Justicia para la compañía 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 una preocupación arquitectónica de primera clase en Salesforce Platform, que combina la equidad de la IA, la accesibilidad, la supervisión humana, la responsabilidad algorítmica y la 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 del mundo real. Cuando esos orígenes 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 de lenguaje de gran tamaño (LLM) se entrenan en datos a escala de Internet que contienen sesgos sociales sobre 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 a través de ingeniería rápida o pruebas; reflejan patrones en parte inherentes a datos de capacitación 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 empleando personas diversas que representen 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.

Lagunas de representación de datos de capacitación: Si los datos históricos de gestión de relaciones con los clientes (CRM) de su organización representan insuficientemente ciertos segmentos de clientes, los agentes Agentforce capacitados o basados en esos datos tendrán un desempeño deficiente para esos segmentos. Un agente de puntuaje de prospectos capacitado en diez años de datos de oportunidades subvalora sistemáticamente clientes potenciales desde geografías que su equipo de ventas históricamente despriorizó, creando un bucle de comentarios donde el sesgo algorítmico combina el sesgo humano.

Antes de utilizar datos de Salesforce para la capacitación de agentes o la fundamentación de la generación aumentada de recuperación (RAG), audite la representación demográfica. Identifique grupos insuficientemente representados y evalúe si las brechas de representación reflejan diferencias de negocio 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 del monitoreo y la supervisión descendentes 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 mejor práctica. Un Agente de servicio que recupera artículos Knowledge ofreciendo solución de problemas detallada para clientes de negocio pero solo respuestas genéricas para clientes de negocio pequeño perpetuará disparidades de calidad de 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 tomar como valor predeterminado referencias de cultura mayoritaria que alienan a usuarios infrarrepresentados.

Sesgo de patrón de interacción: Los agentes pueden adaptar el comportamiento basándose en señales conversacionales que se correlacionan con características protegidas. El monitoreo 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.

Monitoree 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 justifican la investigación.

Amplificación de bucle de comentarios: Los agentes que influyen en sus propios datos de capacitación 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 compone con el tiempo.

Detecte bucles de comentarios monitoreando 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 decisiones adversas futuras. Rompa los bucles en la revisión humana de casos extremos y el reequilibrio periódico.

Cuando varios 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 amplíen la discriminación.

Considere una orquestación de cualificación de prospectos:

Research Agent recopila Inteligencia de clientes desde orígenes web e historial de CRM.
Agente de puntuaje asigna puntuaje de prospectos basándose en hallazgos de Agente de investigación.
Agente de enrutamiento asigna prospectos a territorios en base al puntuaje.
Agente de implicación personaliza el alcance basándose en todos los resultados de agentes anteriores.

Cuando Agente de investigación recupera sistemáticamente datos menos completos para ciertos datos demográficos de clientes (debido a brechas de datos de capacitación o sesgos de recuperación), Agente de puntuaje 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 de agentes paralelo: Los patrones donde múltiples agentes analizan de forma independiente la misma entrada y se agregan resultados proporcionan oportunidades de amplificación de sesgo cuando los agentes comparten datos de entrenamiento o modelos de base.

Si cinco agentes puntúan un prospecto 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 resultados de agentes en cada etapa: Registre entradas y salidas completas para cada agente en cadenas de orquestación. Cuando se detecta sesgo en resultados finales, realice un seguimiento hacia atrás a través de la cadena para identificar qué agente introdujo el sesgo y en qué etapa se produjo la amplificación.

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

Diversidad en la capacitación y las solicitudes de agentes: la diversidad reduce los errores correlacionados, lo que reduce las probabilidades de amplificación de sesgos. Cuando utilice patrones de consenso de múltiples agentes, maximice la diversidad:
Diferentes modelos de base donde sea comercialmente factible y compatible, como a través de configuraciones 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 la revisión humana en estos puntos de inflexión incluso si la confianza de los agentes individuales es alta. La orquestación crea efectos emergentes que los puntuajes de confianza de agentes individuales no capturan.
Medición 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 humanos cuando:
Cualquier confianza de agentes cae por debajo del umbral incluso si los agentes descendentes tienen confianza
La distribución de resultados 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 responsabilidad se difunde y sesga compuestos. La atención arquitectónica al monitoreo 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 sobre usuarios, calcule mediciones de equidad entre grupos demográficos. Convierta la evaluación de equidad en un equivalente de puerta de implementación obligatorio en autoridad para 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 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 personas cualificadas igualmente bien independientemente de las características demográficas. Un modelo predictivo reconoce solicitantes de solvencia crediticia a índices 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. Monitoree si los agentes pierden sistemáticamente candidatos cualificados de grupos insuficientemente representados. Si aún hay disparidades después de la mitigación, el agente podría no ser adecuado 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 los puntuajes o el establecimiento de puntuajes de corte diferentes por clase protegida está prohibido en virtud del Título VII (Ley de derechos civiles de 1964), de modo 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.

Relación 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 de mayor desempeño, 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 sistemas de IA. Donde las raciones caen por debajo del 80%, documente los pasos de investigación y corrección; donde la corrección no eleva el índice, los equipos pueden concluir que el caso de uso no es adecuado.

Justicia individual: Las personas 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 difícil 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 puntuajes de toxicidad. Rastreo de sesiones Agentforce registra el razonamiento paso a paso detrás de cada decisión. Juntos proporcionan datos que admiten la detección de sesgos y el monitoreo 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 tableros de CRM Analytics que comparan índices de aprobación, patrones de recomendación y puntuajes 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 industria de clientes, región y tamaño de cuenta. ¿Las distribuciones de predicciones son coherentes entre segmentos o ciertos segmentos se puntúan sistemáticamente más/menos?”

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 de Trust Layer captura las solicitudes, respuestas y orígenes, incluyendo qué artículos Knowledge y registros de Salesforce se recuperaron. Revise ambos cuando los usuarios reporten sesgos para comprender qué orígenes de datos, patrones de recuperación o pasos de razonamiento pueden haber introducido sesgos.

Las trazas 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 decisiones 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 turnos de distribución repentinos pueden indicar Problemas de calidad de datos, desviación de modelo o sesgo emergente que requiere atención inmediata.

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

Plantillas de tablero de equidad: Cree plantillas de tableros 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 el monitoreo de equidad.

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

Intervenciones de procesamiento previo de datos: Corrija el sesgo a nivel de datos antes de la capacitación de agentes o el indexado RAG. Muestra grupos demográficos insuficientemente representados en datos de capacitación 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.

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

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

Para agentes Agentforce utilizando modelos de base donde no puede modificar la capacitación, 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 la formación”.

Ajuste del umbral de postprocesamiento: Donde sea legal, el ajuste de umbrales de decisiones por grupo demográfico puede igualar índices de resultados después de la capacitación del modelo. Por ejemplo, un agente de aprobación podría 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 antidiscriminación en muchas jurisdicciones lo restringe o lo prohíbe. En los Estados Unidos, para decisiones relacionadas con el empleo está prohibido de plano: El Título VII (Ley de Derechos Civiles de 1964) prohíbe ajustar puntuajes o utilizar puntuajes 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. Donde se permita la práctica, documente la justificación legal al implementar 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
Proxy de patrones de nombre 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 una predicción similar 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 las apuestas de decisiones, 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 la 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 consiguientes 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 desempeño
Servicios financieros y de crédito: Aprobaciones de créditos, cambios de límites, cierres de cuentas, precios
Cuidados sanitarios - Sugerencias de diagnóstico, recomendaciones de tratamiento, decisiones de cobertura
Derechos legales - Interpretación de contratos, resolución de conflictos, acceso a servicios
Vivienda - Evaluación de arrendatarios, aprobaciones de arrendamientos, 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 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 el registro de auditoría completo
Confianza moderada (70-90%) - El agente recomienda con revisión humana antes de la acción
Baja confianza (<70%) - El agente se aplaza 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. Los puntuajes de confianza mal calibrados 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 los 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:

Turnos de plática: después de 5-7 turnos sin resolución, distribuya
Tiempo transcurrido: después de 10 minutos sin resolución, distribuya
Opinión del usuario: Cuando el usuario expresa frustración, distribuya
Detección de repeticiones: Cuando el agente repite la misma respuesta, distribuya

Configure OmniCanal para enrutar casos distribuidos a colas basadas en habilidades apropiadas con contexto de plática completo. Capacite agentes humanos para gestionar distribuciones de forma eficiente sin requerir a los usuarios repetir información ya proporcionada al agente.

Permita a los humanos autorizados sustituir cualquier decisión Agentforce en cualquier punto 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 sesgo: 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 sustituyentes pueden estar introduciendo nuevos sesgos. El primer patrón apunta a la revisión del agente; el segundo a la capacitación del revisor.
Mejora de agentes: Las sustituciones con justificación se convierten en datos de entrenamiento para la mejora de agentes. Muestre decisiones sustituidas y analice por qué los humanos no estaban de acuerdo con los agentes. Incorpore patrones de sustitución en solicitudes de refinamiento 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. La rendición de cuentas clara evita la difusión de responsabilidades 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 prospecto 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 un caso de uso específico y para una repercusión real en los clientes. El propietario de la decisión no puede delegar la responsabilidad 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 responsabilidad persiste a través de cambios organizativos.

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

Arquitecto de 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 gestor porque el importe solicitado (12.000 USD) supera su límite de autorización (10.000 USD). La aprobación del gestor se completa normalmente en 24 horas o dentro de su acuerdo de nivel de servicio (SLA) acordado”.
Explicaciones de negocio: Los usuarios operativos ven factores de decisión clave con contexto de negocio. “Puntuaje de prospectos: 73/100 Factores positivos principales: Tamaño de compañía (500 empleados), Participación activa en el sitio web (12 visitas en 30 días), Coincidencia de industria (SaaS). Factores negativos principales: Sin implicación de MQL, fuera de la región de destino”.
Explicaciones técnicas: Los científicos de datos ven los detalles del modelo: ponderaciones de funciones, calibración de confianza, versión de modelo, fecha de entrenamiento, distribuciones de entrada. Las explicaciones técnicas admiten la depuración y las investigaciones de sesgos.
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 regulatorias y auditorías de equidad que requieren una reconstrucción precisa.

Rastreo de sesiones Agentforce registra el razonamiento paso a paso detrás de decisiones de 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 razonamientos 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 razonamientos completos incluyendo todos los artículos Knowledge recuperados, registros de Salesforce consultados y lógica de decisiones. 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 rastros 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 regulatorias.
Análisis de patrón agregado: Muestra de trazas de razonamiento estratificadas 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 del razonamiento, la calidad del origen y la lógica son comparables entre grupos.

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

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 de gestores”
Baja confianza – “Esta situación es inusual. Estoy dirigiendo 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 en base a la 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 proceda, muestre a los usuarios qué cambiaría el resultado. Los contrahechos permiten a los usuarios mejorar resultados a través de acciones específicas en vez de solo informarles de decisiones ya tomadas.

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

Los contrafactuales son potentes mecanismos de transparencia pero requieren un diseño cuidadoso. Evite proporcionar contrahechos que alienten a jugar el sistema o que revelen inadvertidamente características protegidas como factores de decisión. “Su solicitud tendría un puntuaje más alto 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 mejor práctica de diseño. Indique claramente cuándo interactúan los usuarios con agentes Agentforce en vez de con agentes humanos. La revelación debe ser destacada 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 plática

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 Monitoreo 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.

Monitoreo de eventos para acciones de agentes: Monitoreo de eventos captura el acceso de datos de agentes, llamadas de API y cambios del sistema con integridad controlada por Salesforce. Transmita registros de Monitoreo de eventos a SIEM externo para la retención a largo plazo y manipular pruebas que cumplan los requisitos normativos para decisiones posteriores.

Configure Monitoreo de eventos para realizar un seguimiento de:

Registros de eventos de API mostrando interacciones del sistema de agentes
Eventos de inicio de sesión para cuentas de servicio de agentes
Exportaciones de reportes cuando los agentes acceden a datos masivos
Seguimiento de auditoría de campo para datos influenciados por IA: El historial de campos estándar retiene 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 campo indefinidamente (archivándolo después de hasta 18 meses, luego reteniendo los datos archivados hasta que los elimine), lo que admite auditorías de equidad a largo plazo e investigaciones regulatorias. 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.

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

Almacene suficiente información 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 datos actuales, o confirmar que la decisión original era correcta dada la información disponible en ese momento.
Estado de configuración: Registre umbrales, reglas de negocio 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 medioambiental: Capturar contexto relevante: identidad de usuario, marca de tiempo, historial de plática, contexto de sesión. El contexto afecta al comportamiento de los agentes y debe conservarse para una reconstrucción precisa.

La detección de sesgo 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.

Tableros de mediciones de equidad: Cree tableros de CRM Analytics que realizan un seguimiento de mediciones de equidad desde registros de Capa Einstein Trust. Monitoree 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 tablero 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 índices de impacto dispares con indicador de regla de cuatro quintos
Predictores principales que contribuyen a las decisiones, donde el modelo subyacente las expone
Índice de sustitución por grupo demográfico
Detección de turnos de distribución: Monitoree 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 capacitación, la equidad del modelo puede degradarse.

Alerta cuando cambian las distribuciones de entrada: “La distribución de segmentos de clientes para el enrutamiento de prospectos 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 reportes de usuario afloran problemas cualitativos que se pierden en las mediciones cuantitativas.

Agregue la opción “Reportar preocupación” a la interfaz de chat Agentforce. Enrute reportes al consejo de revisión de ética con contexto de plática completo. Realice un seguimiento de reportes 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 permiten 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 proporcionando al mismo tiempo suficiente transparencia para la validación de equidad.
Documentación de auditoría: Mantener 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
Enfoque de monitoreo 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 afecta Agentforce su experiencia.

Inscripción para agentes consecuentes: 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 decisiones de crédito, los agentes de selección de empleo y los agentes de aptitud para el 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 consentir agentes de servicio Agentforce mientras rechaza agentes de ventas Agentforce. La arquitectura que admite el seguimiento del consentimiento a nivel de casos 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 consentimiento de forma proactiva 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 sencillo como otorgarlo, sin que se requieran contactos de asistencia ni procesos burocráticos.

Gestión de preferencias: Permita a los usuarios configurar el comportamiento de los agentes dentro de los 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. Haga referencia a preferencias en solicitudes del sistema de agentes: “El usuario prefiere explicaciones detalladas. Proporcione respuestas integrales con razonamientos complementarios”.

Transferencia humana on demand: Proporcione la opción persistente “Conectar con agente humano” en todas las interacciones Agentforce sin requerir a los usuarios completar interacciones de agentes o explicar por qué prefieren seres humanos.

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

Indicadores de transparencia: Marque claramente 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 engaños cuando afloran limitaciones.

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

Los agentes que tomen decisiones consecuentes no deben discriminar en base a características protegidas (incluyendo raza, género, edad, discapacidad, religión, origen nacional u orientación sexual) a menos que esté legalmente justificado 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 adaptación de 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:

“Usted es 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 realice suposiciones sobre clientes basándose en características demográficas”.

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

Compare respuestas de agentes entre personas por calidad, duración, profesionalidad y resultados. Las diferencias indican sesgo que requiere mitigación.

Monitoree la calidad del servicio Agentforce entre 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 SMB alcanzan una resolución del 55%, investigue si la calidad de la base de Knowledge, la capacitación de agentes o las funciones de productos difieren por segmento.
Calidad de respuesta por segmento: Muestre pláticas de agentes entre segmentos y haga que los revisores evalúen la calidad de la respuesta en dimensiones coherentes: precisión, integridad, profesionalismo, ayuda. Las pruebas de fiabilidad entre calificadores garantizan que los revisores aplican 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 puntuajes 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 las 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 del lector 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 la exploración automatizada.

Accesibilidad cognitiva: Las respuestas de agentes utilizan lenguaje sencillo para audiencias generales. Evite la jerga y proporcione glosarios para términos técnicos inevitables. Estructure respuestas largas con encabezados y utilice listas con viñetas o numeradas para ayudar a la comprensión donde sea apropiado.
Equidad de idiomas: Agentforce admite varios idiomas a través de funciones multilingüe de modelo de base. Validar 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 de 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 entre idiomas 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: Base (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 Monitoreo de eventos para acciones de agentes
Crear tableros de monitoreo 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 el caso de uso
Auditar datos de capacitación/RAG para representación demográfica
Calcular mediciones de equidad entre grupos demográficos
Implementar patrón de supervisión humana (humano al tanto, aumento de confianza o limitado por tiempo)
Configurar el mecanismo de creación de reportes de sesgos para usuarios
Versión de modelo de documento, configuración y enfoque de reconstrucción de decisiones

Fase 3: Monitoreo continuo

Monitoree tableros de equidad semanalmente, investigando infracciones de umbral en 24 horas (o el SLA de respuesta acordada de su organización)
Realizar análisis de patrones de sustitución mensuales identificando problemas sistemáticos
Revisar reportes de sesgo 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 tableros de equidad reutilizables para tipos de agentes comunes
Construir 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 el monitoreo regulatorio 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 regulatorios 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 de trabajo bien diseñado.