Os agentes do Agentforce são tão confiáveis quanto os dados do Salesforce por trás deles. A prontidão de dados para o Agentforce é, no fundo, uma questão de qualidade de dados: registros completos, valores consistentes e nenhum PII nos campos que seus agentes leem. Este guia mostra, fase por fase, como avaliar e preparar seus dados do Salesforce para a IA.
O que é o Agentforce?
Agentforce é a plataforma de IA do Salesforce para criar agentes autônomos. Esses agentes recuperam informações dos seus registros no Salesforce, geram respostas com base nos seus dados e executam ações em nome dos usuários.
A qualidade dos seus dados determina a qualidade do comportamento do agente. Agentes trabalham com o que encontram. Se os dados estão incompletos, inconsistentes ou contêm PII, o agente produz saídas incompletas, inconsistentes ou não conformes.
Por que qualidade de dados importa para o Agentforce
Três problemas de dados geram três falhas distintas no Agentforce.
Dados incompletos produzem respostas vagas. Quando o Agentforce recupera um Case com Description vazio, não tem do que tirar contexto. O agente gera uma resposta genérica porque não há base. Completeness Rate diz quantos registros têm esse problema em cada campo no escopo.
Dados inconsistentes produzem respostas contraditórias. Quando o campo Country contém “US”, “USA”, “United States” e “U.S.A.”, o agente trata como quatro valores diferentes. Um cliente perguntando sobre operações nos EUA recebe respostas diferentes dependendo do registro que o agente recupera. Conformance Rate revela quão fragmentados estão seus dados.
PII em campos de texto cria exposição de compliance. Quando um agente recupera um comentário de Case contendo um Social Security Number, esse PII entra no contexto da IA. O agente pode exibi-lo em uma resposta. PII Exposure Rate mostra a amplitude desse risco nos seus campos de texto.
O cronograma de prontidão de dados para o Agentforce
Planeje a prontidão de dados para o Agentforce em quatro fases.
Fase 1: Avaliação (3+ meses antes)
Rode scans do DQS em todos os objetos que o Agentforce acessará. Meça métricas-base para cada dimensão.
| Dimensão | Métrica chave | O que indica |
|---|---|---|
| Completude | Completeness Rate | Percentual de campos com dados |
| Consistência | Conformance Rate | Percentual correspondendo aos valores esperados |
| Validade | Validity Rate | Percentual passando nas regras de formato |
| Atualidade | Timeliness Rate | Percentual de registros atuais |
| Unicidade | Duplicate Rate | Percentual de registros duplicados |
| PII Detection | PII Exposure Rate | Percentual de registros contendo PII |
Documente essas baselines. Você vai precisar delas para comparar após a remediação.
Fase 2: Remediação (2 meses antes)
Trabalhe as dimensões em ordem de prioridade. PII primeiro, depois as que afetam a qualidade do contexto para IA.
1. PII (Semanas 1-2). Remedie achados de SSN e cartão de crédito primeiro. Use o preset Critical para isolar PII financeiro. Revise as correspondências, depois mascare, exclua ou descarte os achados confirmados. Re-execute o scan para validar a limpeza.
2. Completude (Semanas 2-4). Foque nos campos que o Agentforce vai usar para respostas: Description, Comments, Notes. Dado faltando significa contexto de IA faltando. Comece pelos campos com a menor Completeness Rate.
3. Consistência (Semanas 3-5). Padronize campos de picklist e de referência. Use Import from Field para descobrir variantes existentes, defina valores canônicos e normalize. Quanto menos variantes por campo, mais confiáveis as respostas do agente.
4. Validade (Semanas 4-6). Corrija problemas de formato em campos estruturados (e-mail, telefone, datas). Formatos inválidos criam dados pouco confiáveis para retrieval de IA. Foque em campos com Validity Rate abaixo de 90%.
5. Atualidade e unicidade (Semanas 5-8). Trate registros desatualizados e duplicatas. Dados antigos ensinam padrões defasados. Duplicatas geram respostas contraditórias quando o agente recupera versões diferentes do mesmo registro.
Fase 3: Validação (1 mês antes)
Re-execute todos os scans do DQS. Compare os resultados com as baselines da Fase 1.
| Métrica | Baseline | Pós-remediação | Meta |
|---|---|---|---|
| Completeness Rate (campos chave) | ___% | ___% | 85%+ |
| Conformance Rate (picklists) | ___% | ___% | 90%+ |
| Validity Rate (campos estruturados) | ___% | ___% | 90%+ |
| PII Exposure Rate | ___% | ___% | Abaixo de 1% |
Teste respostas do agente sobre os dados remediados. Verifique se as saídas são precisas e apropriadas e se nenhum PII aparece no conteúdo gerado.
Obtenha aprovação do time de compliance antes do deployment.
Fase 4: Monitoramento (contínuo)
Agende scans recorrentes do DQS. A qualidade de dados se degrada conforme usuários inserem novos registros, então uma remediação pontual não basta.
Cadência sugerida:
| Scan | Frequência | Objetos |
|---|---|---|
| PII Detection | Semanal | Cases, Leads (campos de texto de alto volume) |
| Completude + Consistência | Mensal | Todos os objetos no escopo do Agentforce |
| Scan completo (todas as dimensões) | Trimestral | Org inteira |
Acompanhe tendências de métrica ao longo do tempo. O scan regular pega regressão cedo, antes que afete o desempenho do agente.
Checklist pré-deployment
Qualidade de dados
- Todos os objetos no escopo do Agentforce escaneados com DQS
- Completeness Rate acima de 85% nos campos que o Agentforce usa
- Conformance Rate acima de 90% em campos de picklist e referência
- Validity Rate acima de 90% em campos estruturados (e-mail, telefone, data)
Segurança de PII
- PII Exposure Rate abaixo de 1% nos campos de texto que o Agentforce acessa
- Zero correspondências de SSN ou cartão de crédito em Case Description e Comments
- Sobrescritas de padrão por campo configuradas para campos de conteúdo esperado
Operações
- Agendamento de scan recorrente configurado
- Métricas base documentadas para tracking de tendência
- Propriedade da remediação atribuída por dimensão
Armadilhas comuns
1. Fazer deployment sem avaliar. Rode scans do DQS antes de qualquer planejamento de deployment. A maioria das orgs descobre problemas inesperados. Um scan de 15 minutos revela problemas que levariam meses para serem encontrados manualmente.
2. Subestimar a exposição a PII. PII se esconde em campos Description, Notes e Comments em que usuários colam comunicações de clientes. Email-to-case captura SSNs e números de cartão de crédito vindos em mensagens. Escaneie todos os campos de texto, não apenas os campos dedicados a PII.
3. Remediação pontual. A qualidade dos dados se degrada conforme usuários inserem novos registros. Um dataset limpo hoje acumula novos problemas em semanas. Agende scans recorrentes e monitore tendências para pegar regressão antes que chegue aos agentes.
Próximos passos
- PII Detection: Configure a varredura de PII para dados do Agentforce
- Completude: Garanta que os campos tenham dados para a IA usar
- Consistência: Padronize os valores que a IA vai recuperar
- As cinco dimensões: Visão geral completa
- AI Readiness Assessment: Obtenha sua pontuação atual de prontidão