Les agents Agentforce ne sont jamais plus fiables que les données Salesforce qui les alimentent. La préparation des données pour Agentforce est avant tout une question de qualité des données : des enregistrements complets, des valeurs cohérentes et aucune PII dans les champs que vos agents consultent. Ce guide montre, phase par phase, comment évaluer et préparer vos données Salesforce pour l’IA.
Qu’est-ce qu’Agentforce ?
Agentforce est la plateforme d’IA de Salesforce pour créer des agents autonomes. Ces agents récupèrent des informations dans vos enregistrements Salesforce, génèrent des réponses basées sur vos données et prennent des actions pour le compte des utilisateurs.
La qualité de vos données détermine la qualité du comportement des agents. Les agents travaillent avec ce qu’ils trouvent. Si les données sont incomplètes, incohérentes ou contiennent des PII, l’agent produit des sorties incomplètes, incohérentes ou non conformes.
La plupart des organisations commencent plus loin de la préparation qu’elles ne le supposent. Dans l’enquête sur l’intégrité des données de Precisely et de la Drexel University LeBow College of Business, seules 12 % des organisations ont rapporté que leurs données sont de qualité suffisante et accessibles pour une implémentation efficace de l’IA — tandis que 64 % ont nommé la qualité des données comme leur principal défi d’intégrité des données. La préparation est ce qui comble cet écart.
Pourquoi la qualité des données compte pour Agentforce
Trois problèmes de données créent trois défaillances distinctes dans Agentforce.
Des données incomplètes produisent des réponses vagues. Quand Agentforce récupère un Case avec une Description vide, il n’a rien sur quoi s’appuyer. L’agent génère une réponse générique parce qu’il n’y a aucun contexte. Le taux de complétude vous indique combien d’enregistrements ont ce problème sur chaque champ dans le périmètre.
Des données incohérentes produisent des réponses contradictoires. Quand le champ Country contient « US », « USA », « United States » et « U.S.A. », l’agent les traite comme quatre valeurs différentes. Un client qui pose une question sur les opérations US obtient une réponse différente selon l’enregistrement récupéré. Le taux de conformité révèle le degré de fragmentation de vos données.
Les PII dans les champs texte créent une exposition de conformité. Quand un agent récupère un commentaire de Case contenant un numéro de sécurité sociale, ce PII entre dans le contexte de l’IA. L’agent peut le faire apparaître dans une réponse. PII Exposure Rate indique l’ampleur de ce risque sur vos champs texte.
Le calendrier de préparation des données pour Agentforce
Planifiez votre préparation des données pour Agentforce en quatre phases.
Phase 1 : évaluation (3+ mois avant)
Lancez des scans DQS sur tous les objets auxquels Agentforce accédera. Mesurez les métriques de référence pour chaque dimension.
| Dimension | Métrique clé | Ce qu’elle vous dit |
|---|---|---|
| Complétude | Completeness Rate | Pourcentage de champs renseignés |
| Cohérence | Conformance Rate | Pourcentage correspondant aux valeurs attendues |
| Validité | Validity Rate | Pourcentage respectant les règles de format |
| Actualité | Timeliness Rate | Pourcentage d’enregistrements à jour |
| Unicité | Duplicate Rate | Pourcentage d’enregistrements en double |
| PII Detection | PII Exposure Rate | Pourcentage d’enregistrements contenant des PII |
Documentez ces références. Vous en aurez besoin pour la comparaison après remédiation.
Phase 2 : remédiation (2 mois avant)
Traitez les dimensions par ordre de priorité. D’abord les PII, puis les dimensions qui affectent la qualité du contexte IA.
1. PII (semaines 1-2). Traitez d’abord les détections de SSN et de cartes de crédit. Utilisez le préréglage Critical pour isoler les PII financières. Passez les correspondances en revue, puis masquez, supprimez ou excluez les trouvailles confirmées. Relancez le scan pour valider.
2. Complétude (semaines 2-4). Concentrez-vous sur les champs qu’Agentforce utilisera pour ses réponses : Description, Comments, Notes. Les données manquantes signifient un contexte IA manquant. Ciblez d’abord les champs avec le taux de complétude le plus faible.
3. Cohérence (semaines 3-5). Standardisez les champs picklist et de référence. Utilisez Import from Field pour découvrir les variantes existantes, puis définissez vos valeurs canoniques et normalisez. Moins il y a de variantes par champ, plus les réponses de l’agent sont fiables.
4. Validité (semaines 4-6). Corrigez les problèmes de format sur les champs structurés (email, téléphone, dates). Les formats invalides créent des données peu fiables pour la récupération par l’IA. Concentrez-vous sur les champs où Validity Rate est inférieur à 90 %.
5. Actualité et unicité (semaines 5-8). Traitez les enregistrements périmés et les doublons. Des données anciennes apprennent aux agents des motifs dépassés. Les doublons créent des réponses contradictoires quand l’agent récupère différentes versions du même enregistrement.
Phase 3 : validation (1 mois avant)
Relancez tous les scans DQS. Comparez les résultats aux références de la phase 1.
| Métrique | Référence | Post-remédiation | Cible |
|---|---|---|---|
| Completeness Rate (champs clés) | ___ % | ___ % | 85 %+ |
| Conformance Rate (picklists) | ___ % | ___ % | 90 %+ |
| Validity Rate (champs structurés) | ___ % | ___ % | 90 %+ |
| PII Exposure Rate | ___ % | ___ % | En dessous de 1 % |
Testez les réponses des agents sur des données remédiées. Vérifiez que les agents renvoient des sorties précises et appropriées et qu’aucune PII n’apparaît dans le contenu généré.
Obtenez la validation de l’équipe conformité avant le déploiement.
Phase 4 : surveillance (en continu)
Planifiez des scans DQS récurrents. La qualité des données se dégrade à mesure que les utilisateurs entrent de nouveaux enregistrements ; une remédiation ponctuelle ne suffit pas.
Cadence suggérée :
| Scan | Fréquence | Objets |
|---|---|---|
| PII Detection | Hebdomadaire | Cases, Leads (champs texte à fort volume) |
| Complétude + cohérence | Mensuelle | Tous les objets dans le périmètre Agentforce |
| Scan complet (toutes dimensions) | Trimestrielle | Toute l’org |
Suivez les tendances des métriques dans le temps. Un scan régulier attrape les régressions tôt, avant qu’elles n’affectent la performance des agents.
Checklist pré-déploiement
Qualité des données
- Tous les objets du périmètre Agentforce scannés avec DQS
- Completeness Rate au-dessus de 85 % sur les champs utilisés par Agentforce
- Conformance Rate au-dessus de 90 % sur les champs picklist et de référence
- Validity Rate au-dessus de 90 % sur les champs structurés (email, phone, date)
Sécurité PII
- PII Exposure Rate en dessous de 1 % sur les champs texte accédés par Agentforce
- Zéro correspondance SSN ou carte de crédit sur Case Description et Comments
- Surcharges de motifs configurées par champ pour les contenus attendus
Opérations
- Planification de scans récurrents configurée
- Métriques de référence documentées pour le suivi de tendances
- Responsabilité de remédiation assignée par dimension
Pièges courants
1. Déployer sans évaluation. Lancez des scans DQS avant toute planification de déploiement. La plupart des orgs découvrent des problèmes auxquels elles ne s’attendaient pas. Un scan de 15 minutes révèle des problèmes qui prendraient des mois à trouver manuellement.
2. Sous-estimer l’exposition PII. Les PII se cachent dans les champs Description, Notes et Comments où les utilisateurs collent des communications clients. L’email-to-case capture des SSN et des numéros de carte depuis les messages entrants. Scannez tous les champs texte, pas seulement les champs PII dédiés.
3. Remédiation ponctuelle. La qualité des données se dégrade à mesure que de nouveaux enregistrements sont saisis. Un jeu de données propre aujourd’hui accumule de nouveaux problèmes en quelques semaines. Planifiez des scans récurrents et surveillez les tendances pour attraper les régressions avant qu’elles n’atteignent vos agents.
Étapes suivantes
- Détection PII : configurer le scan PII pour les données Agentforce
- Complétude : s’assurer que les champs contiennent les données dont l’IA a besoin
- Cohérence : standardiser les valeurs qu’elle récupérera
- Les cinq dimensions : vue d’ensemble complète
- Évaluation de préparation à l’IA : obtenez votre score actuel