Benchmarks de qualité des données Salesforce pour les agents IA

Le tableau des benchmarks

Les cibles de lancement recommandées pour les six dimensions de la qualité des données Agentforce, mesurées sur les objets et champs que vos agents liront réellement — pas la moyenne de l’org, qui masque précisément les problèmes qui ressortent dans les réponses des agents.

Pourquoi viser 85 % de complétude et non 100 % ?

Parce que courir après les 15 % restants a un rendement qui s’effondre vite. Une partie du vide est légitime — champs facultatifs, enregistrements antérieurs à un processus, objets où la valeur ne s’applique tout simplement pas. À 85%+ sur les champs clés, un agent dispose presque toujours d’assez de contexte pour répondre avec précision plutôt qu’en généralités. En dessous, les réponses vagues cessent d’être l’exception et deviennent la marque de fabrique de votre agent. Consacrez plutôt l’effort restant à la cohérence et aux PII — leurs défaillances font bien plus de bruit.

Pourquoi la conformité et la validité exigent-elles 90 % ?

Les valeurs incohérentes ou invalides ne se contentent pas d’affaiblir les réponses — elles créent des contradictions. Quand « US », « USA » et « United States » coexistent, un agent peut donner trois réponses différentes à la même question, et la recherche peut passer à côté d’enregistrements filtrés par valeur. Les e-mails et identifiants invalides sont cités aux clients tels quels. Ces défaillances sautent aux yeux des utilisateurs dès le premier enregistrement défectueux — c’est pourquoi la barre est placée plus haut que pour la complétude.

Pourquoi l’exposition de PII doit-elle rester sous 1 % ?

Parce que les PII sont la seule métrique où un seul enregistrement peut constituer un incident. Un SSN collé dans un commentaire de requête peut ressortir dans une réponse de l’agent — et à ce stade, le problème est réglementaire, pas cosmétique. Moins de 1 % est un plafond de travail pour valider le lancement, pas une ligne d’arrivée : l’objectif opérationnel est zéro détection sur les motifs SSN et carte bancaire, vérifié par scan, le reste tendant vers zéro grâce à la supervision hebdomadaire.

Pourquoi la fraîcheur et les doublons n’ont-ils pas de chiffre universel ?

La fraîcheur dépend du métier : une org de support peut exiger des requêtes touchées en quelques jours, quand les données de comptes d’un industriel peuvent dater d’un trimestre et rester exactes. Définissez votre propre fenêtre par objet, puis tenez-la. Même logique pour les doublons — le taux acceptable dépend du volume de l’objet et des règles de correspondance, donc le benchmark est directionnel : faible, mesuré et en baisse, car chaque doublon éclate l’historique d’un client entre des enregistrements que l’agent ne peut pas réconcilier.

À quelle fréquence remesurer ?

Les benchmarks s’érodent — les utilisateurs continuent de saisir après la mise en production. La cadence qui maintient les scores au niveau du lancement :

Pour la séquence complète d’avant-lancement — quoi mesurer et corriger dans les 90 jours précédant la mise en production — utilisez la checklist de lancement Agentforce.