# Qualité des données Agentforce : foire aux questions > Réponses aux questions courantes sur la qualité des données Agentforce : Agentforce a-t-il besoin de données propres, quelles données il lit, seuils de préparation, risque PII et comment se préparer. Source: https://dataqualitysense.com/fr/resources/ai-readiness/agentforce-data-quality-faq/ Last updated: 2026-07-15 --- Les équipes posent les mêmes questions avant de connecter Agentforce à leurs données Salesforce. Cette page répond directement à dix d'entre elles. Chaque réponse est conçue pour une consultation rapide et renvoie vers des guides plus détaillés là où vous en avez besoin. ## Agentforce a-t-il besoin de données propres ? Oui. Agentforce a besoin de données propres parce que les agents fondent leurs réponses sur les enregistrements Salesforce qu'ils récupèrent. Un agent travaille avec ce qu'il trouve dans les champs de son périmètre. Quand ces champs sont incomplets, incohérents ou invalides, l'agent produit des sorties incomplètes, incohérentes ou invalides. Des données propres font la différence entre un agent qui aide les utilisateurs et un agent qui les induit en erreur. Les enjeux sont documentés : [Gartner a prédit en 2024](https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025) qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici la fin de 2025, la mauvaise qualité des données figurant parmi les causes principales. Consultez [pourquoi les agents Agentforce échouent](/fr/resources/ai-readiness/why-agentforce-agents-fail/) pour connaître les modes de défaillance spécifiques que créent les mauvaises données. ## Quelles données Agentforce utilise-t-il ? Agentforce utilise vos enregistrements Salesforce. Les agents récupèrent des informations dans les objets que vous leur accordez, génèrent des réponses basées sur ces données et prennent des actions pour le compte des utilisateurs. Les champs qui comptent le plus pour la qualité des réponses sont les champs texte libre comme Description, Comments et Notes, ainsi que les picklists et les champs de référence qui portent le contexte. Si un champ se trouve dans le périmètre d'un agent, son contenu devient une entrée pour les réponses de l'agent. Pour une vue d'ensemble de la façon dont les données CRM alimentent l'IA, lisez [La qualité des données dans Salesforce](/fr/resources/salesforce/data-quality-in-salesforce/). ## Comment savoir si mes données Salesforce sont prêtes pour Agentforce ? Vous savez que vos données sont prêtes lorsqu'elles atteignent des seuils de préparation définis en matière de complétude, de cohérence, de validité et d'exposition aux PII. La préparation est mesurable, ce n'est pas une impression. Lancez un scan DQS sur tous les objets auxquels un agent accédera, enregistrez un taux de référence pour chaque dimension, et comparez ces taux à vos cibles. La [checklist de préparation des données pour Agentforce](/fr/resources/ai-readiness/agentforce-data-readiness-checklist/) passe en revue chaque élément à confirmer avant le déploiement. ## Que se passe-t-il si Agentforce lit des enregistrements incomplets ? Quand Agentforce lit des enregistrements incomplets, il génère des réponses vagues ou génériques parce qu'il n'a aucun contexte sur lequel s'appuyer. Un champ Description vide ne donne à l'agent rien de précis à référencer, alors il se rabat sur un langage général qui apporte peu de valeur. Le problème s'amplifie avec le volume. Completeness Rate vous indique combien d'enregistrements présentent ce manque sur les champs qu'un agent utilise, afin que vous puissiez traiter d'abord les champs les plus problématiques. La complétude est la première des [cinq dimensions de la qualité des données](/fr/resources/data-quality/five-dimensions/). ## Agentforce peut-il exposer des PII ? Oui. Agentforce peut faire apparaître des informations personnelles identifiables présentes dans les champs Salesforce qu'il lit. Les PII se cachent dans les champs texte libre où les utilisateurs collent des communications clients. L'email-to-case, par exemple, capture des numéros de sécurité sociale et des numéros de carte de crédit depuis les messages entrants et les stocke dans Case Description et Comments. Quand un agent récupère un de ces enregistrements, les PII entrent dans le contexte de l'IA et peuvent apparaître dans une réponse générée. La [détection PII](/fr/resources/ai-readiness/pii-detection/) de DQS est livrée avec huit motifs pour trouver ces données, et le guide [conformité PII pour Agentforce](/fr/resources/ai-readiness/agentforce-pii-compliance/) explique comment les traiter. ## Comment mesurer la qualité des données Salesforce avant de déployer Agentforce ? Vous mesurez la qualité des données Salesforce avec DQS, qui scanne vos enregistrements à l'intérieur de Salesforce et renvoie un taux pour chaque dimension. Dans le Definition Builder, sélectionnez les objets et les champs auxquels un agent accédera, puis lancez un scan. Insight Studio renvoie Completeness Rate, Conformance Rate, Validity Rate, Timeliness Rate, Duplicate Rate et PII Exposure Rate pour ce périmètre. Le scan entier s'exécute dans votre org, donc aucune donnée ne quitte Salesforce. Pour une méthode pas à pas, consultez [comment mesurer la qualité des données dans Salesforce](/fr/resources/salesforce/measure-data-quality-in-salesforce/). ## À quel point mes données doivent-elles être propres ? Visez un Completeness Rate de 85 % ou plus sur les champs clés, un Conformance Rate de 90 % ou plus sur les champs picklist et de référence, un Validity Rate de 90 % ou plus sur les champs structurés, et un PII Exposure Rate en dessous de 1 % sur les champs texte. Ces seuils donnent aux agents suffisamment de données complètes, cohérentes et valides pour répondre de manière fiable tout en gardant les données sensibles hors du contexte de l'IA. Relevez les cibles pour les champs réglementés ou exposés aux clients où les erreurs comportent plus de risques. Le [guide de préparation à Agentforce](/fr/resources/ai-readiness/agentforce-preparation/) explique comment valider chaque taux par rapport à ces cibles avant la mise en production. ## Combien de temps prend la préparation des données pour Agentforce ? Prévoyez environ trois mois pour la préparation des données avant la mise en production. Lancez votre évaluation environ trois mois avant pour établir des références. Terminez la remédiation environ deux mois avant, en traitant d'abord les PII, puis la complétude et la cohérence. Validez environ un mois avant en relançant chaque scan et en comparant les nouveaux taux à vos références. Après le déploiement, passez à une surveillance continue. La taille de l'org et le nombre d'objets dans le périmètre modifient le calendrier, mais la séquence reste la même. Pour la phase de remédiation en détail, consultez [le nettoyage des données Salesforce pour Agentforce](/fr/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/). ## La surveillance de la qualité des données compte-t-elle après la mise en production ? Oui. La surveillance de la qualité des données compte après la mise en production parce que les données se dégradent à mesure que les utilisateurs saisissent de nouveaux enregistrements. Un jeu de données que vous avez nettoyé pour le lancement accumule de nouveaux manques, incohérences et PII en quelques semaines. Une remédiation ponctuelle ne tient pas. Planifiez des scans DQS récurrents, hebdomadaires pour les champs texte à fort volume et mensuels pour les objets du périmètre des agents, et suivez les tendances des métriques. Un scan régulier attrape les régressions tôt, avant qu'elles n'atteignent vos agents et vos utilisateurs. ## Quelle est la différence entre qualité des données et préparation des données ? La qualité des données mesure si vos enregistrements sont adaptés à leur usage prévu. La préparation des données mesure si ces mêmes enregistrements sont préparés pour un usage spécifique, en l'occurrence Agentforce. La préparation s'appuie sur les cinq dimensions de la qualité des données et y ajoute une préoccupation que le travail de qualité traditionnel ignore : l'exposition des données sensibles. Un enregistrement peut être complet, cohérent et valide tout en contenant un numéro de sécurité sociale qu'un agent ne doit jamais faire apparaître. La préparation combine les deux contrôles. Commencez par les fondamentaux dans [qu'est-ce que la qualité des données](/fr/resources/data-quality/what-is-data-quality/). ## Étapes suivantes - [Préparation à Agentforce](/fr/resources/ai-readiness/agentforce-preparation/) : le guide complet de préparation phase par phase - [Checklist de préparation des données pour Agentforce](/fr/resources/ai-readiness/agentforce-data-readiness-checklist/) : confirmez chaque élément avant de déployer - [Détection PII](/fr/resources/ai-readiness/pii-detection/) : trouvez les données sensibles avant que les agents puissent les lire - [Mesurer la qualité des données dans Salesforce](/fr/resources/salesforce/measure-data-quality-in-salesforce/) : lancez votre premier scan de référence - [Évaluation de préparation à l'IA](/fr/ai-readiness/) : obtenez votre score de préparation actuel en 3 minutes