Ressourcen- und Kostenoptimierung – Agentenmuster

Erfahren Sie mehr über die gut durchdachte Ressourcen- und Kostenoptimierung → Agentic Enterprise Resource and Cost Optimization

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Aktion	✅ Designaktionen, die Sammlungen akzeptieren. Agent, der 50 Kundenvorgangsaktualisierungen verarbeitet, ruft eine einzelne Aktion mit Sammlung von Kundenvorgangs-IDs statt 50 separaten Aufrufen auf
Agentforce \| Aktion	✅ Verwenden von Beziehungsabfragen, die übergeordnete und untergeordnete Daten in einzelnen SOQL-Anweisungen abrufen, um das SOQL-Budget über Aktionsketten hinweg zu verwalten
Plattform \| Plattform-Cache	✅ Cache-Referenzdaten im Plattform-Cache, wodurch wiederholte Abfragen zwischen Aktionen innerhalb derselben Unterhaltung vermieden werden
Plattform \| Apex	✅ Verschieben Sie Agentenvorgänge, die synchrone Obergrenzen überschreiten, in Queueable oder Batch Apex.
Plattform \| Apex	✅ Profilaktionen unter Last mit Apex Ausführungsprotokollen. Verschieben der rechenintensiven Verarbeitung in den asynchronen Kontext bei Annäherung an die synchrone Obergrenze
Agentforce \| Aktion	✅ Designaktionen mit Obergrenzen für harte untergeordnete Datensätze und Paginierung für Szenarien mit Datenverzerrungen
Agentforce \| Aktion	✅ Implementieren der Stichprobenentnahme, wenn Volumen Schwellenwerte für Agenten überschreiten, die möglicherweise unvorhersehbar “den gesamten Verlauf” anfordern
Plattform \| Skalierungscenter	✅ Verwenden von Skalierungscenter-Transaktionsverfolgungen, um zu ermitteln, welche Aktionen übermäßige Abfragen verbrauchen

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Aktion	⚠️ Aufrufen separater Aktionen für jeden Datensatz (z. B. 50 separate Aufrufe für 50 Kundenvorgangsaktualisierungen) anstelle von Sammlungen
Plattform \| Apex	⚠️ Ausführen von 5-10 SOQL-Abfragen pro Aktion in komplexen Workflows mit 10-15 Aktionen, die sich der Obergrenze von 100 synchronen SOQL nähern
Plattform \| Apex	⚠️ Ausführen einer großen Verarbeitung synchron in einer Aktion statt in einem asynchronen Kontext (z. B. Bewertung von mehr als 1.000 Leads in synchronem Apex)
Agentforce \| Aktion	⚠️ Agenten können unbegrenzt untergeordnete Datensätze aus Accounts mit 15.000 Opportunities oder Kundenvorgängen mit 5.000 Aktivitäten ohne Abwehrcodierung abrufen

Muster

Wohin schauen	Wie gut aussieht
Plattform \| Ereignisüberwachung	✅ Überwachen des API-Verbrauchs in der Ereignisüberwachung während der Pilotphase, um die tatsächliche Nutzung vor der vollständigen Einführung zu verstehen
Data 360 \| Konfiguration	✅ Festlegen von Obergrenzen für die Vektorsuche, um nur die Anzahl der tatsächlich verwendeten Ergebnisse abzurufen
Data 360 \| Analytics	✅ Überwachen der Vektorsuchergebnisauslastung in Data 360 Analytics zur Optimierung von Top-k-Parametern
Plattform \| Plattformereignisse	✅ Veröffentlichen von Plattformereignissen, wenn Bedingungen das Eingreifen von Agenten anstelle geplanter API-Aufrufe erfordern, die die Abstimmungen verbrauchen, unabhängig von der Arbeitsexistenz
Integration \| Aktion	✅ Verwenden Sie zusammengesetzte Muster: Erstellen einer einzelnen MuleSoft-Erfahrungs-API, um mehrere Systemprüfungen (Inventar, Preise, Gutschrift) parallel zu aggregieren, Agent ruft 1 externe Aktion auf, die 1 Callout verbraucht
Integration \| Aktion	✅ Entwerfen einzelner MuleSoft-Flows, die alle nachgelagerten Aktualisierungen ausführen, statt mehrere sequenzielle Flows pro Agenteninteraktion
Agentforce \| Agentenkonfiguration	✅ Betten Sie Agenten mithilfe von Standardkomponenten in Lightning-Seiten ein, um API-Aufrufe pro Interaktion zu vermeiden
Unternehmen \| Planung	✅ Auswerten von MuleSoft-Lizenzmodellen (transaktionsbasiert im Vergleich zur Plattformlizenzierung) mit prognostizierten Agententransaktionsvolumen, um die beste Wirtschaftlichkeit zu ermitteln

Antimuster

Wohin schauen	Wie schlecht sieht
Data 360 \| Konfiguration	⚠️ Abrufen der besten 50 Vektorsuchergebnisse nur bei Verwendung der besten 5, wodurch 90 % des Berechnungs- und Kontextbudgets verschwendet werden
Plattform \| Geplante Aufträge	⚠️ Geplante API-Aufrufe mit verbrauchenden Abstimmungen unabhängig von der Arbeitsexistenz (z. B. Überprüfung alle 5 Minuten, wobei 80 % der Fälle keine Arbeit gefunden wird)
Integration \| Anmeldeinformationen mit Namen	⚠️ Verwenden von 3 separaten Aktionen mit 3 Callouts anstelle einer einzelnen zusammengesetzten API, die mehrere Systemaufrufe aggregiert
Plattform \| Apex	⚠️ Benutzerdefinierte Lightning-Webkomponenten, die explizite API-Anforderungen mit API-Aufrufen senden, wenn standardmäßige Lightning-Komponenten dies vermeiden könnten
Integration \| Externe Systeme	⚠️ Externe Systeme, die Salesforce auf Statusänderungen abfragen und Hunderte von täglichen API-Aufrufen verwenden, statt CDC-Ereignisse zu abonnieren
Integration \| Aktion	⚠️ Tätigen von sequenziellen API-Aufrufen für jeden Schritt (Kunden abfragen, Produkte abfragen, Inventar prüfen, Auftrag erstellen, Inventar aktualisieren, Versand benachrichtigen) mit einem Verbrauch von mehr als 12 Aufrufen pro Transaktion, wenn zusammengesetzte Muster den Verbrauch um 75 % reduzieren würden
Integration \| Agentenkonfiguration	⚠️ Orchestrieren von Agentenaktionen über viele Systeme hinweg, ohne zu bewerten, ob jede Systeminteraktion erforderlich ist, wodurch der API-Verbrauch mit jedem hinzugefügten System multipliziert wird

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Aufforderungsvorlage	✅ Minimieren der Eingabeaufforderungslänge: Entfernen Sie ausführliche Anweisungen, redundante Beispiele und unnötigen Kontext. Selektiver Kontext verbessert Latenz und Qualität
Plattform \| Apex	✅ Verwenden Sie selektive SOQL mit indizierten Filtern. Verwenden des Abfrageplantools zum Identifizieren fehlender Indizes, die vollständige Tabellenscans verursachen
Agentforce \| Agentenkonfiguration	✅ Verwenden Sie die Ausführung paralleler Aktionen, wenn keine Abhängigkeiten vorhanden sind. Beim gleichzeitigen Abrufen von Accountdetails und Opportunities wird die Latenz im Vergleich zum sequenziellen Abruf halbiert
Plattform \| Plattform-Cache	✅ Zwischenspeichern häufig aufgerufener Referenzdaten (Produktkataloge, Regionszuordnungen, Preisregeln) unter Vermeidung wiederholter SOQL
Plattform \| Plattform-Cache	✅ Implementieren der semantischen Zwischenspeicherung, die ähnliche Abfragen abgleicht, um wiederholte Anforderungen ohne neue Rückschlüsse bereitzustellen
Plattform \| Apex	✅ Nicht dringende Anforderungen asynchron verarbeiten (Statusaktualisierungen, Batchverarbeitung, Berichtserstellung) mit großzügigen asynchronen Obergrenzen
Plattform \| Apex	✅ Profilaktionen unter realistischen Datenvolumen. Eine Aktion mit 3s wird unabhängig von der schnellen LLM-Rückschlussfolgerung zu einem Engpass
Agentforce \| Aktion	✅ Implementieren der Massenverarbeitung in Aktionen zum Minimieren der Ausführungszeit pro Vorgang

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Aufforderungsvorlage	⚠️ Einschließlich eines umfassenden Kontexts, der Rauschen hinzufügt, statt eines selektiven Kontexts, der sowohl die Latenz als auch die Qualität verbessert
Agentforce \| Agentenkonfiguration	⚠️ Sequenzielles Ausführen von Aktionen, wenn keine Abhängigkeiten vorhanden sind (z. B. Accountabfrage 2s + Opportunity-Abfrage 2s = 4s sequenziell statt 2s parallel)
Plattform \| Apex	⚠️ Ausführen von vollständigen Tabellenscans aufgrund fehlender Indizes anstelle der Verwendung von selektiver SOQL mit indizierten Filtern
Plattform \| Plattform-Cache	⚠️ Daten 360 wiederholt abfragen (1,5 Sekunden pro Aufruf) für allgemeine Daten, die zwischengespeichert werden könnten (50 Sekunden vom Plattform-Cache)
Agentforce \| Agentenkonfiguration	⚠️ Anforderung eines synchronen Abschlusses für nicht dringende Vorgänge (Statusaktualisierungen, Batchverarbeitung, Berichtserstellung)

Muster

Wohin schauen	Wie gut aussieht
Data 360 \| Konfiguration	Knowledge Artikel, Produktdokumente, Kundenvorgangsverlauf in semantisch aussagekräftige 250-750 Wortsegmente aufteilen
Data 360 \| Konfiguration	✅ Validieren Sie die Blockgröße anhand von Agentenabfragemustern. Ausgewogenheit zwischen Genauigkeit (kleinere Blöcke) und Kontextvollständigkeit (größere Blöcke)
Data 360 \| Konfiguration	✅ Verwenden Sie Einbettungen, die mit Agentenabfragemustern übereinstimmen. Validieren der Auswahl anhand repräsentativer Abfragen zur Messung der Abrufgenauigkeit und des Rückrufs
Data 360 \| Konfiguration	✅ Verbessern der Vektorähnlichkeit mit Metadatenfiltern, die Geschäftseinschränkungen sicherstellen (z. B. Filtern nach aktiven Produkten ohne eingestellte Artikel unabhängig von der semantischen Ähnlichkeit)
Data 360 \| Konfiguration	✅ Verwenden Sie zusammengeführte Profile, die Kundendaten aus mehreren Quellen in einer einzelnen Ansicht aggregieren. Zugreifen auf vollständigen Kontext (Attribute, Statistiken, Engagement, Prognosen) in einer einzelnen Abfrage
Data 360 \| Konfiguration	✅ Aktivieren der Identitätsbestimmung für eine genaue systemübergreifende Kundenübereinstimmung
Data 360 \| Konfiguration	✅ Konfigurieren von Data 360-Instanzen in Regionen, die den gesetzlichen Anforderungen für die Einhaltung der Vorschriften für die Datenresidenz entsprechen

Antimuster

Wohin schauen	Wie schlecht sieht
Data 360 \| Konfiguration	⚠️ Verwenden zu großer Blöcke, die irrelevante Informationen enthalten, die die Relevanz in Vektorsuchergebnissen verwässern
Data 360 \| Konfiguration	⚠️ Ausschließlich auf semantische Ähnlichkeit ohne Metadatenfilter angewiesen, um eingestellte oder minderwertige Ergebnisse zurückzugeben
Data 360 \| Konfiguration	⚠️ Orchestrieren mehrerer separater Quellabfragen anstelle der Verwendung von vereinheitlichten Data 360-Profilen für vollständigen Kundenkontext
Data 360 \| Konfiguration	⚠️ Verwenden von Einbettungsmodellen, die nicht mit Agentenabfragemustern übereinstimmen (z. B. Einbettungen von Dokumentenklassifizierungen für Fragen-Antwort-Ähnlichkeit)
Data 360 \| Konfiguration	⚠️ Verarbeiten von europäischen Kundendaten in außereuropäischen Data 360-Instanzen unter Verstoß gegen die Anforderungen an die Datenresidenz

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Agentenkonfiguration	✅ Kontext explizit priorisieren: Aktueller Unterhaltungsverlauf (am höchsten), wichtige Geschäftsdaten/Datensatzstatus/Berechtigungen (Sekunde), historischer Kontext (am niedrigsten, nur wenn der Speicherplatz dies zulässt)
Agentforce \| Agentenkonfiguration	✅ Fassen Sie nach 10-15 Runden die frühe Unterhaltung zu einer prägnanten Übersicht zusammen, die wichtige Fakten ohne vollständigen Wortverlauf beibehält
Data 360 \| Konfiguration	✅ Speichern Sie erweiterten Kontext in Data 360 oder benutzerdefinierten Objekten und nicht den vollständigen Verlauf in jedem LLM-Aufruf. Abfrage nach Bedarf, damit sich Eingabeaufforderungen auf aktuelle Anforderungen konzentrieren
Agentforce \| Aktion	✅ Geben Sie nur wichtige Felder aus Aktionsantworten zurück. Der Accountabruf gibt Felder zurück, die für die aktuelle Aufgabe relevant sind, nicht alle 50 Felder.
Agentforce \| Agentenkonfiguration	✅ Entwerfen einer expliziten Priorisierungslogik im Vergleich zu einer beliebigen Abschneidung für die Kontextfensterzuteilung

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ Beliebiges Abschneiden des Kontexts ohne explizite Priorisierungslogik
Agentforce \| Agentenkonfiguration	⚠️ Beibehalten des vollständigen wörtlichen Unterhaltungsverlaufs über 10-15 Runden hinaus, erschöpfendes Kontextbudget
Agentforce \| Agentenkonfiguration	⚠️ Vollständigen Verlauf in jeden LLM-Aufruf aufnehmen, statt erweiterten Kontext extern zu speichern und bei Bedarf abzufragen
Agentforce \| Aktion	⚠️ Zurückgeben aller 50 Felder aus dem Accountabruf, wenn nur eine Teilmenge für die aktuelle Aufgabe relevant ist, wobei das Kontextbudget verbraucht wird
Agentforce \| Agentenkonfiguration	⚠️ Zuteilen des Kontextbudgets ohne ausreichend Platz für die Generierung von Antworten

Muster

Wohin schauen	Wie gut aussieht
Plattform \| Aktion	✅ Entwickeln Sie Bibliotheken für zentralisierte Aktionen, die die Datensatz-CRUD, Genehmigungen, Benachrichtigungen, Berichte und Validierungen abdecken. Plattformteams sorgen weiterhin für konsistentes Verhalten, Sicherheit und Leistung
Agentforce \| Agentenkonfiguration	✅ Erstellen von spezialisierten Agenten mit fundierter Domänenkompetenz (Serviceagent für die Kundenvorgangsverwaltung, Vertriebsagent für die Opportunity-Anleitung) mit engerem Kontext und klareren Grenzen
Agentforce \| Agentenkonfiguration	✅ Verwenden der Orchestrierung des Agentengenerators zur Koordinierung spezialisierter Agenten für domänenübergreifende Anforderungen
Agentforce \| Aufforderungsvorlage	✅ Verwalten Sie validierte Eingabeaufforderungsmuster im Eingabeaufforderungsgenerator. Vorlagen erfassen bewährte Ansätze für die Bildung von RAG-Abfragen, Argumentation in mehreren Schritten und Antwortformatierung
Agentforce \| Aufforderungsvorlage	✅ Versionsaufforderungsvorlagen, die A/B-Tests von Verbesserungen ermöglichen
Data 360 \| Konfiguration	✅ Verwalten freigegebener Knowledge Bases in Data 360 für mehrere Agenten. Knowledge Base für einzelne Produkte für Vertriebs-, Service- und Partnerportalagenten
Agentforce \| Agentenkonfiguration	✅ Zusammenstellen neuer Agenten aus bewährten Bausteinen: Zweck definieren, Aktionen auswählen, Eingabeaufforderungen konfigurieren (Tage im Vergleich zu Wochen für benutzerdefinierte Erstellungen)

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Aufforderungsvorlage	⚠️ Erstellen von Ad-hoc-Eingabeaufforderungen für jeden Agenten anstelle der erneuten Verwendung validierter Eingabeaufforderungsvorlagenbibliotheken
Agentforce \| Aktion	⚠️ Neuimplementieren von Aktionen für jeden Agenten statt der Verwendung zentraler wiederverwendbarer Aktionsbibliotheken
Agentforce \| Agentenkonfiguration	⚠️ Erstellen von universellen Agenten, die alle Szenarien versuchen, statt auf spezialisierte Agenten mit fundierter Domänenexpertise
Data 360 \| Konfiguration	⚠️ Knowledge Bases pro Agent duplizieren statt eine einzelne Knowledge Base für mehrere Agenten freizugeben

Muster

Wohin schauen	Wie gut aussieht
Plattform \| Benutzerdefinierte Metadatentypen	✅ Verwenden Sie benutzerdefinierte Metadatentypen und das Steuerverhalten des Eingabeaufforderungsgenerators ohne Codeänderungen. Administratoren ändern Aufforderungsvorlagen und Argumentationsparameter ohne Entwicklungszyklen
Agentforce \| Agentenkonfiguration	✅ Leiten Sie Teilmengen an experimentelle Versionen weiter, um Qualitätskennzahlen, Zufriedenheit, Aufgabenabschluss vor der vollständigen Einführung zu vergleichen (z. B. 10 % bis v2, 90 % in v1)
Agentforce \| Agentenkonfiguration	✅ Überwachen des Validierungszeitraums und Aufrechterhalten der Rollback-Funktion, wenn während des A/B-Tests Probleme festgestellt wurden
Agentforce \| Aktion	✅ Definieren Sie klare Schnittstellenverträge zwischen Komponenten: Aktionen geben Eingaben, Ausgaben, Fehler und Leistungserwartungen an
Agentforce \| Agentenkonfiguration	✅ Schrittweises Erweitern erfolgreicher Versionen (10 % bis 25 % bis 50 % bis 100 %) über mehrwöchige Einführungszeiträume
Agentforce \| Aktion	✅ Ersetzen von Aktionsimplementierungen ohne Agentenänderungen bei Beibehaltung von Schnittstellenverträgen

Antimuster

Wohin schauen	Wie schlecht sieht
Plattform \| Apex	⚠️ Erfordernis von Codeänderungen zum Ändern des Agentenverhaltens anstelle von konfigurationsgesteuerten Ansätzen (benutzerdefinierte Metadatentypen, Eingabeaufforderungsgenerator)
Agentforce \| Agentenkonfiguration	⚠️ Vollständige Einführung neuer Agentenversionen ohne A/B-Tests für eine Teilmenge, in der Qualitätskennzahlen und Zufriedenheit verglichen werden
Agentforce \| Aktion	⚠️ Agenten abhängig von den Details zur Aktionsimplementierung anstelle von Schnittstellenverträgen, die bei Änderungen an Implementierungen unterbrochen werden
Agentforce \| Agentenkonfiguration	⚠️ Sofortige Bereitstellung neuer Versionen für 100 % der Benutzer ohne abgestufte Einführung
Agentforce \| Agentenkonfiguration	⚠️ Betrieb ohne Rollback-Funktion bei Tests der experimentellen Version

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Agentenkonfiguration	✅ Lösen Sie jede Anforderung in so wenigen Agentenaktionen wie möglich – Flex Credits werden pro Aktion verbraucht, sodass die Konsolidierung der Logik aus mehreren Schritten in einer einzelnen Aktion die Kosten direkt senkt
Agentforce \| Agentenkonfiguration	✅ Modellieren monatlicher Kostenprognosen auf der Grundlage dokumentierter Flex Credit-Verbrauchsraten und erwarteter Interaktionsvolumen für die Budgetplanung
Einstein \| Überwachung	✅ Überwachen des Flex Credit-Verbrauchs nach Agent, Anwendungsfall und Benutzerpopulation, um Muster mit hohem Verbrauch zu identifizieren, die optimiert werden müssen
Einstein \| Überwachung	✅ Vergleichen des tatsächlichen Verbrauchs mit Prognosen, um zukünftige Planungen zu unterstützen und Optimierungsmöglichkeiten zu identifizieren

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ Verketten vieler kleiner Aktionen, bei denen eine konsolidierte Aktion die Anforderung lösen würde, multiplizierter Flex Credit-Verbrauch pro Interaktion
Unternehmen \| Planung	⚠️ Der Flex Credit-Verbrauch überschreitet die Prognosen erst nach der Produktionsbereitstellung, da keine interaktionsbasierte Kostenmodellierung durchgeführt wurde

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Agentenkonfiguration	✅ Entwerfen Sie Sitzungsgrenzen und Zeitüberschreitungen, damit eine Unterhaltung ordnungsgemäß fortgesetzt wird, ohne sie vorzeitig zu beenden und eine neue abrechenbare Unterhaltung zu erzwingen
Agentforce \| Agentenkonfiguration	✅ Konzentrieren Sie sich bei der Agentenfunktion auf die Lösung der ersten Unterhaltung, damit eine Aufgabe in der ersten Unterhaltung abgeschlossen wird, statt dass eine abrechnungsfähige Nachbearbeitung erforderlich ist
Einstein \| Überwachung	✅ Verfolgen der Lösungsrate bei der ersten Unterhaltung als Kosteneffizienzkennzahl unter “Preis pro Unterhaltung”
Agentforce \| Agentenkonfiguration	✅ Umgang mit verwandten Problemen im vorhandenen Unterhaltungskontext, statt separate Unterhaltungen zu öffnen, für die jeweils eine Pauschalgebühr anfällt

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ vorzeitiges Beenden von Unterhaltungen durch kurze Sitzungs-Timeouts, wodurch Benutzer gezwungen werden, neue abrechnungsfähige Unterhaltungen zu starten, um eine einzelne Aufgabe abzuschließen
Einstein \| Überwachung	⚠️ Überwachen Sie nur das gesamte Unterhaltungsvolumen, ohne die Lösungsrate für die erste Unterhaltung zu verfolgen, ohne den primären Kostenhebel unter “Preis pro Unterhaltung” zu verpassen

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Steigern Sie die Akzeptanz, damit lizenzierte Benutzer aktiv mit dem Agenten interagieren, da der unterbewertete Preis pro Benutzer von der Nutzung und nicht von der Minimierung jeder Interaktion stammt
Einstein \| Überwachung	✅ Verfolgen der Auslastung, um lizenzierte Benutzer mit geringer Auslastung für gezielte Schulungen oder Lizenzneuzuteilungen zu identifizieren
Unternehmen \| Dokumentation	✅ Verbinden von Agenteninteraktionen mit Geschäftsergebnissen nach Benutzerpopulation, sodass hochwertige Anwendungsfälle die Investition pro Sitz rechtfertigen
Unternehmen \| Planung	✅ Überprüfen der Benutzerpopulationen in einem Rhythmus, damit Lizenzen an die tatsächliche Nutzung angepasst bleiben, statt zu einer Überlizenzierung zu gelangen

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Bereitstellen von Benutzerlizenzen ohne Akzeptanzplan, Zahlung von festen Kosten pro Sitzplatz für Benutzer, die selten mit dem Agenten interagieren
Einstein \| Überwachung	⚠️ Niemals Überprüfung der Auslastung nach Benutzerpopulation, wodurch Lizenzen in dieselbe Überlizenzierung abgleiten, die herkömmliche Sitze verschwendet

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Agentenkonfiguration	✅ Implementieren Sie Triage-Agenten, die die anfängliche Weiterleitung mit einer einfachen Logik verarbeiten und Benutzer nur dann an einen spezialisierten Agenten weiterleiten, wenn die Komplexität dies erfordert
Plattform \| Flow	✅ Greifen Sie für deterministische Szenarien, in denen regelbasierte Logik ausreicht, auf die Flow-Automatisierung zurück, indem Sie Agentenüberlegungen für mehrdeutige Situationen vorbehalten, die sie wirklich benötigen
Data 360 \| Agentenkonfiguration	✅ Selektives Abrufen von Kontextdaten, Aufrufen der Vektorsuche und Abrufen von Dokumenten nur dann, wenn die Argumentation des Agenten dies erfordert, und nicht bei jeder Interaktion

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ Jede Anforderung direkt an einen spezialisierten Agenten weiterleiten, was zu teuren komplexen Aufrufen für Anforderungen führt, die von einer einfachen Triage-Logik verarbeitet werden könnten
Plattform \| Flow	⚠️ Verwenden der Agentenüberlegungen für deterministische regelbasierte Workflows, die ein Flow ohne variablen Verbrauch kostengünstiger ausführen würde
Data 360 \| Agentenkonfiguration	⚠️ Abrufen von Kontextdaten für jede Interaktion, unabhängig davon, ob die Kontextbildung dies erfordert, was den Data 360-Verbrauch ankurbelt, der den tatsächlichen Bedarf nicht verfolgt

Muster

Wohin schauen	Wie gut aussieht
Data 360 \| Agentenkonfiguration	✅ Zwischenspeichern von Produktkatalogeinbettungen mit definiertem Aktualisierungsrhythmus (z. B. 24-Stunden), Abrufen aus dem Cache für Routinefragen und Abfragen von Data 360 nur für neue oder kundenspezifische Daten
Data 360 \| Agentenkonfiguration	✅ Implementieren von Cache-Strategien zum Reduzieren wiederholter Abfragen für allgemeine Anforderungen, wobei die Kostenoptimierung mit den Anforderungen an die Datenaktualisierung abgewogen wird
Data 360 \| Organisation	✅ Modellieren der Kosten für die Aufnahme und Verarbeitung von Daten im Voraus (Harmonisierung, Identitätsbestimmung, Generierung von Einbettungen) getrennt von den Kosten für das inkrementelle Wachstum
Data 360 \| Agentenkonfiguration	✅ Bewerten Sie, ob der RAG-Overhead Qualitätsverbesserungen für bestimmte Anwendungsfälle rechtfertigt, bevor Sie die abruferweiterte Generierung hinzufügen

Antimuster

Wohin schauen	Wie schlecht sieht
Data 360 \| Agentenkonfiguration	⚠️ Es wurde keine Zwischenspeicherung implementiert, obwohl die meisten Abfragen identische allgemeine Fragen sind und Flex Credits für wiederholte identische Antworten verwendet werden
Data 360 \| Organisation	⚠️ Implementierung einer aggressiven Zwischenspeicherung ohne Berücksichtigung der Anforderungen an die Datenaktualisierung, Bereitstellung veralteter Informationen für Benutzer

Muster

Wohin schauen	Wie gut aussieht
Plattform \| Organisation	✅ Verwenden Sie die Teilkopie-Sandbox mit gezielter Kundendatenprobe für die Agentenentwicklung und reservieren Sie die Vollversion-Sandbox ausschließlich für die Validierung vor der Produktion
Plattform \| Organisation	✅ Plan für Entwicklungsinfrastrukturkosten im Voraus, einschließlich Data 360-Kapazität, Flex Credits für sofortige Tests und Integrationskonnektivität

Antimuster

Wohin schauen	Wie schlecht sieht
Plattform \| Organisation	⚠️ Jeder Entwickler, der Full Copy-Sandbox-Instanzen für die Agentenentwicklung bereitstellt, kostet 5x
Plattform \| Organisation	⚠️ Verlassen auf manuelle Ad-hoc-Tests, die keine ausreichende Abdeckung bieten und Qualitätsprobleme nur in der Produktion erkennen
Unternehmen \| Planung	⚠️ Unsichtbarkeit der Entwicklungsinfrastrukturkosten während der Planung, was zu erheblichen unerwarteten Kosten während der Implementierung führt

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Erstellen eines umfassenden TCO-Modells, das alle sechs Kostenkategorien abdeckt: Entwicklung, Rückschlüsse (Flex Credits), Infrastruktur (Data 360 + MuleSoft), Vorgänge, Governance und Änderungsverwaltung
Unternehmen \| Dokumentation	✅ Erstellen von Tabellenkalkulations-TCO-Modellen, die 3-5 Jahre Kosten projizieren, mit dokumentierten Annahmen für Interaktionsvolumen, Kreditverbrauchsraten und Wachstumskurven
Unternehmen \| Dokumentation	✅ Durchführen einer Sensitivitätsanalyse, die aufzeigt, welche Annahmen sich am stärksten auf die Gesamtinvestitionen auswirken, wodurch gezielte Validierungsmaßnahmen ermöglicht werden
Unternehmen \| Dokumentation	✅ Modellieren der laufenden Betriebskosten als aussagekräftiger wiederkehrender Bruchteil der Entwicklungskosten pro Jahr für ausgereifte Agenten, der aus allgemeinen Branchen-Benchmarks für AI-Agenten und nicht aus einer festen Salesforce-Zahl gezogen wird
Unternehmen \| Planung	✅ Änderungsverwaltungskosten einbeziehen (Benutzerschulung, Geschäftsprozessanpassung, Organisationsänderung), die häufig unterschätzt werden

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Berücksichtigen Sie nur die Entwicklungskosten im Geschäftsfall “Agent”, ohne den laufenden Verbrauch zu modellieren (Flex-Gutschriften, Data 360, Vorgänge), und entdecken Sie nach der Bereitstellung erhebliche ungeplante jährliche Kosten.
Unternehmen \| Planung	⚠️ Weglassen des Verwaltungsaufwands (Sicherheitsüberprüfungen, Infrastruktur für die menschliche Aufsicht, Auditprotokollierung, Compliance-Validierung), der mit der Autonomie der Agenten und dem Risikoniveau wächst
Unternehmen \| Planung	⚠️ Unterschätzen von Änderungskosten, insbesondere für Agenten, die erhebliche Workflow-Schichten erstellen, was zu Budgetengpässen führt

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Bewerten Sie vorgefertigte Agentforce-Agenten im Vergleich zur benutzerdefinierten Entwicklung durch einen umfassenden 3-Jahres-TCO-Vergleich einschließlich Wartungskosten
Unternehmen \| Dokumentation	✅ Dokumenterstellung im Vergleich zu Kaufentscheidungen in Architekturentscheidungs-Datensätzen, die eine zukünftige Neubewertung bei sich ändernden Kosten und Funktionen ermöglichen
Agentforce \| Agentenkonfiguration	✅ Ziehen Sie die Anpassung vorgefertigter Agenten über den Eingabeaufforderungsgenerator und die Aktionskonfiguration als Mittelweg zwischen vorkonfigurierten und vollständig benutzerdefinierten Agenten in Betracht.
Unternehmen \| Planung	✅ Faktorenentscheidungskriterien über Kosten hinaus: Wertschöpfungszeit, Organisationsentwicklungsfähigkeit, strategischer Differenzierungswert und Toleranz gegenüber Anbieterabhängigkeit

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Erstellen eines benutzerdefinierten Agenten, da “wir die Kontrolle haben möchten” ohne Modellierung der 3-Jahres-TCO, die eine vordefinierte Option anzeigt, möglicherweise deutlich günstiger ist
Unternehmen \| Planung	⚠️ Auswahl von Build oder Kauf ausschließlich auf der Grundlage der Kosten im ersten Jahr, ohne die Vorteile für die laufende Wartung, den Kreditverbrauch und die Aktualisierung von Anbietern über einen mehrjährigen Horizont zu prognostizieren

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Vergleichen Sie die Agenten-TCO vor der Bereitstellung mit herkömmlichen Automatisierungsalternativen (Flow, Apex, manuelle Prozesse) und validieren Sie so die Investitionsberechtigung
Unternehmen \| Dokumentation	✅ Erstellen einer manuellen Prozessgrundlage einschließlich vollständig ausgelasteter Mitarbeiterkosten, Fehlerraten, Verarbeitungszeit und Durchsatzkapazität, um potenzielle Einsparungen aufzuzeigen
Agentforce \| Agentenkonfiguration	✅ Bereitstellen von Agenten für Aufgaben, die ein natürliches Sprachverständnis, adaptives Denken oder die Handhabung hoher Szenariovariabilität erfordern, wenn die herkömmliche Automatisierung nicht mit der Funktion übereinstimmen kann
Plattform \| Flow	✅ Verwenden Sie die Flow-Automatisierung für deterministische Workflows mit klaren Regeln, um gleichwertige Ergebnisse zu niedrigeren Kosten ohne variablen Rückschlussverbrauch bereitzustellen

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ Bereitstellen eines Agenten für eine einfache deterministische Weiterleitungsaufgabe, der jährliche Gutschriften in Höhe von 150.000 EUR verbraucht, wenn Flow entsprechende Funktionen ohne variable Kosten bereitstellen würde
Unternehmen \| Planung	⚠️ Standardmäßiger Agentenansatz für die gesamte Automatisierung, ohne zu bewerten, ob die herkömmliche Automatisierung gleichwertige Ergebnisse bei niedrigeren Gesamtkosten bietet

Muster

Wohin schauen	Wie gut aussieht
Einstein \| Überwachung	✅ Erstellen von Verbrauchs-Dashboards für Flex-Gutschriften mit Verbrauch nach Agent, Benutzerpopulation, Zeitraum und Interaktionstyp zur schnellen Identifizierung von Verbrauchsspitzen
Einstein \| Überwachung	✅ Implementieren der Zuordnung von Interaktionskosten, die den Kreditverbrauch mit Geschäftstransaktionen verbinden (Kosten pro gelöstem Kundenvorgang, Kosten pro qualifiziertem Lead, Kosten pro verarbeitetem Auftrag)
Einstein \| Überwachung	✅ Konfigurieren der Budgetbenachrichtigung bei Beispielschwellenwerten wie 70 % und 85 % nach Agent und Anwendungsfall (nicht nur organisationsweit) für proaktive Interventionen vor Überschreitungen
Einstein \| Überwachung	✅ Implementieren der Anomalieerkennung zum Identifizieren ungewöhnlicher Verbrauchsmuster (plötzliche Spitzen, die Ineffizienzen, unerwartete Nutzungsmuster oder Missbrauch anzeigen)
Unternehmen \| Dokumentation	✅ Freigeben von Kosten-Dashboards für Beteiligte aus der Wirtschaft und technische Teams, um Transparenz zu schaffen und die Nutzung kostenbewusster Agenten zu ermöglichen
Unternehmen \| Dokumentation	✅ Durchführung von vierteljährlichen Budgetüberprüfungen zum Vergleich des tatsächlichen Verbrauchs mit Prognosen, Auswertung der Geschäftsergebnisse und Anpassung der Zuteilungen anhand des nachgewiesenen Werts
Unternehmen \| Planung	✅ Reservieren Sie 10-15 % des Kreditbudgets für Experimente und unerwartetes Verbrauchswachstum, um Innovationsengpässe zu vermeiden
Unternehmen \| Planung	✅ Erstellen von mehrjährigen Projektionen auf der Grundlage von Trends bei der Agentenakzeptanz, neuen Bereitstellungen und erweiterten Anwendungsfällen für die Kapazitätsplanung und Lieferantenverhandlungen

Antimuster

Wohin schauen	Wie schlecht sieht
Einstein \| Überwachung	⚠️ Überwachen des Guthabenverbrauchs nur durch monatliche Rechnungsüberprüfung und Erkennen von Budgetüberschreitungen im Quartal 6 Wochen ohne Zeit für die Optimierung vor der Verlängerung
Einstein \| Überwachung	⚠️ Konfigurieren von Budgetbenachrichtigungen nur auf Organisationsebene, Fehlen pro Agent und Spitzenverbrauch pro Anwendungsfall, die Optimierungsmöglichkeiten angeben
Unternehmen \| Planung	⚠️ Notwendigkeit von Budgeterhöhungen für den Notfall, da die Verbrauchsüberwachung nicht frühzeitig genug implementiert wurde, um Überschreitungen proaktiv zu erkennen und zu beheben
Unternehmen \| Planung	⚠️ Einmaliges Festlegen eines Jahresbudgets zu Beginn des Geschäftsjahres ohne Überprüfungen, Aushungern von Agenten mit hohem Wert für Gutschriften, während Agenten mit niedrigem ROI die Zuteilung nutzen
Unternehmen \| Planung	⚠️ Zuteilung einer Budgetreserve von null für Experimente, wodurch die Teams gezwungen werden, jeden neuen Anwendungsfall vor jeder Erkundung durch eine lange Genehmigung zu rechtfertigen

Muster

Wohin schauen	Wie gut aussieht
Einstein \| Überwachung	✅ Verfolgen des Verbrauchs nach Agenteninstanz, wodurch ein Vergleich zwischen Agententypen und Anwendungsfällen ermöglicht wird, wodurch aufgedeckt wird, welche Agenten den besten ROI erzielen
Unternehmen \| Dokumentation	✅ Verbinden des Verbrauchs mit Geschäftsprozessen (Leadqualifizierung, Kundenvorgangslösung, Auftragsverarbeitung), wodurch Führungskräfte die strategische Ausrichtung bewerten können
Einstein \| Überwachung	✅ Verfolgen des Verbrauchs nach Abteilung, Rolle oder Benutzersegment und Aufzeigen, wo die Agentenakzeptanz am höchsten ist und wo sich die Kosten konzentrieren
Unternehmen \| Planung	✅ Verwenden Sie vierteljährliche Kostenüberprüfungen, um den ROI von Agenten portfolioübergreifend zu vergleichen und Investitionen von Agenten mit niedrigem ROI auf der Grundlage des nachgewiesenen Werts neu zuzuteilen

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Alle Agentenkosten werden ohne Zuweisung der Geschäftseinheit dem IT-Budget zugeteilt, sodass Führungskräfte nicht beurteilen können, ob die Ausgaben mit den Prioritäten übereinstimmen
Unternehmen \| Planung	⚠️ Behandeln des Agentenverbrauchs als undifferenzierte Kosten, ohne den Verbrauch mit den Geschäftsergebnissen zu verknüpfen, was die ROI-Berechnung unmöglich macht

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Implementieren Sie Showback-Berichte, um die Sichtbarkeit des Verbrauchs nach Geschäftseinheit zu gewährleisten und so ein Kostenbewusstsein zu schaffen, das fundierte Nutzungsentscheidungen ohne strittige Rückbuchungsstreitigkeiten ermöglicht
Unternehmen \| Dokumentation	✅ Verwenden Sie die hybride Zuteilung mit Chargeback für Produktionsagenten mit hohem Volumen und Showback für experimentelle Agenten oder Agenten mit geringem Volumen, um Verantwortlichkeit mit Innovationsflexibilität abzugleichen
Unternehmen \| Dokumentation	✅ Führen Sie vierteljährliche Überprüfungen durch, um zu erörtern, ob der Verbrauch mit dem erreichten Wert übereinstimmt, was zu Optimierungsverpflichtungen führt

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Implementieren der vollständigen Rückmeldung für experimentelle Agenten, Abschrecken von Innovation und Erkundung durch sofortige Auferlegung der Budgetrechenschaft für neu entstehende Anwendungsfälle

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Aufforderungsvorlage	✅ Eliminieren unnötiger Ausführlichkeit in Systemaufforderungen durch die Anerkennung jedes zusätzlichen Tokens für mehr Vorabberechnung und Latenz bei allen Interaktionen – Zuschneiden von Systemaufforderungen auf das, was der Agent tatsächlich verwendet
Agentforce \| Aufforderungsvorlage	✅ Nur relevante Informationen durch selektiven Kontextabruf mit Relevanzrang einschließen, um sicherzustellen, dass Informationen mit dem höchsten Wert in Kontextobergrenzen passen
Agentforce \| Aufforderungsvorlage	✅ Präzise Antwortformatierung für Routineinteraktionen angeben, Minimierung von Vervollständigungstoken durch Vermeidung von Anforderungen an eine aufwändige Formatierung oder ausführliche Erläuterungen
Agentforce \| Aufforderungsvorlage	✅ Wiederverwenden standardisierter Aufforderungsvorlagen für ähnliche Agenten, Amortisierung der Investition in die Aufforderungsoptimierung bei gleichzeitiger Schaffung von Konsistenz und Effizienz

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Aufforderungsvorlage	⚠️ Eingabeaufforderungen ohne Optimierung unter Verwendung von 2K+-Token pro Interaktion schreiben, einschließlich ausführlicher Anweisungen und umfangreicher Beispiele, auf die Agenten selten verweisen
Agentforce \| Aufforderungsvorlage	⚠️ Abrufen aller potenziell verwandten Daten für den Kontext, statt nur relevante Informationen selektiv einzubeziehen, Aufblähen des Verbrauchs von Aufforderungstoken
Agentforce \| Aufforderungsvorlage	⚠️ Erstellen von individuellen Aufforderungsvorlagen für jeden Agenten anstelle von Standardisierungsmustern, Multiplizieren des Aufwands für die prompte Entwicklung ohne proportionalen Qualitätsvorteil

Muster

Wohin schauen	Wie gut aussieht
Agentforce \| Agentenkonfiguration	✅ Zwischenspeichern allgemeiner Agentenantworten für häufig gestellte Fragen, die direkt aus dem Cache für doppelte Abfragen bereitgestellt werden (Cache-Trefferraten über 30 % deuten auf eine signifikante Optimierungs-Opportunity hin)
Data 360 \| Agentenkonfiguration	✅ Cache stabiler Knowledge Kontext (Produktkataloge, Richtliniendokumente, Referenzmaterialien) reduziert den Abrufaufwand für jede Interaktion, die auf allgemeine Informationen verweist
Agentforce \| Agentenkonfiguration	✅ Implementieren der Unterhaltungszwischenspeicherung in Benutzersitzungen, wobei der Kontext über mehrere Runden hinweg beibehalten wird, ohne den vollständigen Verlauf erneut zu senden, wodurch der Tokenverbrauch bei Multi-Turn-Interaktionen reduziert wird
Agentforce \| Agentenkonfiguration	✅ Definieren von Strategien für die Cache-Ungültigkeit anhand der Inhaltsvolatilität (Produktinformationen werden Stunden/Tage zwischengespeichert, Echtzeitdaten sollten nicht zwischengespeichert werden)

Antimuster

Wohin schauen	Wie schlecht sieht
Agentforce \| Agentenkonfiguration	⚠️ Keine Zwischenspeicherung implementiert, obwohl 60 % der Abfragen identische allgemeine Fragen sind, was unnötigerweise Flex Credits für wiederholte identische Antworten verbraucht
Agentforce \| Agentenkonfiguration	⚠️ Zwischenspeichern von Echtzeitdaten (Bestandsstufen, Preise, Verfügbarkeit), die eine Aktualisierung erfordern, und Bereitstellen veralteter Informationen, die zu falschen Agentenantworten führen
Agentforce \| Agentenkonfiguration	⚠️ Keine Aktualisierung zwischengespeicherter Antworten, die zu veralteten Antworten führt, wenn sich Produkte, Richtlinien oder Prozesse ändern

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Erfordernis eines Geschäftsvorgangs einschließlich der prognostizierten 3-Jahres-TCO, der erwarteten Geschäftsergebnisse mit der Messmethode, des Vergleichs mit Alternativen und der Risikobewertung
Unternehmen \| Dokumentation	✅ Definieren Sie Genehmigungsschwellenwerte, die eine Abteilung von den Investitionen trennen kann, die von der Geschäftsleitung genehmigt werden müssen, damit Agenten mit hohem Investitions- oder Risiko eine angemessene Überprüfung durch die Geschäftsleitung erhalten
Unternehmen \| Dokumentation	✅ Mandatieren von Pilotbereitstellungen zur Validierung von Annahmen (Verbrauch, Qualität, Akzeptanz) vor der vollständigen Produktionsinvestition
Unternehmen \| Dokumentation	✅ ROI-Berechnung in Agentenvorschläge aufnehmen (z. B. 4:1-Rückgabe durch gelöste Kundenvorgänge und manuelle Kosteneinsparungen bei der Verarbeitung)

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Bereitstellen von Agenten ohne Geschäftsfall, Erkennen des prognostizierten 3-fachen Kreditverbrauchs bei gleichzeitig unklarem Geschäftswert, Erstellen eines ungeplanten Jahresverbrauchs ohne dokumentierten ROI
Unternehmen \| Planung	⚠️ Überspringen der Pilotbereitstellung und direktes Übernehmen der vollen Produktion, Verpassen der Möglichkeit, Verbrauchsannahmen zu validieren, bevor das volle Budget bereitgestellt wird
Unternehmen \| Planung	⚠️ Genehmigung von Agenteninvestitionen ohne Vergleich mit alternativen Ansätzen (manuelle Prozesse, traditionelle Automatisierung), die einen gleichwertigen Wert bei niedrigeren Kosten bieten können

Muster

Wohin schauen	Wie gut aussieht
Unternehmen \| Dokumentation	✅ Durchführung einer jährlichen Portfolioüberprüfung, bei der alle Agenten Kosten, Nutzung, Geschäftswert und strategische Ausrichtung vergleichen, um die verpassten Optimierungs-Opportunities nach Agentenüberprüfung aufzudecken
Unternehmen \| Dokumentation	✅ Definieren von Sonnenuntergangskriterien (geringe Akzeptanz, schlechter ROI, ersetzte Funktionen, zu hohe Kosten), um zu verhindern, dass Agenten mit geringem Wert Budget verbrauchen
Unternehmen \| Planung	✅ Kontinuierliche Neuzuteilung von Investitionen praktizieren und Ressourcen von Agenten mit geringer Leistung auf Opportunities mit hohem Wert umstellen, die an sich ändernde Geschäftsprioritäten angepasst sind
Unternehmen \| Dokumentation	✅ Kategorisieren von Agenten nach ROI-Stufe (z. B. Top 2 liefern 70 % Wert bei 50 % Kosten = ausgezeichnet; mittlere 4 liefern 25 % Wert bei 35 % Kosten = akzeptabel; untere 2 liefern 5 % Wert bei 15 % Kosten = Sonnenuntergangskandidaten)

Antimuster

Wohin schauen	Wie schlecht sieht
Unternehmen \| Planung	⚠️ Die bereitgestellten Agenten verbleiben auf unbestimmte Zeit in der Produktion ohne Auslastung oder Wertüberprüfung, wodurch Agenten mit geringem Wert Budget verbrauchen, das Opportunities mit höherem Wert finanzieren könnte
Unternehmen \| Planung	⚠️ Agenten nur einzeln ohne Portfolioperspektive auswerten, wobei die Erkenntnis fehlt, dass einige Agenten den größten Wert liefern, während viele unverhältnismäßig viele Ressourcen verbrauchen