Excelencia operativa - Patrones agentes

Obtenga más información acerca de Excelencia operativa bien arquitectónica → Agentic Enterprise Operational Excellence

Patrones

Dónde buscar	Qué buen aspecto tiene
Agentforce \| Rastreo de sesiones	✅ Utilice el modelo de datos de rastreo de sesiones (STDM) nativo capturando interacciones de agentes en un modelo de datos unificado en Data 360 en vez de crear un sistema de telemetría paralelo: registrando cada conversación como una jerarquía de rastreo de sesiones, interacciones (turnos) y pasos (UserInputStep, LLMExecutionStep, FunctionStep)
Agentforce \| Rastreo de sesiones	✅ Confíe en los objetos STDM estándar (AIAgentSession, AIAgentSessionParticipant, AIAgentInteraction, AIAgentInteractionStep, AIAgentInteractionMessage), que capturan acciones de forma nativa como pasos de interacción en vez de requerir un registro de acciones separado
Agentforce \| Rastreo de sesiones	✅ Recupere detalles de uso, modelo y solicitud de token uniendo pasos de interacción a sus registros de llamadas LLM (a través de referencias GenerationId y GenAiGatewayRequest/Response) en vez de almacenarlos como campos de sesión personalizados
Agentforce \| Rastreo de sesiones	✅ Capturar rastreos de razonamiento desde el Motor de razonamiento Atlas: Rastreo de sesiones registra los pasos del planificador como parte de cada interacción, para revelar procesos de decisión de agentes y mejorar la depuración
Agentforce \| Configuración de agentes	✅ Registrar detalles de nivel de turno incluyendo entrada de usuario, respuesta de agente, explicación de razonamiento, puntuaciones de confianza, contexto recuperado, acciones intentadas y errores encontrados
Einstein \| Capa de Trust	✅ Active el seguimiento de auditoría de IA generativa de Capa Einstein Trust (texto de solicitud y respuesta, versiones enmascaradas de PII, datos de fundamentación, puntuaciones de seguridad y toxicidad, detalles de modelo) transmitido a Data 360, además de IA generativa Einstein y recopilación y almacenamiento de datos de comentarios para la retención a largo plazo
Plataforma \| Objetos personalizados	✅ Reserve objetos de registro personalizados para excepciones deliberadas (como un objeto ligero que correlacione el comportamiento de los agentes con resultados comerciales) en vez de convertirlos en el sustrato de registro principal
Plataforma \| Panel	✅ Correlacione el comportamiento de los agentes con los resultados comerciales, identifique oportunidades de mejora a través del análisis de patrones y alimente oportunidades en curso de aprendizaje continuo con ejemplos etiquetados como de calidad

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Objetos personalizados	⚠️ Creación manual de objetos transaccionales personalizados como sustrato de registro de conversaciones principal en vez del modelo de datos de rastreo de sesiones nativo, encontrando problemas de escala almacenando conversaciones de múltiples turnos, grandes cargas de JSON y un rápido crecimiento de datos
Agentforce \| Rastreo de sesiones	⚠️ Construcción de un sistema de telemetría paralelo cuando Rastreo de sesiones Agentforce ya captura interacciones en un modelo de datos unificado en Data 360
Agentforce \| Configuración de agentes	⚠️ Registrar solo respuestas de agentes sin capturar entradas, rastreos de razonamiento, contexto recuperado y acciones realizadas
Einstein \| Capa de Trust	⚠️ Desactivación del seguimiento de auditoría Capa Einstein Trust en producción o no activación de Recopilación y almacenamiento de datos de comentarios para la retención a largo plazo en Data 360
Plataforma \| Supervisión	⚠️ Confiar únicamente en el éxito/fallo de la conversación sin capturar el uso del token, el modelo y los detalles de solicitudes a través de las uniones de llamadas LLM de STDM

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Supervisión	✅ Medir la latencia de respuesta en percentiles (p50, p95, p99) revelando rendimiento típico y experiencias en el peor de los casos
Plataforma \| Supervisión	✅ Instrumente cada fase de latencia por separado (inferencia de modelo, recuperación de contexto, ejecución de acción, red) permitiendo la optimización dirigida
Plataforma \| Supervisión	✅ Alerta cuando la latencia de p95 supera umbrales indicando degradación del rendimiento
Plataforma \| Supervisión	✅ Realizar un seguimiento de la distribución de tokens (tokens de solicitud, tokens de finalización, tokens en total) por conversación, por agente y por caso de uso
Plataforma \| Supervisión	✅ Detectar conversaciones atípicas que consumen tokens excesivos sugiriendo problemas de solicitud o mal uso
Plataforma \| Supervisión	✅ Comparar el rendimiento actual con límites de frecuencia conocidos o alertas de líneas base de capacidad al acercarse a umbrales
Plataforma \| Supervisión	✅ Calcular índices de error como porcentaje del total de solicitudes permitiendo la comparación entre agentes y periodos de tiempo
Plataforma \| Supervisión	✅ Distinguir entre categorías de error (errores de modelo, errores de permiso, errores de integración) que requieren diferentes respuestas
Plataforma \| Supervisión	✅ Calcular la disponibilidad como porcentaje de tiempo que los agentes responden con éxito a solicitudes y realizar un seguimiento con respecto a SLO
Plataforma \| Proactive Monitoring	✅ Configurar umbrales Proactive Monitoring basándose en patrones de comportamiento de agentes de línea base en vez de aceptar valores predeterminados
Plataforma \| Scale Center	✅ Revisar datos de Scale Center después de implementar nuevos agentes o realizar cambios significativos en las solicitudes validando el consumo de recursos coincide con las expectativas

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Supervisión	⚠️ Medición de solo la latencia media en vez de percentiles, enmascarando las experiencias de usuario más desfavorables
Plataforma \| Supervisión	⚠️ Seguimiento de la latencia total sin instrumentar fases individuales (inferencia, recuperación, ejecución de acciones)
Plataforma \| Supervisión	⚠️ Tratar todos los errores del mismo modo en vez de clasificar por tipo (modelo, permiso, integración) para una respuesta apropiada
Plataforma \| Proactive Monitoring	⚠️ Aceptación de umbrales predeterminados Proactive Monitoring sin ajustar patrones de comportamiento de agentes de línea base
Plataforma \| Scale Center	⚠️ Implementación de nuevos agentes o realización de cambios de solicitud sin revisar datos de Scale Center para validar el consumo de recursos
Plataforma \| Supervisión	⚠️ Ignorar patrones de consumo de tokens y no detectar conversaciones atípicas que consumen 10 veces tokens típicos

Patrones

Dónde buscar	Qué buen aspecto tiene
Agentforce \| Centro de pruebas	✅ Comience con herramientas de evaluación y pruebas nativas: mantener conjuntos de casos de prueba reutilizables en el Centro de pruebas de Agentforce y ejecutar agentes en su contra por lotes, comprobando si el agente seleccionó el tema y la acción esperados y produjo una respuesta aceptable
Agentforce \| Centro de pruebas	✅ Utilice evaluadores nativos (dimensiones de calidad listas para su uso y el enfoque LLM como juez para puntuar la calidad de las conversaciones) y evaluadores personalizados del autor para criterios específicos de la organización, utilizando conversaciones representativas de modo que la evaluación refleje el uso real
Agentforce \| Centro de pruebas	✅ Para preguntas fácticas con respuestas conocidas, mantenga afirmaciones de respuestas conocidas como casos de prueba repetibles en Centro de pruebas; para preguntas abiertas, agregue revisión humana de conversaciones de muestra
Data 360 \| Calidad de recuperación	✅ Para agentes basados en una base Knowledge, utilice el análisis de calidad de recuperación nativo para evaluar la relevancia del contexto, la relevancia de la respuesta y la fidelidad (fundamentación) de las respuestas
Einstein \| Capa de Trust	✅ Confíe en la detección de toxicidad en tiempo de ejecución de la Capa Einstein Trust como la primera línea de defensa de la barandilla, luego mejore la supervisión de seguridad a través del filtrado de contenido, muestreo de revisiones manuales, creación de informes de usuarios y auditorías de equidad entre grupos demográficos
Datos 360 \| GenAIFeedback	✅ Capturar la satisfacción de los usuarios a través de comentarios Agentforce fluyendo a los DMO GenAIFeedback / GenAIFeedbackDetail en Data 360 (pulgares hacia arriba/hacia abajo, aceptar/rechazar, modificaciones, comentarios literales) junto con la solicitud de pasarela y los datos de generación
Plataforma \| Analytics	✅ Combinar comentarios explícitos (preguntados antes de la distribución, después de la conversación, encuestas de seguimiento) con señales implícitas (índices de finalización, distribución, abandono, reintentos), correlacionados con características de la conversación para guiar la priorización de mejoras

Antipatrones

Dónde buscar	Aspecto negativo
Agentforce \| Centro de pruebas	⚠️ Creación y ejecución de un arnés de pruebas personalizado en vez de comenzar con los conjuntos de pruebas reutilizables del Centro de pruebas de Agentforce y los evaluadores nativos
Agentforce \| Centro de pruebas	⚠️ Basarse únicamente en la evaluación automatizada sin revisión humana para la evaluación de la calidad de respuestas abiertas
Plataforma \| Supervisión	⚠️ Supervisión solo de la precisión sin realizar un seguimiento de la relevancia, la seguridad y las dimensiones de satisfacción del usuario
Datos 360 \| GenAIFeedback	⚠️ No se recopilan comentarios de usuarios (explícitos o implícitos) sobre la calidad de la respuesta de agentes cuando los comentarios Agentforce ya fluyen a los DMO de GenAIFeedback
Agentforce \| Configuración de agentes	⚠️ Omisión de auditorías de equidad que evalúan distribuciones de resultados entre grupos demográficos

Patrones

Dónde buscar	Qué buen aspecto tiene
Agentforce \| Configuración de agentes	✅ Establecer el rendimiento de línea base inmediatamente después de la implementación de agentes midiendo la precisión, relevancia, seguridad y satisfacción entre casos de prueba representativos
Agentforce \| Configuración de agentes	✅ Volver a evaluar periódicamente con los mismos casos de prueba que revelan cambios de rendimiento independientes de los turnos de patrón de uso
Plataforma \| Supervisión	✅ Alerta cuando las mediciones de calidad disminuyen más allá de los umbrales aceptables definidos por la tolerancia al impacto comercial
Plataforma \| Analytics	✅ Supervisar características de entrada (longitud de pregunta, distribución de tema, complejidad de idioma, terminología de dominio) detectando turnos de distribución significativos
Plataforma \| Supervisión	✅ Supervisar características de respuesta (longitud media de respuesta, índices de invocación de acciones, frecuencias de distribución, patrones de error) estableciendo líneas base de comportamiento
Plataforma \| Supervisión	✅ Configurar alertas automatizadas que se activan cuando las mediciones de desviación superan umbrales desencadenando investigación y reparación

Antipatrones

Dónde buscar	Aspecto negativo
Agentforce \| Configuración de agentes	⚠️ No se establece el rendimiento de línea base después de la implementación inicial del agente, lo que hace que la desviación no sea detectable
Plataforma \| Supervisión	⚠️ Ignorar la desviación de distribución cuando los patrones de entrada de usuario cambian significativamente de lo que los agentes se diseñaron para gestionar
Plataforma \| Supervisión	⚠️ No supervisar los cambios de comportamiento (longitud de respuesta, índices de acción, frecuencias de distribución) con respecto a las líneas base establecidas
Plataforma \| Supervisión	⚠️ No tener alertas automatizadas para mediciones de desviación, basándose solo en observación manual para detectar degradación

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Supervisión	✅ Supervisar distribuciones de consumo de tokens detectando conversaciones atípicas e investigar aquellas que consumen 10 veces tokens típicos
Plataforma \| Supervisión	✅ Detectar aumentos repentinos en los índices de fallos, nuevos tipos de error que no están en la línea base o concentraciones de error localizadas que afectan a usuarios o agentes específicos
Plataforma \| Analytics	✅ Realizar un seguimiento del abandono de conversaciones por etapa de conversación identificando si los usuarios abandonan durante la interacción inicial, en medio de la conversación o después de la finalización de la tarea
Plataforma \| Supervisión	✅ Enrutar fallos críticos de agentes a ingenieros a petición de inmediato, degradación de la calidad a equipos de productos durante el horario de oficina y anomalías menores en resúmenes diarios

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Supervisión	⚠️ Tratar todas las alertas con igual urgencia, causando fatiga de alerta y fallos críticos fallidos
Plataforma \| Supervisión	⚠️ Ignorar anomalías de costes como picos de consumo de tokens que pueden indicar problemas de solicitud, abuso o problemas de infraestructura
Plataforma \| Analytics	⚠️ No realizar un seguimiento de los índices de abandono de conversaciones o no analizar el abandono por etapa
Plataforma \| Supervisión	⚠️ Esperando informes de usuario en vez de detectar picos de índice de error de forma proactiva a través de la supervisión automatizada

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Control de origen	✅ Almacenar plantillas de solicitudes en Git junto con solicitudes de tratamiento de código de aplicación como lógica de aplicación crítica que merece revisión de código, pruebas e implementación controlada
Einstein \| Generador de solicitudes	✅ Utilice Generador de solicitudes para el desarrollo de solicitudes iterativas con historial de versiones y funciones de prueba, luego exporte a control de versiones para oportunidades en curso de implementación
Plataforma \| Control de origen	✅ Configuraciones de establecimiento (selección de modelo, temperatura, límites de token, configuraciones de recuperación, permisos de acción, indicadores de función) como código que activa valores específicos del entorno y detección de desviación
Plataforma \| Control de origen	✅ Aplicar versión semántica a componentes de agentes: principal (cambios de última hora), menor (funciones), parche (correcciones de errores) con números de versión que aparecen en registros
Plataforma \| Documentación	✅ Documentar qué cambió, por qué cambió, qué pruebas validaron el cambio y qué procedimientos de reversión existen para cada solicitud y cambio de configuración

Antipatrones

Dónde buscar	Aspecto negativo
Einstein \| Generador de solicitudes	⚠️ Realizar cambios de solicitud sin revisión de código, pruebas o procesos de implementación controlados
Plataforma \| Configuración	⚠️ Almacenamiento de configuraciones de agentes fuera del control de origen donde no se puede detectar la desviación y las implementaciones no se pueden automatizar
Plataforma \| Documentación	⚠️ Realizar cambios de solicitud sin documentar la justificación, los resultados de pruebas o los procedimientos de reversión
Plataforma \| Control de origen	⚠️ No se aplica la versión semántica, lo que hace imposible correlacionar incidentes con implementaciones específicas

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Documentación	✅ Mantener un registro de modelo registrando qué versiones de modelo se implementan, incluyendo familia de modelos, versión específica, estado de ajuste, entorno, fecha de implementación y equipo responsable
Plataforma \| Documentación	✅ Registrar cada implementación de agentes incluyendo versión, entorno, marca de tiempo, usuario de implementación, aprobaciones obtenidas y resultado de implementación
Plataforma \| Documentación	✅ Asignar dependencias entre agentes, solicitudes, bases de Knowledge, acciones e integraciones de forma explícita en vez de descubrirlas durante incidentes
Negocio \| Proceso	✅ Establecer una programación de desaprobación con un periodo de notificación mínimo respaldado por póliza comunicado con suficiente antelación, permitiendo migraciones planificadas en vez de respuestas de emergencia a desaprobaciones forzadas
Plataforma \| Documentación	✅ Procedimientos de reversión de documentos para cada agente incluyendo versión de destino, pasos de ejecución, pruebas de validación y requisitos de notificación
Plataforma \| Escenificación	✅ Pruebe procedimientos de reversión en entornos que no son de producción validando que funcionan antes de depender de ellos durante incidentes de producción

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Documentación	⚠️ Descubrir dependencias entre agentes, solicitudes y bases Knowledge solo durante incidentes en vez de mantener mapas de dependencias explícitos
Negocio \| Proceso	⚠️ Notificación de desaprobación insuficiente que obliga a migraciones de emergencia en vez de transiciones planificadas
Plataforma \| Documentación	⚠️ Tener procedimientos de reversión no probados que fallan cuando más se necesitan durante incidentes de producción
Plataforma \| Implementación	⚠️ Implementar agentes sin registrar versión, entorno, aprobaciones o resultados, perdiendo capacidad para correlacionar incidentes con implementaciones

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Interfaz de usuario	✅ Recopilar comentarios explícitos (pulgares hacia arriba/hacia abajo, puntuaciones de calidad, comentarios) y comentarios implícitos (tasas de finalización, frecuencias de distribución, patrones de reintento) de forma sistemática
Data 360 \| Tratamiento de datos	✅ Depurar registros de conversaciones en conjuntos de datos de entrenamiento filtrando para la calidad, eliminando ejemplos problemáticos, garantizando representatividad y deduplicando
Data 360 \| Puesta a tierra	✅ Adaptar agentes a vocabulario de dominio, procesos comerciales y Knowledge específico de la organización principalmente a través de RAG basado en Data 360 y solicitar ajuste: la ruta de adaptación nativa de Salesforce
Einstein \| BYOLLM	✅ Cuando la fundamentación y el ajuste de solicitudes son insuficientes, ajuste un modelo de forma externa y conéctelo a través de BYOLLM en vez de esperar ajustes generativos en plataforma
Einstein \| Generador de solicitudes	✅ Establecer cadencia de revisión de solicitudes periódica examinando conversaciones recientes, mediciones de calidad y comentarios de usuarios identificando oportunidades de mejora
Einstein \| Generador de solicitudes	✅ Implemente cambios de solicitud de forma incremental con pruebas A/B validando mejoras antes de la implementación completa
Agentforce \| Configuración de agentes	✅ Mantener conjuntos de pruebas que cubren rutas felices, casos extremos, entradas adversarias y escenarios de problemas históricos, expandiéndose continuamente a medida que se descubren nuevos casos extremos

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Datos	⚠️ Intentar mejorar sin recopilación sistemática de comentarios, haciendo que las conjeturas de mejora sean más que dirigidas por datos
Data 360 \| Tratamiento de datos	⚠️ Uso de registros de conversación no depurados para la formación, incluyendo infracciones de seguridad, errores y ejemplos no representativos
Data 360 \| Puesta a tierra	⚠️ Alcance para el ajuste fino externo antes de agotar la fundamentación RAG y el ajuste de solicitudes, la ruta nativa que resuelve la mayoría de las necesidades de adaptación de dominios sin un modelo personalizado
Einstein \| Generador de solicitudes	⚠️ Tratar la ingeniería de solicitudes como un ejercicio puntual en vez de una práctica continua ajustada a medida que evolucionan los patrones de uso
Agentforce \| Configuración de agentes	⚠️ Tener conjuntos de pruebas estáticos que nunca se expanden para cubrir nuevos casos de borde descubiertos en producción

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Tipos de metadatos personalizados	✅ Implementar indicadores de funciones utilizando tipos de metadatos personalizados o configuración personalizada para desvincular la implementación de la versión para cambios de agentes de alto riesgo
Plataforma \| Conjuntos de permisos	✅ Implementar implementaciones canarias liberando cambios de agentes en un pequeño subconjunto de usuarios primero utilizando conjuntos de permisos que controlan el acceso de agentes
Agentforce \| Configuración de agentes	✅ Supervise la cohorte de canarias midiendo intensivamente índices de éxito, calidad, índices de error, latencia, consumo de tokens y satisfacción, y solo amplíe la implementación cuando el canario coincida o mejore en el grupo de control que ejecuta la versión de agente anterior
Plataforma \| Analytics	✅ Definir criterios de éxito antes de iniciar pruebas A/B evitando resultados ambiguos, alineados con objetivos comerciales
Agentforce \| Configuración de agentes	✅ Implementar pruebas de campeón-desafiante manteniendo la versión probada como reserva mientras se compara con la versión de retador mejorada
Negocio \| Proceso	✅ Establecer criterios de promoción objetivos incluyendo tamaño de muestra mínimo, umbrales de calidad y duración de evaluación antes de las decisiones de promoción

Antipatrones

Dónde buscar	Aspecto negativo
Agentforce \| Configuración de agentes	⚠️ Implementación de cambios de agentes para todos los usuarios simultáneamente sin pruebas canarias, maximizando el radio de explosión de problemas
Plataforma \| Implementación	⚠️ Implementación de cambios de agentes de alto riesgo sin marcas de función que activan la reversión instantánea sin reimplementación
Plataforma \| Analytics	⚠️ Ejecución de pruebas de A/B sin criterios de éxito predefinidos, lo que lleva a resultados ambiguos y malas decisiones
Plataforma \| Analytics	⚠️ Ejecución de experimentos con tamaño de muestra insuficiente produciendo resultados ruidosos que conducen a conclusiones incorrectas
Agentforce \| Configuración de agentes	⚠️ Uso de indicadores de función para cada cambio de solicitud menor en vez de reservarlos para cambios de alto riesgo para agentes clave para el negocio

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Supervisión	✅ Detectar fallos de agentes a través de alertas de supervisión automatizada sobre índices de error, degradación de mediciones de calidad, anomalías de costes, aumentos de latencia y distribuciones de usuarios
Plataforma \| Supervisión	✅ Complementar la detección automatizada con mecanismos de creación de informes de usuario que permiten la distribución de fallos de supervisión automatizada
Negocio \| Proceso	✅ Defina criterios de gravedad objetivamente basándose en impacto de usuario, radio de explosión, riesgo de integridad de datos y urgencia de recuperación
Plataforma \| Documentación	✅ Documentar procedimientos de respuesta inicial como libros de ejecución ejecutables por ingenieros a petición sin experiencia profunda de agentes
Agentforce \| Configuración de agentes	✅ Incluir en respuesta inicial: desactivar agente con fallos (disyuntor), enrutar a reserva, recopilar diagnósticos, notificar a las partes interesadas, iniciar comunicación de incidentes

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Supervisión	⚠️ Basarse en informes de usuario como mecanismo de detección principal en vez de supervisión automatizada para fallos de agentes
Negocio \| Proceso	⚠️ Uso de la clasificación de gravedad subjetiva que lleva a problemas reales sub-escalados o problemas menores sobre-escalados
Plataforma \| Documentación	⚠️ No tener listas de ejecución, lo que requiere investigación específica de incidentes por ingenieros con profunda experiencia de agentes durante cada incidente
Negocio \| Proceso	⚠️ Tratar los fallos de agentes de forma idéntica a los fallos de aplicaciones tradicionales sin tener en cuenta alucinaciones, respuestas fuera de tema o infracciones de seguridad

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Apex	✅ Implemente disyuntores con umbral de error configurable (por ejemplo, índice de error del 50%), plazo de duración (por ejemplo, plazo de 5 minutos) y pruebas de recuperación (solicitudes de prueba periódicas)
Agentforce \| Configuración de agentes	✅ Diseñar jerarquías de reserva: Agente sofisticado principal → Agente de copia de seguridad más sencillo → Respuestas de preguntas más frecuentes estáticas → Transferencia humana
Plataforma \| Orquestación	✅ Implementar lógica de reserva en la capa de orquestación en vez de dentro de agentes individuales permitiendo un comportamiento coherente en el ecosistema de agentes
Agentforce \| Configuración de agentes	✅ Diseñar flujos de trabajo de traspaso humano preservando el contexto de la conversación, comunicando el motivo de traspaso y enrutando a agentes humanos apropiados con experiencia relevante
Plataforma \| Supervisión	✅ Supervisar los índices de transferencias por tema, agente y motivo de fallo para identificar brechas de capacidad de agentes
Agentforce \| Configuración de agentes	✅ Cuando falla un razonamiento sofisticado, recurrir a una lógica más sencilla; cuando los datos en tiempo real no están disponibles, operar en datos en caché; cuando fallan las integraciones, operar en modo de solo lectura
Plataforma \| Orquestación	✅ Pruebe rutas de reserva regularmente validando que funcionan cuando es necesario

Antipatrones

Dónde buscar	Aspecto negativo
Agentforce \| Configuración de agentes	⚠️ No tener disyuntores, lo que permite que los agentes con fallos afecten repetidamente a los usuarios mientras se resuelven los problemas
Plataforma \| Orquestación	⚠️ Implementar lógica de reserva dentro de agentes individuales en vez de en la capa de orquestación, creando un comportamiento incoherente
Agentforce \| Configuración de agentes	⚠️ Diseñar agentes binarios de aprobación/fallo que funcionan perfectamente o fallan completamente sin opciones de degradación elegantes
Plataforma \| Orquestación	⚠️ Nunca probar rutas de reserva, descubriendo que no funcionan solo durante incidentes reales
Agentforce \| Configuración de agentes	⚠️ Traspaso humano que pierde contexto de conversación forzando a los usuarios a repetir información

Patrones

Dónde buscar	Qué buen aspecto tiene
Negocio \| Proceso	✅ Realizar revisiones posteriores a incidentes sin culpa centrándose en mejoras del sistema en vez de fallos individuales creando seguridad psicológica
Negocio \| Proceso	✅ Crear una cronología detallada desde las condiciones iniciales a través de la detección, investigación, respuesta, recuperación y validación con marcas de tiempo
Negocio \| Proceso	✅ Utilice la técnica de “Cinco por qué” taladrando desde síntomas a causas fundamentales en vez de conclusiones simplistas
Negocio \| Proceso	✅ Analizar factores que contribuyen incluyendo brechas de supervisión, brechas de prueba, brechas de documentación, brechas de automatización y brechas arquitectónicas
Negocio \| Proceso	✅ Evaluar detección: qué señal debería haber detectado el problema antes, qué supervisión permite una detección más rápida
Negocio \| Proceso	✅ Especifique elementos de acción concretos, asignados y con plazos específicos que eviten la repetición (por ejemplo, “agregue alerta para índices de error que superen el 5% durante 10 minutos - asignados: Alex - vencido: 2 semanas”)
Negocio \| Proceso	✅ Realizar un seguimiento de la finalización de elementos de acción en revisiones posteriores garantizando que se produzca una mejora continua
Plataforma \| Documentación	✅ Documentar revisiones posteriores a incidentes en base de Knowledge compartida con etiquetado que activa el análisis de patrones entre múltiples incidentes
Negocio \| Proceso	✅ Compartir revisiones posteriores a incidentes más allá de los respondedores de incidentes inmediatos a través de reuniones de equipo o sesiones de almuerzo y aprendizaje

Antipatrones

Dónde buscar	Aspecto negativo
Negocio \| Proceso	⚠️ Postmortems centrados en la culpa que reducen la seguridad psicológica y evitan la evaluación honesta de fallos
Negocio \| Proceso	⚠️ Conclusiones de causa raíz simplistas (“el agente tenía un fallo”) en vez de hallazgos específicos que permiten una solución efectiva
Negocio \| Proceso	⚠️ Elementos de acción vagos como “mejorar la supervisión” en vez de tareas específicas, asignadas y con plazos específicos
Negocio \| Proceso	⚠️ Índices de finalización de elementos de acción bajos que indican fallos de procesos de mejora continua
Negocio \| Proceso	⚠️ Mantener los aprendizajes posteriores a incidentes aislados a los respondedores inmediatos en vez de compartir ampliamente para el aprendizaje organizacional

Patrones

Dónde buscar	Qué buen aspecto tiene
Negocio \| Proceso	✅ Validar lista de comprobación previa a la implementación incluyendo pruebas, revisión de seguridad, validación de cumplimiento, documentación, configuración de supervisión y aprobación de partes interesadas
Negocio \| Proceso	✅ Evaluar el riesgo en base al radio de explosión, la sensibilidad de los datos, la autoridad de acción, las dependencias de integración, la complejidad de la recuperación y las implicaciones de cumplimiento
Negocio \| Proceso	✅ Escala de requisitos de aprobación basándose en riesgo: alto riesgo requiere aprobación ejecutiva, revisión de seguridad e implementación gradual; bajo riesgo requiere revisión por pares y pruebas estándar
Plataforma \| Procesos de aprobación	✅ Implementar flujos de trabajo de aprobación automatizados, con seguimiento y auditables utilizando procesos de aprobación de Salesforce o herramientas de implementación externas
Negocio \| Proceso	✅ Definir procedimientos de omisión de emergencia que requieren aprobación ejecutiva, documentación justificativa y revisión posterior a la implementación acelerada
Plataforma \| Supervisión	✅ Realizar un seguimiento de las implementaciones de emergencia por separado; la alta frecuencia de implementación de emergencia indica problemas del proceso que requieren investigación

Antipatrones

Dónde buscar	Aspecto negativo
Negocio \| Proceso	⚠️ Aplicar profundidad de aprobación uniforme independientemente del perfil de riesgo de los agentes, malgastar esfuerzos en agentes de bajo riesgo o subrevisar los de alto riesgo
Negocio \| Proceso	⚠️ Implementación de agentes de producción sin validación de lista de comprobación previa a la implementación de pruebas, seguridad, cumplimiento y supervisión
Plataforma \| Implementación	⚠️ No tener procedimientos de omisión de emergencia, lo que provoca retrasos críticos durante incidentes de producción
Negocio \| Proceso	⚠️ Requieren frecuentemente despliegues de emergencia, indicando procesos estándar rotos en vez de circunstancias excepcionales

Patrones

Dónde buscar	Qué buen aspecto tiene
Agentforce \| Configuración de agentes	✅ Características de salida de prueba (contiene información requerida, mantiene el tono apropiado, incluye citas) en vez de texto exacto para salidas de agentes no deterministas
Agentforce \| Configuración de agentes	✅ Establecer umbrales de calidad mínimos (por ejemplo, “95% de precisión en el conjunto de pruebas retenido, cero infracciones de seguridad, auditoría de equidad no muestra disparidades demográficas que superen el 5%“)
Agentforce \| Configuración de agentes	✅ Realizar pruebas de seguridad con entradas adversarias incluyendo inyección rápida, intentos de fuga de la cárcel, distribución de solicitudes y solicitudes fuera del ámbito
Agentforce \| Configuración de agentes	✅ Tener pruebas de seguridad realizadas por miembros del equipo no implicados en el desarrollo de agentes proporcionando una perspectiva actualizada sobre vulnerabilidades
Plataforma \| Pruebas de rendimiento	✅ Prueba bajo carga realista incluyendo conversaciones simultáneas, longitudes de conversación típicas y volumen de uso proyectado
Plataforma \| Seguridad	✅ Validar que los agentes no pueden acceder a datos no autorizados, no pueden realizar acciones no autorizadas y que la inyección rápida no puede distribuir privilegios
Plataforma \| CI/CD	✅ Integrar el análisis de seguridad en oportunidades en curso de implementación utilizando Salesforce Code Analyzer y herramientas de seguridad de IA especializadas

Antipatrones

Dónde buscar	Aspecto negativo
Agentforce \| Configuración de agentes	⚠️ Agentes de prueba para coincidencia de texto exacta en resultados no deterministas en vez de probar características de resultados
Plataforma \| Pruebas de rendimiento	⚠️ Solo pruebas con escenarios de un solo usuario, problemas de límite regulador que faltan, restricciones de recursos y cuellos de botella de escalabilidad
Agentforce \| Configuración de agentes	⚠️ Omitir las pruebas de seguridad o hacer que los desarrolladores prueben sus propios agentes sin una nueva perspectiva de vulnerabilidades
Plataforma \| Seguridad	⚠️ No probar si la inyección rápida puede distribuir privilegios de agentes o acceder a datos no autorizados
Agentforce \| Configuración de agentes	⚠️ Tener conjuntos de pruebas estáticos que no representan diversidad de uso real incluyendo diferentes tipos de usuario y complejidades de conversación

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Documentación	✅ Documente cada cambio: qué cambió, por qué, qué pruebas lo validaron y qué procedimiento de reversión existe
Negocio \| Comunicación	✅ Notificar a todas las partes interesadas (usuarios, equipos de operaciones, asistencia, negocio) describiendo qué está cambiando, cuándo, qué beneficios, qué riesgos y con quién contactar
Negocio \| Comunicación	✅ Establecer plantillas de comunicación para diferentes tipos de cambios estandarizando mensajes y reduciendo los gastos generales de preparación
Plataforma \| Supervisión de eventos	✅ Implementaciones de agentes de tiempo durante periodos de bajo uso informadas por datos de Supervisión de eventos que muestran patrones de uso reales
Negocio \| Proceso	✅ Implemente cambios importantes de agentes de principios a mediados de semana evitando fines de semana con capacidad de respuesta a incidentes reducida
Negocio \| Proceso	✅ Establecer periodos de congelación de cambios antes de eventos comerciales importantes (final del año fiscal, lanzamientos de productos, campañas de marketing importantes)
Negocio \| Proceso	✅ Calendario de congelación de cambios de documentos comunicando anualmente periodos restringidos con suficiente antelación

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Implementación	⚠️ Implementación durante el uso máximo, cierre de fin de mes, cierre de fin de trimestre o eventos comerciales importantes
Plataforma \| Implementación	⚠️ Implementación los lunes (aumento) o viernes (reducción de plantilla) cuando la capacidad de respuesta ante incidentes es limitada
Negocio \| Proceso	⚠️ Tener congelaciones de cambios excesivas que ralentizan la velocidad de mejora sin reducción de riesgo proporcionada
Negocio \| Comunicación	⚠️ Implementar cambios de agentes sin notificar a los usuarios afectados, equipos de operaciones, equipos de asistencia o partes interesadas comerciales
Plataforma \| Documentación	⚠️ Realizar cambios sin documentar la justificación, creando organizaciones que redescubran lecciones en vez de aprovechar la experiencia

Patrones

Dónde buscar	Qué buen aspecto tiene
Plataforma \| Interfaz de usuario	✅ Implementar la recopilación de comentarios dentro de la interfaz de usuario de la conversación permitiendo la respuesta inmediata mientras la interacción está actualizada en vez de la recopilación retrasada
Plataforma \| Analytics	✅ Consultar registros de conversaciones analizando tipos de preguntas, longitudes de conversaciones, índices de éxito por tema y satisfacción del usuario por características de conversación
Plataforma \| Analytics	✅ Analizar la agrupación de registros de errores por tipo de error, usuarios afectados, patrones de conversación y distribución temporal para revelar problemas sistemáticos
Plataforma \| Analytics	✅ Priorice la solución de errores por frecuencia e impacto: errores de alta frecuencia que afectan a muchos usuarios garantizan una atención inmediata
Plataforma \| Supervisión	✅ Establecer líneas base de calidad después de la implementación inicial y supervisar la calidad continua con respecto a las líneas base alertando cuando disminuyen las tendencias

Antipatrones

Dónde buscar	Aspecto negativo
Plataforma \| Interfaz de usuario	⚠️ Demorar la recopilación de comentarios (por ejemplo, correos electrónicos de seguimiento días después) reduciendo los índices de respuesta e introduciendo sesgos de recuperación
Plataforma \| Analytics	⚠️ No analizar patrones de uso para determinar si los agentes justifican la complejidad operativa o si las funciones están infrautilizadas
Plataforma \| Analytics	⚠️ Tratar todos los errores por igual en vez de priorizar por frecuencia e impacto comercial
Plataforma \| Supervisión	⚠️ Tomar decisiones de mejora sin datos, careciendo de líneas base de calidad y supervisión de tendencias

Patrones

Dónde buscar	Qué buen aspecto tiene
Negocio \| Proceso	✅ Proporcionar una estructura de experimento coherente: hipótesis, diseño experimental, mediciones, tamaño de muestra y criterios de éxito
Negocio \| Proceso	✅ Documentar experimentos antes de la ejecución evitando la interpretación ambigua de resultados
Plataforma \| Analytics	✅ Realizar un seguimiento de la asignación de variantes en metadatos de conversación activando la correlación de resultados por variante
Plataforma \| Analytics	✅ Calcule el tamaño de muestra requerido antes de los experimentos basándose en el tamaño de efecto esperado, la potencia estadística y los índices de error aceptables
Plataforma \| Analytics	✅ Utilice la optimización de bandidos de múltiples brazos para asignar dinámicamente más tráfico a variantes de mejor rendimiento reduciendo el coste de oportunidad
Plataforma \| Documentación	✅ Mantener el catálogo de experimentos con variantes probadas, resultados medidos, resultados alcanzados y decisiones tomadas para evitar enfoques fallidos de prueba

Antipatrones

Dónde buscar	Aspecto negativo
Negocio \| Proceso	⚠️ Ejecución de experimentos sin hipótesis predefinidas y criterios de éxito que conducen a resultados ambiguos
Plataforma \| Analytics	⚠️ Utilizar tamaños de muestra insuficientes produciendo resultados ruidosos que conducen a malas decisiones de mejora
Plataforma \| Documentación	⚠️ No tener catálogo de experimentos, lo que provoca que los equipos vuelvan a probar enfoques fallidos anteriormente y pierdan Knowledge organizacional
Plataforma \| Analytics	⚠️ No realizar un seguimiento de qué usuarios recibieron qué variantes, haciendo imposible la correlación de resultados