# Varför Agentforce-agenter ger felaktiga svar: rotorsaker i datakvalitet

> Varför Agentforce ger felaktiga svar: 6 rotorsaker i datakvalitet bakom felaktiga svar och hallucinationer, DQS-mätvärdet som diagnostiserar var och en, och lösningen.

Source: https://dataqualitysense.com/sv/resources/ai-readiness/why-agentforce-agents-fail/
Last updated: 2026-07-15

---

De flesta felaktiga svar från Agentforce går att spåra tillbaka till de data agenten hämtar, inte till modellen som genererar texten. Agentforce-agenter läser dina Salesforce-poster, grundar sina svar i det de hittar, och agerar på det — så när de underliggande posterna är ofullständiga, inkonsekventa, inaktuella eller dubblerade producerar agenten felaktiga svar utifrån korrekt hämtning av dålig data.

Det här är en felsökningsguide. Varje avsnitt kopplar ett felsymptom du kan observera till dataproblemet som orsakar det, DQS-mätvärdet som diagnostiserar det, och åtgärdssteget som löser det. Om du planerar en driftsättning snarare än felsöker en, börja med [guiden för Agentforce-datakvalitet](/sv/resources/ai-readiness/agentforce-preparation/) och [checklistan för databeredskap](/sv/resources/ai-readiness/agentforce-data-readiness-checklist/).

## Varför ger Agentforce felaktiga svar över huvud taget?

En agent uppfinner inte fakta i ett vakuum. Den hämtar poster som matchar en förfrågan, läser de fält den har åtkomst till, och sätter ihop ett svar utifrån det sammanhanget. Modellen är konsekvent; datan under den är det inte.

Det som ser ut som en hallucination är ofta agenten som troget rapporterar vad dina poster säger. Ett tomt fält ger agenten ingenting att grunda sig på. Fyra stavningar av samma land ger den fyra svar. En dubblerad post ger den en andra version av sanningen. Åtgärda datan så försvinner de flesta av de här felen utan att du rör agentkonfigurationen.

Mönstret är industriövergripande, inte specifikt för din org. [Gartner förutspådde 2024](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) att minst 30 % av AI-projekten skulle överges efter proof of concept vid slutet av 2025, och namnger dålig datakvalitet som en ledande orsak. Och i [Salesforces egna State of Data and Analytics-forskning](https://www.salesforce.com/news/stories/data-analytics-trends/) klassificerade data- och analysöverledare 26 % av sin data som opålitlig — ungefär en post på fyra som matar in falskt sammanhang till någon agent som bygger på den.

De sex feltyperna nedan täcker de datarotorsaker du kan mäta och korrigera i Salesforce.

## Varför är Agentforce-svar vaga eller generella?

**Symptom.** Agenten svarar på en specifik fråga med ett generellt svar. En användare frågar varför ett Case eskalerades och får "ärendet granskades och åtgärdades" i stället för det faktiska skälet.

**Rotorsak.** Ofullständiga poster. När agenten hämtar ett Case med ett tomt Description-, Comments- eller Resolution-fält har den inget sammanhang att grunda ett specifikt svar på. Den faller tillbaka på en vag sammanfattning eftersom det inte finns något konkret att läsa.

**Diagnos.** Fullständighetsgrad, uppdelad per fält, visar hur många poster i agentens omfång som saknar de fält den behöver för sammanhang. En hög totalpoäng döljer problemet om de tomma fälten är de som agenten läser. Kontrollera Fullständighet specifikt på Description, Notes, Comments och Resolution.

**Lösning.** Höj Fullständigheten på de fält agenten använder för svar. Fyll i från en betrodd källa, gör kritiska fält obligatoriska vid inmatning, och kör genomsökningen igen för att bekräfta. Se [Fullständighet](/sv/resources/data-quality/completeness/) för det diagnostiska flödet på fältnivå.

## Varför motsäger Agentforce sig själv mellan konversationer?

**Symptom.** Samma fråga returnerar olika svar i olika sessioner, eller två användare får motstridiga fakta om samma konto.

**Rotorsak.** Inkonsekventa värden och dubblerade poster. När Country-fältet innehåller "US", "USA", "United States" och "U.S.A." behandlar agenten dem som fyra distinkta värden och segmenterar sina svar efter vilket det än hämtade. När två Account-poster beskriver samma företag med olika data svarar agenten utifrån den den hittade först.

**Diagnos.** Konformansgrad mäter hur många värden som matchar din kanoniska uppsättning, så en låg grad exponerar fragmenterade picklist- och referensfält. Dupliceringsgrad mäter hur många poster som är dubbletter av en annan, vilket är andra halvan av det här felet. Kör båda över de objekt agenten läser.

**Lösning.** Standardisera värden till en kontrollerad uppsättning och slå samman dubbletter. Använd Importera från fält i Definition Builder för att upptäcka de varianter som redan finns i dina data, definiera det kanoniska värdet och normalisera. Slå sedan samman dubblerade poster och konfigurera matchningsregler för att blockera nya. Se [Konsekvens](/sv/resources/data-quality/consistency/) och [Unikhet](/sv/resources/data-quality/uniqueness/).

## Varför returnerar Agentforce föråldrad information?

**Symptom.** Agenten rapporterar en stängd affär som öppen, namnger en kontakt som lämnade företaget för ett år sedan, eller citerar ett pris från en ersatt post.

**Rotorsak.** Inaktuella poster. Agenten har inget begrepp om "gammalt". Den läser den mest relevanta posten genom innehållsmatchning, oavsett när datan senast rördes. En post som inte uppdaterats sedan fakta ändrades matar agenten föråldrat sammanhang.

**Diagnos.** Aktualitetsgrad mäter hur många poster som faller inom en aktualitetströskel du definierar på ett datumfält som LastModifiedDate eller ett affärsdatum. En sjunkande Aktualitetsgrad på agentens objekt innebär att agenten blir alltmer benägen att visa föråldrade fakta. Se [Aktualitet](/sv/resources/data-quality/timeliness/).

**Lösning.** Flagga poster som passerat din aktualitetströskel och dirigera dem till arbetsflöden för återengagemang eller arkivering. Arkivera eller exkludera poster som inte längre bör underbygga svar, så att agenten slutar hämta dem. Schemalägg Aktualitet-genomsökningen att upprepas så att inaktualitet förblir synlig.

## Varför visar Agentforce känsliga data som den inte borde?

**Symptom.** Ett genererat svar innehåller ett personnummer, ett kreditkortsnummer eller en annan bit PII som inte har någon anledning att förekomma i agentens resultat.

**Rotorsak.** PII som ligger i fritextfält. E-post-till-ärende, chattutskrifter och manuella anteckningar fångar personuppgifter in i Description- och Comments-fält. När agenten hämtar en av de posterna hamnar PII i AI-sammanhanget och kan visas i ett svar.

**Diagnos.** PII Exposure Rate mäter hur många poster i omfång som innehåller detekterbar PII över dina textfält. Sök igenom varje textfält agenten kan läsa, inte de fält som är döpta efter PII, eftersom exponeringen gömmer sig i allmänna kommentar- och beskrivningsfält. Se [PII-identifiering](/sv/resources/ai-readiness/pii-detection/).

**Lösning.** Identifiera fynd med en PII-genomsökning, och maskera, ta bort eller begränsa sedan de bekräftade träffarna. Konfigurera per-fält-mönsteråsidosättningar för fält där ett matchande mönster är förväntat och legitimt, så att du agerar på verklig exponering. Kör genomsökningen igen för att validera, och granska [guiden för PII-efterlevnad](/sv/resources/ai-readiness/agentforce-pii-compliance/) före driftsättning.

## Varför kan inte Agentforce hitta rätt post?

**Symptom.** Agenten rapporterar att den inte kan hitta en kund som finns, eller hämtar helt fel post. En användare söker på e-post och agenten returnerar ingenting.

**Rotorsak.** Ogiltiga format och osökbara värden. En e-post lagrad som "john [at] company dot com", ett telefonnummer med inkonsekvent skiljetecken, eller ett ID i fel format matchar inte den uppslagning agenten kör. Posten finns där, men agenten kan inte lösa den.

**Diagnos.** Giltighetsgrad mäter hur många värden som passerar de formatregler du definierar på strukturerade fält som e-post, telefon och identifierare. En låg Giltighetsgrad på ett viktigt uppslagningsfält förutsäger hämtningsmisslyckanden. Se [Giltighet](/sv/resources/data-quality/validity/).

**Lösning.** Masskorrigera felformaterade värden på de fält agenten söker i, lägg sedan till en valideringsregel för att framtvinga formatet på nya poster. Fokusera på de fält som driver uppslagningar och matchning, där ett formatfel bryter hämtningen helt snarare än att bara försämra ett svar.

## Varför blir Agentforce-svar sämre över tid?

**Symptom.** Agenten presterade väl vid lanseringen och försämras över veckor. Vaga svar, motsägelser och inaktuella fakta dyker upp igen efter en ren driftsättning.

**Rotorsak.** Regression i datakvalitet utan övervakning. Poster du rensade före lanseringen bryts ned när användare matar in nya data, integrationer skriver nya poster, och agenten själv uppdaterar fält. En engångsstädning är en ögonblicksbild, och ögonblicksbilden blir föråldrad.

**Diagnos.** Inget enskilt mätvärde fångar regression. Du fångar den genom trend. Schemalägg återkommande genomsökningar över alla sex dimensioner och bevaka varje grad som en linje över tid, så att en svacka dyker upp inom dagar efter att en ny integration eller processändring infört dålig data. Se [Förstå resultat](/sv/resources/using-dqs/understanding-results/).

**Lösning.** Konfigurera schemalagda, återkommande genomsökningar på objekten i agentens omfång och följ mätvärdestrender i Insight Studio. Ställ in en kadens efter risk: veckovisa PII-genomsökningar på textfält med hög volym, månadsvis Fullständighet och Konsekvens, en kvartalsvis fullständig genomsökning. Fånga regression på instrumentpanelen innan den når ett svar.

## Referens från symptom till lösning

| Symptom | Rotorsak | DQS-mätvärde | Lösning |
|---|---|---|---|
| Vaga eller generella svar | Ofullständiga poster (tom Description, Notes) | Fullständighetsgrad | Fyll i sammanhangsfält; gör dem obligatoriska vid inmatning |
| Motsägelsefulla svar mellan konversationer | Inkonsekventa värden och dubblerade poster | Konformansgrad, Dupliceringsgrad | Standardisera värden; slå samman dubbletter; lägg till matchningsregler |
| Föråldrad information | Inaktuella poster | Aktualitetsgrad | Flagga och arkivera poster som passerat en aktualitetströskel |
| Visar känsliga data | PII i fritextfält | PII Exposure Rate | Sök igenom textfält; maskera, ta bort eller begränsa fynd |
| Kan inte hitta rätt post | Ogiltiga format, osökbara värden | Giltighetsgrad | Masskorrigera format; lägg till valideringsregler på uppslagningsfält |
| Svar försämras över tid | Regression i datakvalitet, ingen övervakning | Alla sex (trend) | Schemalägg återkommande genomsökningar; följ trender i Insight Studio |

## Hur du kör den här diagnosen

Kör en DQS-genomsökning på varje objekt agenten läser och granska de sex mätvärdena tillsammans. Genomsökningen körs helt och hållet inuti Salesforce, så inga data lämnar din org. Matcha varje svagt mätvärde mot sitt symptom i tabellen ovan, åtgärda i prioritetsordning, och schemalägg genomsökningen att upprepas så att lösningen håller. För det fullständiga förberedelseflödet, se [datastädningsguiden för Agentforce](/sv/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/).

## Nästa steg

- [Agentforce-datakvalitet](/sv/resources/ai-readiness/agentforce-preparation/): den fullständiga förberedelseguiden och tidslinjen
- [Checklista för Agentforce-databeredskap](/sv/resources/ai-readiness/agentforce-data-readiness-checklist/): verifiering inför driftsättning
- [Salesforce-datastädning för Agentforce](/sv/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/): åtgärdsflödet
- [Vanliga frågor om Agentforce-datakvalitet](/sv/resources/ai-readiness/agentforce-data-quality-faq/): vanliga frågor besvarade
- [De fem dimensionerna](/sv/resources/data-quality/five-dimensions/): översikt över varje datakvalitetsdimension
- [AI-beredskapsbedömning](/sv/ai-readiness/): få ditt nuvarande beredskapspoäng