Einstein Forecasting możemy zobaczyć podejście bazujące na orkiestracji, nie monolitycznym modelu.

Konsekwencja jest strategiczna. Polskie orgi, które chcą zyskać przewagę w analizie sprzedaży, capacity czy popytu, będą musiały gromadzić i udostępniać kontekst operacyjny. To przesuwa ciężar z „wybierz model” na „zaprojektuj pipeline wiedzy”.

Strategia adopcji w polskich orgach – co zrobić praktycznie

W przeciwieństwie do wielu nowinek z AI, MoiraiAgent daje konkretne wskazówki, jak przygotować się do forecastingu nowej generacji. Po pierwsze, warstwa danych. Dane time series w Salesforce są rozproszone między obiektami standardowymi, Data Cloud i systemami zewnętrznymi. Trzeba je scalić i wystawiać w stabilnym formacie, z czystymi timestampami i metadanymi o częstotliwości. To warunek wstępny dla dowolnego modelu TS.

Po drugie, kontekst. Trzeba określić, jakie źródła kontekstu mają realny wpływ na prognozę: plan produkcyjny z ERP, backlog w Service Cloud, dane o kampaniach marketingowych, reorganizacje zespołów sprzedaży. Wiele z tych danych i tak płynie do CRM, ale brakuje ich w warstwie analitycznej. To moment, by połączyć świat operacyjny i predykcyjny. Tym bardziej, że AI w operacjach już przyspiesza, co analizowaliśmy w kontekście automatyzacji incydentów przez Agentforce.

Po trzecie, governance. Gdy forecasting zaczyna brać kontekst z dokumentów, Slacka i e-maili, rośnie ryzyko błędnego priorytetu lub noise’u. Potrzebny będzie nowy rodzaj walidacji: nie tylko czy predykcja jest poprawna, ale czy kontekst, z którego korzysta agent, jest wiarygodny. Tu sprawdzą się mechanizmy detekcji anomalii w Data Cloud i polityki dostępu do danych kontekstowych.

Wreszcie, wdrożenie. Nawet jeśli MoiraiAgent nie jest jeszcze dostępny w produktach Salesforce, kierunek rozwoju jest jasny. Architekci CRM muszą przygotować orgi pod orkiestrację narzędziową i multimodalność, a nie na jedną warstwę modelu. Dzięki temu, gdy Einstein Forecasting dostanie agentową wersję, organizacja będzie gotowa.

Zakończenie

MoiraiAgent pokazuje, w którą stronę idzie forecasting w enterprise: od jednego modelu do zestawu narzędzi sterowanych przez LLM, od czystych liczb do kontekstu operacyjnego. To ogromna zmiana dla architektów Salesforce, bo zmusza do myślenia o danych nie jako tabelach, ale jako żywym systemie sygnałów. Najważniejsze pytanie dla zespołów w Polsce brzmi: czy wasze orgi są gotowe, by zasilać forecasting nie tylko historią rekordów, ale także kontekstem, który naprawdę napędza decyzje?