Los agentes de Agentforce son tan fiables como los datos de Salesforce que los respaldan. La preparación de datos para Agentforce es, en esencia, una cuestión de calidad de datos: registros completos, valores consistentes y ninguna PII en los campos que leen sus agentes. Esta guía muestra, fase por fase, cómo evaluar y preparar sus datos de Salesforce para la IA.
¿Qué es Agentforce?
Agentforce es la plataforma de IA de Salesforce para crear agentes autónomos. Estos agentes recuperan información de sus registros de Salesforce, generan respuestas basadas en sus datos y llevan a cabo acciones en nombre de los usuarios.
La calidad de sus datos determina la calidad del comportamiento del agente. Los agentes trabajan con lo que encuentran. Si los datos están incompletos, son inconsistentes o contienen PII, el agente produce resultados incompletos, inconsistentes o no conformes.
Por qué la calidad de datos importa para Agentforce
Tres problemas de datos generan tres fallos distintos en Agentforce.
Los datos incompletos producen respuestas vagas. Cuando Agentforce recupera un registro de Case con un Description vacío, no tiene nada con lo que trabajar. El agente genera una respuesta genérica porque no hay contexto del que partir. La Completeness Rate le indica cuántos registros presentan este problema en todos los campos del alcance.
Los datos inconsistentes producen respuestas contradictorias. Cuando el campo Country contiene «US», «USA», «United States» y «U.S.A.», el agente los trata como cuatro valores distintos. Un cliente que pregunte por las operaciones en EE. UU. obtendrá una respuesta diferente según el registro que recupere el agente. La Conformance Rate revela hasta qué punto están fragmentados sus datos.
El PII en campos de texto genera exposición al cumplimiento. Cuando un agente recupera un comentario de Case que contiene un número de la Seguridad Social, ese PII entra en el contexto de la IA. El agente puede exponerlo en una respuesta. La PII Exposure Rate muestra lo extendido que está este riesgo en sus campos de texto.
El calendario de preparación de datos para Agentforce
Planifique la preparación de datos de Agentforce en cuatro fases.
Fase 1: evaluación (más de 3 meses antes)
Ejecute análisis de DQS en todos los objetos a los que Agentforce vaya a acceder. Mida las métricas base de cada dimensión.
| Dimensión | Métrica clave | Qué le indica |
|---|---|---|
| Completitud | Completeness Rate | Porcentaje de campos con datos |
| Consistencia | Conformance Rate | Porcentaje que coincide con los valores esperados |
| Validez | Validity Rate | Porcentaje que supera las reglas de formato |
| Actualidad | Timeliness Rate | Porcentaje de registros vigentes |
| Unicidad | Duplicate Rate | Porcentaje de registros duplicados |
| Detección de PII | PII Exposure Rate | Porcentaje de registros que contienen PII |
Documente estas líneas base. Las necesitará para comparar tras la remediación.
Fase 2: remediación (2 meses antes)
Avance por las dimensiones por orden de prioridad. Primero el PII y luego las dimensiones que afectan a la calidad del contexto para la IA.
1. PII (semanas 1-2). Remedie primero los hallazgos de SSN y tarjetas de crédito. Utilice el preset de análisis Critical para aislar el PII financiero. Revise las coincidencias y después enmascare, elimine o excluya los hallazgos confirmados. Vuelva a ejecutar el análisis para validar la limpieza.
2. Completitud (semanas 2-4). Céntrese en los campos que Agentforce utilizará para las respuestas: Description, Comments, Notes. Los datos faltantes significan contexto de IA faltante. Priorice primero los campos con la Completeness Rate más baja.
3. Consistencia (semanas 3-5). Estandarice los campos de tipo lista desplegable y de referencia. Utilice Import from Field para descubrir las variantes existentes, después defina sus valores canónicos y normalice. Cuantas menos variantes tenga un campo, más fiables serán las respuestas del agente.
4. Validez (semanas 4-6). Corrija los problemas de formato en los campos estructurados (correo, teléfono, fechas). Los formatos no válidos generan datos poco fiables para la recuperación por IA. Céntrese en los campos con Validity Rate por debajo del 90 %.
5. Actualidad y unicidad (semanas 5-8). Aborde los registros obsoletos y los duplicados. Los datos antiguos enseñan a los agentes patrones desfasados. Los duplicados generan respuestas contradictorias cuando el agente recupera distintas versiones del mismo registro.
Fase 3: validación (1 mes antes)
Vuelva a ejecutar todos los análisis de DQS. Compare los resultados con las líneas base de la Fase 1.
| Métrica | Línea base | Tras remediación | Objetivo |
|---|---|---|---|
| Completeness Rate (campos clave) | ___ % | ___ % | 85 %+ |
| Conformance Rate (listas desplegables) | ___ % | ___ % | 90 %+ |
| Validity Rate (campos estructurados) | ___ % | ___ % | 90 %+ |
| PII Exposure Rate | ___ % | ___ % | Por debajo del 1 % |
Pruebe las respuestas del agente con los datos remediados. Verifique que los agentes devuelvan resultados precisos y adecuados, y que no aparezca PII en el contenido generado.
Obtenga la aprobación del equipo de cumplimiento antes del despliegue.
Fase 4: monitorización (continua)
Programe análisis recurrentes con DQS. La calidad de los datos se degrada a medida que los usuarios introducen nuevos registros, por lo que una remediación puntual no basta.
Cadencia sugerida:
| Análisis | Frecuencia | Objetos |
|---|---|---|
| Detección de PII | Semanal | Cases, Leads (campos de texto de alto volumen) |
| Completitud + consistencia | Mensual | Todos los objetos del alcance de Agentforce |
| Análisis completo (todas las dimensiones) | Trimestral | Toda la org |
Haga seguimiento de la evolución de las métricas a lo largo del tiempo. El análisis periódico detecta regresiones pronto, antes de que afecten al rendimiento del agente.
Lista de verificación previa al despliegue
Calidad de datos
- Todos los objetos del alcance de Agentforce analizados con DQS
- Completeness Rate por encima del 85 % en los campos que utiliza Agentforce
- Conformance Rate por encima del 90 % en los campos de lista desplegable y de referencia
- Validity Rate por encima del 90 % en los campos estructurados (correo, teléfono, fecha)
Seguridad de PII
- PII Exposure Rate por debajo del 1 % en los campos de texto a los que accede Agentforce
- Cero coincidencias de SSN o tarjetas de crédito en Case Description y Comments
- Excepciones de patrón por campo configuradas para los campos con contenido esperado
Operaciones
- Programación de análisis recurrentes configurada
- Métricas base documentadas para el seguimiento de tendencias
- Responsabilidad de remediación asignada por dimensión
Errores habituales
1. Desplegar sin evaluación. Ejecute los análisis de DQS antes de cualquier planificación de despliegue. La mayoría de las orgs descubren problemas que no esperaban. Un análisis de 15 minutos revela incidencias que llevaría meses encontrar manualmente.
2. Subestimar la exposición de PII. El PII se esconde en los campos Description, Notes y Comments, donde los usuarios pegan comunicaciones de clientes. Email-to-case captura SSN y números de tarjetas de crédito de los mensajes entrantes. Analice todos los campos de texto, no solo los campos dedicados a PII.
3. Remediación puntual. La calidad de los datos se degrada a medida que los usuarios introducen nuevos registros. Un conjunto de datos limpio hoy acumula nuevas incidencias en cuestión de semanas. Programe análisis recurrentes y monitorice las tendencias de las métricas para detectar regresiones antes de que lleguen a sus agentes.
Próximos pasos
- Detección de PII: configure el análisis de PII para los datos de Agentforce
- Completitud: asegúrese de que los campos dispongan de datos con los que la IA pueda trabajar
- Consistencia: estandarice los valores que recuperará la IA
- Las cinco dimensiones: panorama completo de todas las dimensiones de calidad de datos
- Evaluación de preparación para la IA: obtenga su puntuación actual de preparación