# Agentforce 데이터 품질: 자주 묻는 질문 > Agentforce 데이터 품질에 관한 흔한 질문에 대한 답변: Agentforce에 깨끗한 데이터가 필요한지, 어떤 데이터를 읽는지, 준비도 기준, PII 위험, 그리고 준비 방법. Source: https://dataqualitysense.com/ko/resources/ai-readiness/agentforce-data-quality-faq/ Last updated: 2026-07-15 --- 팀들은 Agentforce를 Salesforce 데이터에 연결하기 전에 같은 질문을 던집니다. 이 페이지는 그중 열 가지에 직접 답합니다. 각 답변은 빠른 참조용으로 구성되어 있으며, 더 깊은 안내가 필요한 곳으로 연결됩니다. ## Agentforce에 깨끗한 데이터가 필요합니까? 네. Agentforce에 깨끗한 데이터가 필요한 이유는 에이전트가 검색하는 Salesforce 레코드를 기반으로 응답을 생성하기 때문입니다. 에이전트는 자신의 범위 안에 있는 필드에서 발견한 것이라면 무엇이든 가지고 작동합니다. 그 필드가 불완전하거나, 불일관하거나, 유효하지 않으면 에이전트는 불완전하고, 불일관하거나, 유효하지 않은 출력을 만들어냅니다. 깨끗한 데이터는 사용자를 돕는 에이전트와 사용자를 오도하는 에이전트를 가르는 차이입니다. 위험성은 입증되어 있습니다: [Gartner는 2024년에 생성형 AI 프로젝트의 최소 30%가 2025년 말까지 개념 증명 후 포기될 것이라고 예측했으며](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), 그 주요 원인 중 하나로 부실한 데이터 품질을 지목했습니다. 부실한 데이터가 만들어내는 구체적인 실패 양상은 [Agentforce 에이전트가 실패하는 이유](/ko/resources/ai-readiness/why-agentforce-agents-fail/)를 참조하십시오. ## Agentforce는 어떤 데이터를 사용합니까? Agentforce는 여러분의 Salesforce 레코드를 사용합니다. 에이전트는 여러분이 권한을 부여한 오브젝트에서 정보를 검색하고, 그 데이터를 바탕으로 응답을 생성하며, 사용자를 대신하여 작업을 수행합니다. 응답 품질에 가장 중요한 필드는 Description, Comments, Notes와 같은 자유 텍스트 필드, 그리고 맥락을 좌우하는 선택 목록(picklist) 및 참조 필드입니다. 어떤 필드가 에이전트의 범위 안에 있으면 그 내용이 에이전트 답변의 입력이 됩니다. CRM 데이터가 AI에 어떻게 공급되는지에 대한 전체 그림은 [Salesforce의 데이터 품질](/ko/resources/salesforce/data-quality-in-salesforce/)을 읽어 보십시오. ## 내 Salesforce 데이터가 Agentforce를 위해 준비되었는지 어떻게 알 수 있습니까? 완전성, 일관성, 유효성, PII 노출 전반에 걸쳐 정의된 준비도 기준을 충족할 때 데이터가 준비된 것임을 알 수 있습니다. 준비도는 느낌이 아니라 측정 가능한 것입니다. 에이전트가 접근할 모든 오브젝트에 대해 DQS 스캔을 실행하고, 각 차원의 기준 비율을 기록한 다음, 그 비율을 목표치와 비교하십시오. [Agentforce 데이터 준비도 체크리스트](/ko/resources/ai-readiness/agentforce-data-readiness-checklist/)는 배포 전에 확인할 각 항목을 단계별로 안내합니다. ## Agentforce가 불완전한 레코드를 읽으면 어떻게 됩니까? Agentforce가 불완전한 레코드를 읽으면 참고할 맥락이 없기 때문에 모호하거나 일반적인 응답을 생성합니다. 비어 있는 Description 필드는 에이전트에게 참조할 구체적인 것을 전혀 주지 않으므로, 에이전트는 거의 가치를 더하지 못하는 두루뭉술한 표현으로 되돌아갑니다. 이 문제는 규모에 따라 커집니다. 완전성 비율(Completeness Rate)은 에이전트가 사용하는 필드 전반에 걸쳐 얼마나 많은 레코드가 이 문제를 가지고 있는지 알려 주므로, 가장 나쁜 필드부터 우선순위를 정할 수 있습니다. 완전성은 [다섯 가지 데이터 품질 차원](/ko/resources/data-quality/five-dimensions/) 중 첫 번째입니다. ## Agentforce가 PII를 노출할 수 있습니까? 네. Agentforce는 자신이 읽는 Salesforce 필드에 존재하는 개인 식별 정보를 노출할 수 있습니다. PII는 사용자가 고객 커뮤니케이션을 붙여넣는 자유 텍스트 필드에 숨어 있습니다. 예를 들어 이메일-투-케이스(email-to-case)는 수신 메시지에서 주민등록번호와 신용카드 번호를 캡처하여 Case Description과 Comments에 저장합니다. 에이전트가 그러한 레코드 중 하나를 검색하면 PII가 AI 맥락에 들어가 생성된 응답에 나타날 수 있습니다. DQS [PII 탐지](/ko/resources/ai-readiness/pii-detection/)는 이 데이터를 찾는 여덟 가지 패턴을 제공하며, [Agentforce PII 컴플라이언스](/ko/resources/ai-readiness/agentforce-pii-compliance/) 가이드는 이를 처리하는 방법을 다룹니다. ## Agentforce를 배포하기 전에 Salesforce 데이터 품질을 어떻게 측정합니까? Salesforce 데이터 품질은 DQS로 측정합니다. DQS는 Salesforce 내부에서 레코드를 스캔하고 각 차원의 비율을 보고합니다. Definition Builder에서 에이전트가 접근할 오브젝트와 필드를 선택한 다음 스캔을 실행하십시오. Insight Studio가 해당 범위에 대한 완전성 비율, 적합률, 유효성 비율, 적시성 비율, 중복 비율, PII 노출 비율을 반환합니다. 전체 스캔은 조직 내부에서 실행되므로 어떤 데이터도 Salesforce 밖으로 나가지 않습니다. 단계별 방법은 [Salesforce에서 데이터 품질을 측정하는 방법](/ko/resources/salesforce/measure-data-quality-in-salesforce/)을 참조하십시오. ## 내 데이터가 얼마나 깨끗해야 합니까? 핵심 필드에서 완전성 비율 85% 이상, 선택 목록 및 참조 필드에서 적합률 90% 이상, 구조화된 필드에서 유효성 비율 90% 이상, 그리고 텍스트 필드에서 PII 노출 비율 1% 미만을 목표로 하십시오. 이 기준치는 민감한 데이터를 AI 맥락에서 차단하면서도 에이전트가 신뢰성 있게 응답할 만큼 충분히 완전하고, 일관되며, 유효한 데이터를 제공합니다. 오류의 위험이 더 큰 규제 대상이거나 고객을 직접 대하는 필드에는 목표를 더 높이십시오. [Agentforce 준비 가이드](/ko/resources/ai-readiness/agentforce-preparation/)는 가동 전에 각 비율을 이 목표치와 비교하여 검증하는 방법을 설명합니다. ## Agentforce를 위한 데이터 준비에는 얼마나 걸립니까? 가동 전 데이터 준비에 대략 3개월을 계획하십시오. 기준선을 설정하기 위해 약 3개월 전에 평가를 실행하십시오. 약 2개월 전에 해결을 완료하되, PII를 먼저, 그다음 완전성과 일관성을 처리하십시오. 약 1개월 전에 모든 스캔을 다시 실행하고 새 비율을 기준선과 비교하여 검증하십시오. 배포 후에는 지속적인 모니터링으로 넘어가십시오. 조직 규모와 범위에 포함된 오브젝트 수가 일정을 바꾸지만, 순서는 그대로입니다. 해결 단계의 상세한 내용은 [Agentforce를 위한 Salesforce 데이터 정리](/ko/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/)를 참조하십시오. ## 가동 후에도 데이터 품질 모니터링이 중요합니까? 네. 가동 후에도 데이터 품질 모니터링이 중요한 이유는 사용자가 새 레코드를 입력함에 따라 데이터가 저하되기 때문입니다. 가동을 위해 정리한 데이터셋도 몇 주 안에 새로운 누락, 불일관, PII를 축적합니다. 일회성 해결로는 유지되지 않습니다. 반복 DQS 스캔을 예약하되 대량 텍스트 필드에는 주간으로, 에이전트 범위의 오브젝트에는 월간으로 예약하고, 메트릭 추세를 추적하십시오. 정기적인 스캔은 회귀가 에이전트에 도달하고 사용자에게 도달하기 전에 일찍 포착합니다. ## 데이터 품질과 데이터 준비도의 차이는 무엇입니까? 데이터 품질은 레코드가 의도된 목적에 적합한지를 측정합니다. 데이터 준비도는 그 동일한 레코드가 특정 용도, 이 경우 Agentforce를 위해 준비되었는지를 측정합니다. 준비도는 다섯 가지 데이터 품질 차원을 기반으로 하며, 여기에 전통적인 품질 작업이 간과하는 한 가지 관심사를 더합니다. 바로 민감한 데이터 노출입니다. 레코드가 완전하고, 일관되며, 유효하더라도 에이전트가 절대 노출해서는 안 되는 주민등록번호를 담고 있을 수 있습니다. 준비도는 이 두 가지 검사를 모두 결합합니다. [데이터 품질이란 무엇인가](/ko/resources/data-quality/what-is-data-quality/)에서 기초부터 시작하십시오. ## 다음 단계 - [Agentforce 준비](/ko/resources/ai-readiness/agentforce-preparation/): 단계별 전체 준비도 가이드 - [Agentforce 데이터 준비도 체크리스트](/ko/resources/ai-readiness/agentforce-data-readiness-checklist/): 배포 전에 모든 항목 확인 - [PII 탐지](/ko/resources/ai-readiness/pii-detection/): 에이전트가 읽기 전에 민감한 데이터 찾기 - [Salesforce에서 데이터 품질 측정하기](/ko/resources/salesforce/measure-data-quality-in-salesforce/): 첫 기준선 스캔 실행 - [AI 준비 평가](/ko/ai-readiness/): 3분 안에 현재 준비도 점수 확인