# Qualidade de dados para o Agentforce: preparar seus dados do Salesforce para a IA

> Melhore a qualidade de dados e a prontidão de dados para o Agentforce. Um guia prático para preparar seus dados do Salesforce para agentes de IA com DQS: completude, consistência e detecção de PII.

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

---

Os agentes do Agentforce são tão confiáveis quanto os dados do Salesforce por trás deles. A prontidão de dados para o Agentforce é, no fundo, uma questão de qualidade de dados: registros completos, valores consistentes e nenhum PII nos campos que seus agentes leem. Este guia mostra, fase por fase, como avaliar e preparar seus dados do Salesforce para a IA.

## O que é o Agentforce?

Agentforce é a plataforma de IA do Salesforce para criar agentes autônomos. Esses agentes recuperam informações dos seus registros no Salesforce, geram respostas com base nos seus dados e executam ações em nome dos usuários.

A qualidade dos seus dados determina a qualidade do comportamento do agente. Agentes trabalham com o que encontram. Se os dados estão incompletos, inconsistentes ou contêm PII, o agente produz saídas incompletas, inconsistentes ou não conformes.

A maioria das organizações começa mais longe da prontidão do que assume. Na [pesquisa de integridade de dados da Precisely e da Drexel University LeBow College of Business](https://www.precisely.com/press-release/new-global-research-points-to-lack-of-data-quality-and-governance-as-major-obstacles-to-ai-readiness), apenas 12% das organizações reportaram que seus dados têm qualidade e acessibilidade suficientes para implementação efetiva de IA — enquanto 64% nomearam a qualidade de dados como seu maior desafio de integridade de dados. A preparação é o que fecha essa lacuna.

## Por que qualidade de dados importa para o Agentforce

Três problemas de dados geram três falhas distintas no Agentforce.

**Dados incompletos produzem respostas vagas.** Quando o Agentforce recupera um Case com Description vazio, não tem do que tirar contexto. O agente gera uma resposta genérica porque não há base. Completeness Rate diz quantos registros têm esse problema em cada campo no escopo.

**Dados inconsistentes produzem respostas contraditórias.** Quando o campo Country contém "US", "USA", "United States" e "U.S.A.", o agente trata como quatro valores diferentes. Um cliente perguntando sobre operações nos EUA recebe respostas diferentes dependendo do registro que o agente recupera. Conformance Rate revela quão fragmentados estão seus dados.

**PII em campos de texto cria exposição de compliance.** Quando um agente recupera um comentário de Case contendo um Social Security Number, esse PII entra no contexto da IA. O agente pode exibi-lo em uma resposta. PII Exposure Rate mostra a amplitude desse risco nos seus campos de texto.

## O cronograma de prontidão de dados para o Agentforce

Planeje a prontidão de dados para o Agentforce em quatro fases.

### Fase 1: Avaliação (3+ meses antes)

Rode scans do DQS em todos os objetos que o Agentforce acessará. Meça métricas-base para cada dimensão.

| Dimensão | Métrica chave | O que indica |
|-----------|-----------|-------------------|
| Completude | Completeness Rate | Percentual de campos com dados |
| Consistência | Conformance Rate | Percentual correspondendo aos valores esperados |
| Validade | Validity Rate | Percentual passando nas regras de formato |
| Atualidade | Timeliness Rate | Percentual de registros atuais |
| Unicidade | Duplicate Rate | Percentual de registros duplicados |
| PII Detection | PII Exposure Rate | Percentual de registros contendo PII |

Documente essas baselines. Você vai precisar delas para comparar após a remediação.

### Fase 2: Remediação (2 meses antes)

Trabalhe as dimensões em ordem de prioridade. PII primeiro, depois as que afetam a qualidade do contexto para IA.

**1. PII (Semanas 1-2).** Remedie achados de SSN e cartão de crédito primeiro. Use o preset Critical para isolar PII financeiro. Revise as correspondências, depois mascare, exclua ou descarte os achados confirmados. Re-execute o scan para validar a limpeza.

**2. Completude (Semanas 2-4).** Foque nos campos que o Agentforce vai usar para respostas: Description, Comments, Notes. Dado faltando significa contexto de IA faltando. Comece pelos campos com a menor Completeness Rate.

**3. Consistência (Semanas 3-5).** Padronize campos de picklist e de referência. Use Import from Field para descobrir variantes existentes, defina valores canônicos e normalize. Quanto menos variantes por campo, mais confiáveis as respostas do agente.

**4. Validade (Semanas 4-6).** Corrija problemas de formato em campos estruturados (e-mail, telefone, datas). Formatos inválidos criam dados pouco confiáveis para retrieval de IA. Foque em campos com Validity Rate abaixo de 90%.

**5. Atualidade e unicidade (Semanas 5-8).** Trate registros desatualizados e duplicatas. Dados antigos ensinam padrões defasados. Duplicatas geram respostas contraditórias quando o agente recupera versões diferentes do mesmo registro.

### Fase 3: Validação (1 mês antes)

Re-execute todos os scans do DQS. Compare os resultados com as baselines da Fase 1.

| Métrica | Baseline | Pós-remediação | Meta |
|--------|----------|------------------|--------|
| Completeness Rate (campos chave) | ___% | ___% | 85%+ |
| Conformance Rate (picklists) | ___% | ___% | 90%+ |
| Validity Rate (campos estruturados) | ___% | ___% | 90%+ |
| PII Exposure Rate | ___% | ___% | Abaixo de 1% |

Teste respostas do agente sobre os dados remediados. Verifique se as saídas são precisas e apropriadas e se nenhum PII aparece no conteúdo gerado.

Obtenha aprovação do time de compliance antes do deployment.

### Fase 4: Monitoramento (contínuo)

Agende scans recorrentes do DQS. A qualidade de dados se degrada conforme usuários inserem novos registros, então uma remediação pontual não basta.

Cadência sugerida:

| Scan | Frequência | Objetos |
|------|-----------|---------|
| PII Detection | Semanal | Cases, Leads (campos de texto de alto volume) |
| Completude + Consistência | Mensal | Todos os objetos no escopo do Agentforce |
| Scan completo (todas as dimensões) | Trimestral | Org inteira |

Acompanhe tendências de métrica ao longo do tempo. O scan regular pega regressão cedo, antes que afete o desempenho do agente.

## Checklist pré-deployment

**Qualidade de dados**

- [ ] Todos os objetos no escopo do Agentforce escaneados com DQS
- [ ] Completeness Rate acima de 85% nos campos que o Agentforce usa
- [ ] Conformance Rate acima de 90% em campos de picklist e referência
- [ ] Validity Rate acima de 90% em campos estruturados (e-mail, telefone, data)

**Segurança de PII**

- [ ] PII Exposure Rate abaixo de 1% nos campos de texto que o Agentforce acessa
- [ ] Zero correspondências de SSN ou cartão de crédito em Case Description e Comments
- [ ] Sobrescritas de padrão por campo configuradas para campos de conteúdo esperado

**Operações**

- [ ] Agendamento de scan recorrente configurado
- [ ] Métricas base documentadas para tracking de tendência
- [ ] Propriedade da remediação atribuída por dimensão

## Armadilhas comuns

**1. Fazer deployment sem avaliar.** Rode scans do DQS antes de qualquer planejamento de deployment. A maioria das orgs descobre problemas inesperados. Um scan de 15 minutos revela problemas que levariam meses para serem encontrados manualmente.

**2. Subestimar a exposição a PII.** PII se esconde em campos Description, Notes e Comments em que usuários colam comunicações de clientes. Email-to-case captura SSNs e números de cartão de crédito vindos em mensagens. Escaneie todos os campos de texto, não apenas os campos dedicados a PII.

**3. Remediação pontual.** A qualidade dos dados se degrada conforme usuários inserem novos registros. Um dataset limpo hoje acumula novos problemas em semanas. Agende scans recorrentes e monitore tendências para pegar regressão antes que chegue aos agentes.

## Próximos passos

- [PII Detection](/pt/resources/ai-readiness/pii-detection/): Configure a varredura de PII para dados do Agentforce
- [Completude](/pt/resources/data-quality/completeness/): Garanta que os campos tenham dados para a IA usar
- [Consistência](/pt/resources/data-quality/consistency/): Padronize os valores que a IA vai recuperar
- [As cinco dimensões](/pt/resources/data-quality/five-dimensions/): Visão geral completa
- [AI Readiness Assessment](/pt/ai-readiness/): Obtenha sua pontuação atual de prontidão