Justicia para la empresa agente

Cuando los agentes autónomos toman decisiones que afectan a clientes, empleados y comunidades, la equidad se convierte en la calidad arquitectónica que distingue la automatización responsable de la automatización dañina. Los agentes Agentforce que operan con supervisión humana limitada perpetúan y amplifican el sesgo a una escala sin precedentes, convirtiendo patrones discriminatorios individuales en desigualdad sistémica. La equidad en sistemas de agentes es un problema arquitectónico de primera clase en Salesforce Platform, que combina equidad de IA, accesibilidad, supervisión humana, responsabilidad algorítmica y gobernanza ética en un pilar arquitectónico unificado.

Esta página aborda retos de equidad exclusivos de arquitecturas de agentes. Los principios básicos de equidad, los requisitos de accesibilidad y los marcos de gobernanza ética se tratan en el pilar Equidad. Aquí nos centramos en consideraciones de agentes autónomos: detección de sesgos para agentes que toman decisiones consecuentes y patrones de supervisión que tienen como objetivo hacer que la rendición de cuentas sea sustantiva en vez de nominal, transparencia que permite a los usuarios afectados impugnar decisiones y funciones de plataforma como Einstein Trust Layer que admiten la práctica de IA responsable a través de controles de datos y registro de auditoría.

Los agentes Agentforce aprenden patrones de datos de entrenamiento, orígenes de recuperación e interacciones reales. Cuando esas fuentes contienen sesgos que reflejan discriminación histórica o desequilibrios demográficos, los agentes perpetúan ese sesgo con eficiencia algorítmica que afecta a miles de usuarios antes de que los humanos detecten el patrón.

Sesgo de modelo de base: Los modelos lingüísticos de gran tamaño (LLM) se entrenan en datos a escala de Internet que contienen sesgos sociales en torno a raza, género, edad, discapacidad y otras características protegidas. Estos sesgos aparecen en respuestas de agentes incluso sin instrucciones discriminatorias explícitas y es poco probable que se solucionen completamente solo mediante ingeniería rápida o pruebas; reflejan patrones parcialmente inherentes a datos de formación a escala de Internet. Por ejemplo, un agente de contratación de Agentforce podría describir funciones de liderazgo utilizando patrones de lenguaje masculino. O bien, un Agente de servicio podría responder de forma diferente a clientes cuyo nombre señale un origen étnico o género no mayoritario, un problema de calidad de representación que puede afectar a la experiencia del cliente independientemente de cualquier resultado de decisión.

Realice pruebas sistemáticas de sesgos demográficos a los agentes utilizando personas diversas que representan grupos protegidos. Genere solicitudes idénticas variando solo señales demográficas como nombres, ubicaciones o estilos de comunicación. Compare respuestas de agentes entre personas para diferencias de calidad, variaciones de tono y disparidades de resultados.

Déficits de representación de datos de formación: Si los datos históricos de gestión de relaciones con los clientes (CRM) de su organización no representan suficientemente ciertos segmentos de clientes, los agentes Agentforce capacitados o basados en esos datos tendrán un rendimiento deficiente para esos segmentos. Un agente de puntuación de candidatos capacitado en diez años de datos de oportunidades infravalora sistemáticamente clientes potenciales de geografías que su equipo de ventas históricamente despriorizó, creando un bucle de comentarios donde el sesgo algorítmico compone el sesgo humano.

Antes de utilizar datos de Salesforce para la formación de agentes o la fundamentación de Generación aumentada de recuperación (RAG), audite la representación demográfica. Identifique grupos insuficientemente representados y evalúe si las brechas de representación reflejan diferencias comerciales legítimas o discriminación histórica. Reduzca los desequilibrios a través del aumento de datos o la mitigación de sesgos explícita antes de implementar agentes; algunos sesgos residuales tienden a permanecer y normalmente se gestionan a través de supervisión y supervisión descendente en vez de la implementación previa resuelta.

Sesgo de recuperación en sistemas RAG: Agentes Agentforce utilizando respuestas terrestres RAG en bases de Knowledge, segmentos de Data 360 y registros de Salesforce. Cuando esos orígenes de recuperación contienen contenido sesgado o varían en calidad entre grupos demográficos, el agente implementado puede llevar ese sesgo a las experiencias de los usuarios afectados. Para reducir este riesgo, audite los orígenes de recuperación antes de la producción como una práctica recomendada. Un Agente de servicio que recupera artículos Knowledge ofreciendo solución de problemas detallada para clientes empresariales pero solo respuestas genéricas para clientes de pequeñas empresas perpetuará las disparidades de calidad del servicio, una preocupación de equidad donde el nivel de cliente se correlaciona con características protegidas.

Audite bases de Knowledge y orígenes de recuperación para brechas de representación demográfica y disparidades de calidad. Donde las brechas son difíciles de cerrar, trate esas limitaciones como barandillas en donde el agente es un buen ajuste. Asegúrese de que la calidad, integridad y precisión de la documentación son comparables en todos los segmentos de clientes. Incluya una representación diversa en ejemplos de contenido en vez de utilizar de forma predeterminada referencias de cultura mayoritaria que alienan a usuarios insuficientemente representados.

Sesgo de patrón de interacción: Los agentes pueden adaptar el comportamiento basándose en señales de conversación que se correlacionan con características protegidas. La supervisión de este patrón es una práctica común incluso después de la implementación, ya que algunas dinámicas de interacción surgen del comportamiento del usuario no presente en los datos de entrenamiento. El estilo de comunicación, la complejidad del idioma y los patrones de tiempo pueden señalar información demográfica. Un agente que trata estilos de comunicación formales de forma diferente a los estilos casuales puede discriminar inadvertidamente basándose en antecedentes culturales, nivel educativo o estado de idioma nativo.

Supervise las interacciones de agentes entre grupos demográficos para la coherencia del comportamiento. Analice la longitud de la respuesta, el nivel de detalle, los marcadores de cortesía y la calidad de la solución estratificados por características del usuario. Las disparidades sugieren sesgos de interacción que garantizan la investigación.

Amplificación de bucle de retroalimentación: Los agentes que influyen en sus propios datos de formación futuros crean sesgos de refuerzo automático. Por ejemplo, un agente de enrutamiento que asigna menos oportunidades de alto valor a ciertos territorios de ventas genera menos datos de éxito para esos territorios. Eso, a su vez, reduce su probabilidad de éxito predicha, lo que reduce aún más el enrutamiento de oportunidades futuras a ellos. Sin intervención, este sesgo inicial se agrava con el tiempo.

Detecte bucles de comentarios supervisando cambios de distribución de decisiones a lo largo del tiempo. Cuando ciertos grupos demográficos reciben sistemáticamente menos resultados positivos, investigue si las decisiones de agentes están creando la disparidad que justifica futuras decisiones adversas. Interrumpa los bucles en la revisión humana de casos periféricos y el reequilibrado periódico.

Cuando múltiples agentes Agentforce trabajan juntos en cadenas de orquestación, el sesgo de un agente se convierte en entrada para agentes descendentes, creando efectos compuestos donde los pequeños sesgos iniciales se amplifican en resultados discriminatorios significativos.

Cadenas de agentes secuenciales: Cuando la salida del agente A se convierte en la entrada del agente B, existe el riesgo de que las decisiones sesgadas del agente A restrinjan las opciones del agente B de formas que perpetúen o amplifiquen la discriminación.

Considere una orquestación de cualificación de candidatos:

Research Agent recopila Inteligencia de clientes desde orígenes web e historial de CRM.
Agente de puntuación asigna puntuación de candidatos basándose en hallazgos de agente de investigación.
El agente de enrutamiento asigna candidatos a territorios basándose en la puntuación.
Agente de implicación personaliza el alcance basándose en todos los resultados de agentes anteriores.

Cuando el agente de investigación recupera sistemáticamente datos menos completos para ciertos datos demográficos de clientes (debido a brechas de datos de formación o sesgos de recuperación), el agente de puntuación interpreta información incompleta como señales negativas. A continuación, el agente de enrutamiento asigna a territorios de menor prioridad y el agente de implicación proporciona un alcance menos personalizado. El efecto de combinación crea disparidades de calidad de servicio que superan con creces el sesgo de cualquier agente individual.

Consenso paralelo de agentes: Los patrones donde múltiples agentes analizan independientemente la misma entrada y se agregan los resultados proporcionan oportunidades de amplificación de sesgos cuando los agentes comparten datos de entrenamiento o modelos de base.

Si cinco agentes puntúan un candidato de forma independiente pero todos comparten datos de entrenamiento sesgados o sesgos del modelo de base, el consenso no corrige el sesgo, simplemente lo valida. “Cinco agentes acordados” ofrece falsa confianza en resultados discriminatorios cuando los cinco comparten el mismo sesgo sistemático.

Estrategias de mitigación del sesgo de orquestación:

Auditoría de salida de agentes en cada etapa: Registre entradas y salidas completas para cada agente en cadenas de orquestación. Cuando se detecta sesgo en resultados finales, rastree hacia atrás a través de la cadena para identificar qué agente introdujo el sesgo y en qué etapa se produjo la amplificación.

Cree paneles de CRM Analytics que muestran distribuciones de decisiones en cada etapa de orquestación desglosadas por datos demográficos. Identifique en qué parte de la cadena surgen o se amplían las disparidades.

Diversidad en formación y solicitud de agentes: La diversidad reduce los errores correlacionados, lo que reduce la probabilidad de amplificación de sesgos. Cuando utilice patrones de consenso de múltiples agentes, maximice la diversidad:
Diferentes modelos de base donde sea comercialmente viable y compatible, como a través de configuraciones de Bring Your Own LLM (BYOLLM)
Diferentes orígenes de recuperación entre agentes
Diferentes enfoques de ingeniería de solicitudes
Diferentes calibraciones de umbral de confianza
Revisión humana en puntos de inflexión: Identifique etapas en la orquestación donde las decisiones restringen significativamente las opciones descendentes. Inserte una revisión humana en estos puntos de inflexión incluso si la confianza del agente individual es alta. La orquestación crea efectos emergentes que las puntuaciones de confianza de agentes individuales no capturan.
Métricas de equidad por etapa de orquestación: No mida solo la equidad de los resultados finales. Calcule la paridad demográfica, la igualdad de oportunidades y el impacto dispar en cada etapa de la cadena.

Si la Etapa 1 muestra un 90% de paridad demográfica, la Etapa 2 muestra un 85%, la Etapa 3 muestra un 78% y la Etapa 4 muestra un 70%, cada etapa parece aceptable de forma aislada pero se compone de una disparidad final inaceptable. Las mediciones por etapas captan la composición antes de que produzca resultados discriminatorios.

Disyuntores para fallos de orquestación: Configure la lógica de orquestación para detenerse y distribuirse a personas cuando:
Cualquier confianza de agentes cae por debajo del umbral incluso si los agentes descendentes tienen confianza
La distribución de salidas cambia significativamente entre etapas de orquestación
La cadena de decisiones encuentra datos no representados en conjuntos de entrenamiento o validación
El usuario cuestiona o impugna explícitamente decisiones intermedias

La orquestación de múltiples agentes permite un razonamiento sofisticado pero crea cadenas de decisiones opacas donde la rendición de cuentas se difunde y sesga compuestos. La atención arquitectónica a la supervisión de equidad por etapas y la supervisión humana estratégica evita que la orquestación se convierta en maquinaria de amplificación de sesgos.

Antes de implementar cualquier agente Agentforce tomando decisiones consecuentes acerca de usuarios, calcule mediciones de equidad entre grupos demográficos. Convierta la evaluación de equidad en una puerta de implementación obligatoria equivalente en autoridad a la revisión de seguridad.

Paridad demográfica: Las tasas de resultados positivos deben ser aproximadamente iguales entre grupos demográficos protegidos. Si un agente aprueba solicitudes de servicio para Grupo A con un índice del 60% pero Grupo B con un índice del 40%, se infringe la paridad demográfica. La paridad demográfica es apropiada cuando no hay una razón legítima para las diferencias de índice de resultados entre grupos.

Calcule la paridad demográfica dividiendo la población en segmentos demográficos, midiendo índices de resultados positivos por segmento y comparando índices entre segmentos. Documente brechas de paridad con aprobadores nombrados y justificación.

Igualdad de oportunidades: Los índices positivos verdaderos se mantienen comparables entre grupos. Los agentes identifican a personas cualificadas igualmente bien independientemente de las características demográficas. Un modelo predictivo reconoce solicitantes de solvencia a tasas similares entre grupos protegidos cuando la solvencia subyacente es similar.

La igualdad de oportunidades es a menudo la medición más apropiada que la paridad demográfica para las decisiones sobre cualificaciones individuales, donde los índices básicos pueden diferir legítimamente. Supervise si los agentes pierden sistemáticamente candidatos cualificados de grupos insuficientemente representados. Si aún hay disparidades después de la mitigación, el agente podría no ser un buen ajuste para este caso de uso.

Probabilidades igualadas: Tanto los índices de positivos verdaderos como los índices de positivos falsos son iguales entre grupos. Esta es una definición estricta que restringe las tasas de positivos verdaderos y positivos falsos entre los datos demográficos. Las probabilidades igualadas evitan que las oportunidades perdidas se concentren en grupos específicos y que las acusaciones falsas se concentren en grupos específicos.

Alcanzar probabilidades igualadas a menudo requiere umbrales de decisión separados por grupo demográfico. En los Estados Unidos, para las decisiones relacionadas con el empleo, el ajuste de las puntuaciones o el establecimiento de puntuaciones de corte diferentes por clase protegida está prohibido en virtud del Título VII (Ley de derechos civiles de 1964), por lo que no se pueden buscar oportunidades igualadas de esta manera en la contratación. En otros contextos, y en otras jurisdicciones, plantea cuestiones legales sobre el trato diferenciado explícito, por lo que consulte al asesor legal antes de implementar umbrales específicos de grupo.

Índice de impacto dispar: La regla de cuatro quintos proporciona un umbral de selección: Si cualquier grupo recibe resultados positivos a menos del 80% de la tasa del grupo con el mayor rendimiento, investigue si hay sesgos. Un índice del 75% (por ejemplo, un índice de aprobación del 45% frente a un índice de aprobación del 60%) cae por debajo del umbral de las cuatro quintas partes e indica una posible discriminación que requiere justificación o mitigación.

El análisis de impacto dispar es estándar en la legislación laboral y se aplica cada vez más a los sistemas de IA. Donde las raciones caen por debajo del 80%, documente los pasos de investigación y rehabilitación; donde la rehabilitación no eleva el índice, los equipos pueden concluir que el caso de uso no es adecuado.

Equidad individual: Particulares similares reciben predicciones similares independientemente de la pertenencia al grupo. Dos clientes con idéntica solvencia, historial de compras e implicación reciben recomendaciones de límites de crédito similares independientemente de las diferencias demográficas.

La equidad individual es filosóficamente importante pero operacionalmente desafiante porque la “similitud” es subjetiva y dependiente del contexto. Utilice la equidad individual como un principio de diseño que guía la selección y las pruebas de funciones en vez de una restricción matemática estricta.

Dos funciones de plataforma capturan datos para la detección de sesgos. La Capa Einstein Trust registra un seguimiento de auditoría de IA generativa para cada interacción Agentforce: las solicitudes enviadas al modelo, las respuestas devueltas, las fuentes de fundamentación utilizadas y señales Trust como puntuaciones de toxicidad. Agentforce Session Tracing registra el razonamiento paso a paso detrás de cada decisión. Juntos proporcionan datos que admiten la detección de sesgos y la supervisión de equidad; la interpretación de esos datos es trabajo humano, y normalmente requiere revisores capacitados y tiempo dedicado.

Registro de respuestas: Trust Layer registra las solicitudes, respuestas de modelo y señales Trust para cada interacción generativa. Utilice estos datos para analizar distribuciones de predicciones entre grupos demográficos. Cree paneles de CRM Analytics que comparen índices de aprobación, patrones de recomendación y puntuaciones de riesgo por segmento de cliente.

Query Trust Layer registra regularmente: Utilice la siguiente solicitud: “Muéstreme todas las predicciones de oportunidades de alto valor en los últimos 30 días agrupadas por sector de clientes, región y tamaño de cuenta. ¿Son coherentes las distribuciones de predicciones entre segmentos o se puntúan sistemáticamente ciertos segmentos con mayor/menor puntuación?”

Captura de rastreo de razonamiento: Para agentes Agentforce, Rastreo de sesiones Agentforce registra cómo el agente alcanzó su decisión, mientras que el seguimiento de auditoría Trust Layer captura las solicitudes, respuestas y orígenes, incluyendo qué artículos Knowledge y registros de Salesforce se recuperaron. Revise cuándo los usuarios reportan sesgos para comprender qué orígenes de datos, patrones de recuperación o pasos de razonamiento pueden haber introducido sesgos.

Los rastreos de razonamiento hacen que las auditorías de equidad post-hoc sean más granulares y fáciles de realizar de lo que eran con los sistemas tradicionales. Muestra de 100 decisiones de agentes estratificadas por grupo demográfico y haga que los revisores evalúen si la calidad del razonamiento es comparable entre grupos.

Detección de anomalías: Configure alertas cuando los patrones de decisión de agentes se desvíen significativamente de la línea base. Si los índices de aprobación para un segmento de clientes específico caen un 20% semana tras semana, desencadene una investigación. Los cambios de distribución repentinos pueden indicar Problemas de calidad de datos, desviación de modelo o sesgo emergente que requiere atención inmediata.

Cree una supervisión personalizada para alertar sobre señales de equidad: “Notifique cuando la longitud media de la conversación Agente de servicio Agentforce para cualquier segmento de cliente supere 1,5 veces la media general durante tres días consecutivos.” Las disparidades de longitud pueden indicar que ciertos grupos reciben un servicio menos efectivo.

Plantillas de paneles de equidad: Cree plantillas de panel de CRM Analytics reutilizables que realizan un seguimiento de mediciones de equidad para casos de uso de agentes comunes. Incluya cálculos de paridad demográfica, mediciones de igualdad de oportunidades, índices de impacto dispares y gráficos de tendencias que muestran la evolución de mediciones a lo largo del tiempo. Comparta plantillas entre equipos de desarrollo de agentes estandarizando la supervisión de equidad.

Cuando se detecta un sesgo, aplique la mitigación en la etapa apropiada basándose en la causa raíz.

Intervenciones de datos de procesamiento previo: Corrija el sesgo a nivel de datos antes de la formación de agentes o el indexado RAG. Muestra grupos demográficos infrarrepresentados en datos de formación garantizando una representación equilibrada. Sintetice datos adicionales para grupos insuficientemente representados utilizando técnicas como Técnica de sobremuestreo de minorías sintéticas (SMOTE) cuando los datos reales son insuficientes. Tenga en cuenta que SMOTE interpola funciones numéricas y tabulares, de modo que se aplica a datos de entrenamiento de CRM estructurados, no al texto no estructurado utilizado para la fundamentación de RAG.

Realice una auditoría de los datos de Salesforce CRM en busca de brechas demográficas antes de utilizarlos para la formación de modelos. Si los datos históricos de oportunidades representan en exceso ciertos tipos de clientes, vuelva a equilibrar los conjuntos de entrenamiento o utilice ponderaciones de muestra para evitar que los agentes aprendan esa representación excesiva como una señal de decisión.

Restricciones del algoritmo en procesamiento: Aplique restricciones de equidad durante el entrenamiento del modelo que optimicen la precisión y la equidad de forma simultánea. Esto puede reducir la precisión bruta del 2 al 3% mientras mejora drásticamente la equidad entre grupos. Donde controla el entrenamiento de modelos, el entrenamiento restringido por equidad es a menudo el enfoque de mitigación más efectivo.

Para agentes Agentforce utilizando modelos de base donde no puede modificar la formación, restrinja el comportamiento de agentes a través de solicitudes del sistema: “Trate todos los datos demográficos de clientes con la misma profesionalidad y detalle. Proporcione explicaciones de longitud y calidad comparables independientemente del estilo de comunicación del cliente o el trasfondo”.

Ajuste del umbral de posprocesamiento: Donde es legal, el ajuste de umbrales de decisión por grupo demográfico puede igualar índices de resultados después de la formación de modelo. Por ejemplo, un agente de aprobación puede aplicar un umbral de confianza del 80% para un grupo y un umbral del 75% para otro para compensar el sesgo subyacente del modelo. La legislación contra la discriminación limita en gran medida esta técnica, y algunas jurisdicciones la prohíben de plano para determinadas decisiones (véase infra).

El ajuste de umbral es controvertido porque trata explícitamente a los grupos de manera diferente, y la ley antidiscriminatoria en muchas jurisdicciones lo restringe o lo prohíbe. En Estados Unidos, para decisiones relacionadas con el empleo está prohibido de plano: El Título VII (Ley de Derechos Civiles de 1964) prohíbe ajustar puntuaciones o utilizar puntuaciones de corte diferentes por clase protegida, y ninguna cantidad de justificación documentada hace que la práctica sea legal. Otras jurisdicciones imponen sus propias restricciones, de modo que confirme las reglas que se aplican a sus usuarios. Cuando la práctica esté permitida, documente la justificación legal al aplicar umbrales específicos de grupos y valide que los umbrales mejoran la equidad sin crear otros efectos discriminatorios.

Detección y eliminación de funciones proxy: Identifique funciones que se correlacionan con características protegidas y sirven como mecanismos de discriminación indirecta. Los proxys comunes incluyen:
Proxies de código postal para raza, etnia y nivel de ingresos
Patrones de nombre proxy para género y etnia
Proxies de temporización de comunicación para religión y responsabilidades de cuidado
Proxies de tipo de dispositivo para nivel de ingresos
La asignación de territorios puede representar la composición demográfica

Calcule coeficientes de correlación entre todas las funciones del modelo y las características protegidas. Para funciones altamente correlacionadas, evalúe si el valor predictivo legítimo justifica la inclusión o si funciones alternativas podrían proporcionar predicciones similares sin efectos proxy.

Los agentes Agentforce pueden operar con supervisión humana diseñada para que la revisión sea sustantiva en vez de nominal. El nivel de supervisión apropiado depende de los riesgos de decisión, la reversibilidad y los requisitos normativos.

Enrute decisiones consiguientes a través de revisión humana antes de la ejecución. Si una decisión es lo suficientemente arriesgada como para garantizar una revisión humana es un juicio basado en riesgo: ponderar la gravedad del daño potencial y la probabilidad de que se produzca ese daño. Las decisiones consecuentes a menudo surgen en dominios regulados como la atención sanitaria, los servicios financieros y el sector público, pero también surgen fuera de ellos. Los contextos de alto riesgo comunes incluyen:

Decisiones de empleo - Contratación, promoción, rescisión, compensación, exámenes de rendimiento
Servicios financieros y de crédito - Aprobaciones de créditos, cambios de límite, cierres de cuentas, precios
Cuidados médicos - Sugerencias de diagnóstico, recomendaciones de tratamiento, decisiones de cobertura
Derechos legales - Interpretación de contratos, resolución de conflictos, acceso a servicios
Vivienda - Detección de arrendatarios, aprobaciones de leasing, recomendaciones de desalojo

Diseñe agentes Agentforce en estos contextos para analizar, recomendar y preparar decisiones mientras requiere la aprobación humana antes de la ejecución. Posicione a los agentes como herramientas de asistencia para la toma de decisiones que aumentan el juicio humano, no como tomadores de decisiones autónomos que sustituyen a los humanos.

Configure umbrales de confianza que desencadenan la revisión humana basándose en la incertidumbre de los agentes:

Alta confianza (>90%) - El agente procede de forma autónoma con un registro de auditoría completo
Confianza moderada (70-90%) - El agente recomienda con revisión humana antes de la acción
Baja confianza (<70%) - El agente se transfiere completamente al ser humano con resumen de contexto

Calibrar umbrales utilizando datos de producción. Una predicción de “70% de confianza” se realiza con éxito aproximadamente el 70% de las veces cuando se valida. Las puntuaciones de confianza mal calibradas socavan Trust en mecanismos de distribución.

Pruebe la calibración muestreando decisiones de agentes en cada banda de confianza y calculando índices de éxito reales. Si las decisiones de “alta confianza” solo tienen éxito el 75% de las veces, vuelva a calibrar umbrales o mejore la estimación de confianza del modelo.

Si Agentforce no puede resolver una solicitud dentro de límites definidos, distribúyala a personas. Compruebe que el destino de distribución tiene capacidad para ayudar: el enrutamiento a colas sobrecargadas no reduce el daño.

Establezca desencadenadores de distribución:

Vueltas de conversación: después de 5-7 vueltas sin resolución, distribuya
Tiempo transcurrido – Después de 10 minutos sin resolución, distribuir
Opinión del usuario: Cuando el usuario expresa frustración, se distribuye
Detección de repeticiones: Cuando el agente repite la misma respuesta, se distribuye

Configure OmniCanal para enrutar casos distribuidos a colas basadas en habilidades apropiadas con contexto de conversación completo. Capacite agentes humanos para gestionar distribuciones de forma eficiente sin requerir que los usuarios repitan la información que ya se proporcionó al agente.

Permita a los humanos autorizados sustituir cualquier decisión Agentforce en cualquier momento con justificación documentada. Las sustituciones sirven para múltiples fines:

Corrección de errores: Las personas corrigen errores de agentes que podrían dañar a los usuarios o infringir la política. La capacidad de sustitución proporciona una válvula de seguridad para sistemas autónomos que operan en entornos complejos donde los casos de borde son inevitables.
Detección de sesgos: Si los humanos sustituyen las denegaciones Agentforce con mayor frecuencia para ciertos datos demográficos que otros, investigue ambas posibilidades: el agente puede estar desfavoreciendo sistemáticamente a ese grupo y los seres humanos pueden estar corrigiéndolo, o los anuladores pueden estar introduciendo nuevos sesgos. El primer patrón apunta a la revisión del agente; el segundo a la formación del revisor.
Mejora de agentes: Las sustituciones con justificación se convierten en datos de entrenamiento para la mejora de agentes. Muestre decisiones sobrescritas y analice por qué los humanos no estaban de acuerdo con los agentes. Incorpore patrones de anulación en solicitudes de perfeccionamiento o reentrenamiento de modelos.
Responsabilidad: Las sustituciones asignan responsabilidad. El humano que sustituye una decisión de agente asume la responsabilidad de los resultados de esa decisión. Una rendición de cuentas clara evita la difusión de la responsabilidad donde todos asumen que la IA es responsable y nadie asume la propiedad.

Asigne responsabilidades antes de la implementación, no después de que se produzcan incidentes:

Propietario del modelo: El candidato de ciencia de datos responsable de la equidad, precisión y comportamiento del modelo. Aprueba implementaciones, responde a alertas de equidad y autoriza actualizaciones. El propietario del modelo es un individuo nombrado documentado en registros de decisiones de arquitectura.
Propietario de la decisión: Propietario del producto responsable de elegir implementar la IA para casos de uso específicos y para impacto real en los clientes. El propietario de la decisión no puede delegar la rendición de cuentas en sistemas de IA.
Autoridad de apelación: La junta de revisión ética o el equipo designado gestiona las apelaciones de usuarios que creen que las decisiones de los agentes fueron injustas. Los procesos de apelación deben ser accesibles, oportunos y habilitados para revertir decisiones de agentes.
Autoridad de auditoría: El equipo de cumplimiento que realiza auditorías periódicas validando agentes opera dentro de parámetros de equidad y puede suspender agentes que incumplen estándares pendientes de solución.

Documente todas las funciones con nombres, no solo títulos, garantizando que la rendición de cuentas persiste a través de cambios organizativos.

Cuando los agentes Agentforce toman decisiones que afectan a los usuarios, estos merecen explicaciones comprensibles proporcionales a la repercusión de la decisión.

Arquitecte múltiples capas de explicación que sirven a diferentes audiencias:

Explicaciones de cara al usuario: Razonamiento de lenguaje sencillo comprensible sin experiencia técnica. “Su solicitud de servicio requiere la aprobación del gerente porque el importe solicitado (12.000 $) supera su límite de autorización (10.000 $). La aprobación del gestor normalmente se completa en 24 horas o dentro de su acuerdo de nivel de servicio (SLA) acordado”.
Explicaciones comerciales: Los usuarios operativos ven factores de decisión clave con contexto comercial. “Puntuación de candidatos: 73/100 Factores positivos principales: Tamaño de empresa (500 empleados), Participación activa en el sitio web (12 visitas en 30 días), Coincidencia de sector (SaaS). Factores negativos principales: Sin implicación de MQL, fuera de la región de destino”.
Explicaciones técnicas: Los científicos de datos ven detalles del modelo: ponderaciones de funciones, calibración de confianza, versión de modelo, fecha de entrenamiento, distribuciones de entrada. Las explicaciones técnicas admiten investigaciones de depuración y sesgo.
Explicaciones de auditoría: Los equipos de cumplimiento ven rastreos de decisiones completos: versión del modelo, valores de entrada exactos en el momento de la decisión, todos los orígenes de datos consultados, rastreo de razonamiento, estado de configuración. Las explicaciones de auditoría admiten investigaciones reglamentarias y auditorías de equidad que requieren una reconstrucción precisa.

Agentforce Session Tracing registra el razonamiento paso a paso detrás de las decisiones de los agentes, mientras que Einstein Trust Layer captura el seguimiento de auditoría de solicitud y respuesta, incluyendo orígenes de fundamentación. Juntos le permiten proporcionar transparencia en niveles de detalle apropiados:

Transparencia en tiempo real: Cuando Agentforce toma una decisión, muestre un razonamiento de resumen a los usuarios: “Recomendé Producto A basándose en su historial de compras (3 compras similares), promoción actual (20% de descuento) y disponibilidad de inventario (en stock, se envía mañana)”.
Explicación detallada On-Demand: Proporcione “¿Por qué recomendó esto?” vínculo que permite a los usuarios ver el razonamiento completo incluyendo todos los artículos Knowledge recuperados, registros de Salesforce consultados y lógica de decisión. Las explicaciones detalladas crean Trust y permiten a los usuarios identificar errores o sesgos.
Reconstrucción histórica: Cuando los usuarios desafían decisiones pasadas semanas o meses después, recupere rastreos de razonamiento de sesiones y el historial de auditoría de Trust Layer que permite una explicación precisa de decisiones históricas. La reconstrucción histórica admite apelaciones e investigaciones reguladoras.
Análisis de patrón agregado: Muestra de rastreos de razonamiento estratificados por grupos demográficos para analizar si la calidad de las decisiones es coherente. Revise 100 rastreos de cada segmento de clientes y evalúe si la profundidad de razonamiento, la calidad de origen y la lógica son comparables entre grupos.

Muestre confianza de predicción en términos apropiados para el usuario evitando puntuaciones de probabilidad sin procesar que los usuarios malinterpreten.

En vez de “73% de confianza”, comunique la confianza como:

Alta confianza – “Estoy seguro de que esta recomendación es apropiada basándose en casos similares”
Confianza moderada – “Esta recomendación es probablemente apropiada, pero se recomienda la revisión del gerente”
Baja confianza – “Esta situación es inusual. Estoy llegando a un especialista que puede proporcionar mejor orientación”

Explique lo que significa el nivel de confianza para la fiabilidad: “Las recomendaciones de alta confianza son correctas aproximadamente el 95% de las veces basándose en validación histórica”.

Para decisiones de confianza moderada o baja, explique qué revisión adicional se producirá: “Debido a que esta solicitud está fuera de nuestros parámetros estándar, será revisada por un especialista senior con la aprobación normalmente completada en 24 horas, o dentro de su acuerdo de nivel de servicio (SLA) acordado”.

Cuando corresponda, muestre a los usuarios qué cambiaría el resultado. Contrafactuals permite a los usuarios mejorar resultados a través de acciones específicas en vez de solo informarles de decisiones ya tomadas.

Por ejemplo: “Su puntuación de candidato aumentaría con información de empleo verificada (+8 puntos) y referencias de crédito adicionales (+5 puntos). Proporcionar esta documentación movería su solicitud a la cola de revisión de prioridad”.

Los contrafactuales son potentes mecanismos de transparencia pero requieren un diseño cuidadoso. Evite proporcionar datos contrafácticos que fomenten el juego del sistema o que revelen inadvertidamente características protegidas como factores de decisión. “Su solicitud tendría una puntuación más alta si tuviera 10 años menos” es discriminación ilegal, no transparencia útil.

En algunas jurisdicciones, la revelación clara de que los usuarios están interactuando con un bot es un requisito legal, no solo una práctica recomendada de diseño. Indique claramente cuándo interactúan los usuarios con agentes Agentforce en vez de agentes humanos. La revelación debe ser prominente y continua, no enterrada en términos de servicio o mostrada solo una vez al inicio de la interacción.

Mostrar indicadores visuales persistentes:

Avatar de agente claramente marcado como “Asistente de IA”
Encabezado mostrando “Está chateando con un Agente de servicio Agentforce”
Opción para “Conectar con agente humano” visible durante toda la conversación

La revelación respeta la autonomía del usuario permitiendo la elección fundamentada sobre el modo de interacción. Los usuarios que prefieren la interacción humana deben tener esa opción sin fricciones ni penalizaciones de calidad de servicio.

Las funciones de la plataforma Salesforce como Supervisión de eventos y Seguimiento de auditoría de campo, que son anteriores a la IA de agentes, amplían la responsabilidad algorítmica a las decisiones que toman los agentes individuales.

Supervisión de eventos para acciones de agentes: Supervisión de eventos captura el acceso a datos de agentes, llamadas de API y cambios del sistema con integridad controlada por Salesforce. Supervisión de eventos de transmisión registra en SIEM externo para la retención a largo plazo y manipular pruebas que cumplen los requisitos normativos para decisiones consiguientes.

Configure Supervisión de eventos para realizar un seguimiento de:

Registros de eventos de API que muestran interacciones del sistema de agentes
Eventos de inicio de sesión para cuentas de servicio de agentes
Exportaciones de informes cuando los agentes acceden a datos masivos
Seguimiento de auditoría de campo para datos influenciados por IA: El historial de campos estándar conserva los cambios de datos durante 18 meses (24 meses a través de la API). Seguimiento de auditoría de campo le permite mantener el historial de campos indefinidamente (archivándolo después de hasta 18 meses, luego reteniendo los datos archivados hasta que los elimine), admitiendo auditorías de equidad a largo plazo e investigaciones reguladoras. Active Seguimiento de auditoría de campo en los objetos que almacenan o están influenciados por decisiones de agentes, seleccionando entre los objetos estándar que admite Seguimiento de auditoría de campo además de cualquier objeto personalizado con seguimiento del historial de campo activado (hasta 200 campos por objeto).

Para decisiones de crédito, decisiones de empleo y otros casos de uso de alto riesgo, la retención de varios años puede ser un requisito normativo. Los periodos de retención varían según el régimen. Confirme el requisito aplicable para su caso de uso.

Supervisión de eventos Shield para apuestas más altas: Supervisión de eventos Shield proporciona funciones de auditoría mejoradas con campos de eventos estructurados e integración con herramientas de creación de informes de cumplimiento. Los datos de Archivo de registro de eventos se mantienen durante un año de forma predeterminada para los clientes de Supervisión de eventos y Shield. Utilice Shield para decisiones de agentes de mayor riesgo donde la integridad del seguimiento de auditoría es crítica.

Almacene información suficiente para reconstruir cualquier decisión de agente histórico con precisión:

Versión de modelo: Registre qué versión de modelo (modelo de base, versión de solicitud, Id. de modelo ajustado) tomó cada decisión. Las versiones de modelo cambian con frecuencia y producen resultados diferentes. El seguimiento de versión preciso activa el análisis de causa raíz cuando se descubre un sesgo.
Valores de función de entrada: Almacene valores de entrada exactos en el momento de la decisión, no valores actuales que pueden haber cambiado. Las instantáneas de entrada le permiten probar si una decisión sería diferente con los datos actuales, o confirmar que la decisión original era correcta dada la información disponible en ese momento.
Estado de configuración: Reglas comerciales, umbrales de registro y parámetros activos en el momento de la decisión. Los cambios de configuración afectan a los resultados. El historial de configuración permite determinar si la desviación de decisiones refleja cambios de modelo o cambios de configuración.
Contexto ambiental: Capturar contexto relevante: identidad de usuario, marca de tiempo, historial de conversación, contexto de sesión. El contexto afecta al comportamiento de los agentes y debe preservarse para una reconstrucción precisa.

La detección de sesgos debe ser continua, no una validación puntual antes de la implementación. Los agentes evolucionan a través de actualizaciones de solicitudes, cambios de versión de modelo de base y distribuciones de datos cambiantes.

Paneles de mediciones de equidad: Cree paneles de CRM Analytics realizando un seguimiento de mediciones de equidad desde registros de Capa Einstein Trust. Supervise la paridad demográfica, la igualdad de oportunidades y los índices de impacto dispares de forma continua. Configure alertas cuando las mediciones incumplen umbrales definidos.

Cree un panel mostrando:

Distribución de decisiones por segmentos demográficos de clientes (gráficos de barras)
Mediciones de equidad a lo largo del tiempo (líneas de tendencia con umbrales de alerta)
Cálculos de índice de impacto dispar con indicador de regla de cuatro quintos
Predictores principales que contribuyen a decisiones, donde el modelo subyacente los expone
Índice de anulación por grupo demográfico
Detección de turnos de distribución: Supervise las distribuciones de entrada de agentes para cambios que indican posibles problemas de equidad. Si la composición demográfica de los usuarios que reciben decisiones de agentes cambia significativamente de los datos demográficos de entrenamiento, la equidad del modelo puede degradarse.

Alerta cuando cambian las distribuciones de entrada: “La distribución de segmentos de clientes para el enrutamiento de candidatos Agentforce cambió un 15% hacia Enterprise en los últimos 30 días. Revise si la lógica de enrutamiento sigue siendo justa para clientes de PYME que ahora reciben diferentes patrones de servicio”.

Integración de comentarios de usuarios: Permita a los usuarios reportar sesgos percibidos a través de mecanismos accesibles. Los informes de usuario afloran problemas cualitativos que las mediciones cuantitativas pierden.

Agregue la opción “Report Concern” a la interfaz de chat Agentforce. Enrute informes a la junta de revisión de ética con contexto de conversación completo. Realice un seguimiento de informes en un objeto personalizado con un flujo de trabajo de investigación requerido y resolución documentada.

Diseñe arquitecturas de agentes anticipando auditorías externas por reguladores, organizaciones de derechos civiles o clientes que requieren demostraciones de responsabilidad algorítmicas.

Capacidades de exportación: Cree funciones de exportación que permitan a los equipos de cumplimiento extraer conjuntos de datos de decisiones completos con estratificación demográfica para la revisión de auditores externos. Los exportadores deben respetar las leyes de privacidad de datos y proporcionar transparencia suficiente para la validación de equidad.
Documentación de auditoría: Mantenga la documentación actual:
Propósito del agente y casos de uso previstos
Datos demográficos de entrenamiento y limitaciones conocidas
Mediciones de equidad calculadas antes de la implementación y en producción
Estrategias de mitigación del sesgo aplicadas
Configuraciones de supervisión humana
Supervisión del enfoque y umbrales de alerta
Asignaciones de responsabilidad (propietario del modelo, propietario de la decisión, autoridad de apelación)
Evaluaciones de impacto algorítmicas: Antes de implementar agentes que toman decisiones consecuentes, realice evaluaciones de impacto evaluando posibles efectos positivos y negativos entre grupos de partes interesadas. Las evaluaciones de impacto demuestran la diligencia debida y la gestión de riesgos proactiva valorada por los reguladores.

Los usuarios mantienen un control significativo sobre cómo Agentforce afecta a su experiencia.

Inscripción para agentes resultantes: Los agentes que toman decisiones que afectan significativamente a los usuarios requieren suscripción explícita en vez de estar activos de forma predeterminada. Los agentes de decisión de crédito, los agentes de selección de empleo y los agentes de aptitud de servicio se activan solo después de que los usuarios den su consentimiento, con una comprensión clara de cómo les afectará el agente.
Consentimiento granular: Active el consentimiento por caso de uso de agente en vez de el consentimiento de IA general. Un cliente podría dar su consentimiento a agentes de servicio Agentforce mientras rechaza agentes de ventas Agentforce. La arquitectura que admite el seguimiento de consentimiento a nivel de caso de uso es una entrada; las pruebas y la auditoría periódica de la lógica de aplicación ayudan a confirmar que las puertas de consentimiento se mantienen en la práctica.
Consentimiento dinámico para nuevas funciones: Al implementar nuevas funciones Agentforce que afectan a usuarios existentes, busque de forma proactiva el consentimiento para nuevos casos de uso en vez de basarse en el consentimiento original que no contemplaba aplicaciones específicas. Cada función de agente materialmente nueva que afecta a los usuarios desencadena la comprobación de consentimiento con una explicación clara.
Retirada del consentimiento con efecto inmediato: Permita a los usuarios retirar el consentimiento en cualquier momento con el cese inmediato del procesamiento de agentes. Retirar el consentimiento debe ser tan fácil como otorgarlo, sin que se requieran contactos de asistencia o procesos burocráticos.

Gestión de preferencias: Permita a los usuarios configurar el comportamiento de agentes dentro de límites definidos:
- Estilo de comunicación (explicaciones concisas frente a detalladas)
- Nivel de proactividad (solo responder cuando se le pregunte frente a sugerir de forma proactiva)
- Preferencia de distribución (prefiere resolución de IA frente a prefiere humano rápidamente)

Almacene preferencias en campos personalizados de registro Usuario. Preferencias de referencia en solicitudes del sistema de agentes: “El usuario prefiere explicaciones detalladas. Proporcione respuestas integrales con razonamientos complementarios”.

Traspaso humano bajo demanda: Proporcione la opción persistente “Conectar con agente humano” en todas las interacciones Agentforce sin requerir que los usuarios completen interacciones de agentes o expliquen por qué prefieren seres humanos.

Configure el enrutamiento de traspaso inmediato: Cuando el usuario selecciona “Agente humano”, enrute a OmniCanal con contexto de conversación completo y un indicador de prioridad indicando la preferencia del usuario. No se aplican sanciones de tiempo de espera o servicio degradado para elegir la interacción humana.

Indicadores de transparencia: Marque claramente las interacciones de agentes con indicadores visuales persistentes que permiten a los usuarios mantener la conciencia del modo de interacción. Los usuarios que olvidan que están interactuando con agentes pueden tener expectativas poco realistas o percibir engaño cuando afloran limitaciones.

Diseñe agentes que producen resultados equitativos entre grupos demográficos protegidos a través de opciones arquitectónicas intencionadas.

Los agentes que toman decisiones consecuentes no deben discriminar basándose en características protegidas (incluyendo raza, género, edad, discapacidad, religión, origen nacional u orientación sexual) a menos que se justifique legalmente para fines específicos como ajustes de discapacidad.

Auditoría de funciones: Revise todos los orígenes de datos utilizados en el razonamiento de agentes para contenido característico protegido. Los datos de CRM, los segmentos de Data 360 y las bases Knowledge pueden contener información demográfica que los agentes no deben tener en cuenta para ciertas decisiones.

Elimine o enmascare características protegidas de entradas de agentes cuando esas características no están justificadas legalmente para el tipo de decisión. Para decisiones de crédito, excluya el estado de discapacidad, ya que es irrelevante. Para las solicitudes de alojamiento por discapacidad, el estado de discapacidad es esencial y debe incluirse.

Ingeniería de solicitudes para la no discriminación: Incluya instrucciones explícitas de no discriminación en solicitudes del sistema de agentes:

“Eres un Agente de servicio al cliente. Trate a todos los clientes con la misma profesionalidad independientemente de su nombre, ubicación, estilo de comunicación o cualquier otra característica. Proporcione recomendaciones de igual calidad y detalle a todos los clientes. Nunca haga suposiciones sobre clientes basándose en características demográficas”.

Pruebas con personas demográficas: Antes de la implementación de producción, pruebe agentes con diversas personas que representan grupos protegidos. Genere solicitudes idénticas variando solo las señales demográficas (incluyendo nombres que sugieren diferentes etnias, ubicaciones que sugieren diferentes regiones y estilos de comunicación que sugieren diferentes niveles educativos).

Compare respuestas de agentes entre personas por calidad, longitud, profesionalidad y resultados. Las diferencias indican sesgos que requieren mitigación.

Supervise la calidad del servicio Agentforce en datos demográficos de clientes garantizando experiencias comparables:

Índice de resolución por segmento: Calcule índices de resolución de primer contacto estratificados por segmento de cliente. Si los clientes de Enterprise alcanzan una resolución del 75% mientras que los clientes de PYME alcanzan una resolución del 55%, investigue si la calidad de la base Knowledge, la formación de agentes o las capacidades de productos varían por segmento.
Calidad de respuesta por segmento: Muestre conversaciones de agentes entre segmentos y haga que los revisores evalúen la calidad de la respuesta en dimensiones coherentes: precisión, integridad, profesionalismo, servicialidad. Las pruebas de fiabilidad entre calificadores garantizan que los revisores apliquen estándares coherentes.
Índice de distribución por segmento: Realice un seguimiento de la frecuencia con la que los agentes se distribuyen a personas estratificadas por datos demográficos de clientes. Los índices de distribución más altos para ciertos segmentos indican que los agentes son menos efectivos para esos usuarios, creando disparidades de calidad de servicio.
Satisfacción por segmento: Encuesta a usuarios de todos los grupos demográficos y compara puntuaciones de satisfacción. En general, la alta satisfacción puede enmascarar experiencias deficientes para grupos minoritarios ahogados por la satisfacción mayoritaria.

Las interfaces Agentforce deben ser accesibles para usuarios con discapacidad que cumplan las normas WCAG 2.2 AA. Haga referencia al componente Salesforce Lightning Design System y a bibliotecas de patrones para componentes Agentforce reutilizables y accesibles y patrones de diseño. Estos patrones hacen que las experiencias de agentes sean accesibles, coherentes y aprendibles.

Compatibilidad con lectores de pantalla: Los componentes de mensajería Lightning que proporcionan interfaces de chat Agentforce incluyen accesibilidad de línea base cuando se utilizan según lo diseñado. Las implementaciones de chat personalizadas requieren una implementación de accesibilidad manual:
Estructura HTML semántica con puntos de referencia apropiados
Regiones en vivo de ARIA anunciando nuevos mensajes
Navegación del teclado por el historial de mensajes
Indicadores de enfoque claros en elementos interactivos

Pruebe con tecnología de asistencia de lector de pantalla JAWS, NVDA y VoiceOver durante todo el desarrollo, no solo el escaneo automatizado.

Accesibilidad cognitiva: Las respuestas de agentes utilizan un lenguaje sencillo para audiencias generales. Evite la jerga y proporcione glosarios para términos técnicos inevitables. Estructurar respuestas largas con encabezados y utilizar listas con viñetas o numeradas para facilitar la comprensión cuando sea apropiado.
Equidad de idiomas: Agentforce admite múltiples idiomas a través de funciones multilingüe de modelo de base. Valide la calidad de la respuesta es comparable entre idiomas a través de la evaluación del hablante nativo, no solo mediciones automatizadas que pierden matices culturales.

Para casos de uso críticos para el negocio que sirven a poblaciones de idiomas diversas, configure la gestión específica del idioma (variables de idioma, solicitudes traducidas y filtrado de artículos Knowledge por idioma) y valide la calidad por idioma en vez de basarse únicamente en la transferencia multilingüe del modelo de base, que puede proporcionar una calidad degradada para idiomas de menores recursos.

Implemente la equidad para Agentforce en fases alineadas con la madurez de implementación de agentes.

Fase 1: Foundation (antes de cualquier agente de producción)

Establecer junta de revisión de ética con autoridad de aplicación
Asignaciones de responsabilidad de documentos (propietario del modelo, propietario de la decisión, autoridad de apelación)
Activar captura de auditoría de Capa Einstein Trust
Configurar Supervisión de eventos para acciones de agentes
Crear paneles de supervisión de equidad de línea base en CRM Analytics
Definir puertas de implementación obligatorias: auditoría de datos, mediciones de equidad, evaluación de impacto

Fase 2: Primer agente de producción

Realizar una evaluación de impacto integral para casos de uso
Datos de entrenamiento/RAG de auditoría para representación demográfica
Calcular mediciones de equidad entre grupos demográficos
Implementar un patrón de supervisión humana (humano al día, aumento de la confianza o limitado por el tiempo)
Configurar el mecanismo de creación de informes de sesgos para usuarios
Versión del modelo de documento, configuración y enfoque de reconstrucción de decisiones

Fase 3: Supervisión continua

Supervise paneles de equidad semanalmente, investigando infracciones de umbral en 24 horas (o el SLA de respuesta acordada de su organización)
Realizar análisis de patrón de anulación mensual identificando problemas sistemáticos
Revisar informes de sesgos de usuario semanalmente con resultados de investigación documentados
Realizar auditorías de equidad integrales trimestrales para agentes de alto riesgo
Actualizar documentación a medida que los agentes evolucionan a través de actualizaciones de solicitudes o cambios de modelo

Fase 4: Escala y gobernanza

Crear plantillas de paneles de equidad reutilizables para tipos de agentes comunes
Crear herramientas de reconstrucción de decisiones de agentes que permitan el autoservicio del equipo de cumplimiento
Estandarizar patrones de gestión de consentimiento entre todos los nuevos agentes
Implementar pruebas de regresión de equidad automatizadas en oportunidades en curso de CI/CD
Programar auditorías de equidad externas semestrales por terceros
Mantener la supervisión reguladora y adaptarse a obligaciones activas y emergentes, incluyendo la Ley de IA de la UE (introducción gradual hasta 2025-2027), leyes estatales y regulaciones sectoriales

La equidad es una preocupación arquitectónica principal para sistemas de agentes en Salesforce Platform. Las organizaciones que diseñan Agentforce con equidad como una preocupación arquitectónica de primera clase se posicionan por delante de los requisitos reguladores mientras crean soluciones en las que todos los usuarios pueden Trust y utilizar de forma efectiva. Las funciones de plataforma existen. La pregunta es si los arquitectos los utilizarán.

Comparta sus comentarios sobre el Marco bien diseñado.