Die meisten falschen Antworten von Agentforce lassen sich auf die Daten zurückführen, die der Agent abruft, nicht auf das Modell, das den Text generiert. Agentforce-Agenten lesen Ihre Salesforce-Datensätze, verankern ihre Antworten in dem, was sie vorfinden, und handeln danach — wenn die zugrunde liegenden Datensätze also unvollständig, inkonsistent, veraltet oder dupliziert sind, erzeugt der Agent ungenaue Antworten aus dem genauen Abruf schlechter Daten.
Dies ist ein Leitfaden zur Fehlersuche. Jeder Abschnitt ordnet ein beobachtbares Fehlersymptom dem verursachenden Datenproblem, der DQS-Metrik zu seiner Diagnose und dem Schritt zu seiner Behebung zu. Wenn Sie ein Deployment planen statt eines zu debuggen, beginnen Sie mit dem Agentforce-Datenqualitätsleitfaden und der Checkliste zur Datenbereitschaft.
Warum gibt Agentforce überhaupt falsche Antworten?
Ein Agent erfindet Fakten nicht aus dem Nichts. Er ruft Datensätze ab, die zu einer Anfrage passen, liest die Felder, auf die er Zugriff hat, und stellt aus diesem Kontext eine Antwort zusammen. Das Modell ist konsistent; die Daten darunter sind es nicht.
Was wie eine Halluzination aussieht, ist oft der Agent, der getreu wiedergibt, was Ihre Datensätze sagen. Ein leeres Feld gibt dem Agenten nichts zum Verankern. Vier Schreibweisen desselben Landes geben ihm vier Antworten. Ein doppelter Datensatz gibt ihm eine zweite Version der Wahrheit. Beheben Sie die Daten, und die meisten dieser Fehler verschwinden, ohne dass Sie die Agentenkonfiguration anrühren.
Das Muster ist branchenübergreifend, nicht spezifisch für Ihre Org. Gartner sagte 2024 voraus, dass mindestens 30 % der generativen KI-Projekte bis Ende 2025 nach dem Proof-of-Concept abgebrochen werden würden, wobei schlechte Datenqualität zu den Hauptursachen zählt. Und in Salesforce’s State of Data and Analytics Research bewerteten Daten- und Analytics-Führungskräfte 26 % ihrer Daten als nicht vertrauenswürdig — ungefähr ein Datensatz von vier, der falschem Kontext zu jedem auf diesem Datensatz aufgebauten Agenten hinzufügt.
Die sechs untenstehenden Fehlerarten decken die Datenursachen ab, die Sie in Salesforce messen und korrigieren können.
Warum sind Agentforce-Antworten vage oder generisch?
Symptom. Der Agent beantwortet eine konkrete Frage mit einer generischen Antwort. Ein Nutzer fragt, warum ein Case eskaliert wurde, und erhält „das Anliegen wurde geprüft und bearbeitet“ statt des tatsächlichen Grunds.
Ursache. Unvollständige Datensätze. Wenn der Agent einen Case mit leerem Description-, Comments- oder Resolution-Feld abruft, hat er keinen Kontext, um eine konkrete Antwort zu verankern. Er fällt auf eine vage Zusammenfassung zurück, weil es nichts Konkretes zu lesen gibt.
Diagnose. Die Completeness Rate, nach Feld aufgeschlüsselt, zeigt, wie viele Datensätze im Geltungsbereich des Agenten die Felder vermissen lassen, die er für den Kontext braucht. Ein hoher Gesamtwert verbirgt das Problem, wenn ausgerechnet die leeren Felder die sind, die der Agent liest. Prüfen Sie die Completeness gezielt bei Description, Notes, Comments und Resolution.
Lösung. Erhöhen Sie die Completeness bei den Feldern, die der Agent für Antworten verwendet. Befüllen Sie aus einer vertrauenswürdigen Quelle nach, machen Sie kritische Felder bei der Eingabe zu Pflichtfeldern und führen Sie den Scan erneut aus, um es zu bestätigen. Den feldbezogenen Diagnoseablauf finden Sie unter Vollständigkeit.
Warum widerspricht sich Agentforce über Konversationen hinweg?
Symptom. Dieselbe Frage liefert in verschiedenen Sitzungen unterschiedliche Antworten, oder zwei Nutzer erhalten widersprüchliche Fakten über denselben Account.
Ursache. Inkonsistente Werte und doppelte Datensätze. Wenn das Country-Feld „US“, „USA“, „United States“ und „U.S.A.“ enthält, behandelt der Agent diese als vier verschiedene Werte und segmentiert seine Antworten danach, welchen er abgerufen hat. Wenn zwei Account-Datensätze dasselbe Unternehmen mit unterschiedlichen Daten beschreiben, antwortet der Agent aus demjenigen, den er zuerst gefunden hat.
Diagnose. Die Conformance Rate misst, wie viele Werte Ihrem kanonischen Satz entsprechen, sodass ein niedriger Wert fragmentierte Picklist- und Referenzfelder offenlegt. Die Duplicate Rate misst, wie viele Datensätze Duplikate eines anderen sind, was die zweite Hälfte dieses Fehlers ist. Führen Sie beide über die Objekte aus, die der Agent liest.
Lösung. Standardisieren Sie Werte auf einen kontrollierten Satz und führen Sie Duplikate zusammen. Nutzen Sie Import from Field im Definition Builder, um die bereits in Ihren Daten vorhandenen Varianten zu entdecken, definieren Sie den kanonischen Wert und normalisieren Sie. Führen Sie dann doppelte Datensätze zusammen und konfigurieren Sie Matching Rules, um neue zu blockieren. Siehe Konsistenz und Eindeutigkeit.
Warum liefert Agentforce veraltete Informationen?
Symptom. Der Agent meldet einen abgeschlossenen Deal als offen, nennt einen Kontakt, der das Unternehmen vor einem Jahr verlassen hat, oder zitiert einen Preis aus einem überholten Datensatz.
Ursache. Veraltete Datensätze. Der Agent hat kein Konzept von „alt“. Er liest den relevantesten Datensatz nach inhaltlicher Übereinstimmung, unabhängig davon, wann die Daten zuletzt angefasst wurden. Ein Datensatz, der seit der Änderung der Fakten nicht aktualisiert wurde, liefert dem Agenten überholten Kontext.
Diagnose. Die Timeliness Rate misst, wie viele Datensätze innerhalb einer Aktualitätsschwelle liegen, die Sie auf einem Datumsfeld wie LastModifiedDate oder einem Geschäftsdatum definieren. Eine sinkende Timeliness Rate bei den Objekten des Agenten bedeutet, dass der Agent zunehmend wahrscheinlich veraltete Fakten zutage fördert. Siehe Aktualität.
Lösung. Markieren Sie Datensätze jenseits Ihrer Aktualitätsschwelle und leiten Sie sie in Re-Engagement- oder Archivierungs-Workflows. Archivieren oder schließen Sie Datensätze aus, die Antworten nicht länger beeinflussen sollten, sodass der Agent aufhört, sie abzurufen. Planen Sie den Timeliness-Scan so, dass er sich wiederholt, damit Veralterung sichtbar bleibt.
Warum legt Agentforce sensible Daten offen, die es nicht sollte?
Symptom. Eine generierte Antwort enthält eine Sozialversicherungsnummer, eine Kreditkartennummer oder eine andere PII, die in einer Agentenausgabe nichts zu suchen hat.
Ursache. PII, die in Freitextfeldern stehen. Email-to-Case, Chat-Transkripte und manuelle Notizen erfassen personenbezogene Daten in Description- und Comments-Feldern. Wenn der Agent einen dieser Datensätze abruft, gelangen die PII in den KI-Kontext und können in einer Antwort erscheinen.
Diagnose. Die PII Exposure Rate misst, wie viele Datensätze im Geltungsbereich erkennbare PII über Ihre Textfelder hinweg enthalten. Scannen Sie jedes Textfeld, das der Agent lesen kann, nicht die nach PII benannten Felder, denn die Exposition verbirgt sich in allgemeinen Comment- und Description-Feldern. Siehe PII Detection.
Lösung. Identifizieren Sie Funde mit einem PII-Scan und maskieren, löschen oder beschränken Sie dann die bestätigten Treffer. Konfigurieren Sie feldspezifische Pattern-Overrides für Felder, in denen ein passendes Muster erwartet und legitim ist, sodass Sie auf tatsächliche Exposition reagieren. Führen Sie den Scan zur Validierung erneut aus und sehen Sie sich vor dem Deployment den PII-Compliance-Leitfaden an.
Warum findet Agentforce den richtigen Datensatz nicht?
Symptom. Der Agent meldet, dass er einen existierenden Kunden nicht finden kann, oder ruft den völlig falschen Datensatz ab. Ein Nutzer sucht per E-Mail, und der Agent liefert nichts zurück.
Ursache. Ungültige Formate und nicht durchsuchbare Werte. Eine als „john [at] company dot com“ gespeicherte E-Mail, eine Telefonnummer mit inkonsistenter Zeichensetzung oder eine ID im falschen Format passt nicht zur Suche, die der Agent ausführt. Der Datensatz ist da, aber der Agent kann ihn nicht auflösen.
Diagnose. Die Validity Rate misst, wie viele Werte die Formatregeln bestehen, die Sie auf strukturierten Feldern wie E-Mail, Telefon und Identifikatoren definieren. Eine niedrige Validity Rate bei einem zentralen Lookup-Feld sagt Abruffehler voraus. Siehe Gültigkeit.
Lösung. Korrigieren Sie fehlerhafte Werte bei den Feldern, die der Agent durchsucht, massenhaft und fügen Sie dann eine Validation Rule hinzu, um das Format bei neuen Datensätzen zu erzwingen. Konzentrieren Sie sich auf die Felder, die Lookups und Matching antreiben, wo ein Formatfehler den Abruf ganz bricht, statt nur eine Antwort zu verschlechtern.
Warum werden Agentforce-Antworten mit der Zeit schlechter?
Symptom. Der Agent lief beim Start gut und verschlechtert sich über Wochen. Vage Antworten, Widersprüche und veraltete Fakten tauchen nach einem sauberen Deployment wieder auf.
Ursache. Datenqualitätsrückschritt ohne Überwachung. Datensätze, die Sie vor dem Start bereinigt haben, verfallen, wenn Nutzer neue Daten eingeben, Integrationen neue Datensätze schreiben und der Agent selbst Felder aktualisiert. Eine einmalige Bereinigung ist eine Momentaufnahme, und die Momentaufnahme veraltet.
Diagnose. Keine einzelne Metrik fängt den Rückschritt ab. Sie fangen ihn über den Trend ab. Planen Sie wiederkehrende Scans über alle sechs Dimensionen und beobachten Sie jeden Wert als Linie über die Zeit, sodass ein Einbruch innerhalb von Tagen auftaucht, nachdem eine neue Integration oder Prozessänderung schlechte Daten eingeführt hat. Siehe Ergebnisse verstehen.
Lösung. Konfigurieren Sie geplante, wiederkehrende Scans auf den Objekten im Geltungsbereich des Agenten und verfolgen Sie Metriktrends in Insight Studio. Legen Sie eine Taktung nach Risiko fest: wöchentliche PII-Scans bei Textfeldern mit hohem Volumen, monatliche Completeness und Consistency, ein quartalsweiser vollständiger Scan. Fangen Sie Rückschritte auf dem Dashboard ab, bevor sie eine Antwort erreichen.
Symptom-zu-Lösung-Referenz
| Symptom | Ursache | DQS-Metrik | Lösung |
|---|---|---|---|
| Vage oder generische Antworten | Unvollständige Datensätze (leere Description, Notes) | Completeness Rate | Kontextfelder nachbefüllen; bei Eingabe verpflichtend machen |
| Widersprüchliche Antworten über Konversationen hinweg | Inkonsistente Werte und doppelte Datensätze | Conformance Rate, Duplicate Rate | Werte standardisieren; Duplikate zusammenführen; Matching Rules hinzufügen |
| Veraltete Informationen | Veraltete Datensätze | Timeliness Rate | Datensätze jenseits einer Aktualitätsschwelle markieren und archivieren |
| Legt sensible Daten offen | PII in Freitextfeldern | PII Exposure Rate | Textfelder scannen; Funde maskieren, löschen oder beschränken |
| Findet den richtigen Datensatz nicht | Ungültige Formate, nicht durchsuchbare Werte | Validity Rate | Formate massenhaft korrigieren; Validation Rules bei Lookup-Feldern hinzufügen |
| Antworten verschlechtern sich über die Zeit | Datenqualitätsrückschritt, keine Überwachung | Alle sechs (Trend) | Wiederkehrende Scans planen; Trends in Insight Studio verfolgen |
Wie Sie diese Diagnose durchführen
Führen Sie einen DQS-Scan über jedes Objekt durch, das der Agent liest, und prüfen Sie die sechs Metriken gemeinsam. Der Scan läuft vollständig innerhalb von Salesforce, sodass keine Daten die Org verlassen. Ordnen Sie jede schwache Metrik ihrem Symptom in der obigen Tabelle zu, bereinigen Sie in Prioritätsreihenfolge und planen Sie den Scan so, dass er sich wiederholt, damit die Behebung hält. Den vollständigen Vorbereitungs-Workflow finden Sie im Datenbereinigungsleitfaden für Agentforce.
Nächste Schritte
- Agentforce-Datenqualität: der vollständige Vorbereitungsleitfaden und Zeitplan
- Agentforce-Checkliste zur Datenbereitschaft: Verifizierung vor dem Deployment
- Salesforce-Datenbereinigung für Agentforce: der Bereinigungs-Workflow
- Agentforce-Datenqualität FAQ: häufige Fragen beantwortet
- Die fünf Dimensionen: Überblick über jede Datenqualitätsdimension
- KI-Bereitschafts-Assessment: ermitteln Sie Ihren aktuellen Bereitschaftswert