AI Fairness og biasregistrering - Agentmæssige mønstre

Læs mere om Well-Architected Fairness → Agent Enterprise Fairness

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Test agenter systematisk for demografisk bias ved brug af forskellige personaer, der repræsenterer beskyttede grupper. Generer identiske anmodninger, der kun varierer demografiske signaler som navne, placeringer eller kommunikationstypografier
Data 360 \| Datasegmenter	✅ Før du bruger Salesforce-data til agentuddannelse eller RAG-basisvisning, skal du overvåge demografisk repræsentation og identificere underrepræsenterede grupper
Data 360 \| Knowledge	✅ Revider Knowledge og hentningskilder for demografisk balance. Sørg for, at dokumentationskvalitet, fuldstændighed og nøjagtighed er sammenlignelige på tværs af alle kundesegmenter
Agentforce \| Agentovervågning	✅ Overvåg agentinteraktioner på tværs af demografiske grupper for adfærdsmæssig ensartethed. Analyser svarlængde, detaljeniveau, høflighedsmærker og løsningskvalitet lagret efter brugeregenskaber
Agentforce \| Agentovervågning	✅ Registrer feedbackløkker ved at overvåge ændringer i beslutningsdistribution over tid; opdel løkker gennem human gennemgang af kantsager og periodisk genbalancering
Data 360 \| Træningsdata	✅ Oversample underrepræsenterede demografiske grupper i træningsdata, der sikrer afbalanceret repræsentation. Synthesize additional data using techniques like SMOTE when real data is insufficient
Agentforce \| Meddelelsesskabelon	✅ Begræns agentadfærd gennem systemmeddelelser: “Behandl alle kundedemoer med lige professionalisme og detaljer. Angiv forklaringer af sammenlignelig længde og kvalitet, uanset kundekommunikationstypografi eller -baggrund.”
Einstein \| Forudsigelsesmodel	✅ Beregn korrelationskoefficienter mellem alle modelfunktioner og beskyttede egenskaber. Evaluer, om en legitim forudsigelsesværdi retfærdiggør inkludering af højt korrelerede funktioner
Einstein \| Forudsigelsesmodel	✅ Identificer og fjern proxyfunktioner, der er forbundet med beskyttede egenskaber (zip-kodeproxys for race, navnemønstreproxy for køn/etnicitet, kommunikationstidsproxys for religion/pleje, enhedstypeproxys for indkomst, områdetildelingsproxys for demografisk sammensætning)

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Data 360 \| Træningsdata	⚡️ Brug af historiske CRM-data til agentuddannelse uden at overvåge demografisk repræsentation, hvilket tillader algoritmisk bias til at komprimere menneskelig bias
Agentforce \| Agentkonfiguration	Implementering af agenter uden systematisk demografisk biastest på tværs af forskellige personaer, der repræsenterer beskyttede grupper
Data 360 \| Knowledge	⚡️ Levering af detaljerede Knowledge for virksomhedskunder, men kun generiske svar for små forretningskunder, hvilket bevarer uoverensstemmelser i servicekvalitet
Agentforce \| Agentovervågning	⚡️ Tillad agenter at tilpasse adfærd baseret på konverserende tip, der er forbundet med beskyttede egenskaber (kommunikationstypografi, sprogkompleksitet, tidsmønstre) uden overvågning
Einstein \| Forudsigelsesmodel	Inkludering af proxyfunktioner (zipkode, navnemønstre, enhedstype) i konsekvensbeslutningsmodeller uden at evaluere korrelation med beskyttede egenskaber
Agentforce \| Agentkonfiguration	Tilladelse af feedbackløkker, hvor agentbeslutninger skaber den uoverensstemmelse, der retfærdiggør fremtidige negative beslutninger (f.eks. distributionsagent, der reducerer salgsmuligheder til bestemte områder, genererer færre vellykkedata, reducerer yderligere forudsagt succes)
Data 360 \| Datasegmenter	⚡️ Standarden er referencer til majoritetskultur i indholdseksempler, der fjerner underrepræsenterede brugere

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentovervågning	✅ Logfør komplette input og output for hver agent i en orkestreringskæde, så bias i et endeligt resultat kan spores tilbage til den fase, der introducerede den, og hvor forstærkning forekom
Platform \| CRM Analytics	✅ Opbyg dashboards, der viser beslutningsfordelinger ved hver orkestreringsfase opdelt efter demografi for at identificere, hvor i kæden uoverensstemmelser opstår eller udvides
Platform \| CRM Analytics	✅ Beregn demografisk paritet, lige salgsmulighed og uensartet påvirkning i hver fase af kæden, ikke kun på det endelige resultat. Faseinddelte metrikker fanger sammensætning, der ser acceptabel ud i enhver enkelt fase, men nedbrydes på tværs af kæden
Agentforce \| Modelkonfiguration	✅ Maksimer diversitet på tværs af agenter i konsensusmønstre for at reducere korrelerede fejl: forskellige grundlægningsmodeller, hvor det er muligt (f.eks. gennem Bring Your Own LLM-konfigurationer), forskellige hentningskilder, forskellige meddelelsestilgange og forskellige konfidensstærskelkalibreringer
Agentforce \| Agentkonfiguration	✅ Indsæt menneskelig gennemgang ved orkestreringsomskiftepunkter, hvor en fase væsentligt indsnævrer downstream-indstillinger, selv når individuel agentkonfidens er høj, fordi orkestrering opretter emergente effekter, som pr. agentkonfidensscores ikke registrerer
Agentforce \| Agentkonfiguration	✅ Konfigurer orkestreringsombrydere, der stopper og eskalerer til et menneske, når en agents tillid falder under tærsklen, outputdistribution skifter væsentligt mellem faser, kæden støder på data, der ikke vises i uddannelse eller validering, eller brugeren udfordrer en mellemliggende beslutning

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentovervågning	⚡️ Kørsel af orkestreringskæder uden at logføre hver agents input og output, hvilket gør det umuligt at spore, hvilken fase der introducerede bias, når et diskriminerende resultat vises
Agentforce \| Modelkonfiguration	⚡️ Behandler flerskonsens som biaskorrektion, når alle agenter deler den samme grundlæggende model eller træningsdata, så aftalen kun validerer delt bias i stedet for at rette den
Platform \| CRM Analytics	⚡️ Måling af rimelighed kun på det endelige orkestreringsresultat, manglende faseinddelt sammensætning, hvor hver fase vises acceptabel i isolation, men kædeforbindelserne til en uacceptabel uoverensstemmelse
Agentforce \| Agentkonfiguration	⚡️ Afhængighed af individuelle agentkonfidensscores for at overføre en orkestreringskæde uden at indsætte gennemsyn på omskiftende punkter, hvor en fase indsnævrer downstream-indstillinger
Agentforce \| Agentkonfiguration	⚡️ Tilladelse til, at en orkestreringskæde fortsætter uden nogen afbrydere, når en upstream-agent har lav tillid, fordelinger skifter mellem faser, eller kæden støder på data uden for dens uddannelses- og valideringssæt

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Implementeringsgate	✅ Gør rimelig evaluering til en obligatorisk implementeringsgate, der svarer til autoritet til sikkerhedsgennemgang, før du implementerer en agent, der træffer konsekvensmæssige beslutninger
Einstein \| Forudsigelsesmodel	✅ Beregn demografisk paritet ved at opdele populationen i demografiske segmenter, måle positive resultatfrekvenser pr. segment og sammenligne satser på tværs af segmenter
Einstein \| Forudsigelsesmodel	✅ Sørg for lige salgsmuligheder ved at bekræfte, at agenter identificerer kvalificerede personer lige godt, uanset demografiske egenskaber. Bekræft, at sande positive satser er sammenlignelige på tværs af grupper
Einstein \| Forudsigelsesmodel	✅ Anvend regel på fire femtedele: Hvis en gruppe modtager positive resultater på mindre end 80 % af frekvensen for den mest effektive gruppe, kan du undersøge bias
Einstein \| Forudsigelsesmodel	✅ Beregn uensartede påvirkningsforhold for alle efterfølgende agentbeslutninger og dokumenter undersøgelsesresultater, når forholdene falder under 80 %
Forretning \| Dokumentation	✅ Dokumenter, når demografiske paritetsovertrædelser afspejler legitime forretningsfaktorer snarere end diskriminering
Forretning \| Juridisk gennemgang	✅ Rådfør dig med en juridisk rådgiver, når du implementerer ligestillede odds gennem gruppespecifikke tærskler, idet du bemærker, at det i USA er forbudt at justere scores eller afskærmninger efter beskyttet klasse for beskæftigelsesrelaterede beslutninger i henhold til afsnit VII (Civil Rights Act of 1991), og at andre jurisdiktioner pålægger deres egne begrænsninger

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Implementeringsgate	⚡️ Implementering af agenter, der træffer konsekvensmæssige beslutninger uden at beregne rimelige metrikker på tværs af demografiske grupper
Einstein \| Forudsigelsesmodel	⚡️ Systematisk manglende kvalificerede kandidater fra underrepræsenterede grupper ved at angive højere bevisstærskler for disse grupper end for flertalsgrupper
Einstein \| Forudsigelsesmodel	Implementering af gruppespecifikke tærskler uden juridisk begrundelse eller validering af, at tærsklerne forbedrer retfærdigheden uden at skabe andre diskriminerende virkninger, eller i USA implementering af dem overhovedet for beskæftigelsesrelaterede beslutninger, hvor afsnit VII forbyder justering af scores eller afskæringer efter beskyttet klasse
Forretning \| Dokumentation	⚡️ Ikke at dokumentere, når overtrædelser af rimelighedsmetrikker afspejler lovlige forretningsforskelle kontra diskriminering

Mønstre

Hvor skal du se	Hvad der ser godt ud
Einstein \| Trust Layer	✅ Brug Trust Layer-revisionsdata til at analysere svarfordeling på tværs af demografiske grupper. Opbyg CRM Analytics-dashboards, der sammenligner godkendelsesfrekvenser, anbefalingsmønstre og risikoscores efter kundesegment
Einstein \| Trust Layer	✅ Forespørg Trust Layer logfiler regelmæssigt: vise alle forudsigelser af høj værdi grupperet efter kundebranche, område og kontostørrelse for at bekræfte, at forudsigelsesdistributioner er ensartede på tværs af segmenter
Agentforce \| Sessionssporing	✅ Prøve 100 agentbeslutninger stratificeret efter demografisk gruppe, og få korrekturlæsere til at vurdere, om kvaliteten af begrundelse er sammenlignelig på tværs af grupper ved brug af Agentforce Sessionssporing
Platform \| CRM Analytics	✅ Konfigurer advarsler, når agentbeslutningsmønstre afviger væsentligt fra basislinjen (f.eks. godkendelsesfrekvenser for et specifikt segment falder med 20 % uge for uge)
Platform \| CRM Analytics	✅ Opbyg tilpasset overvågning for at advare om fairness-signaler: “Adviser, når den gennemsnitlige samtalelængde for ethvert kundesegment overskrider 1,5 gange det generelle gennemsnit i tre på hinanden følgende dage”
Platform \| CRM Analytics	✅ Opbyg genanvendelige CRM Analytics-dashboardskabeloner til sporing af rimelighedsmetrikker for almindelige agentanvendelsessituationer, herunder demografisk paritet, lige salgsmuligheder, uensartede påvirkningsforhold og tendensdiagrammer

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Sessionssporing	⚡️ Ignorering af Agentforce og revisionssporet for Trust, når brugere rapporterer bias, mangler, hvilke argumenteringstrin, datakilder eller hentningsmønstre der introducerede bias
Platform \| CRM Analytics	⚡️ Ikke at konfigurere afvigelsesregistreringsalarmer for fairness-signaler, hvilket tillader, at pludselige distributionsvagter ikke registreres
Platform \| CRM Analytics	⚡️ Opbygning af fairness-dashboards ad hoc pr. team i stedet for at dele genanvendelige skabeloner, der standardiserer fairnessovervågning

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Design agenter til beslutninger med høje satser (ansættelse, kredit, sundhedspleje, juridisk, bolig) til at analysere, anbefale og forberede beslutninger, mens der kræves godkendelse af mennesker før kørsel
Platform \| Godkendelsesproces	✅ Konfigurer Agentforce til at generere anbefalinger med understøttende beviser, distribuere beslutninger over tærskler til menneskelige korrekturlæsere via godkendelsesprocessen og vise agentarrangementsspor i godkendelsesgrænsefladen
Agentforce \| Agentkonfiguration	✅ Implementer konfidensbaseret eskalering: høj konfidens (>90 %) fortsætter automatisk, moderat (70-90 %) kræver gennemsyn, lav (<70 %) overfører fuldstændigt til menneske med kontekstsammendrag
Agentforce \| Agentkonfiguration	✅ Kalibrer konfidensstærskler ved brug af produktionsdata. Eksempelagentbeslutninger ved hvert konfidensområde og beregne faktiske succesfrekvenser for at validere kalibrering
Agentforce \| Agentkonfiguration	✅ Angiv tidsbegrænsede eskaleringsudløsere: efter 5-7 drejninger uden løsning, efter 10 minutter, når bruger udtrykker frustration, eller når agent gentager det samme svar
Platform \| Omni-Channel	✅ Konfigurer Omni-Channel til at distribuere eskalerede sager til relevante færdighedsbaserede køer med fuld samtalekontekst. Træn menneskelige agenter til at håndtere eskaleringer uden at kræve, at brugere gentager oplysninger
Agentforce \| UX	✅ Angiv en “Opret forbindelse til en personagent”-indstilling i agentchatgrænseflader hele tiden, ikke placeret bag et minimum antal mislykkede interaktioner
Agentforce \| Agentkonfiguration	✅ Aktiver autoriserede personer til at tilsidesætte enhver agentbeslutning på ethvert tidspunkt med dokumenteret logik. Føj knappen “Tilsidesæt agent” til alle agentbeslutningsgrænseflader, der kræver forklaring på flere linjer
Platform \| Tilpasset objekt	✅ Logfør tilsidesættelser til tilpasset objekt med beslutnings-id, tilsidesættelsestidsstempel, rationale og tilsidesætter. Opret CRM Analytics-dashboardsporingstilsidesættelsesmønstre efter agent, beslutningstype og kundedemografi
Forretning \| Dokumentation	✅ Kræv dokumenteret grundlæggende for godkendelser eller afvisninger, der afviger fra agentanbefaling. Spor tilsidesættelsesmønstre for at identificere systematiske agentmangler

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Implementering af agenter som autonome beslutningstagere for beslutninger med stor interesse (ansættelse, kredit, sundhedspleje, juridisk, bolig) uden portaler til menneskelig godkendelse
Agentforce \| Agentkonfiguration	Brug af ukalibrerede konfidensscores, hvor beslutninger med “høj tillid” kun lykkes 75% af tiden, hvilket underminerer Trust i eskaleringsmekanismer
Agentforce \| Agentkonfiguration	⚡️ Fangning af kunder i ubrugelige automatiserede løkker uden tidsbegrænset eller omdrejningsbegrænset eskalering til mennesker
Platform \| Omni-Channel	Distribuering af eskalerede sager uden fuld samtalekontekst, der tvinger brugere til at gentage oplysninger, der allerede er angivet til agenten
Forretning \| Styring	⚡️ Tilladelse til udbredelse af ansvar, hvor alle antager, at AI er ansvarlig, og ingen tager ejerskab af beslutninger
Forretning \| Styring	Tildeling af ansvar efter hændelser, snarere end før implementering med navngivne personer, der er dokumenteret i arkitektoniske beslutningsregistreringer

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Tildel ansvar før implementering: modelejer (fairness/nøjagtighed), beslutningsejer (anvendelsessituation/påvirkning), appelmyndighed (fairness-anmodninger), revisionsmyndighed (periodiske revisioner)
Forretning \| Dokumentation	✅ Dokumenter alle ansvarsroller med navne, ikke kun titler, så du sikrer, at ansvaret bevares gennem organisatoriske ændringer
Forretning \| Styring	✅ Sæt klageautoritet (etisk gennemgangsudvalg eller udpeget team) i stand til at håndtere klager fra brugere, der mener, at agentbeslutninger er urimelige med tilgængelige, rettidige processer, der kan fortryde agentbeslutninger
Forretning \| Styring	✅ Godkend revisionsmyndighed (overensstemmelsesteam) til at udføre regelmæssige revisioner og suspendere agenter, der har mislykkedes fairnessstandarder, mens de afventer rettelse
Forretning \| Styring	✅ Planlæg månedlig gennemgang af højfrekvente tilsidesættelsesmønstre med agentudviklingsteam

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Styring	⚡️ Dokumentering af ansvarsroller med kun titler (f.eks. “Data Science-emne”) uden navngivne enkeltpersoner, hvilket tillader, at ansvarlighed forsvinder under organisationsændringer
Forretning \| Styring	⚡️ Tilladelse til, at beslutningsejere uddelegerer ansvarlighed til AI-systemer i stedet for at bevare personlig ansvarlighed for virkelige påvirkninger
Forretning \| Styring	⚡️ Gøre appelprocesser utilgængelige, for tidlige eller uden autoritet til at fortryde agentbeslutninger

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Architect flere forklaringslag: brugerorienteret (almindeligt sprog), forretning (nøglebeslutningfaktorer), teknisk (modeldetaljer/funktionsvægt) og revision (fuldstændige beslutningsspor)
Agentforce \| Agentkonfiguration	✅ Vis sammendragsarrangering i realtid, når du træffer beslutninger: “Jeg anbefalede Produkt A baseret på din købshistorik (3 lignende køb), aktuel reklamekampagne (20 % rabat) og lagertilgængelighed”
Agentforce \| Agentkonfiguration	✅ Angiv “Hvorfor anbefalede du dette?” link, der gør det muligt for brugere at se komplet argumentation, herunder alle hentede Knowledge, registreringer, der er konsulteret, og beslutningslogik
Agentforce \| Sessionssporing	✅ Hent årsagsspor fra Agentforce til historisk genopbygning, når brugere udfordrer tidligere beslutninger uger eller måneder senere
Agentforce \| Sessionssporing	✅ Eksempel på Agentforce stratificeret efter demografiske grupper for at analysere, om beslutningskvaliteten er ensartet. Gennemse 100 spor fra hvert kundesegment
Agentforce \| Agentkonfiguration	✅ Kommuniker tillid i brugervenlige termer: “Høj tillid” / “Moderer tillid” / “Lav tillid” med almindelig sprogsikkerhedskontekst i stedet for rå sandsynlighedsscores
Agentforce \| Agentkonfiguration	✅ For moderate eller lave konfidensbeslutninger skal du forklare, hvilken yderligere gennemgang der skal forekomme og den forventede tidslinje
Agentforce \| Agentkonfiguration	✅ Angiv counterfactual forklaringer, der viser brugere, hvad der ville ændre resultatet: “Din emnescore ville øges med bekræftede beskæftigelsesoplysninger (+8 point)”

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Visning af rå sandsynlighedsscores (f.eks. “73% konfidens”), som brugere forkert fortolker i stedet for brugervenligt konfidenssprog
Agentforce \| Agentkonfiguration	⚡️ Angivelse af counterfactuals, der opfordrer til at spille systemet eller utilsigtet afslører beskyttede egenskaber som beslutningfaktorer (f.eks. “Din applikation ville score højere, hvis du var 10 år yngre”)
Agentforce \| Agentkonfiguration	⚡️ Kun angiver et niveau af forklaring, der hverken tjener slutbrugere (for teknisk) eller revisorer (forenklet)
Agentforce \| Agentkonfiguration	⚡️ Ikke at lagre historiske ræsonnementspor, hvilket gør det umuligt at forklare tidligere beslutninger, når de bliver anmodet om det

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Angiv tydeligt, hvornår brugere interagerer med Agentforce agenter med fremtrædende, kontinuerlig offentliggørelse (ikke begravet i form af service eller kun vist en gang ved interaktionens start)
Agentforce \| Agentkonfiguration	✅ Vis vedvarende visuelle indikatorer: Agent-avatar markeret med “AI-assistent”, sidehovedet viser “Du chatter med en Agentforce serviceagent” og indstillingen “Opret forbindelse til en person” er synlig i samtalen
Agentforce \| Agentkonfiguration	✅ Sørg for, at brugere, der foretrækker menneskelig interaktion, kan skifte uden friktion eller servicekvalitetssanktioner

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Skjulning af AI i forhold til service eller visning af den kun en gang ved interaktionsstart i stedet for vedligeholdelse af vedvarende visuelle indikatorer
Agentforce \| Agentkonfiguration	Penaliserer brugere, der vælger menneskelig interaktion med nedsat service eller øgede ventetider
Agentforce \| Agentkonfiguration	Skjulning af indstillingen “Opret forbindelse til en personagent”, eller kræve, at brugere fuldfører agentinteraktioner, før de får adgang til human support

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Begivenhedsovervågning	✅ Konfigurer Begivenhedsovervågning til at spore: API-begivenhedslogfiler, der viser agentsysteminteraktioner, loginbegivenheder for agentservicekonti og rapporteksporter, når agenter får adgang til massedata
Platform \| Begivenhedsovervågning	✅ Streambegivenhedsovervågningslogfiler til ekstern SIEM for langsigtet bevarelse og manipulation af beviser, der opfylder bestemmelseskrav
Platform \| Feltrevisionsspor	✅ Aktiver feltrevisionsspor (uendelig bevarelse af arkiveret historik) på de objekter, der lagres eller påvirkes af agentbeslutninger, ved at vælge blandt de standardobjekter, det understøtter plus tilpassede objekter med felthistoriksporing aktiveret; afgørende for kredit, beskæftigelse og andre anvendelsessituationer med høje satser
Platform \| Shield	✅ Brug Shield-begivenhedsovervågning til agentbeslutninger, hvor revisionssporintegritet er vigtig (forbedrede funktioner, strukturerede begivenhedsfelter, overensstemmelsesrapporteringsintegration)
Platform \| Tilpasset objekt	✅ Opret AgentDecision__c-tilpasset objektlagring: Decision_ID, Timestamp, Agent_Type, Model_Version, Confidence_Score, Outcome, User_ID, Record_ID; med samlingsobjektet DecisionInput__c, der linker beslutninger til at indsætte funktionsøjebliksbilleder
Platform \| Tilpasset objekt	✅ Gem nøjagtige inputfunktionsværdier på beslutningstidspunktet (ikke aktuelle værdier, der kan ændres) for at aktivere test af, om beslutninger vil være forskellige med opdaterede data
Forretning \| Dokumentation	✅ Registreringsmodelversion, konfigurationstilstand (tærskler, forretningsregler, parametre) og miljøkontekst (brugeridentitet, tidsstempel, samtalehistorik) for hver følgelig beslutning
Platform \| LWC	✅ Opbyg LWC-komponentintegration i registreringer for at vise beslutningshistorik med “Vis begrundelse”-links

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Platform \| Feltrevisionsspor	⚡️ Afhængighed af standardfelthistorik (18-måneders bevarelse) for beslutninger med høje satser, der kræver flerårig regulerende bevarelse
Platform \| Tilpasset objekt	⚡️ Kun lagrer aktuelle registreringsværdier i stedet for inputøjebliksbilleder på beslutningstidspunktet, hvilket gør det umuligt at rekonstruere historiske beslutninger nøjagtigt
Forretning \| Dokumentation	⚡️ Ikke at registrere modelversion og konfigurationstilstand aktiv på beslutningstidspunktet, hvilket gør analyse af grundlæggende årsager umulig, når der opdages bias
Platform \| Begivenhedsovervågning	⚡️ Bevarelse af revisionslogfiler udelukkende i Salesforce uden ekstern SIEM-streaming, manglende manipulationsbevis for overholdelse af bestemmelser

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| CRM Analytics	✅ Opbyg dashboards, der viser: beslutningsdistribution efter demografisk segment (søjlediagrammer), rimelighedsmetrikker over tid (tendenslinjer med advarselstærskler), uensartet påvirkningsforhold med fire femtedele regelindikator, topprædiktorer, der bidrager til beslutninger, tilsidesættelsesfrekvens efter demografisk gruppe
Platform \| CRM Analytics	✅ Advar, når inputfordelinger ændres væsentligt fra træningsdatademografier. Overvåg for distributionsvagt, der angiver en potentiel nedgang i rimelighed
Agentforce \| Agentkonfiguration	✅ Tilføj indstillingen “Rapporter bekymring” til Agentforce chatgrænseflade. Distribuer rapporter til etisk gennemgang med komplet samtalekontekst; spor i tilpasset objekt med krævet undersøgelsesarbejdsflow
Forretning \| Styring	✅ Overvåg fairness-dashboards ugentligt, undersøg tærskelovertrædelser inden for 24 timer, udfør månedlige tilsidesættelsesmønsteranalyser, udfør kvartalsvise omfattende fairness-revisioner
Forretning \| Styring	✅ Gør det muligt for brugere at rapportere registreret bias gennem tilgængelige mekanismer. Brugerrapporter viser kvalitative problemer, som kvantitative metrikker mangler

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Styring	⚡️ Behandler biasregistrering som en engangsvalidering før implementering i stedet for kontinuerlig overvågning, når agenter udvikler sig gennem meddelelsesopdateringer, modelversionsændringer og vagtbaserede datafordelinger
Platform \| CRM Analytics	⚡️ Ikke at konfigurere advarsler, når rimelighedsmetrikker bryder definerede tærskler, så gradvis afvigelse ikke bliver registreret
Agentforce \| Agentkonfiguration	⚡️ Ikke at give brugere tilgængelige mekanismer til at rapportere opfattet bias, mangler kvalitative problemer, som kvantitative metrikker ikke kan vise

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Integration	✅ Opbyg eksportfunktionalitet, der gør det muligt for complianceteams at udtrække komplette beslutningsdatasæt med demografisk stratifikation til ekstern revisorgennemgang, mens du respekterer bestemmelser om datafortrolighed
Forretning \| Dokumentation	✅ Vedligehold aktuel dokumentation, der dækker: agentformål og tilsigtede anvendelsessituationer, træningsdatademografi og kendte begrænsninger, rimelighedsmetrikker (før implementering og produktion), biasreduktionsstrategier, konfigurationer af menneskelig tilsyn, overvågningsmetode og ansvarstildelinger
Forretning \| Styring	✅ Før du implementerer agenter, der træffer konsekvensmæssige beslutninger, skal du udføre algoritmiske påvirkningsvurderinger, der evaluerer potentielle positive og negative effekter på tværs af interessentgrupper
Forretning \| Styring	✅ Planlægge halvårlige eksterne fairness-revisioner af tredjeparter. Vedligehold skanning af lovgivningshorisont, der passer til EU AI-loven, statslige love og sektorbestemmelser

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Platform \| Integration	⚡️ Design af agentarkitekturer uden at forudse eksterne revisioner af regulerende myndigheder, civilretlige organisationer eller kunder. Manglende eksportfunktioner til revisorgennemgang
Forretning \| Dokumentation	Tilladelse til, at dokumentation bliver forældet, efterhånden som agenter udvikler sig gennem promptopdateringer eller modelændringer uden at opdatere rimelige metrikker og reduktionsstrategier
Forretning \| Styring	Implementering af agenter, der træffer konsekvensmæssige beslutninger uden at udføre påvirkningsvurderinger, der evaluerer effekter på tværs af interessentgrupper

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Kræv eksplicit tilmelding for følsomme agenter (kreditbeslutning, ansættelsesscreening, serviceberettigelse) i stedet for at aktivere som standard
Platform \| Tilpasset objekt	✅ Opret AI_Consent__c med felter: Bruger_id, Brug_sag, Tildel_dato, Tildel_metode, Tilbagetræk_dato, Status; aktiver Feltrevisionsspor for langsigtet samtykkeregistreringsbevarelse
Agentforce \| Agentkonfiguration	✅ Føj samtykketjek til logik for agentkald: forespørg på AI_Consent__c for aktivt samtykke før behandling, understøt samtykke på anvendelsessagsniveau (serviceagent kontra salgsagent)
Platform \| Fællesskab/oplevelseslokalitet	✅ Opbyg grænseflade til administration af selvbetjent samtykke, der er tilgængelig fra brugerprofil. Planlæg påmindelser om fornyelse af samtykke for hver 12 måneder
Agentforce \| Agentkonfiguration	✅ Når du implementerer nye funktioner, der påvirker eksisterende brugere, skal du proaktivt søge samtykke til nye anvendelsessituationer i stedet for at være afhængig af oprindeligt samtykke, der ikke overvejer specifikke applikationer
Agentforce \| Agentkonfiguration	✅ Aktiver tilbagetrækning af samtykke når som helst med øjeblikkelig ophør af agentbehandling. Gør tilbagetrækning så nemt som tildeling uden at kræve supportkontakter
Agentforce \| Agentkonfiguration	✅ Aktiver administration af brugerpræferencer: kommunikationstypografi (koncise kontra detaljerede), proaktivitetsniveau, eskaleringspræference, gem i tilpassede brugerregistreringsfelter og reference i agentsystemmeddelelser
Platform \| Omni-Channel	✅ Angiv vedvarende “Opret forbindelse til menneskelig agent”-indstilling gennem interaktioner. Når det vælges, skal du distribuere til Omni-Channel med fuld samtalekontekst og prioritetsflag uden nogen nedgraderet service eller ventetidssanktioner

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Aktivering af følsomme agenter som standard uden eksplicit brugertilmelding for at forstå, hvordan agenter vil påvirke dem
Agentforce \| Agentkonfiguration	⚡️ Kræver omfattende AI-samtykke i stedet for at aktivere detaljeret samtykke på anvendelsessagsniveau (en kunde kan give samtykke til serviceagenter, mens vedkommende afviser salgsagenter)
Agentforce \| Agentkonfiguration	⚡️ Tilbagetrækning af samtykke kræver supportkontakter eller bureaukratiske processer i stedet for selvbetjening med øjeblikkelig virkning
Agentforce \| Agentkonfiguration	⚡️ Afhængig af oprindeligt samtykke, når der implementeres væsentlige nye agentfunktioner, der ikke var planlagt i det oprindelige samtykke
Agentforce \| Agentkonfiguration	⚡️ Kræver, at brugere fuldfører agentinteraktioner eller forklarer deres præference, før de opretter forbindelse til en person

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Gennemse alle datakilder, der bruges i agentarrangering for beskyttet karakteristisk indhold. Fjern eller masker beskyttede karakteristika fra agentinputs, når det ikke er juridisk berettiget for beslutningstypen
Agentforce \| Meddelelsesskabelon	✅ Inkluder eksplicitte ikke-diskrimineringsinstruktioner i systemmeddelelser: “Behandl alle kunder med lige professionalisme, uanset navn, placering, kommunikationstypografi eller andre egenskaber. Opret aldrig antagelser om kunder baseret på demografiske karakteristika.”
Agentforce \| Agentkonfiguration	✅ Test med forskellige personaer før produktion: generere identiske anmodninger, der kun varierer demografiske signaler (navne, der foreslår forskellige etniciteter, placeringer, kommunikationstypografier). Sammenlign svar for kvalitet, længde, professionalisme og resultater
Agentforce \| Agentovervågning	✅ Beregn hastigheder for løsning af første kontakt stratificeret efter kundesegment. Undersøg, hvornår der er væsentlige forskelle mellem segmenter
Agentforce \| Agentovervågning	✅ Eksempel på agentsamtaler på tværs af segmenter, og få korrekturlæsere til at vurdere svarkvalitet på ensartede dimensioner (nøjagtighed, fuldstændighed, professionalisme, hjælpsomhed) med inter-rater-sikkerhedstest
Agentforce \| Agentovervågning	✅ Spor eskaleringsfrekvenser stratificeret efter kundedemografi. Højere frekvenser for bestemte segmenter angiver, at agenter er mindre effektive for disse brugere
Forretning \| Undersøgelser	✅ Undersøg brugere fra alle demografiske grupper og sammenlign tilfredshedsscores. Generel høj tilfredshed kan maskere dårlige oplevelser for mindretalsgrupper

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Inkludering af beskyttede karakteristika (handikapstatus, religion, national oprindelse) i agentinput for beslutninger, hvor disse karakteristika ikke er juridisk berettigede
Agentforce \| Meddelelsesskabelon	⚡️ Implementering af agenter uden eksplicitte ikke-diskrimineringsinstruktioner i systemmeddelelser, der er afhængige af foundation-modeladfærd alene
Agentforce \| Agentkonfiguration	⚡️ Kun tester agenter med majoritets-demografiske personaer, mangler bias mod underrepræsenterede grupper
Forretning \| Undersøgelser	⚡️ Afhængig af generelle tilfredshedsscores, der maskerer dårlige oplevelser for mindretalsgrupper, der er druknet ud af tilfredshed med størstedelen

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| LWC	✅ For tilpassede chatimplementeringer skal du sørge for: semantisk HTML-struktur med korrekte milepæle, ARIA-liveområder, der bekendtgør nye meddelelser, tastaturnavigation gennem meddelelseshistorik, tydelige fokusindikatorer på interaktive elementer
Platform \| LWC	✅ Test med JAWS, NVDA og VoiceOver gennem udvikling, ikke kun automatiseret scanning
Agentforce \| Agentkonfiguration	✅ Konfigurer agentsvar til at bruge almindeligt sprog for almindelige målgrupper. Undgå jargon og angiv ordlister for uundgåelige tekniske udtryk. Strukturer lange svar med overskrifter og punktlister
Agentforce \| Agentkonfiguration	✅ Valider svarkvalitet kan sammenlignes på tværs af sprog gennem evaluering af oprindelige højttalere, ikke kun automatiserede metrikker, der mangler kulturelle nuancer
Agentforce \| Agentkonfiguration	✅ For forretningskritiske anvendelsessituationer, der betjener forskellige sprogpopulationer, skal du konfigurere sprogspecifik håndtering (sprogvariabler, lokaliserede meddelelser, Knowledge efter sprog) og validere kvalitet pr. sprog i stedet for udelukkende at være afhængig af grundlæggende modeloversættelse på tværs af sprog

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Platform \| LWC	⚡️ Opbygning af tilpassede chatimplementeringer uden manuel tilgængelighedstest (afhængig kun af automatiseret scanning)
Agentforce \| Agentkonfiguration	⚡️ Brug af jargon og komplekst sprog uden ordlister, hvilket skaber kognitive hindringer for brugere
Agentforce \| Agentkonfiguration	⚡️ Afhængig udelukkende af grundlægningsmodelens tværsproglige overførsel for sprog med lavere ressource, hvilket giver degraderet kvalitet for ikke-flertalssprogbrugere
Agentforce \| Agentkonfiguration	Validering af flersproget svarkvalitet udelukkende gennem automatiserede metrikker, der mangler kulturelle nuancer

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Styring	✅ Etabler etiske gennemgangspaneler med håndhævelsesmyndighed, før du implementerer nogen produktionsagenter
Forretning \| Styring	✅ Definer obligatoriske implementeringsgateways: dataovervågning, beregning af rimelighedsmetrikker og algoritmisk påvirkningsvurdering
Platform \| CRM Analytics	✅ Opret dashboards til overvågning af grundlæggende fairness i CRM Analytics før første agentimplementering
Platform \| Begivenhedsovervågning	✅ Aktiver Einstein Trust Layer-revisionsregistrering og konfigurer Begivenhedsovervågning for agenthandlinger som basis før produktion
Forretning \| Styring	✅ Implementer automatiseret fairness-regressionstest i CI/CD-pipelines til skalering
Forretning \| Styring	✅ Standardiser samtykkestyringsmønstre på tværs af alle nye agenter, efterhånden som implementeringer skaleres
Platform \| Integration	✅ Opbyg værktøjer til ombygning af agentbeslutninger, der aktiverer selvbetjening for overensstemmelsesteam

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Styring	⚡️ Implementering af produktionsagenter, før du etablerer et etisk gennemgangspanel med håndhævelsesmyndighed
Forretning \| Styring	⚡️ Behandler rimelighed som en eftertænkning i stedet for en obligatorisk implementeringsgate, der svarer til sikkerhedsgennemgang
Forretning \| Styring	⚡️ Ignorering af algoritmiske påvirkningsvurderinger, før du implementerer agenter, der træffer konsekvensmæssige beslutninger
Platform \| CRM Analytics	⚡️ Implementering af den første produktionsagent uden dashboards til overvågning af grundlæggende fairness