Ressource- og omkostningsoptimering - agentmønstre

Få mere at vide om veludformet ressourceoptimering og omkostningsoptimering → Agentforretningsressourceoptimering og omkostningsoptimering

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Handlinger	✅ Designhandlinger, der accepterer samlinger. Agent, der behandler 50 sagsopdateringer, kalder enkelt handling med samling af sags-id’er, ikke 50 separate kald
Agentforce \| Handlinger	✅ Brug relationsforespørgsler til at hente overordnede og underordnede data i enkelte SOQL-erklæringer til at administrere SOQL-budget på tværs af handlingskæder
Platform \| Platformscache	✅ Cachereferencedata i platformscache, der eliminerer gentagne forespørgsler på tværs af handlinger i den samme samtale
Platform \| Apex	✅ Flyt agenthandlinger, der overskrider synkrone grænser, til Apex i kø eller batch.
Platform \| Apex	✅ Profilhandlinger under indlæsning med Apex. Flyt databehandling til asynkron kontekst, når synkron grænse nærmer sig
Agentforce \| Handlinger	✅ Designhandlinger med grænser for hard underordnede registreringer og sideinddeling for dataskydsscenarier
Agentforce \| Handlinger	✅ Implementer prøveudtagning, når mængder overskrider tærskler for agenter, der muligvis anmoder om “hele historikken” uforudsigeligt
Platform \| Skaleringscenter	✅ Brug Scale Center-transaktionsspor til at identificere, hvilke handlinger der forbruger overdreven forespørgsler

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Handlinger	⚡️ Kald af separate handlinger for hver registrering (f.eks. 50 separate opkald for 50 sagsopdateringer) i stedet for at acceptere samlinger
Platform \| Apex	Kørsel af 5-10 SOQL-forespørgsler pr. handling i komplekse arbejdsflows på 10-15 handlinger, nærmer sig grænsen på 100 synkrone SOQL
Platform \| Apex	Kørsel af stor behandling synkront i en handling i stedet for i en asynkron kontekst (f.eks. scoring af 1.000+ emner i synkron Apex)
Agentforce \| Handlinger	⚡️ Tillad agenter at hente ubegrænsede underordnede registreringer fra konti med 15.000 salgsmuligheder eller sager med 5.000 aktiviteter uden defensiv kodning

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Begivenhedsovervågning	✅ Overvåg API-forbrug i Begivenhedsovervågning under pilotfase for at forstå den faktiske anvendelse før fuld udrulning
Data 360 \| Konfiguration	✅ Angiv top-k-grænser på vektorsøgning for kun at hente antallet af faktisk anvendte resultater
Data 360 \| Analytics	✅ Overvåg anvendelse af vektorresultater i Data 360 Analytics for justering af top-k-parametre
Platform \| Platformsbegivenheder	✅ Udgiv platformsbegivenheder, når betingelser kræver agentintervention i stedet for planlagt afstemning, der forbruger API-kald, uanset arbejdseksistens
Integration \| Handling	✅ Brug sammensatte mønstre: opret en enkelt MuleSoft Experience-API for at aggregere flere systemkontroller (lager, prissætning, kredit) parallelt, agent kalder 1 ekstern handling, der forbruger 1 udkald
Integration \| Handling	✅ Design enkelt MuleSoft-forløb, der eksekverer alle downstream-opdateringer i stedet for flere sekventielle forløb pr. agentinteraktion
Agentforce \| Agentkonfiguration	✅ Integrer agenter på Lightning ved brug af standardkomponenter for at undgå at forbruge API-kald pr. interaktion
Forretning \| Planlægning	✅ Evaluer MuleSoft-licensmodeller (transaktionsbaseret kontra platformslicensering) op mod projekterede mængder af agenttransaktioner for at bestemme de bedste økonomier

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Data 360 \| Konfiguration	⚡️ Hentning af top 50-vektorsøgeresultater, når du kun bruger top 5, hvilket giver 90 % af dit beregnings- og kontekstbudget
Platform \| Planlagte job	⚡️ Planlagt afstemning, der forbruger API-kald, uanset arbejdseksistens (f.eks. kontrol med at finde intet arbejde for hver 5 minutter 80% af tiden)
Integration \| Navngivne legitimationsoplysninger	⚡️ Brug af 3 separate handlinger, der forbruger 3 udkald i stedet for en enkelt sammensat API, der aggregerer flere systemkald
Platform \| Apex	⚡️ Tilpassede LWC’er, der foretager eksplicitte API-anmodninger, der forbruger API-kald, når Lightning kan undgå dette
Integration \| Eksterne systemer	⚡️ Eksterne systemer afstemmer Salesforce for statsændringer, der forbruger hundredvis af daglige API-kald i stedet for at abonnere på CDC-begivenheder
Integration \| Handling	⚡️ Foretagelse af sekventielle API-kald for hvert trin (forespørgsel om kunde, forespørgsel om produkter, kontrol af lager, oprettelse af bestilling, opdatering af lager, advisering om forsendelse) forbruger 12+ opkald pr. transaktion, når sammensatte mønstre vil reducere forbruget med 75 %
Integration \| Agentkonfiguration	Orkestrering af agenthandlinger på tværs af mange systemer uden at evaluere, om hver systeminteraktion er nødvendig, og gange API-forbrug med hvert tilføjet system

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Meddelelsesskabelon	✅ Minimer meddelelseslængde: fjerne verbøse instruktioner, overflødige eksempler, unødvendig kontekst. Selektiv kontekst forbedrer både forsinkelse og kvalitet
Platform \| Apex	✅ Brug selektiv SOQL med indekserede filtre. Anvend forespørgselsplanværktøj, der identificerer manglende indekser, der forårsager fuld tabelscanning
Agentforce \| Agentkonfiguration	✅ Brug parallel handlingskørsel, når der ikke findes nogen afhængigheder. Hentning af kontodetaljer og salgsmuligheder halverer samtidig forsinkelse kontra sekventiel hentning
Platform \| Platformscache	✅ Sæt ofte åbnede referencedata i cache (produktkataloger, områdetilknytninger, prisregler), der eliminerer gentaget SOQL
Platform \| Platformscache	✅ Implementer semantisk cachelagring, der matcher lignende forespørgsler for at vise gentagne anmodninger uden ny inference
Platform \| Apex	✅ Behandl ikke-nødvendige anmodninger asynkront (statusopdateringer, batchbehandling, rapportgenerering) ved brug af generøse asynkrone styringsbegrænsninger
Platform \| Apex	✅ Profilhandlinger under realistiske datamængder. En handling, der tager 3er, bliver flaskehalsen, uanset hvilken hurtig LLM-afledning
Agentforce \| Handlinger	✅ Implementer massebehandling i handlinger for at minimere kørselstiden pr. handling

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Meddelelsesskabelon	⚡️ Inkludering af udtømmende kontekst, der tilføjer støj i stedet for selektiv kontekst, der forbedrer både forsinkelse og kvalitet
Agentforce \| Agentkonfiguration	⚡️ Kørsel af handlinger i rækkefølge, når der ikke findes nogen afhængigheder (f.eks. kontoforespørgsel 2s + salgsmulighedsforespørgsel 2s = 4s i stedet for 2s parallelt)
Platform \| Apex	⚡️ Kørsel af fulde tabelscanninger på grund af manglende indekser i stedet for at bruge selektiv SOQL med indekserede filtre
Platform \| Platformscache	⚡️ Forespørg på Data 360 gentaget (1,5 sekunder pr. opkald) for almindelige data, der kan cachelagres (50 ms fra platformscache)
Agentforce \| Agentkonfiguration	⚡️ Kræver synkron fuldførelse for ikke-nødvendige handlinger (statusopdateringer, batchbehandling, rapportgenerering)

Mønstre

Hvor skal du se	Hvad der ser godt ud
Data 360 \| Konfiguration	Opdel Knowledge, produktdokumenter, sagshistorik i semantisk meningsfulde 250-750-ordssegmenter
Data 360 \| Konfiguration	✅ Valider segmentstørrelse op mod agentforespørgselsmønstre. Afbalancer præcision (mindre segmenter) kontra kontekstfuldstændighed (større segmenter)
Data 360 \| Konfiguration	✅ Brug integrationer, der matcher agentforespørgselsmønstre. Valider valg op mod repræsentative forespørgsler, der måler hentningsnøjagtighed og tilbagekaldelse
Data 360 \| Konfiguration	✅ Gør vektorens lighed bedre med metadatafiltre, der sikrer forretningsbegrænsninger (f.eks. filtrer til aktive produkter, der ekskluderer afbrudte elementer, uanset den semantiske lighed)
Data 360 \| Konfiguration	✅ Brug forenede profiler, der aggregerer kundedata fra flere kilder i en enkelt visning. Få adgang til fuld kontekst (attributter, indsigter, engagement, forudsigelser) i en enkelt forespørgsel
Data 360 \| Konfiguration	✅ Aktiver Id-løsning, der giver nøjagtig krydssystemkundematchning
Data 360 \| Konfiguration	✅ Konfigurer Data 360-forekomster i områder, der matcher bestemmelseskrav for overholdelse af dataplacering

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Data 360 \| Konfiguration	⚡️ Brug af overdrevent store segmenter, der inkluderer irrelevante oplysninger, der udvider relevansen i vektorsøgeresultater
Data 360 \| Konfiguration	⚡️ Afhængig udelukkende af semantisk lighed uden metadatafiltre, returnerer afbrudte eller lavkvalitetsresultater
Data 360 \| Konfiguration	⚡️ Orkestrer flere separate kildeforespørgsler i stedet for at bruge Data 360-forenede profiler for at få fuld kundekontekst
Data 360 \| Konfiguration	⚡️ Brug af integreringsmodeller, der ikke matcher agentforespørgselsmønstre (f.eks. integrationer af dokumentklassificering for lighed mellem spørgsmål og svar)
Data 360 \| Konfiguration	⚡️ Behandling af europæiske kundedata på ikke-europæiske Data 360-forekomster, der overtræder kravene til dataplacering

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Prioriter kontekst eksplicit: seneste samtalehistorik (højst), kritiske forretningsdata/registreringstilstand/tilladelser (anden), historisk kontekst (lavest, kun når pladsen tillader det)
Agentforce \| Agentkonfiguration	✅ Efter 10-15 omgange kan du opsummere den tidlige samtale til en præcis oversigt ved at bevare vigtige fakta uden fuld ordret historik
Data 360 \| Konfiguration	✅ Gem udvidet kontekst i Data 360 eller tilpassede objekter i stedet for fuld historik i hvert LLM-kald. Forespørg på efterspørgsel om at bevare meddelelser fokuseret på aktuelle behov
Agentforce \| Handlinger	✅ Returner kun vigtige felter fra handlingssvar. Kontoafhentning returnerer felter, der er relevante for den aktuelle opgave, ikke alle 50 felter
Agentforce \| Agentkonfiguration	✅ Design eksplicit prioriteringslogik kontra vilkårlig afkortning for tildeling af kontekstvindue

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Vilkårlig afkortning af kontekst uden eksplicit prioriteringslogik
Agentforce \| Agentkonfiguration	⚡️ Vedligeholdelse af fuld ordret samtalehistorik ud over 10-15 vagter, der udtøver kontekstbudget
Agentforce \| Agentkonfiguration	⚡️ Inkludering af fuld historik i hvert LLM-kald i stedet for at lagre udvidet kontekst eksternt og forespørge på anmodning
Agentforce \| Handlinger	Returnering af alle 50 felter fra konto hentning, når kun et undersæt er relevant for den aktuelle opgave, forbruger kontekstbudget
Agentforce \| Agentkonfiguration	⚡️ Tildeling af kontekstbudget uden at reservere tilstrækkelig plads til generering af svar

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Handling	✅ Udvikl centraliserede handlingsbiblioteker, der dækker registrerings-CRUD, godkendelser, adviseringer, rapportering, validering. Platformsteams vedligeholder sikring af ensartet adfærd, sikkerhed, ydeevne
Agentforce \| Agentkonfiguration	✅ Opret fokuserede specialiserede agenter med dybtgående domæneekspertise (serviceagent til sagsstyring, salgsagent til salgsmulighedsvejledning) ved at opretholde smalere kontekst og tydeligere grænser
Agentforce \| Agentkonfiguration	✅ Brug agentkonstruktørorkestrering til at koordinere specialagenter til krydsdomænebehov
Agentforce \| Meddelelsesskabelon	✅ Vedligehold validerede meddelelsesmønstre i Promptkonstruktør. Skabeloner registrerer gennemprøvede tilgange for RAG-forespørgselsdannelse, flertrinsjustering, svarformatering
Agentforce \| Meddelelsesskabelon	✅ Versionsmeddelelsesskabeloner, der aktiverer A/B-test af forbedringer
Data 360 \| Konfiguration	✅ Vedligehold delte Knowledge i Data 360, der viser flere agenter. Enkelt produkts Knowledge for salg, service og partnerportalagenter
Agentforce \| Agentkonfiguration	✅ Opret nye agenter fra gennemprøvede byggeblokke: definer formål, vælg Handlinger, konfigurer meddelelser (dage kontra uger for tilpassede opbygninger)

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Meddelelsesskabelon	⚡️ Oprettelse af ad hoc-meddelelser for hver agent i stedet for at genbruge validerede meddelelsesskabelonbiblioteker
Agentforce \| Handlinger	⚡️ Genimplementering af handlinger for hver agent i stedet for at bruge centraliserede genanvendelige handlingsbiblioteker
Agentforce \| Agentkonfiguration	⚡️ Opbygning af universelle agenter, der forsøger alle scenarier i stedet for fokuserede specialagenter med dybdomæneekspertise
Data 360 \| Konfiguration	Duplikering af Knowledge pr. agent i stedet for at dele en enkelt Knowledge, der baserer flere agenter

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Tilpassede metadatatyper	✅ Brug tilpassede metadatatyper og Promptkonstruktør kontroladfærd uden kodeændringer. Administratorer redigerer meddelelsesskabeloner og argumentationsparametre uden udviklingscyklusser
Agentforce \| Agentkonfiguration	✅ Distribuer undersæt til eksperimentelle versioner, der sammenligner kvalitetsmetrikker, tilfredshed, opgavefuldførelse før fuld udrulning (f.eks. 10 % til v2, 90 % på v1)
Agentforce \| Agentkonfiguration	✅ Overvåg valideringsperiode, og bevar tilbagerulningsfunktionalitet, hvis der opdages problemer under A/B-test
Agentforce \| Handlinger	✅ Definer tydelige grænsefladekontrakter mellem komponenter: Handlinger angiver input, output, fejl, ydeevneforventninger
Agentforce \| Agentkonfiguration	✅ Udvid gradvist vellykkede versioner (10 % til 25 % til 50 % til 100 %) over flerugers udrulningsperioder
Agentforce \| Handlinger	✅ Erstat handlingsimplementeringer uden agentændringer, når grænsefladekontrakter bevares

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Platform \| Apex	Kræver kodeændringer for at ændre agentadfærd i stedet for at bruge konfigurationsstyrede tilgange (tilpassede metadatatyper, Promptkonstruktør)
Agentforce \| Agentkonfiguration	⚡️ Fuld udrulning af nye agentversioner uden A/B-test på et undersæt, der sammenligner kvalitetsmetrikker og tilfredshed
Agentforce \| Handlinger	⚡️ Agenter afhænger af handlingsimplementeringsdetaljer i stedet for grænsefladekontrakter, der afbrydes, når implementeringer ændres
Agentforce \| Agentkonfiguration	Implementering af nye versioner til 100 % af brugerne med det samme uden gradvis udrulning
Agentforce \| Agentkonfiguration	⚡️ Drift uden tilbagerulningsfunktion under eksperimentel versionstest

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Løs hver anmodning i så få agenthandlinger som muligt – Flex-kreditter forbruges pr. handling, så konsolidering af logik med flere trin i en enkelt handling reducerer omkostningerne direkte
Agentforce \| Agentkonfiguration	✅ Model månedlige omkostningsprognoser baseret på dokumenterede Flex Credit-forbrugsfrekvenser og forventede interaktionsmængder, der aktiverer budgetplanlægning
Einstein \| Overvågning	✅ Overvåg Flex Credit-forbrug efter agent, anvendelsessituation og brugerpopulation for at identificere mønstre med høj forbrug, der kræver optimering
Einstein \| Overvågning	✅ Sammenlign faktisk forbrug i forhold til prognoser for at informere om fremtidig planlægning og identificere optimeringsmuligheder

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Tilknytning af mange små handlinger, hvor en konsolideret handling ville løse anmodningen, der gangede Flex Credit-forbrug pr. interaktion
Forretning \| Planlægning	⚡️ Opdagelse af Flex Credit-forbrug overskrider kun projiceringer efter produktionsimplementering, da der ikke er udført nogen modellering af pr. interaktionsomkostninger

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Design sessionsgrænser og timeouts, så en samtale fortsætter korrekt uden at afslutte for tidligt og tvinge en ny samtale, der kan faktureres
Agentforce \| Agentkonfiguration	✅ Fokuser agentfunktionalitet på løsning af første samtale, så en opgave fuldføres i den indledende samtale i stedet for at kræve en opfølgning, der kan faktureres
Einstein \| Overvågning	✅ Spor hastighed for løsning af første samtale som omkostningseffektivitetsmetrik under prissætning pr. samtale
Agentforce \| Agentkonfiguration	✅ Håndter relaterede problemer i den eksisterende samtalekontekst i stedet for at åbne separate samtaler, som hver medfører et fladt gebyr

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Afslutning af samtaler for tidligt gennem korte sessionstimeouts, der tvinger brugere til at starte nye samtaler, der kan faktureres, for at afslutte en enkelt opgave
Einstein \| Overvågning	⚡️ Overvågning af kun samlet samtalemængde uden sporing af hastighed for løsning af første samtale, manglende den primære omkostningshæmme under prissætning pr. samtale

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Sæt skub i ibrugtagning, så licenserede brugere aktivt engagerer agenten, da prisværdien under ikke-målt Pr. bruger kommer fra anvendelse snarere end fra at minimere hver interaktion
Einstein \| Overvågning	✅ Spor anvendelse for at identificere lavanvendelseslicenserede brugere for målrettet uddannelse eller licenstildeling
Forretning \| Dokumentation	✅ Tilslut agentinteraktioner til forretningsresultater efter brugerpopulation, så anvendelsessituationer med høj værdi justerer investeringen pr. plads
Forretning \| Planlægning	✅ Gennemse brugerpopulationer på en kadence, så licenser forbliver i overensstemmelse med faktisk anvendelse i stedet for at flytte til overlicensering

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	⚡️ Klargøring af pr. bruger-licenser uden en ibrugtagningsplan, betaling af faste pr. sæde-omkostninger for brugere, der sjældent engagerer agenten
Einstein \| Overvågning	⚡️ Gennemse aldrig anvendelse efter brugerpopulation, og lad licenser flyde til den samme overlicensering, der spilde traditionelle pladser

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Implementer sorteringsagenter, der håndterer indledende distribution med enkel logik, og dirigerer kun brugere til en specialiseret agent, når kompleksiteten kræver det
Platform \| Forløb	✅ Vend tilbage til forløbsautomatisering for deterministiske scenarier, hvor regelbaseret logik er tilstrækkelig, og reserver agentarrangement til de tvetydige situationer, der virkelig har brug for det
Data 360 \| Agentkonfiguration	✅ Hent landingsdata selektivt ved kun at kalde vektorsøgning og dokument hentning, når agentens argumentation kræver det snarere end på hver interaktion

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	Distribuering af alle anmodninger direkte til en specialiseret agent, der medfører dyre komplekse kald for anmodninger, som simpel sorteringslogik kunne have håndteret
Platform \| Forløb	⚡️ Brug af agentarrangering for deterministiske regelbaserede arbejdsflows, som et forløb ville eksekvere til lavere omkostninger uden variabelforbrug
Data 360 \| Agentkonfiguration	⚡️ Hentning af landingsdata på hver interaktion, uanset om det kræves af årsagen, hvilket medfører, at Data 360-forbruget ikke sporer det faktiske behov

Mønstre

Hvor skal du se	Hvad der ser godt ud
Data 360 \| Agentkonfiguration	✅ Cacheproduktkatalogintegrationer med defineret opdateringskadense (f.eks. 24 timer), hentning fra cache for rutinemæssige spørgsmål og forespørgsel på Data 360 kun for nye eller kundespecifikke data
Data 360 \| Agentkonfiguration	✅ Implementer cachelagringsstrategier for at reducere gentagne forespørgsler for almindelige anmodninger og afbalancere optimering af omkostninger med krav til dataopdatering
Data 360 \| Organisation	✅ Modelkostnader for forudgående dataoverførsel og -behandling (harmonisering, identitetsløsning, indlejring af generering) adskilt fra de øgede vækstomkostninger
Data 360 \| Agentkonfiguration	✅ Evaluer, om RAG overhead retfærdiggør kvalitetsforbedringer for specifikke anvendelsessituationer, før du tilføjer hentningsforstærket generering

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Data 360 \| Agentkonfiguration	⚡️ Ingen cachelagring implementeret, selvom de fleste forespørgsler er identiske almindelige spørgsmål, der forbruger Flex-kreditter for gentagne identiske svar
Data 360 \| Organisation	⚡️ Implementering af aggressiv cachelagring uden at tage hensyn til krav til dataopdatering, vise forældede oplysninger til brugere

Mønstre

Hvor skal du se	Hvad der ser godt ud
Platform \| Organisation	✅ Brug Delvis kopi-sandbox med målrettet kundedataeksempel til agentudvikling, reservere Fuld kopi-sandbox udelukkende til validering før produktion
Platform \| Organisation	✅ Planlæg udviklingsomkostninger for infrastruktur på forhånd, herunder Data 360-kapacitet, Flex Credits for prompt-test og integrationsforbindelse

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Platform \| Organisation	⚡️ Hver udvikler, der klargør Full Copy-sandboxes til agentudvikling, gange sandbox-omkostninger 5 gange
Platform \| Organisation	⚡️ Afhængighed af ad hoc manuel test, der giver utilstrækkelig dækning, og der opdages kun kvalitetsproblemer i produktion
Forretning \| Planlægning	⚡️ Gøre udviklingsinfrastrukturomkostninger usynlige under planlægning, hvilket resulterer i væsentlige uventede omkostninger under implementering

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Opbyg en omfattende TCO-model, der dækker alle seks omkostningskategorier: udvikling, afledning (Flex Credits), infrastruktur (Data 360 + MuleSoft), drift, ledelse og ændringsstyring
Forretning \| Dokumentation	✅ Opret regnearks-TCO-modeller, der projicerer 3-5 års omkostninger med dokumenterede antagelser for interaktionsmængder, kreditforbrugsfrekvenser og væksttrajektorier
Forretning \| Dokumentation	✅ Udfør følsomhedsanalyser, der afslører, hvilke antagelser der påvirker den samlede investering mest, og aktiver fokuserede valideringsbestræbelser
Forretning \| Dokumentation	✅ Model løbende driftsomkostninger som en meningsfuld tilbagevendende del af udviklingsomkostninger årligt for modne agenter, trukket fra generelle AI-agentbranchens benchmarks snarere end et fast Salesforce-tal
Forretning \| Planlægning	✅ Inkluder ændringsstyringsomkostninger (brugeruddannelse, tilpasning af forretningsprocesser, organisationsændring), som ofte underestimeres

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	⚡️ Inkludering af kun udviklingsomkostninger i agentforretningssager uden modellering af igangværende forbrug (Flex Credits, Data 360, handlinger), opdagelse af væsentlige uplanlagte årlige omkostninger efter implementering
Forretning \| Planlægning	⚡️ Udeladelse af styring overhead (sikkerhedsgennemgange, infrastruktur til menneskelig tilsyn, revisionslogføring, overensstemmelsesvalidering), som vokser med agentens autonomi og risikoniveau
Forretning \| Planlægning	⚡️ Undervurdering af ændringsomkostninger, især for agenter, der opretter væsentlige arbejdsflowvagter, hvilket fører til budgetmangler

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Evaluer forhåndsbyggede Agentforce agenter kontra tilpasset udvikling gennem omfattende 3-årig TCO-sammenligning inklusive vedligeholdelsesomkostninger
Forretning \| Dokumentation	✅ Dokumentopbygning i forhold til købsbeslutninger i arkitekturbeslutningsregistreringer, der aktiverer fremtidig genevaluation, efterhånden som omkostninger og funktioner ændres
Agentforce \| Agentkonfiguration	✅ Overvej tilpasning af forhåndsbyggede agenter gennem Promptkonstruktør og handlingskonfiguration som mellemliggende mellem køreklare og fuldt brugerdefinerede
Forretning \| Planlægning	✅ Faktorbeslutningskriterier udover omkostninger: time-to-value, organisationsudviklingsfunktionalitet, strategisk differentieringsværdi og tolerance for leverandøreafhængighed

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	⚡️ Opbygning af tilpasset agent, fordi “vi ønsker kontrol” uden modellering af 3-årig TCO, der viser indstillingen, der er bygget på forhånd, kan være betydeligt billigere
Forretning \| Planlægning	⚡️ Valg af at bygge eller købe udelukkende baseret på første års omkostninger uden at projicere igangværende vedligeholdelse, kreditforbrug og leverandøropdateringsfordele over flere års horisont

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Sammenlign agent TCO med traditionelle automatiseringsalternativer (Forløb, Apex, manuelle processer) før implementering, valider investeringsjustering
Forretning \| Dokumentation	✅ Etabler manuel procesbasislinje, herunder fuldt indlæste medarbejderomkostninger, fejlfrekvenser, behandlingstid og kapacitet for at afsløre potentielle besparelser
Agentforce \| Agentkonfiguration	✅ Implementer agenter for opgaver, der kræver naturlig sprogforståelse, tilpasningsjustering eller håndtering af høj scenarievariabilitet, hvor traditionel automatisering ikke kan matche kapacitet
Platform \| Forløb	✅ Brug forløbsautomatisering til deterministiske arbejdsflows med tydelige regler, der giver ækvivalente resultater til lavere omkostninger uden forbrug af variabelafledning

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Implementering af agent for simpel deterministisk distributionsopgave, der forbruger $ 15.000 årlige kreditter, når forløb ville levere ækvivalent funktionalitet uden variabelomkostninger
Forretning \| Planlægning	⚡️ Standard til agent-tilgang for al automatisering uden at evaluere, om traditionel automatisering giver ækvivalente resultater til lavere samlede omkostninger

Mønstre

Hvor skal du se	Hvad der ser godt ud
Einstein \| Overvågning	✅ Opbyg Flex Credit-forbrugsdashboards, der viser forbrug efter agent, brugerpopulation, tidsperiode og interaktionstype til hurtig identifikation af forbrugsspids
Einstein \| Overvågning	✅ Implementer pr. interaktionsomkostningstilskrivning, der forbinder kreditforbrug med forretningstransaktioner (omkostning pr. løst sag, omkostning pr. kvalificeret emne, omkostning pr. behandlet bestilling)
Einstein \| Overvågning	✅ Konfigurer budgetadvarsler ved eksempeltærskler, f.eks. 70 % og 85 % efter agent og anvendelsessituation (ikke kun for hele organisationen), der aktiverer proaktiv intervention før tilsidesættelser
Einstein \| Overvågning	✅ Implementer afvigelsesregistrering, der identificerer usædvanlige forbrugsmønstre (pludselige spidser, der angiver prompt-ineffektivitet, uventede anvendelsesmønstre eller misbrug)
Forretning \| Dokumentation	✅ Del omkostningsdashboards med forretningsinteresserede og tekniske teams, der opretter gennemsigtighed, der aktiverer omkostningsbevidst agentanvendelse
Forretning \| Dokumentation	✅ Udfør kvartalsmæssige budgetgennemgange, der sammenligner faktisk forbrug med prognoser, evaluerer forretningsresultater og justerer tildelinger baseret på demonstreret værdi
Forretning \| Planlægning	✅ Reserver 10-15 % af kreditbudgettet til eksperimentering og uventet forbrugsvækst, så du forhindrer flaskehalse for innovation
Forretning \| Planlægning	✅ Opret flerårige prognoser baseret på agentindføringstendenser, nye implementeringer og udvidede anvendelsessituationer, der aktiverer kapacitetsplanlægning og leverandørforhandlinger

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Einstein \| Overvågning	⚡️ Kun overvågning af kreditforbrug gennem månedlig fakturagennemgang, opdagelse af budgetoverskridelser på 6 uger i kvartal uden tid til at optimere før fornyelse
Einstein \| Overvågning	⚡️ Konfiguration af budgetadvarsler kun på organisationsniveau, mangler spidser for forbrug pr. agent og pr. anvendelsessituation, der angiver optimeringsmuligheder
Forretning \| Planlægning	⚡️ Kræver forøgelse af budgettet for nødservice, da forbrugsovervågning ikke blev implementeret tidligt nok til at identificere og håndtere tilsidesættelser proaktivt
Forretning \| Planlægning	⚡️ Angivelse af et årligt budget en gang ved start på regnskabsåret uden gennemgang, sultne agenter af høj værdi for kreditter, mens agenter med lavt ROI forbruger tildelingen
Forretning \| Planlægning	Tildeling af nul budgetreserve til eksperimentering, der tvinger teams til at retfærdiggøre hver ny anvendelsessituation gennem lang godkendelse før enhver udforskning

Mønstre

Hvor skal du se	Hvad der ser godt ud
Einstein \| Overvågning	✅ Spor forbrug efter agentforekomst, der aktiverer sammenligning på tværs af agenttyper og anvendelsessituationer, og afslører, hvilke agenter der leverer bedst ROI
Forretning \| Dokumentation	✅ Tilslut forbrug til forretningsprocesser (emnekvalifikation, sagsløsning, bestillingsbehandling), så forretningschefer kan evaluere strategisk justering
Einstein \| Overvågning	✅ Spor forbrug efter afdeling, rolle eller brugersegment, der viser, hvor agentindføring er højst, og hvor omkostninger er koncentreret
Forretning \| Planlægning	✅ Brug kvartalsmæssige omkostningsgennemgange til at sammenligne agent-ROI på tværs af portefølje og gentildele investeringer fra agenter med lavt ROI til agenter med højt ROI baseret på demonstreret værdi

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	Tildeling af alle agentomkostninger til it-budget uden forretningsenhedstilskrivning, der forhindrer forretningschefer i at evaluere, om forbrug er i overensstemmelse med prioriteter
Forretning \| Planlægning	⚡️ Behandler agentforbrug som udifferentierede omkostninger uden at forbinde forbrug med forretningsresultater, hvilket gør beregning af investeringsafkast umuligt

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Implementer visningsrapportering, der giver forbrugssynlighed efter forretningsenhed, og opret omkostningsbevidsthed, der aktiverer informerede anvendelsesbeslutninger uden kontroversielle tilbagebetalingsdiskussioner
Forretning \| Dokumentation	✅ Brug hybrid tildeling med tilbagebetaling for højvolumen produktionsagenter og showback for eksperimentelle eller lavvolumen agenter, der afbalancerer ansvarlighed med innovationsfleksibilitet
Forretning \| Dokumentation	✅ Udfør kvartalsvise gennemgange, der diskuterer, om forbruget er i overensstemmelse med den leverede værdi, hvilket fører til optimeringsforpligtelser

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	⚡️ Implementering af fuld tilbagebetaling for eksperimentelle agenter, der fraråder innovation og udforskning ved straks at pålægge budgetansvar på nye anvendelsessituationer

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Meddelelsesskabelon	✅ Eliminer unødvendig snak i systemmeddelelser, der genkender hvert ekstra token, tilføjer forhåndsudfyldningsdatabehandling og forsinkelse på tværs af alle interaktioner – trim systemmeddelelser til, hvad agenten faktisk bruger
Agentforce \| Meddelelsesskabelon	✅ Inkluder kun relevante oplysninger gennem selektiv kontekst hentning med relevansrangering, der sikrer, at oplysninger af højeste værdi passer inden for kontekstgrænser
Agentforce \| Meddelelsesskabelon	✅ Angiv præcis svarformatering for rutinemæssige interaktioner, minimere fuldførelsestokener ved at undgå anmodninger om omfattende formatering eller omfattende forklaringer
Agentforce \| Meddelelsesskabelon	✅ Genbrug standardiserede meddelelsesskabeloner på tværs af lignende agenter, der amorterer meddelelsesoptimeringsinvesteringer, mens du opretter ensartethed og effektivitet

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Meddelelsesskabelon	⚡️ Skrivning af meddelelser samtalemæssigt uden optimering forbruger 2K+ tokener pr. interaktion, herunder ukomplicerede instruktioner og omfattende eksempler, som agenter sjældent refererer til
Agentforce \| Meddelelsesskabelon	⚡️ Hentning af alle potentielt relaterede data for kontekst i stedet for selektivt at inkludere kun relevante oplysninger, hvilket øger forbruget af prompttoken
Agentforce \| Meddelelsesskabelon	⚡️ Oprettelse af entydige meddelelsesskabeloner for hver agent i stedet for at standardisere mønstre, multiplicere meddelelsesteknisk indsats uden proportionel kvalitetsfordele

Mønstre

Hvor skal du se	Hvad der ser godt ud
Agentforce \| Agentkonfiguration	✅ Sæt almindelige agentsvar i cache for ofte stillede spørgsmål, der vises direkte fra cache for dubletforespørgsler (cache-hit-frekvenser over 30 % angiver væsentlig optimeringsmulighed)
Data 360 \| Agentkonfiguration	✅ Cachelagring af stabil Knowledge (produktkataloger, policedokumenter, referencedokumenter) reducerer hentningsoverhead for hver interaktion, der refererer til almindelige oplysninger
Agentforce \| Agentkonfiguration	✅ Implementer samtalens cachelagring i brugersessioner vedligeholdelse af kontekst på tværs af vagter uden at sende den fulde historik igen, hvilket reducerer tokenforbruget i interaktioner med flere vagter
Agentforce \| Agentkonfiguration	✅ Definer cachegyldighedsstrategier baseret på indholdsvolatilitet (produktoplysninger cachelagres for timer/dage, data i realtid bør ikke cachelagres)

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Agentforce \| Agentkonfiguration	⚡️ Ingen cachelagring implementeret, selvom 60 % af forespørgsler er identiske almindelige spørgsmål, der unødvendigt forbruger Flex-kreditter for gentagne identiske svar
Agentforce \| Agentkonfiguration	Cachelagring af realtidsdata (lagerniveauer, priser, tilgængelighed), der kræver opdatering, viser forældede oplysninger, der fører til ukorrekte agentsvar
Agentforce \| Agentkonfiguration	Opdater aldrig cachelagrede svar, der fører til forældede svar, efterhånden som produkter, politikker eller processer ændres

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Kræv forretningssituation, herunder projekteret 3-årig TCO, forventede forretningsresultater med målemetodologi, sammenligning med alternativer og risikovurdering
Forretning \| Dokumentation	✅ Definer godkendelsestærskler, der adskiller investeringer, som en afdeling kan godkende, fra dem, der kræver ledelsesgodkendelse, så agenter med højere investeringer eller højere risiko modtager proportionel ledelseskontrol
Forretning \| Dokumentation	✅ Mandate-pilotimplementeringer validerer antagelser (forbrug, kvalitet, ibrugtagning) før fuld produktionsinvestering
Forretning \| Dokumentation	✅ Inkluder beregning af investeringsafkast i agentforslag (f.eks. 4:1-retur, der er demonstreret gennem sager løst og manuelle håndteringsomkostningsbesparelser)

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	Implementering af agenter uden forretningssag, opdagelse af 3x projiceret kreditforbrug, mens der leveres uklar forretningsværdi, oprettelse af uplanlagt årligt forbrug uden dokumenteret investeringsafkast
Forretning \| Planlægning	⚡️ Ignorering af pilotimplementering og gå direkte til fuld produktion, manglende mulighed for at validere forbrugspåstande, før du bekræfter et fuldt budget
Forretning \| Planlægning	⚡️ Godkendelse af agentinvesteringer uden sammenligning med alternative tilgange (manuelle processer, traditionel automatisering), der kan levere ækvivalent værdi til lavere omkostninger

Mønstre

Hvor skal du se	Hvad der ser godt ud
Forretning \| Dokumentation	✅ Udfør en årlig porteføljegennemgang, der evaluerer alle agenter, der sammenligner omkostninger, anvendelse, forretningsværdi og strategisk justering for at afsløre optimeringssalgsmuligheder, der går glip af agent-for-agent-gennemgang
Forretning \| Dokumentation	✅ Definer solnedgangskriterier (lav indføring, dårlig investeringsafkast, udskiftet funktionalitet, overdreven omkostninger), der forhindrer akkumulering af agenter med lav værdi, der forbruger budget
Forretning \| Planlægning	✅ Øv dig i kontinuerlig genallokering af investeringer, der skifter ressourcer fra agenter med lav effektivitet til salgsmuligheder med høj værdi, der er i overensstemmelse med udviklende forretningsprioriteter
Forretning \| Dokumentation	✅ Kategoriser agenter efter ROI-niveau (f.eks. top 2 leverer 70 % værdi ved 50 % udgift = fremragende; midterste 4 leverer 25 % værdi ved 35 % udgift = acceptabel; bund 2 leverer 5 % værdi ved 15 % udgift = sunset-kandidater)

Anti-mønstre

Hvor skal du se	Hvad ser dårligt ud
Forretning \| Planlægning	⚡️ Agenter, der er implementeret, forbliver i produktion uendeligt uden anvendelse eller værdigennemgang, akkumulerer agenter med lav værdi, der forbruger et budget, der kan finansiere salgsmuligheder med højere værdi
Forretning \| Planlægning	⚡️ Kun evaluering af agenter individuelt uden porteføljeperspektiv, der mangler indsigten om, at nogle få agenter leverer mest værdi, mens mange forbruger uforholdsmæssige ressourcer