# Checklist de prontidão de dados para o Agentforce

> Um checklist prático de prontidão de dados para o Agentforce. Avalie se seus dados do Salesforce estão prontos para agentes de IA quanto a completude, consistência, PII e mais.

Source: https://dataqualitysense.com/pt/resources/ai-readiness/agentforce-data-readiness-checklist/
Last updated: 2026-07-15

---

Prontidão de dados para o Agentforce é o estado em que seus registros do Salesforce estão completos, consistentes, válidos, atuais, sem duplicatas e livres de PII exposto, de modo que os agentes de IA recuperem contexto preciso e gerem respostas confiáveis. Seus dados estão prontos para o Agentforce quando cada uma dessas seis condições é medida e atinge um limiar definido, não presumida. Este checklist traz os itens a verificar, o motivo pelo qual cada um importa e a métrica do DQS que o mede.

Os agentes do Agentforce recuperam registros do Salesforce, geram respostas embasadas em dados de CRM e executam ações em nome dos usuários. Cada um desses passos lê seus dados como fonte da verdade. Se um campo está vazio, o agente não tem contexto. Se um valor está escrito de quatro formas, o agente o trata como quatro fatos. Se um comentário de Case guarda um Social Security Number, o agente pode revelá-lo. Prontidão significa fechar essas lacunas antes do deployment, não depois que um agente dá uma resposta errada em produção. Para o plano completo por fases por trás desta lista, veja [Preparação para Agentforce](/pt/resources/ai-readiness/agentforce-preparation/).

## Como saber se seus dados do Salesforce estão prontos para o Agentforce?

Você sabe medindo, não inspecionando registros à mão. Rode um [scan do DQS](/pt/resources/using-dqs/running-scans/) em todos os objetos que o agente vai acessar e, então, compare cada métrica com um limiar-meta. Percorra as seis áreas abaixo. Cada caixa de seleção é algo que você pode verificar com um resultado de scan, então a resposta para "meus dados estão prontos" vira um número em vez de uma opinião.

O passo de medição é o que a maioria das organizações pula. Na [pesquisa de dados prontos para IA da Accenture](https://www.accenture.com/us-en/insights/ai-data/ai-ready-data), 61% dos CXOs reconheceram que seus ativos de dados não estão prontos para IA generativa, e apenas 7% das empresas atingiram o nível de prontidão de dados necessário para escalar IA avançada. Um checklist verificado contra os resultados do scan é como você descobre de qual lado dessa linha está.

Copie o checklist para as anotações do seu projeto e marque os itens conforme os confirma.

## Escopo e acesso

Defina o que o agente acessa antes de medir qualquer coisa. Um agente que lê os objetos errados falha por mais limpo que esteja o resto da sua org.

- [ ] **Liste todos os objetos que o Agentforce vai ler ou escrever.** O agente só recupera o que seus tópicos e ações permitem. Limite seus scans a esse conjunto exato para medir os dados que o agente realmente vê.
- [ ] **Liste os campos dentro de cada objeto que o agente usa para respostas.** Description, Comments, Notes e picklists chave carregam o contexto. Escanear todos os campos desperdiça esforço; escaneie os que embasam respostas.
- [ ] **Confirme que a field-level security corresponde à intenção.** Um agente herda o acesso do running user. Um campo oculto do usuário é invisível para o agente, então uma resposta "faltando" às vezes é uma lacuna de permissão, não de dados.
- [ ] **Registre quais integrações escrevem nesses campos.** Integrações são a fonte mais comum de valores inconsistentes e duplicados. Saber quem escreve diz onde corrigir a entrada, não apenas os dados.

## Completude

Os agentes geram respostas vagas quando os campos que leem estão vazios. A completude é a primeira coisa a medir porque a falta de contexto é a causa mais comum de saída fraca do agente.

- [ ] **Completeness Rate de 85% ou mais em cada campo que o agente usa para respostas.** Um Description em branco não dá ao agente nada para embasar uma resposta. A **Completeness Rate** reporta o percentual de registros em que o campo tem um valor.
- [ ] **Campos de contexto crítico sem brancos sistêmicos vindos de uma única fonte.** Um campo deixado vazio por uma integração é uma correção de processo, não uma limpeza registro a registro. A Completeness Rate por campo isola a fonte.
- [ ] **Campos exigidos pelo negócio estão preenchidos, mesmo quando não obrigatórios no schema.** O Agentforce trata um campo em branco como ausência de fato. Veja [Completude](/pt/resources/data-quality/completeness/) para entender como o DQS define "deveria estar preenchido" por objeto.

## Consistência e validade

Quando o mesmo valor do mundo real aparece em várias formas, o agente trata cada uma como distinta e responde de forma inconsistente. Quando um valor quebra seu formato esperado, o retrieval downstream fica pouco confiável.

- [ ] **Conformance Rate de 90% ou mais em campos de picklist e referência.** Um campo Country que guarda "US", "USA" e "United States" divide um fato em três. A **Conformance Rate** reporta o percentual de valores que correspondem ao seu conjunto canônico. Use Import from Field para descobrir variantes existentes e, então, defina os valores canônicos. Veja [Consistência](/pt/resources/data-quality/consistency/).
- [ ] **Validity Rate de 90% ou mais em campos formatados.** Um e-mail sem `@`, um número de telefone com letras ou uma data impossível são dados com os quais o agente não consegue agir — não consegue enviar, ligar ou agendar. A **Validity Rate** reporta o percentual de valores que passam nas suas regras de formato. Veja [Validade](/pt/resources/data-quality/validity/).
- [ ] **Contradições entre campos resolvidas.** Um Billing State que contradiz seu Billing Country ensina ao agente uma relação falsa. As checagens de consistência revelam valores que discordam entre si.

## Atualidade e duplicatas

Dados desatualizados embasam respostas em fatos que já não são verdade. Registros duplicados dão ao agente duas versões de uma mesma entidade, então a resposta depende de qual cópia ele recupera.

- [ ] **Timeliness Rate atinge sua meta em campos sensíveis a data.** Um Last Activity de dois anos atrás ou um Close Date no passado engana o agente. A **Timeliness Rate** reporta o percentual de registros atuais dentro da janela que você define. Veja [Atualidade](/pt/resources/data-quality/timeliness/).
- [ ] **Duplicate Rate baixa nos objetos que o agente lê.** Quando o agente recupera um de três registros do mesmo cliente, ele responde a partir de um histórico parcial. A **Duplicate Rate** reporta o percentual de registros que duplicam outro. Veja [Unicidade](/pt/resources/data-quality/uniqueness/).
- [ ] **Mescle ou sinalize duplicatas antes do deployment, não depois.** Duplicatas criadas em formulários, importações e entrada manual se multiplicam sem monitoramento. Resolva-as para que o agente leia um registro por entidade.

## PII e compliance

PII nos campos de texto que um agente lê entra no contexto da IA e pode aparecer em uma resposta gerada. Esta é a área em que uma lacuna de prontidão vira um incidente de compliance.

- [ ] **PII Exposure Rate abaixo de 1% nos campos de texto que o agente acessa.** SSNs e números de cartão de crédito se acumulam em Description, Comments e Notes via copia-cola e email-to-case. A **PII Exposure Rate** reporta o percentual de registros que contêm uma correspondência de padrão. Veja [PII Detection](/pt/resources/ai-readiness/pii-detection/).
- [ ] **Zero correspondências de SSN ou cartão de crédito em Case Description e Comments.** PII financeiro é o achado de maior severidade. Rode o scan do preset Critical para isolá-lo e, então, mascare, exclua ou descarte as correspondências confirmadas.
- [ ] **Sobrescritas de padrão por campo configuradas para campos de conteúdo esperado.** Um campo Email casa com o padrão de e-mail por design, o que é ruído, não exposição. As sobrescritas por campo removem esse ruído para que a taxa reflita o risco real.
- [ ] **Time de compliance aprovou o scan de PII pós-remediação.** GDPR, CCPA, HIPAA e PCI DSS exigem identificar e proteger PII. O DQS roda inteiramente dentro do Salesforce, então nenhum registro sai da org durante a detecção. Veja [Compliance de PII no Agentforce](/pt/resources/ai-readiness/agentforce-pii-compliance/).

## Operações e monitoramento

A qualidade de dados se degrada conforme os usuários inserem novos registros. Um dataset que passa hoje acumula novos problemas em semanas, então prontidão é um estado que você mantém, não um marco que você atinge uma única vez.

- [ ] **Métricas de baseline documentadas para cada dimensão no escopo.** Você precisa dos números iniciais para provar que a remediação funcionou e para detectar regressão depois.
- [ ] **Agendamento de scan recorrente configurado.** Scans agendados transformam um snapshot pontual em uma linha de tendência. Rode PII semanalmente em objetos de texto de alto volume, completude e consistência mensalmente, e um scan completo trimestralmente.
- [ ] **Propriedade da remediação atribuída por dimensão.** Uma métrica sem dono não melhora. Nomeie a pessoa responsável pela completude, pelo PII e assim por diante.
- [ ] **Respostas do agente testadas contra os dados remediados.** Um scan aprovado prevê bom comportamento; um teste o confirma. Verifique se as saídas são precisas e se nenhum PII aparece no conteúdo gerado.

## Limiares de prontidão num relance

Use esta tabela como o critério de aprovação para cada área. As metas batem com o plano de [Preparação para Agentforce](/pt/resources/ai-readiness/agentforce-preparation/).

| Área do checklist | Métrica do DQS | Limiar-meta |
|---|---|---|
| Completude | Completeness Rate (campos chave) | 85% ou mais |
| Consistência | Conformance Rate (picklists, referências) | 90% ou mais |
| Validade | Validity Rate (campos formatados) | 90% ou mais |
| Atualidade | Timeliness Rate (campos sensíveis a data) | Atinge a janela que você definiu |
| Unicidade | Duplicate Rate (objetos lidos pelo agente) | Baixa e em queda |
| PII e compliance | PII Exposure Rate (campos de texto lidos pelo agente) | Abaixo de 1% |

## E se minha org falhar em vários itens?

Um checklist reprovado é o ponto de partida esperado, não um motivo para adiar. A maioria das orgs descobre problemas inesperados no primeiro scan. Priorize nesta ordem: PII primeiro, porque carrega risco de compliance; depois completude e consistência, porque moldam a qualidade do contexto do agente; depois validade, atualidade e unicidade. Corrija primeiro os itens de maior impacto e menor esforço, re-execute o scan e compare com sua baseline. Para um caminho de remediação passo a passo, veja [Limpeza de dados do Salesforce para o Agentforce](/pt/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/) e [Por que os agentes do Agentforce falham](/pt/resources/ai-readiness/why-agentforce-agents-fail/).

## Próximos passos

- [Preparação para Agentforce](/pt/resources/ai-readiness/agentforce-preparation/): o plano completo de prontidão por fases por trás deste checklist
- [Limpeza de dados do Salesforce para o Agentforce](/pt/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/): como remediar os itens reprovados
- [PII Detection](/pt/resources/ai-readiness/pii-detection/): configure a varredura de PII para os campos que os agentes leem
- [Por que os agentes do Agentforce falham](/pt/resources/ai-readiness/why-agentforce-agents-fail/): os problemas de dados por trás da saída fraca do agente
- [FAQ de qualidade de dados do Agentforce](/pt/resources/ai-readiness/agentforce-data-quality-faq/): respostas rápidas às dúvidas comuns de prontidão
- [Como medir qualidade de dados no Salesforce](/pt/resources/salesforce/measure-data-quality-in-salesforce/): o Data Quality Score a fundo
- [AI Readiness Assessment](/pt/ai-readiness/): obtenha sua pontuação atual de prontidão