A maioria das respostas erradas do Agentforce remonta aos dados que o agente recupera, não ao modelo que gera o texto. Os agentes do Agentforce leem seus registros do Salesforce, embasam suas respostas no que encontram e agem sobre isso — então, quando os registros subjacentes estão incompletos, inconsistentes, desatualizados ou duplicados, o agente produz respostas imprecisas a partir de uma recuperação precisa de dados ruins.
Este é um guia de troubleshooting. Cada seção mapeia um sintoma de falha que você pode observar ao problema de dados que o causa, à métrica do DQS que o diagnostica e ao passo de remediação que o corrige. Se você está planejando um deployment em vez de depurar um, comece pelo guia de qualidade de dados do Agentforce e pelo checklist de prontidão de dados.
Por que, afinal, o Agentforce dá respostas erradas?
Um agente não inventa fatos no vácuo. Ele recupera registros que correspondem a um pedido, lê os campos a que tem acesso e monta uma resposta a partir desse contexto. O modelo é consistente; os dados por baixo dele não são.
O que parece uma alucinação é, muitas vezes, o agente reportando fielmente o que seus registros dizem. Um campo em branco não dá nada ao agente para embasar. Quatro grafias do mesmo país lhe dão quatro respostas. Um registro duplicado lhe dá uma segunda versão da verdade. Corrija os dados e a maioria dessas falhas desaparece sem tocar na configuração do agente.
O padrão é abrangente ao setor, não específico à sua org. O Gartner previu em 2024 que pelo menos 30% dos projetos de IA generativa seriam abandonados após prova de conceito até o final de 2025, nomeando a má qualidade de dados como uma causa principal. E na própria pesquisa State of Data and Analytics do Salesforce, os líderes de dados e analytics classificaram 26% dos seus dados como não confiáveis — aproximadamente um de cada quatro registros alimentando contexto errado para qualquer agente construído sobre eles.
Os seis modos de falha abaixo cobrem as causas-raiz de dados que você pode medir e corrigir no Salesforce.
Por que as respostas do Agentforce são vagas ou genéricas?
Sintoma. O agente responde a uma pergunta específica com uma resposta genérica. Um usuário pergunta por que um Case foi escalado e recebe “o problema foi revisado e tratado” em vez do motivo real.
Causa-raiz. Registros incompletos. Quando o agente recupera um Case com os campos Description, Comments ou Resolution vazios, ele não tem contexto para embasar uma resposta específica. Ele recorre a um resumo vago porque não há nada concreto para ler.
Diagnóstico. A Completeness Rate, detalhada por campo, mostra quantos registros no escopo do agente estão sem os campos de que ele precisa para contexto. Uma pontuação geral alta esconde o problema se os campos vazios forem justamente os que o agente lê. Verifique a Completude especificamente em Description, Notes, Comments e Resolution.
Correção. Eleve a Completude nos campos que o agente usa para respostas. Faça backfill de uma fonte confiável, torne os campos críticos obrigatórios na entrada e re-execute o scan para confirmar. Veja Completude para o fluxo de diagnóstico no nível de campo.
Por que o Agentforce se contradiz entre conversas?
Sintoma. A mesma pergunta retorna respostas diferentes em sessões diferentes, ou dois usuários recebem fatos conflitantes sobre a mesma conta.
Causa-raiz. Valores inconsistentes e registros duplicados. Quando o campo Country guarda “US”, “USA”, “United States” e “U.S.A.”, o agente os trata como quatro valores distintos e segmenta suas respostas conforme o que recuperou. Quando dois registros de Account descrevem a mesma empresa com dados diferentes, o agente responde a partir daquele que encontrou primeiro.
Diagnóstico. A Conformance Rate mede quantos valores correspondem ao seu conjunto canônico, então uma taxa baixa expõe campos de picklist e referência fragmentados. A Duplicate Rate mede quantos registros são duplicatas de outro, que é a segunda metade dessa falha. Rode ambas nos objetos que o agente lê.
Correção. Padronize valores para um conjunto controlado e mescle duplicatas. Use Import from Field no Definition Builder para descobrir as variantes já presentes nos seus dados, defina o valor canônico e normalize. Depois, mescle os registros duplicados e configure matching rules para bloquear novos. Veja Consistência e Unicidade.
Por que o Agentforce retorna informações desatualizadas?
Sintoma. O agente reporta um negócio fechado como aberto, cita um contato que saiu da empresa há um ano ou cita um preço de um registro substituído.
Causa-raiz. Registros desatualizados. O agente não tem noção de “velho”. Ele lê o registro mais relevante por correspondência de conteúdo, independentemente de quando o dado foi tocado pela última vez. Um registro que não é atualizado desde que os fatos mudaram alimenta o agente com contexto obsoleto.
Diagnóstico. A Timeliness Rate mede quantos registros caem dentro de um limiar de atualidade que você define em um campo de data como LastModifiedDate ou uma data de negócio. Uma Timeliness Rate em queda nos objetos do agente significa que o agente está cada vez mais propenso a revelar fatos desatualizados. Veja Atualidade.
Correção. Sinalize registros além do seu limiar de atualidade e roteie-os para workflows de reengajamento ou arquivamento. Arquive ou exclua registros que não devem mais embasar respostas, para que o agente pare de recuperá-los. Agende a repetição do scan de Atualidade para que a obsolescência permaneça visível.
Por que o Agentforce revela dados sensíveis que não deveria?
Sintoma. Uma resposta gerada inclui um Social Security Number, um número de cartão de crédito ou outro PII que não tem por que aparecer na saída do agente.
Causa-raiz. PII presente em campos de texto livre. Email-to-case, transcrições de chat e notas manuais capturam dados pessoais em campos Description e Comments. Quando o agente recupera um desses registros, o PII entra no contexto da IA e pode aparecer em uma resposta.
Diagnóstico. A PII Exposure Rate mede quantos registros no escopo contêm PII detectável nos seus campos de texto. Escaneie todos os campos de texto que o agente pode ler, não os campos nomeados para PII, porque a exposição se esconde em campos de comentário e descrição de uso geral. Veja PII Detection.
Correção. Identifique os achados com um scan de PII e, então, mascare, exclua ou restrinja as correspondências confirmadas. Configure sobrescritas de padrão por campo para campos onde um padrão correspondente é esperado e legítimo, para que você aja sobre exposição real. Re-execute o scan para validar e revise o guia de compliance de PII antes do deployment.
Por que o Agentforce não consegue encontrar o registro certo?
Sintoma. O agente reporta que não consegue encontrar um cliente que existe ou recupera o registro totalmente errado. Um usuário busca por e-mail e o agente não retorna nada.
Causa-raiz. Formatos inválidos e valores não pesquisáveis. Um e-mail armazenado como “john [at] company dot com”, um número de telefone com pontuação inconsistente ou um ID no formato errado não corresponde ao lookup que o agente roda. O registro está lá, mas o agente não consegue resolvê-lo.
Diagnóstico. A Validity Rate mede quantos valores passam nas regras de formato que você define em campos estruturados como e-mail, telefone e identificadores. Uma Validity Rate baixa em um campo de lookup chave prevê falhas de recuperação. Veja Validade.
Correção. Faça correção em massa de valores malformados nos campos que o agente pesquisa e, então, adicione uma validation rule para impor o formato em novos registros. Foque nos campos que conduzem lookups e matching, onde um erro de formato quebra a recuperação por completo em vez de apenas degradar uma resposta.
Por que as respostas do Agentforce pioram com o tempo?
Sintoma. O agente teve bom desempenho no lançamento e degrada ao longo de semanas. Respostas vagas, contradições e fatos desatualizados reaparecem após um deployment limpo.
Causa-raiz. Regressão de qualidade de dados sem monitoramento. Os registros que você limpou antes do lançamento decaem conforme os usuários inserem novos dados, integrações escrevem novos registros e o próprio agente atualiza campos. Uma limpeza pontual é um snapshot, e o snapshot envelhece.
Diagnóstico. Nenhuma métrica isolada pega a regressão. Você a pega por tendência. Agende scans recorrentes nas seis dimensões e observe cada taxa como uma linha ao longo do tempo, para que uma queda apareça dentro de dias após uma nova integração ou mudança de processo introduzir dados ruins. Veja Entendendo os resultados.
Correção. Configure scans agendados e recorrentes nos objetos no escopo do agente e acompanhe as tendências das métricas no Insight Studio. Defina uma cadência por risco: scans de PII semanais em campos de texto de alto volume, Completude e Consistência mensais, um scan completo trimestral. Pegue a regressão no dashboard antes que ela chegue a uma resposta.
Referência de sintoma para correção
| Sintoma | Causa-raiz | Métrica do DQS | Correção |
|---|---|---|---|
| Respostas vagas ou genéricas | Registros incompletos (Description, Notes vazios) | Completeness Rate | Faça backfill dos campos de contexto; torne-os obrigatórios na entrada |
| Respostas contraditórias entre conversas | Valores inconsistentes e registros duplicados | Conformance Rate, Duplicate Rate | Padronize valores; mescle duplicatas; adicione matching rules |
| Informações desatualizadas | Registros desatualizados | Timeliness Rate | Sinalize e arquive registros além de um limiar de atualidade |
| Revela dados sensíveis | PII em campos de texto livre | PII Exposure Rate | Escaneie campos de texto; mascare, exclua ou restrinja achados |
| Não consegue encontrar o registro certo | Formatos inválidos, valores não pesquisáveis | Validity Rate | Corrija formatos em massa; adicione validation rules em campos de lookup |
| Respostas degradam com o tempo | Regressão de qualidade de dados, sem monitoramento | Todas as seis (tendência) | Agende scans recorrentes; acompanhe tendências no Insight Studio |
Como rodar este diagnóstico
Rode um scan do DQS em todos os objetos que o agente lê e revise as seis métricas em conjunto. O scan roda inteiramente dentro do Salesforce, então nenhum dado sai da org. Combine cada métrica fraca com seu sintoma na tabela acima, remedie em ordem de prioridade e agende a repetição do scan para que a correção se sustente. Para o fluxo completo de preparação, veja o guia de limpeza de dados para o Agentforce.
Próximos passos
- Qualidade de dados do Agentforce: o guia completo de preparação e o cronograma
- Checklist de prontidão de dados para o Agentforce: verificação pré-deployment
- Limpeza de dados do Salesforce para o Agentforce: o fluxo de remediação
- FAQ de qualidade de dados do Agentforce: dúvidas comuns respondidas
- As cinco dimensões: visão geral de cada dimensão de qualidade de dados
- AI Readiness Assessment: obtenha sua pontuação atual de prontidão