# Jakość danych dla Agentforce: przygotowanie danych Salesforce pod AI

> Popraw jakość danych i gotowość danych dla Agentforce. Praktyczny przewodnik po przygotowaniu danych Salesforce dla agentów AI z DQS: kompletność, spójność i wykrywanie PII.

Source: https://dataqualitysense.com/pl/resources/ai-readiness/agentforce-preparation/
Last updated: 2026-07-15

---

Agenci Agentforce są tylko tak wiarygodni, jak dane Salesforce, które za nimi stoją. Gotowość danych dla Agentforce sprowadza się do jakości danych: kompletnych rekordów, spójnych wartości i braku PII w polach, które czytają Twoi agenci. Ten przewodnik krok po kroku pokazuje, jak ocenić i przygotować dane Salesforce pod AI.

## Czym jest Agentforce?

Agentforce to platforma AI firmy Salesforce do tworzenia autonomicznych agentów. Agenci ci pobierają informacje z rekordów Salesforce, generują odpowiedzi na podstawie Twoich danych i podejmują działania w imieniu użytkowników.

Jakość Twoich danych decyduje o jakości działania agenta. Agenci pracują z tym, co znajdą. Jeśli dane są niekompletne, niespójne lub zawierają PII, agent produkuje niekompletne, niespójne lub niezgodne z przepisami wyniki.

Większość organizacji zaczyna przygotowania z dalszych pozycji, niż się spodziewają. Według [badań Precisely i Drexel University LeBow College of Business nad integralnością danych](https://www.precisely.com/press-release/new-global-research-points-to-lack-of-data-quality-and-governance-as-major-obstacles-to-ai-readiness), tylko 12% organizacji zgłosiło, że ich dane są wystarczająco wysokiej jakości i dostępne do efektywnego wdrażania sztucznej inteligencji — podczas gdy 64% wskazała jakość danych jako swoje główne wyzwanie integralności danych. Przygotowanie to to, co zamyka tę lukę.

## Dlaczego jakość danych ma znaczenie dla Agentforce

Trzy problemy z danymi prowadzą do trzech odmiennych awarii w Agentforce.

**Niekompletne dane generują ogólnikowe odpowiedzi.** Gdy Agentforce pobiera rekord Case z pustym polem Description, nie ma z czym pracować. Agent generuje ogólną odpowiedź, ponieważ brakuje kontekstu. Completeness Rate mówi Ci, ile rekordów ma ten problem w każdym analizowanym polu.

**Niespójne dane generują sprzeczne odpowiedzi.** Gdy pole Country zawiera „US", „USA", „United States" i „U.S.A.", agent traktuje je jako cztery różne wartości. Klient pytający o działalność w USA otrzymuje różne odpowiedzi w zależności od tego, który rekord pobierze agent. Conformance Rate ujawnia, jak bardzo pofragmentowane są Twoje dane.

**PII w polach tekstowych tworzy ryzyko zgodności.** Gdy agent pobiera komentarz w Case zawierający numer Social Security, to PII trafia do kontekstu AI. Agent może ujawnić je w odpowiedzi. PII Exposure Rate pokazuje, jak rozpowszechnione jest to ryzyko w polach tekstowych.

## Harmonogram gotowości danych dla Agentforce

Zaplanuj gotowość danych do Agentforce w czterech fazach.

### Faza 1: Ocena (3+ miesiące wcześniej)

Uruchom skany DQS na wszystkich obiektach, do których Agentforce będzie miał dostęp. Zmierz metryki bazowe dla każdego wymiaru.

| Wymiar | Kluczowa metryka | Co Ci mówi |
|--------|------------------|------------|
| Completeness | Completeness Rate | Odsetek pól z danymi |
| Consistency | Conformance Rate | Odsetek pól zgodnych z oczekiwanymi wartościami |
| Validity | Validity Rate | Odsetek pól spełniających reguły formatu |
| Timeliness | Timeliness Rate | Odsetek aktualnych rekordów |
| Uniqueness | Duplicate Rate | Odsetek duplikatów |
| PII Detection | PII Exposure Rate | Odsetek rekordów zawierających PII |

Udokumentuj te wartości bazowe. Będziesz ich potrzebować do porównania po działaniach naprawczych.

### Faza 2: Naprawa (2 miesiące wcześniej)

Przepracuj wymiary zgodnie z kolejnością priorytetów. Najpierw PII, potem wymiary wpływające na jakość kontekstu AI.

**1. PII (tydzień 1–2).** Zajmij się najpierw znaleziskami SSN i kart kredytowych. Użyj presetu Critical, aby wyizolować finansowe PII. Przejrzyj dopasowania, a następnie maskuj, usuwaj lub wyklucz potwierdzone znaleziska. Ponownie uruchom skan, aby zweryfikować czyszczenie.

**2. Completeness (tydzień 2–4).** Skup się na polach, których Agentforce będzie używał do odpowiedzi: Description, Comments, Notes. Brakujące dane oznaczają brakujący kontekst AI. Zacznij od pól z najniższym Completeness Rate.

**3. Consistency (tydzień 3–5).** Standaryzuj pola typu picklist i referencyjne. Użyj Import from Field, aby odkryć istniejące warianty, następnie zdefiniuj wartości kanoniczne i znormalizuj dane. Im mniej wariantów na pole, tym bardziej wiarygodne odpowiedzi agenta.

**4. Validity (tydzień 4–6).** Napraw problemy z formatem w polach strukturalnych (email, telefon, daty). Nieprawidłowe formaty tworzą niewiarygodne dane do pobierania przez AI. Skup się na polach, gdzie Validity Rate jest poniżej 90%.

**5. Timeliness i Uniqueness (tydzień 5–8).** Zajmij się przestarzałymi rekordami i duplikatami. Stare dane uczą agentów nieaktualnych wzorców. Duplikaty tworzą sprzeczne odpowiedzi, gdy agent pobiera różne wersje tego samego rekordu.

### Faza 3: Walidacja (1 miesiąc wcześniej)

Uruchom ponownie wszystkie skany DQS. Porównaj wyniki z wartościami bazowymi z Fazy 1.

| Metryka | Wartość bazowa | Po naprawie | Cel |
|---------|----------------|-------------|-----|
| Completeness Rate (kluczowe pola) | ___% | ___% | 85%+ |
| Conformance Rate (picklisty) | ___% | ___% | 90%+ |
| Validity Rate (pola strukturalne) | ___% | ___% | 90%+ |
| PII Exposure Rate | ___% | ___% | Poniżej 1% |

Przetestuj odpowiedzi agenta na naprawionych danych. Zweryfikuj, że agenci zwracają dokładne, odpowiednie wyniki oraz że w generowanej treści nie pojawia się żadne PII.

Uzyskaj akceptację zespołu ds. zgodności przed wdrożeniem.

### Faza 4: Monitorowanie (ciągłe)

Zaplanuj cykliczne skany DQS. Jakość danych pogarsza się, gdy użytkownicy wprowadzają nowe rekordy, więc jednorazowa naprawa nie wystarczy.

Sugerowana częstotliwość:

| Skan | Częstotliwość | Obiekty |
|------|---------------|---------|
| PII Detection | Tygodniowo | Case, Lead (pola tekstowe o dużym wolumenie) |
| Completeness + Consistency | Miesięcznie | Wszystkie obiekty w zakresie Agentforce |
| Pełny skan (wszystkie wymiary) | Kwartalnie | Cała organizacja |

Śledź trendy metryk w czasie. Regularne skanowanie wcześnie wychwytuje regresję, zanim wpłynie ona na działanie agenta.

## Lista kontrolna przed wdrożeniem

**Jakość danych**

- [ ] Wszystkie obiekty w zakresie Agentforce przeskanowane przy użyciu DQS
- [ ] Completeness Rate powyżej 85% dla pól używanych przez Agentforce
- [ ] Conformance Rate powyżej 90% dla pól typu picklist i referencyjnych
- [ ] Validity Rate powyżej 90% dla pól strukturalnych (email, telefon, data)

**Bezpieczeństwo PII**

- [ ] PII Exposure Rate poniżej 1% dla pól tekstowych dostępnych dla Agentforce
- [ ] Zero dopasowań SSN lub kart kredytowych w Case Description i Comments
- [ ] Skonfigurowane nadpisania wzorców na poziomie pól dla pól z oczekiwaną zawartością

**Operacje**

- [ ] Skonfigurowany harmonogram skanów cyklicznych
- [ ] Udokumentowane metryki bazowe do śledzenia trendów
- [ ] Przypisani właściciele działań naprawczych dla każdego wymiaru

## Typowe pułapki

**1. Wdrażanie bez oceny.** Uruchom skany DQS przed jakimkolwiek planowaniem wdrożenia. Większość organizacji odkrywa problemy, których się nie spodziewała. 15-minutowy skan ujawnia problemy, których ręczne znalezienie zajęłoby miesiące.

**2. Niedoszacowanie ekspozycji PII.** PII kryje się w polach Description, Notes i Comments, gdzie użytkownicy wklejają komunikację z klientami. Email-to-case przechwytuje numery SSN i kart kredytowych z przychodzących wiadomości. Skanuj wszystkie pola tekstowe, nie tylko dedykowane pola PII.

**3. Jednorazowa naprawa.** Jakość danych pogarsza się, gdy użytkownicy wprowadzają nowe rekordy. Czysty zbiór danych dzisiaj gromadzi nowe problemy w ciągu tygodni. Zaplanuj cykliczne skany i monitoruj trendy metryk, aby wychwycić regresję, zanim dotrze ona do Twoich agentów.

## Dalsze kroki

- [PII Detection](/pl/resources/ai-readiness/pii-detection/): Skonfiguruj skanowanie PII dla danych Agentforce
- [Completeness](/pl/resources/data-quality/completeness/): Zapewnij, że pola mają dane, z którymi AI może pracować
- [Consistency](/pl/resources/data-quality/consistency/): Ustandaryzuj wartości, które AI będzie pobierać
- [Pięć wymiarów](/pl/resources/data-quality/five-dimensions/): Pełny przegląd wszystkich wymiarów jakości danych
- [Ocena gotowości na AI](/pl/ai-readiness/): Uzyskaj swój aktualny wynik gotowości