La plupart des mauvaises réponses d’Agentforce remontent aux données que l’agent récupère, et non au modèle qui génère le texte. Les agents Agentforce lisent vos enregistrements Salesforce, fondent leurs réponses sur ce qu’ils trouvent, et agissent en conséquence — alors quand les enregistrements sous-jacents sont incomplets, incohérents, périmés ou dupliqués, l’agent produit des réponses inexactes à partir d’une récupération exacte de mauvaises données.
C’est un guide de dépannage. Chaque section associe un symptôme de défaillance que vous pouvez observer au problème de données qui le cause, à la métrique DQS qui le diagnostique, et à l’étape de remédiation qui le corrige. Si vous planifiez un déploiement plutôt que d’en déboguer un, commencez par le guide de qualité des données pour Agentforce et la checklist de préparation des données.
Pourquoi Agentforce donne-t-il de mauvaises réponses tout court ?
Un agent n’invente pas de faits dans le vide. Il récupère les enregistrements qui correspondent à une demande, lit les champs auxquels il a accès, et assemble une réponse à partir de ce contexte. Le modèle est constant ; les données en dessous ne le sont pas.
Ce qui ressemble à une hallucination est souvent l’agent rapportant fidèlement ce que disent vos enregistrements. Un champ vide ne lui donne rien sur quoi se fonder. Quatre orthographes du même pays lui donnent quatre réponses. Un enregistrement en double lui donne une seconde version de la vérité. Corrigez les données et la plupart de ces défaillances disparaissent sans toucher à la configuration de l’agent.
Le pattern est au niveau de l’industrie, et non spécifique à votre org. Gartner a prédit en 2024 qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept d’ici la fin de 2025, en nommant la mauvaise qualité des données comme cause principale. Et dans la propre recherche de Salesforce sur l’État des données et de l’analytique, les responsables des données et de l’analytique ont évalué 26 % de leurs données comme non fiables — environ un enregistrement sur quatre alimentant un mauvais contexte à tout agent construit dessus.
Les six modes de défaillance ci-dessous couvrent les causes profondes liées aux données que vous pouvez mesurer et corriger dans Salesforce.
Pourquoi les réponses d’Agentforce sont-elles vagues ou génériques ?
Symptôme. L’agent répond à une question précise par une réponse générique. Un utilisateur demande pourquoi un Case a été escaladé et obtient « le problème a été examiné et traité » au lieu de la véritable raison.
Cause profonde. Des enregistrements incomplets. Quand l’agent récupère un Case avec un champ Description, Comments ou Resolution vide, il n’a aucun contexte sur lequel fonder une réponse précise. Il se rabat sur un résumé vague parce qu’il n’y a rien de concret à lire.
Diagnostic. Completeness Rate, ventilé par champ, montre combien d’enregistrements du périmètre de l’agent manquent des champs dont il a besoin pour le contexte. Un score global élevé masque le problème si les champs vides sont ceux que l’agent lit. Vérifiez la Complétude sur Description, Notes, Comments et Resolution en particulier.
Correctif. Augmentez la Complétude sur les champs que l’agent utilise pour ses réponses. Réalimentez à partir d’une source fiable, rendez les champs critiques obligatoires à la saisie, et relancez le scan pour confirmer. Voir Complétude pour le flux de diagnostic au niveau du champ.
Pourquoi Agentforce se contredit-il d’une conversation à l’autre ?
Symptôme. La même question renvoie des réponses différentes selon les sessions, ou deux utilisateurs obtiennent des faits contradictoires sur le même compte.
Cause profonde. Des valeurs incohérentes et des enregistrements en double. Quand le champ Country contient « US », « USA », « United States » et « U.S.A. », l’agent les traite comme quatre valeurs distinctes et segmente ses réponses selon celle qu’il a récupérée. Quand deux enregistrements Account décrivent la même entreprise avec des données différentes, l’agent répond à partir de celui qu’il a trouvé en premier.
Diagnostic. Conformance Rate mesure combien de valeurs correspondent à votre ensemble canonique, donc un taux faible révèle des champs picklist et de référence fragmentés. Duplicate Rate mesure combien d’enregistrements sont des doublons d’un autre, ce qui est la seconde moitié de cette défaillance. Lancez les deux sur les objets que l’agent lit.
Correctif. Standardisez les valeurs vers un ensemble contrôlé et fusionnez les doublons. Utilisez Import from Field dans le Definition Builder pour découvrir les variantes déjà présentes dans vos données, définissez la valeur canonique, et normalisez. Fusionnez ensuite les enregistrements en double et configurez des règles de matching pour en bloquer de nouveaux. Voir Cohérence et Unicité.
Pourquoi Agentforce renvoie-t-il des informations obsolètes ?
Symptôme. L’agent rapporte un deal clos comme ouvert, nomme un contact qui a quitté l’entreprise il y a un an, ou cite un prix issu d’un enregistrement remplacé.
Cause profonde. Des enregistrements périmés. L’agent n’a aucune notion d’« ancien ». Il lit l’enregistrement le plus pertinent par correspondance de contenu, peu importe la date de dernière modification des données. Un enregistrement non mis à jour depuis que les faits ont changé alimente l’agent en contexte obsolète.
Diagnostic. Timeliness Rate mesure combien d’enregistrements tombent dans un seuil de fraîcheur que vous définissez sur un champ date comme LastModifiedDate ou une date métier. Un Timeliness Rate en baisse sur les objets de l’agent signifie que l’agent est de plus en plus susceptible de faire apparaître des faits obsolètes. Voir Actualité.
Correctif. Signalez les enregistrements ayant dépassé votre seuil de fraîcheur et acheminez-les vers des workflows de réengagement ou d’archivage. Archivez ou excluez les enregistrements qui ne devraient plus alimenter les réponses, pour que l’agent cesse de les récupérer. Planifiez le scan d’Actualité pour qu’il se répète afin que la péremption reste visible.
Pourquoi Agentforce fait-il apparaître des données sensibles qu’il ne devrait pas ?
Symptôme. Une réponse générée inclut un numéro de sécurité sociale, un numéro de carte de crédit ou une autre PII qui n’a aucune raison d’apparaître dans la sortie d’un agent.
Cause profonde. Des PII présentes dans les champs texte libre. L’email-to-case, les transcriptions de chat et les notes manuelles capturent des données personnelles dans les champs Description et Comments. Quand l’agent récupère un de ces enregistrements, les PII entrent dans le contexte de l’IA et peuvent apparaître dans une réponse.
Diagnostic. PII Exposure Rate mesure combien d’enregistrements du périmètre contiennent des PII détectables dans vos champs texte. Scannez chaque champ texte que l’agent peut lire, pas les champs nommés pour les PII, car l’exposition se cache dans les champs de commentaire et de description à usage général. Voir Détection PII.
Correctif. Identifiez les trouvailles avec un scan PII, puis masquez, supprimez ou restreignez les correspondances confirmées. Configurez des surcharges de motifs par champ là où un motif correspondant est attendu et légitime, afin d’agir sur l’exposition réelle. Relancez le scan pour valider, et consultez le guide de conformité PII avant le déploiement.
Pourquoi Agentforce ne trouve-t-il pas le bon enregistrement ?
Symptôme. L’agent rapporte qu’il ne trouve pas un client qui existe, ou récupère le mauvais enregistrement. Un utilisateur cherche par e-mail et l’agent ne renvoie rien.
Cause profonde. Des formats invalides et des valeurs non recherchables. Un e-mail stocké comme « john [at] company dot com », un numéro de téléphone avec une ponctuation incohérente, ou un ID au mauvais format ne correspond pas à la recherche que l’agent exécute. L’enregistrement est là, mais l’agent ne peut pas le résoudre.
Diagnostic. Validity Rate mesure combien de valeurs passent les règles de format que vous définissez sur les champs structurés comme l’e-mail, le téléphone et les identifiants. Un Validity Rate faible sur un champ de recherche clé prédit des échecs de récupération. Voir Validité.
Correctif. Corrigez en masse les valeurs mal formées sur les champs que l’agent recherche, puis ajoutez une Validation Rule pour imposer le format sur les nouveaux enregistrements. Concentrez-vous sur les champs qui pilotent les recherches et le matching, où une erreur de format rompt purement la récupération plutôt que de simplement dégrader une réponse.
Pourquoi les réponses d’Agentforce se dégradent-elles avec le temps ?
Symptôme. L’agent a bien performé au lancement et se dégrade au fil des semaines. Des réponses vagues, des contradictions et des faits périmés réapparaissent après un déploiement propre.
Cause profonde. Une régression de la qualité des données sans surveillance. Les enregistrements que vous avez nettoyés avant le lancement se dégradent à mesure que les utilisateurs saisissent de nouvelles données, que les intégrations écrivent de nouveaux enregistrements, et que l’agent lui-même met à jour des champs. Un nettoyage ponctuel est un instantané, et l’instantané vieillit.
Diagnostic. Aucune métrique unique n’attrape la régression. Vous l’attrapez par la tendance. Planifiez des scans récurrents sur les six dimensions et observez chaque taux comme une courbe dans le temps, afin qu’une baisse fasse surface dans les jours suivant l’introduction de mauvaises données par une nouvelle intégration ou un changement de processus. Voir Comprendre les résultats.
Correctif. Configurez des scans planifiés et récurrents sur les objets du périmètre de l’agent et suivez les tendances des métriques dans Insight Studio. Fixez une cadence selon le risque : des scans PII hebdomadaires sur les champs texte à fort volume, la Complétude et la Cohérence mensuelles, un scan complet trimestriel. Attrapez la régression sur le dashboard avant qu’elle n’atteigne une réponse.
Référence symptôme-correctif
| Symptôme | Cause profonde | Métrique DQS | Correctif |
|---|---|---|---|
| Réponses vagues ou génériques | Enregistrements incomplets (Description, Notes vides) | Completeness Rate | Réalimenter les champs de contexte ; les rendre obligatoires à la saisie |
| Réponses contradictoires d’une conversation à l’autre | Valeurs incohérentes et enregistrements en double | Conformance Rate, Duplicate Rate | Standardiser les valeurs ; fusionner les doublons ; ajouter des règles de matching |
| Informations obsolètes | Enregistrements périmés | Timeliness Rate | Signaler et archiver les enregistrements ayant dépassé un seuil de fraîcheur |
| Fait apparaître des données sensibles | PII dans les champs texte libre | PII Exposure Rate | Scanner les champs texte ; masquer, supprimer ou restreindre les trouvailles |
| Ne trouve pas le bon enregistrement | Formats invalides, valeurs non recherchables | Validity Rate | Corriger en masse les formats ; ajouter des Validation Rules sur les champs de recherche |
| Réponses qui se dégradent avec le temps | Régression de la qualité des données, sans surveillance | Les six (tendance) | Planifier des scans récurrents ; suivre les tendances dans Insight Studio |
Comment mener ce diagnostic
Lancez un scan DQS sur tous les objets que l’agent lit et examinez les six métriques ensemble. Le scan s’exécute entièrement à l’intérieur de Salesforce, donc aucune donnée ne quitte l’org. Associez chaque métrique faible à son symptôme dans le tableau ci-dessus, remédiez par ordre de priorité, et planifiez le scan pour qu’il se répète afin que le correctif tienne. Pour le workflow de préparation complet, voir le guide de nettoyage des données pour Agentforce.
Étapes suivantes
- Qualité des données pour Agentforce : le guide de préparation complet et son calendrier
- Checklist de préparation des données pour Agentforce : vérification pré-déploiement
- Le nettoyage des données Salesforce pour Agentforce : le workflow de remédiation
- FAQ qualité des données Agentforce : réponses aux questions courantes
- Les cinq dimensions : vue d’ensemble de chaque dimension de la qualité des données
- Évaluation de préparation à l’IA : obtenez votre score de préparation actuel