La préparation des données pour Agentforce est l’état dans lequel vos enregistrements Salesforce sont complets, cohérents, valides, récents, dédupliqués et exempts de PII exposées, de sorte que les agents IA récupèrent un contexte exact et génèrent des réponses dignes de confiance. Vos données sont prêtes pour Agentforce lorsque chacune de ces six conditions est mesurée et atteint un seuil défini, et non supposée. Cette checklist vous donne les éléments à vérifier, la raison pour laquelle chacun compte, et la métrique DQS qui le mesure.
Les agents Agentforce récupèrent des enregistrements Salesforce, génèrent des réponses fondées sur les données CRM et prennent des actions pour le compte des utilisateurs. Chacune de ces étapes lit vos données comme source de vérité. Si un champ est vide, l’agent n’a aucun contexte. Si une valeur est orthographiée de quatre façons, l’agent la traite comme quatre faits. Si un commentaire de Case contient un numéro de sécurité sociale, l’agent peut le faire apparaître. La préparation consiste à combler ces lacunes avant le déploiement, et non après qu’un agent ait donné une mauvaise réponse en production. Pour le plan phasé complet derrière cette liste, consultez Préparation à Agentforce.
Comment savoir si vos données Salesforce sont prêtes pour Agentforce ?
Vous le savez en mesurant, pas en inspectant les enregistrements à la main. Lancez un scan DQS sur tous les objets auxquels l’agent accédera, puis comparez chaque métrique à un seuil cible. Parcourez les six domaines ci-dessous. Chaque case à cocher correspond à quelque chose que vous pouvez vérifier avec un résultat de scan, de sorte que la réponse à « mes données sont-elles prêtes » devient un chiffre plutôt qu’une opinion.
L’étape de mesure est celle que la plupart des organisations sautent. Dans la recherche d’Accenture sur les données prêtes pour l’IA, 61 % des PDG ont reconnu que leurs ressources en données ne sont pas encore prêtes pour l’IA générative, et seulement 7 % des entreprises ont atteint le niveau de préparation des données nécessaire pour faire passer l’IA avancée à l’échelle. Une checklist vérifiée par rapport aux résultats des scans est la façon de déterminer de quel côté de cette ligne vous êtes.
Copiez la checklist dans vos notes de projet et cochez les éléments au fur et à mesure que vous les confirmez.
Périmètre et accès
Définissez ce que l’agent touche avant de mesurer quoi que ce soit. Un agent qui lit les mauvais objets échoue, peu importe à quel point le reste de votre org est propre.
- Listez tous les objets qu’Agentforce lira ou écrira. L’agent ne récupère que ce que ses topics et ses actions autorisent. Cadrez vos scans sur cet ensemble précis afin de mesurer les données que l’agent voit réellement.
- Listez les champs de chaque objet que l’agent utilise pour ses réponses. Description, Comments, Notes et les picklists clés portent le contexte. Scanner tous les champs gaspille des efforts ; scannez ceux qui fondent les réponses.
- Vérifiez que la sécurité au niveau du champ correspond à l’intention. Un agent hérite de l’accès de l’utilisateur en cours. Un champ masqué pour l’utilisateur est invisible pour l’agent, donc une réponse « manquante » est parfois une lacune de permission, pas une lacune de données.
- Notez quelles intégrations écrivent dans ces champs. Les intégrations sont la source la plus courante de valeurs incohérentes et dupliquées. Connaître les systèmes qui écrivent vous indique où corriger l’entrée des données, et pas seulement les données elles-mêmes.
Complétude
Les agents génèrent des réponses vagues quand les champs qu’ils lisent sont vides. La complétude est la première chose à mesurer, car un contexte manquant est la cause la plus fréquente de réponses faibles de l’agent.
- Completeness Rate est de 85 % ou plus sur chaque champ que l’agent utilise pour ses réponses. Une Description vide ne donne à l’agent rien sur quoi fonder une réponse. Le Completeness Rate indique le pourcentage d’enregistrements où le champ contient une valeur.
- Les champs de contexte critiques n’ont pas de vides systémiques provenant d’une source unique. Un champ laissé vide par une intégration relève d’une correction de processus, pas d’un nettoyage enregistrement par enregistrement. Le Completeness Rate au niveau du champ isole la source.
- Les champs requis pour l’activité sont renseignés, même lorsqu’ils ne sont pas obligatoires dans le schéma. Agentforce traite un champ vide comme une absence de fait. Voir Complétude pour la façon dont DQS cadre le « devrait être rempli » par objet.
Cohérence et validité
Quand la même valeur réelle apparaît sous plusieurs formes, l’agent traite chacune comme distincte et répond de façon incohérente. Quand une valeur enfreint son format attendu, la récupération en aval devient peu fiable.
- Conformance Rate est de 90 % ou plus sur les champs picklist et de référence. Un champ Country contenant « US », « USA » et « United States » divise un fait en trois. Le Conformance Rate indique le pourcentage de valeurs correspondant à votre ensemble canonique. Utilisez Import from Field pour découvrir les variantes existantes, puis définissez les valeurs canoniques. Voir Cohérence.
- Validity Rate est de 90 % ou plus sur les champs formatés. Un e-mail sans
@, un numéro de téléphone contenant des lettres ou une date impossible sont des données sur lesquelles l’agent ne peut pas agir — il ne peut ni envoyer, ni appeler, ni planifier. Le Validity Rate indique le pourcentage de valeurs respectant vos règles de format. Voir Validité. - Les contradictions entre champs sont résolues. Un Billing State qui contredit son Billing Country apprend à l’agent une fausse relation. Les contrôles de cohérence font ressortir les valeurs qui se contredisent.
Actualité et doublons
Des données périmées fondent les réponses sur des faits qui ne sont plus vrais. Les enregistrements en double donnent à l’agent deux versions d’une même entité, de sorte que la réponse dépend de la copie qu’il récupère.
- Timeliness Rate atteint votre cible sur les champs sensibles aux dates. Une Last Activity datant de deux ans ou une Close Date dans le passé induit l’agent en erreur. Le Timeliness Rate indique le pourcentage d’enregistrements à jour dans la fenêtre que vous avez définie. Voir Actualité.
- Duplicate Rate est faible sur les objets que l’agent lit. Quand l’agent récupère l’un des trois enregistrements d’un même client, il répond à partir d’un historique partiel. Le Duplicate Rate indique le pourcentage d’enregistrements qui en dupliquent un autre. Voir Unicité.
- Fusionnez ou signalez les doublons avant le déploiement, pas après. Les doublons créés via les formulaires, les imports et la saisie manuelle se multiplient sans surveillance. Résolvez-les pour que l’agent lise un seul enregistrement par entité.
PII et conformité
Les PII dans les champs texte qu’un agent lit entrent dans le contexte de l’IA et peuvent apparaître dans une réponse générée. C’est le domaine où une lacune de préparation devient un incident de conformité.
- PII Exposure Rate est en dessous de 1 % sur les champs texte auxquels l’agent accède. Les SSN et les numéros de carte de crédit s’accumulent dans Description, Comments et Notes via le copier-coller et l’email-to-case. Le PII Exposure Rate indique le pourcentage d’enregistrements contenant une correspondance de motif. Voir Détection PII.
- Zéro correspondance SSN ou carte de crédit sur Case Description et Comments. Les PII financières sont la trouvaille la plus critique. Lancez le scan avec le préréglage Critical pour les isoler, puis masquez, supprimez ou excluez les correspondances confirmées.
- Des surcharges de motifs par champ sont configurées pour les champs au contenu attendu. Un champ Email correspond au motif e-mail par conception, ce qui est du bruit, pas de l’exposition. Les surcharges par champ éliminent ce bruit pour que le taux reflète le risque réel.
- L’équipe conformité a validé le scan PII post-remédiation. GDPR, CCPA, HIPAA et PCI DSS exigent d’identifier et de protéger les PII. DQS s’exécute entièrement à l’intérieur de Salesforce, donc aucun enregistrement ne quitte l’org pendant la détection. Voir Conformité PII pour Agentforce.
Opérations et surveillance
La qualité des données se dégrade à mesure que les utilisateurs saisissent de nouveaux enregistrements. Un jeu de données qui passe aujourd’hui accumule de nouveaux problèmes en quelques semaines, donc la préparation est un état que l’on maintient, pas un jalon que l’on franchit une seule fois.
- Les métriques de référence sont documentées pour chaque dimension du périmètre. Vous avez besoin des chiffres de départ pour prouver que la remédiation a fonctionné et pour détecter une régression plus tard.
- Une planification de scans récurrents est configurée. Les scans planifiés transforment un instantané ponctuel en courbe de tendance. Lancez le scan PII chaque semaine sur les objets texte à fort volume, la complétude et la cohérence chaque mois, et un scan complet chaque trimestre.
- La responsabilité de la remédiation est assignée par dimension. Une métrique sans propriétaire ne s’améliore pas. Désignez la personne responsable de la complétude, des PII, et ainsi de suite.
- Les réponses de l’agent sont testées sur des données remédiées. Un scan réussi prédit un bon comportement ; un test le confirme. Vérifiez que les sorties sont exactes et qu’aucune PII n’apparaît dans le contenu généré.
Les seuils de préparation en un coup d’œil
Utilisez ce tableau comme critères de réussite pour chaque domaine. Les cibles correspondent au plan Préparation à Agentforce.
| Domaine de la checklist | Métrique DQS | Seuil cible |
|---|---|---|
| Complétude | Completeness Rate (champs clés) | 85 % ou plus |
| Cohérence | Conformance Rate (picklists, références) | 90 % ou plus |
| Validité | Validity Rate (champs formatés) | 90 % ou plus |
| Actualité | Timeliness Rate (champs sensibles aux dates) | Respecte votre fenêtre définie |
| Unicité | Duplicate Rate (objets lus par l’agent) | Faible et en baisse |
| PII et conformité | PII Exposure Rate (champs texte lus par l’agent) | En dessous de 1 % |
Que faire si mon org échoue à plusieurs éléments ?
Une checklist en échec est le point de départ attendu, pas une raison de retarder. La plupart des orgs découvrent des problèmes inattendus au premier scan. Priorisez dans cet ordre : les PII d’abord, car elles comportent un risque de conformité ; puis la complétude et la cohérence, car elles façonnent la qualité du contexte de l’agent ; puis la validité, l’actualité et l’unicité. Corrigez d’abord les éléments à fort impact et faible effort, relancez le scan, et comparez à votre référence. Pour un parcours de remédiation pas à pas, consultez Le nettoyage des données Salesforce pour Agentforce et Pourquoi les agents Agentforce échouent.
Étapes suivantes
- Préparation à Agentforce : le plan de préparation phasé complet derrière cette checklist
- Le nettoyage des données Salesforce pour Agentforce : comment remédier aux éléments en échec
- Détection PII : configurer le scan PII pour les champs que les agents lisent
- Pourquoi les agents Agentforce échouent : les problèmes de données derrière les réponses faibles de l’agent
- FAQ qualité des données Agentforce : réponses rapides aux questions courantes sur la préparation
- Comment mesurer la qualité des données dans Salesforce : le score de qualité des données en détail
- Évaluation de préparation à l’IA : obtenez votre score de préparation actuel