Le paradigme du logiciel est en train de basculer de la manipulation directe à la délégation orientée vers des objectifs. Au premier plan de cette transformation, les agents IA, des entités autonomes et intelligentes capables de comprendre, de raisonner et d’agir au nom des utilisateurs. Ce livre blanc propose une exploration technique des principaux types d’agents IA : Conversationnel, Proactif, Ambiant, Autonome et Collaboratif. Il définit chaque type, présente des cas d'utilisation spécifiques de Gestion des relations clients (CRM) et fournit un avant-projet architectural pour l'élaboration de ces agents sur Salesforce Agentforce Platform, complété par des exemples techniques exploitant l'interopérabilité Flow, Apex, Data 360, Agent2Agent (A2A) communication et Model Context Protocol (MCP).

Un agent IA est un système qui perçoit son environnement et prend des mesures pour atteindre des objectifs spécifiques. Bien que le concept ne soit pas nouveau, l'avènement de puissants grands modèles de langage (LLM) a renforcé leurs capacités. Nous pouvons classer les agents en fonction de leur mode de fonctionnement principal et de leur interaction.

Définition : Les agents conversationnels sont le type d'agent le plus familier. Ils fonctionnent de façon réactive, en réponse à la demande, principalement par le biais d'interfaces en langage naturel (texte ou voix). Leur fonction principale est de comprendre l'intention de l'utilisateur et de fournir une réponse pertinente, que ce soit pour répondre à une question, récupérer des informations ou exécuter une simple commande.

Importance : Les agents conversationnels sont les portes d'entrée numériques d'une organisation. Ils excellent dans la gestion des tâches répétitives et bien définies, libérant ainsi des ressources humaines. Leur efficacité est mesurée par leur capacité à résoudre rapidement et avec précision les intentions des utilisateurs et à prendre des mesures au nom des utilisateurs.

Définition : Contrairement aux agents conversationnels qui attendent une invite, les agents proactifs agissent en tant qu'observateurs vigilants. Ils sont déclenchés par des événements spécifiques, des modifications de données ou des conditions prédéfinies dans un système. Lorsqu'ils sont déclenchés, ils exécutent une tâche ou initient un workflow sans nécessiter une interaction directe de l'utilisateur.

Importance : Les agents proactifs transforment un système de référentiel passif de données en participant actif aux processus métiers. Ils identifient les opportunités et les risques à mesure qu'ils apparaissent, permettant aux entreprises d'agir en temps réel sur les signaux critiques.

Définition : Les agents ambiants sont un type spécifique d'agent proactif qui fonctionne en permanence en arrière-plan du workflow d'un utilisateur sans nécessiter de commandes explicites. Les utilisateurs bénéficient souvent de leurs actions sans être conscients de leur fonctionnement, car elles sont conçues pour augmenter les capacités humaines tout en gardant un profil bas.

Importance : L'objectif d'un agent ambiant est de réduire la charge cognitive des utilisateurs en automatisant le « travail sur le travail » banal. Ils augmentent l'efficacité des processus en s'intégrant de façon transparente aux outils que les employés utilisent au quotidien, en capturant et en structurant automatiquement les informations.

Définition : Les agents autonomes représentent un saut important dans la complexité. Ils ont un objectif général et sont capables de planifier et d'exécuter indépendamment une séquence d'étapes pour atteindre cet objectif. Ils peuvent raisonner, prendre des décisions et même apprendre de leurs actions pour améliorer les performances au fil du temps.

Importance : C'est le plus proche d'un véritable employé numérique. Les agents autonomes peuvent se voir déléguer un objectif complexe à plusieurs étapes, par exemple « Générer 50 nouvelles pistes qualifiées dans le secteur manufacturier ce trimestre », et être autorisés à formuler et à exécuter un plan pour l'atteindre.

Définition : Les agents collaboratifs, souvent appelés « essaims d'agents », sont un ensemble d'agents spécialisés qui travaillent ensemble pour résoudre un problème trop complexe pour être traité par un seul agent. Un agent « orchestrateur » ou « principal » décompose souvent une tâche importante, délègue les tâches secondaires aux agents spécialisés appropriés, puis synthétise leurs résultats. Un protocole de communication robuste Agent2Agent (A2A) permet d'y parvenir.

Importance : Cette approche reflète une équipe humaine. En décomposant un problème complexe, chaque agent spécialisé peut mettre à profit ses compétences uniques : l'un est spécialisé dans l'analyse des données, un autre dans la communication avec les clients et un troisième dans l'intégration système, pour aboutir à une solution plus robuste et complète.

Après avoir exploré la taxonomie des agents IA, une question cruciale demeure : comment combiner ces éléments pour résoudre efficacement et de façon fiable des problèmes métiers réels ? Ce chapitre répond à cette question en fournissant un référentiel des modèles de conception d'agents courants. Chaque modèle est une solution éprouvée à un défi récurrent, offrant un avant-projet pour tous les types d'agents, des simples agents à usage unique aux essaims d'agents complexes et collaboratifs.

Les agents conversationnels sont souvent la porte d'entrée des capacités IA d'une organisation. Ils se définissent par leur capacité à engager un dialogue dynamique et à plusieurs tours de parole, agissant comme interface principale à travers laquelle les utilisateurs effectuent des tâches et récupèrent des informations en langage naturel. Cette section présente deux recettes essentielles pour élaborer des agents conversationnels, chacune adaptée à un canal spécifique : une pour les échanges rapides et interactifs de clients de messagerie, et une autre pour la nature structurée et asynchrone de la messagerie.

L'intelligence d'un agent conversationnel est dérivée de sa capacité à accéder aux données appropriées et à les raisonner au moment opportun. Ce schéma repose sur une fondation de données sophistiquée qui se connecte aux enregistrements clients, aux articles Knowledge et aux analytiques métiers. Les recettes complètes et réutilisables de ces intégrations sont disponibles au chapitre 4 : Modèles d'intégration.

Problème

Les clients interagissent sur de nombreux canaux numériques et attendent des réponses instantanées, contextuelles et intelligentes. Les chatbots traditionnels sont scriptés ou invisibles, ce qui entraîne une faible personnalisation, des escalades précoces vers les humains et des coûts de service élevés.

Context

• Votre organisation a un engagement numérique multicanal (WhatsApp, SMS, Slack et Salesforce Experience Cloud).
• Les clients de votre organisation interagissent en plusieurs langues avec votre organisation.
• Votre organisation doit augmenter les workflows de service et de vente avec des agents qui :
  • Extraire à partir de données clients fiables et en temps réel
  • Respecter les garde-fous et les exigences de conformité
  • Escaladez vers des agents humains uniquement lorsque nécessaire

Composants clés

• Abstraction de canal : Service Cloud Enhanced Chat (auparavant Messagerie dans l'application et Web) permet à l'agent de communiquer à travers plusieurs canaux via une expérience unique.
• Agent de service Agentforce : Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
  • Rubriques et instructions : Définit la personne et le motif conversationnel de l'agent pour l'interaction directe de l'utilisateur. Cela comprend sa mission principale (par exemple, « Vous êtes un expert dans la résolution des problèmes de support client »), des instructions pour maintenir un ton empathique et professionnel, et des garde-fous clairs sur la portée des demandes qu'il est autorisé à traiter.
  • Actions : Actions orientées service qui sont des outils que l'agent utilise pour diagnostiquer et résoudre en temps réel les problèmes des clients. Ces outils sont conçus pour exécuter des tâches telles que vérifier le statut d'une commande, rechercher des solutions dans une base Knowledge ou créer une requête de support directement depuis l'interface conversationnelle.
  • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
  • Modèles d'invite : Modèles réutilisables remplis dynamiquement avec des données CRM live via des champs de fusion ou des données sémantiques de Data 360 RAG Retrievers. Ces modèles permettent aux agents de générer des contenus contextuels et sur la marque pendant que la couche Trust Einstein masque en toute sécurité les informations confidentielles avant l'envoi des instructions au grand livre.
• Data 360
  • Les composants Data 360, notamment les objets lac de données, les objets modèle de données, le magasin vectoriel et les récupérateurs RAG, offrent à l'agent une vue unifiée de toutes les données d'entreprise pertinentes, depuis les enregistrements clients structurés jusqu'aux articles Knowledge non structurés, garantissant ainsi que les réponses sont précises et ancrées dans le contexte.
• Service Cloud
  • Données CRM : Connecte l'agent à l'historique complet des requêtes, en fournissant un contexte crucial sur les détails du compte, les enregistrements de contact et les autorisations
  • File d'attente Live Agent : Prise en charge de l'escalade et de l'acheminement vers un agent de service humain avec le contexte complet de la conversation injecté

Interactions

1. Le client de votre organisation initie la conversation via un canal.
2. Le message est acheminé vers Agentforce, qui détermine la portée (rubriques) et applique des garde-fous.
3. L ' IA compose les réponses en utilisant des modèles d ' invite, tandis que Flow ou Apex peuvent déclencher une logique back-end.
4. Le contexte est récupéré à partir des objets Data 360, du magasin vectoriel et du CRM via le récupérateur RAG.
5. L’IA renvoie une réponse contextuelle.
6. Si l'IA ne parvient pas à résoudre, la conversation s'intensifie vers Service Cloud Live Agent.

Compromis

Modèles associés

Modèle plus large: Un modèle simple et facile à implémenter qui utilise le langage naturel pour comprendre l'intention de l'utilisateur, puis achemine l'utilisateur vers le commercial de service approprié

Modèle d'opérateur: S'appuie sur le Greeter pour acheminer les demandes vers l'agent IA spécialisé ou le représentant du service social approprié, négociant l'intention si nécessaire

Modèle Orchestrateur: Gère un essaim d'agents IA. Il reçoit une demande de l'utilisateur, détermine l'intention, crée un plan, transmet les données nécessaires à un ou plusieurs agents spécialisés, puis agrège les réponses pour l'utilisateur. Contrairement à l'Opérateur, il reste le premier point de contact.

Problème

Vos clients utilisent en grande partie des conversations asynchrones par e-mail, ce qui reste le meilleur moyen de communication. Votre organisation doit contacter ces clients par e-mail, mais vos représentants du développement commercial ne peuvent pas répondre aux e-mails entrants dans le cadre de l'accord de niveau de service, ce qui entraîne une perte de piste. De plus, votre force de travail passe du temps sur des pistes non qualifiées.

Context

• Votre organisation a la messagerie comme canal principal d'engagement des pistes.
• Votre DTS a une capacité limitée pour qualifier les pistes à l'échelle.
• Votre processus commercial inclut la prise en charge des pistes multi-touch avant qu'ils ne rencontrent des DTS ou des représentants du développement commercial (BDR).
• Votre organisation doit augmenter le service et les ventes avec des agents qui :
  • Extraire à partir des données d’activation des ventes en temps réel et de produits commerciaux et marketing
  • Respecter les garde-fous et la conformité
  • Planifier des réunions en fonction de critères de qualification des pistes

Composants clés

• Canal de messagerie : Gère la capture des messages entrants, l'analyse de leur contenu et de leurs pièces jointes, et le maintien de la continuité du thread pour activer les conversations asynchrones.
• Agent SDR Agentforce : Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
  • Rubriques et instructions : Définit la mission de l'agent d'engager et de qualifier les pistes entrantes par la conversation. Cela comprend des instructions pour comprendre les besoins des prospects, recueillir des données importantes sur les qualifications (par exemple, le budget, l'autorité et le calendrier) et guider la conversation vers une étape suivante claire, par exemple planifier une réunion avec un chargé de compte.
  • Actions : Actions commerciales spécialisées qui permettent à l'agent de gérer le cycle de vie des pistes. Ces outils sont conçus pour exécuter des tâches SDR de base, par exemple enrichir les données des pistes, envoyer des e-mails de suivi basés sur un modèle ou intégrer des systèmes de calendrier pour réserver des appels de découverte.
  • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
  • Modèles d'invite : Modèles réutilisables remplis dynamiquement avec des données CRM live via des champs de fusion ou des données sémantiques de Data 360 RAG Retrievers. Ces modèles permettent aux agents de générer des contenus contextuels et sur la marque pendant que la couche Trust Einstein masque en toute sécurité les informations confidentielles avant l'envoi des instructions au grand livre.
• Data 360
  • Les composants Data 360, notamment les objets lac de données, les objets modèle de données, le magasin vectoriel et les récupérateurs RAG, offrent à l'agent une vue unifiée de toutes les données d'entreprise pertinentes, depuis les enregistrements clients structurés jusqu'aux articles Knowledge non structurés, garantissant ainsi que les réponses sont précises et ancrées dans le contexte.
• Sales Cloud
  • Données CRM : Connecte l'agent à l'historique complet des requêtes, en fournissant un contexte crucial sur les détails du compte, les enregistrements de contact et les autorisations
  • Planifiez une réunion entre le client et le DTS : Le transfert SDR Live Agent peut être configuré pour configurer une réunion live en utilisant Tâches et planification de réunions (Actions suivantes).
  • Consignation des activités : Capturez les événements, les tâches et les activités de messagerie, et associez-les à des pistes, des comptes et des opportunités à la suite des interactions des agents DTS.

Interactions

1. Le client envoie et reçoit un e-mail via le canal, qui achemine vers Agentforce.
2. Agentforce applique des rubriques, des actions et des garde-fous pour analyser l'intention.
3. Agentforce rédige des réponses contextuelles en utilisant des modèles d'invite enrichis du contexte CRM et Data 360.
4. Une conversation par e-mail à plusieurs tours continue jusqu'à la résolution ou les consignes de la politique.
5. Pour les pistes qualifiées, Agentforce planifie une réunion et met à jour le CRM.
6. Si l'intention dépasse la portée de l'IA, Agentforce escalade vers Sales Cloud SDR pour une réponse du représentant de service humain.

Compromis

Modèles associés

Modèle Réponse Robot: Un schéma efficace pour le libre-service qui utilise l'IA générative afin de comprendre le langage naturel pour la récupération Knowledge, et pas seulement les mots-clés

Alors que les agents conversationnels de la section précédente excellent à réagir aux commandes utilisateur, les agents proactifs représentent un changement de paradigme : ils agissent sans être sollicités. Cette section présente les modèles architecturaux des agents de construction qui surveillent de façon autonome les données et les événements provenant de l'extérieur et de Salesforce.

Problème

Votre organisation génère des événements métiers critiques dans et hors de Salesforce. Il est difficile de les traduire en actions contextuelles opportunes, car elles sont dispersées entre les applications et les services.

Context

• Vos processus métiers couvrent plusieurs systèmes pour le CRM, le traitement des paiements, l'expédition, l'automatisation marketing, la télémétrie et le CDP.
• Les événements de votre organisation se produisent 24 heures sur 24, 7 jours sur 7, mais la disponibilité de votre force de travail est limitée en dehors des heures ouvrables. Les systèmes sont toujours activés, mais pas les humains.
• Les événements ne sont pas conscients du contexte, ils manquent le contexte client disponible dans Salesforce, ce qui force la jonction d'informations à plusieurs étapes. Aujourd'hui, l'implémentation existe sous forme d'automatisation complexe discrète ou est effectuée manuellement.
• Les humains agissent comme un compilateur pour recueillir les données (sous différents formats) et réagir intelligemment aux événements disjoints.
• Vos actions cibles sont appliquées à plusieurs systèmes.

Composants clés

• Source de l'événement
  • Événements déclenchés par une action de données après l'ingestion de données externes dans Data 360
  • Serveurs MCP Heroku tiers ou Salesforce capables d'envoyer des événements à Salesforce via l'API Salesforce Pub/Sub
  • Application externe capable d'envoyer des notifications d'événement via l'API Salesforce Pub/Sub
• Intergiciel facultatif : MuleSoft ou Data 360 pour les transformations
• Agentforce Agent: Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
  • Rubriques et instructions : Spécifie la mission principale de l'agent et ses déclencheurs, y compris la définition de son objectif principal (par exemple, « Surveiller toutes les requêtes prioritaires et empêcher les infractions à l'accord de niveau de service »). Contient les événements ou les conditions de données spécifiques que l'agent doit écouter pour initier ses tâches
  • Actions : Actions déclenchées par un événement et planifiées conçues pour répondre à des événements externes. Bien que ces actions fonctionnent de façon autonome pour les tâches courantes, elles comprennent souvent la possibilité d'orchestrer des workflows qui impliquent une intervention humaine, une escalade vers les utilisateurs pour révision, approbation ou la gestion de scénarios qui nécessitent un jugement humain.
  • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
  • Modèles d'invite : Modèles réutilisables remplis dynamiquement avec des données CRM live via des champs de fusion ou des données sémantiques de Data 360 RAG Retrievers. Ces modèles permettent aux agents de générer des contenus contextuels et sur la marque pendant que la couche Trust Einstein masque en toute sécurité les informations confidentielles avant l'envoi des instructions au grand livre.
• Data 360
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données d'événements générées par des systèmes externes et envoyées à Salesforce, transformant et générant des connaissances en continu ou en temps réel
  • Les connaissances calculées, en continu et en temps réel fournissent aux agents des données immédiates et pertinentes sur les clients. Cela permet de résoudre les problèmes de façon préventive, en atténuant l'escalade. Les Graphiques de données exposent proactivement les relations et les connaissances à partir de sources de données diverses, ce qui permet de détecter rapidement les modèles ou les anomalies qui se rapportent à l ' engagement, à l ' activité et au profil des clients.
  • Les récupérateurs Data 360 vector store et RAG offrent à l ' agent une vue unifiée de toutes les données d ' entreprise pertinentes et des articles Knowledge non structurés, ce qui garantit l ' exactitude et le contexte des réponses.
• Objectifs d'événement
  • Notifier proactivement les employés ou contacter les clients
  • Extensible pour les agents (consultez Modèles d'agent ambiant et d'agent autonome)

Interactions

1. Un changement notable se produit dans le système externe.
2. Le système externe émet un événement et le publie dans Bus d'événement Salesforce via l'API (crée un événement de plate-forme) ou l'API Pub/Sub, ou les données d'événement sont diffusées dans Data 360.
3. Les abonnés à l'événement sont déclenchés. Un flux est déclenché.
4. Le flux appelle Action de l'agent avec les données de l'événement. L'agent détermine le plan d'action approprié et l'exécute.
5. Le résultat est une notification ou un workflow déclenché. Les notifications sont transmises à un utilisateur dans un outil de collaboration (tel que Slack). Des tâches ou des événements sont également générés. De plus, les actions peuvent appeler des systèmes externes. Par conséquent, les événements ne sont pas perdus, mais sont exécutés, signalés et actionnés proactivement, en supprimant les coûts humains ou les automatisations complexes pour les découvrir.

Compromis

Modèles associés

Modèle Juge & Jury: Peut être utilisé conjointement avec ce schéma pour garantir la précision et la fiabilité des décisions pilotées par l'IA en exploitant plusieurs agents « jurés » et un agent « juge » pour l'évaluation de la congruence

Modèle de modèle: Ce schéma embrasse divers points de vue de plusieurs agents experts pour générer des connaissances enrichies, qui peuvent compléter les réponses intelligentes de l'IA proactive.

Problème

L'écosystème Salesforce de votre organisation génère un flux constant de signaux, mais rencontre des difficultés pour les traduire en actions contextuelles opportunes, car ils nécessitent une logique métier, une gouvernance et des ressources humaines pour trier et agir. Souvent, les signaux sont perdus sans aucune action entraînant la perte d'une opportunité.

Context

• Votre organisation utilise un ou plusieurs clouds Salesforce : Ventes, Service, Marketing, Commerce, Santé, Fabrication, et autres.
• Vous avez besoin d'un tri intelligent au-delà du simple acheminement ou du tri basé sur des règles. Votre organisation gère des centaines de règles métiers complexes.
• Vous devez répondre en temps réel ou en temps quasi réel aux événements.
• Parfois, vos administrateurs les plus privilégiés deviennent le maillon faible de la chaîne pour ne pas voir les signaux.

Composants clés

• Couche source Événement
  • Données CRM, Événements de plate-forme, Capture des données de modification (CDC) et Surveillance des événements en temps réel (RTEM) des données d'activité de plate-forme de faible niveau
• Data 360
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données d'événements générées par des événements CRM ou de plate-forme, transformant et générant des connaissances en continu ou en temps réel
  • Les connaissances calculées, en continu et en temps réel fournissent aux agents des données immédiates et pertinentes sur les clients, l'activité des employés ou les modifications des métadonnées dans le système. Cela permet de résoudre les problèmes de façon préventive, en atténuant l'escalade. Cette connaissance de la situation en temps réel permet aux agents d'offrir des interventions en temps opportun pour le débit opérationnel de gouvernance et de conformité.
  • Graphiques de données faisant apparaître proactivement les relations et les connaissances à partir de différentes sources de données, permettant de détecter à un stade précoce les modèles ou les anomalies pertinents pour l ' engagement, l ' activité et le profil des clients.
  • Les récupérateurs Data 360 vector store et RAG offrent à l ' agent une vue unifiée de toutes les données d ' entreprise pertinentes et des articles Knowledge non structurés, ce qui garantit l ' exactitude et le contexte des réponses.
• Agentforce Agent: Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
  • Rubriques et instructions : Spécifie la mission de l'agent qui consiste à appliquer des règles métiers et à automatiser les processus en fonction des modifications des données dans Salesforce. Il définit l'objectif de l'agent (par exemple, « Assurez-vous que toutes les opportunités sont mises à jour avec un contact principal avant d'atteindre l'étape de négociation ») et les créations d'enregistrements spécifiques, les mises à jour de champ, etc., qui déclenchent l'agent.
  • Actions : Actions déclenchées par un événement et planifiées conçues pour répondre à des événements Salesforce internes. Bien que ces actions fonctionnent de façon autonome pour les tâches courantes, elles comprennent souvent la possibilité d'orchestrer des workflows qui impliquent une intervention humaine, une escalade vers les utilisateurs pour révision, approbation ou la gestion de scénarios qui nécessitent un jugement humain.
  • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
  • Modèles d'invite : Modèles réutilisables remplis dynamiquement avec des données CRM live via des champs de fusion ou des données sémantiques de Data 360 RAG Retrievers. Ces modèles permettent aux agents de générer des contenus contextuels et sur la marque pendant que la couche Trust Einstein masque en toute sécurité les informations confidentielles avant l'envoi des instructions au grand livre.
• Objectifs d'événement
  • Notifiez proactivement les employés ou contactez les clients.
  • Extensible pour appeler d’autres agents (voir IA ambiante et schémas IA autonomes)

Interactions

1. Un changement notable se produit dans le système interne, par exemple une mise à jour d'un enregistrement CRM, une modification des métadonnées ou une action de données déclenchée depuis Data 360.
2. Le système interne émet un événement et le publie dans Bus d'événement Salesforce via l'API (crée un événement de plate-forme) ou l'API Pub/Sub, ou les données d'événement sont diffusées dans Data 360.
3. Les abonnés à l'événement sont déclenchés et activent un Flux ou Apex .
4. Le flux activé ou Apex appelle Action de l'agent.
5. Le résultat est une notification ou un workflow déclenché. Les notifications sont transmises à un utilisateur dans un outil de collaboration (tel que Slack). Des tâches ou des événements sont également générés. De plus, les actions peuvent appeler des systèmes externes.
6. Par conséquent, les événements ne sont pas perdus, mais sont exécutés, signalés et actionnés proactivement, en supprimant les coûts humains ou les automatisations complexes pour les découvrir.

Compromis

Modèles associés

Modèle Listener/Feed: Peut être combiné au modèle Listener pour déclencher des actions proactives basées sur des événements Salesforce internes

Modèle Data Steward: L’IA proactive peut utiliser des gestionnaires de données pour garantir la qualité et la cohérence des données en réponse à des événements internes

Modèle Zen Data Gardener: Pour le toilettage et la normalisation proactifs et planifiés des données déclenchés par des événements internes ou à intervalles réguliers

Nous avons commencé par les agents qui répondent de façon interactive dans un canal de conversation, puis nous avons progressé vers les agents qui réagissent à des événements spécifiques. En dépassant le modèle des agents proactifs piloté par l'événement, les agents ambiants représentent un changement de paradigme, passant de l'interaction directe à une assistance proactive en arrière-plan. Ce sont des agents headless qui observent l'environnement numérique en arrière-plan. Ils agissent comme les « yeux et les oreilles » du système, percevant le contexte à partir de l'activité des utilisateurs ou des flux de données, puis coordonnant avec d'autres agents ou humains pour réaliser des tâches, exposer des connaissances ou fournir des conseils.

Problème

Les activités commerciales de votre organisation génèrent des flux continus d'informations importantes (appels, réunions, chats, données de capteurs, etc.), mais ces données disparaissent en temps réel sans capture ni analyse. Lorsque les humains documentent manuellement ces interactions, les connaissances critiques sont perdues et le moment d'intervenir en temps opportun est passé. Les organisations manquent la majorité de l'intelligence actionnable nécessaire en temps réel et enfouie dans des flux éphémères, ce qui entraîne des écarts, des opportunités d'accompagnement perdues et des décisions prises sans contexte complet.

Context

• Vos activités professionnelles génèrent des flux continus à partir de diverses sources, notamment des réunions vocales et vidéo, des chats en direct, la télémétrie des capteurs, l'activité des écrans et des données transactionnelles.
• Vous avez besoin de connaissances en temps réel ou en temps quasi réel (en quelques secondes ou minutes, et non en heures ou en jours) pour répondre efficacement à ces flux et agir en conséquence.
• Les processus manuels de documentation échouent, caractérisés par de faibles taux de conformité et d'actualisation, une charge cognitive élevée pour les employés et une saisie incomplète des informations essentielles.
• Vous avez besoin d'une compréhension multimodale, combinant les données audio, vidéo, partage d'écran, chat et d'autres métadonnées pour créer un contexte complet et précis des interactions et des événements.
• Vous avez besoin d'une analyse immédiate pour l'accompagnement en temps réel et les alertes, et d'une analyse historique pour les résumés post-interaction et l'identification des tendances à long terme.
• Le contexte temporel (mémoire épisodique) est crucial pour votre analyse, notamment pour comprendre la séquence, le calendrier, les transitions et les modèles à travers diverses périodes dans vos flux de données.

Composants clés

• Source du flux
  • Voix et vidéo : Outils de vidéoconférence (tels que Slack Huddle, Zoom, Google Meet et Microsoft Teams) et systèmes téléphoniques
  • Outils de collaboration : Slack, Teams et autres
• Connecteurs de capture de flux
  • Native SDK : Kit de développement fourni par le fournisseur qui aide à récupérer des transcriptions ou des messages prenant en charge des segments de flux en temps réel ou des transcriptions
• (Facultatif) Couche de traitement du flux
  • Pour des flux audio, si les transcriptions ne sont pas disponibles en temps réel, une capacité de parole en texte qui traduit l'audio en texte. Vous pouvez également utiliser un fournisseur géré tel que Amazon Transcribe.
  • Pour d'autres flux de données, en option, un moteur de traitement de flux tel que Data 360 ou Apache Flink
• Data 360
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données d'événements, transforment et élaborent des connaissances en continu
  • Les connaissances calculées, en continu et en temps réel fournissent aux agents des données immédiates et pertinentes sur les clients, leur activité et les connaissances critiques. Cela permet de résoudre les problèmes de façon préventive, en atténuant l'escalade. Cette connaissance de la situation en temps réel permet aux agents d'offrir des interventions en temps opportun et un support personnalisé aux employés, optimisant ainsi la satisfaction client et le débit opérationnel.
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données des clients, transforment et élaborent des connaissances en temps réel
  • Les récupérateurs Data 360 vector store et RAG offrent à l ' agent une vue unifiée de toutes les données d ' entreprise pertinentes et des articles Knowledge non structurés, ce qui garantit l ' exactitude et le contexte des réponses.
• Agentforce Agents. Ce schéma se concentre sur un agent ambiant qui observe un flux de données continu, par exemple une transcription d'appel live ou un fil vidéo. Il agit comme un auditeur en temps réel, interprétant les données non structurées au fur et à mesure. Par exemple, un agent qui écoute un appel en direct peut invoquer un agent de Découverte des données pour enrichir l'enregistrement d'une piste en fonction du nouveau contexte partagé dans la conversation. Voici un exemple d'un tel agent headless :
  • Agent de commentaires. Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
    • Rubriques et instructions : Définit la mission principale de l'agent qui consiste à analyser les flux conversationnels et à extraire des commentaires structurés et des métriques de performance. Cela inclut des instructions pour surveiller le sentiment des clients, identifier les mentions de produits clés ou de concurrents, et évaluer si l'agent humain respecte les meilleures pratiques de l'entreprise ou un livre de bord de vente.
    • Actions : Actions de transformation de données conversationnelles non structurées en intelligence commerciale actionnable. Ces actions permettent à l'agent de créer un enregistrement « Résumé des commentaires », de consigner les demandes de fonctionnalité produit, de marquer les appels avec un sentiment négatif pour l'examen du responsable et de mettre à jour un tableau de bord pour suivre les performances globales de l'agent par rapport aux métriques clés.
    • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
    • Modèles d'invite : Instructions LLM structurées et basées sur un modèle qui peuvent recevoir une entrée et fournir une sortie générée par LLM
• Objectifs d'ambiance
  • Notifier les utilisateurs à la surface où ils se trouvent, par exemple dans un appel vidéo ou une application de bureau

Interactions

1. Lorsqu'un flux est activé (par exemple lorsqu'un utilisateur rejoint l'appel vidéo), l'agent s'attache en tant qu'observateur.
2. L'agent commence à recevoir les données du flux, détecte les intentions par incréments, prend des décisions et appelle des actions.
3. L'agent contextualise en fonction de l'intention et récupère des données supplémentaires (structurées ou non structurées).
4. L'agent fournit des réponses en temps réel juste à temps sans invite de l'utilisateur : il peut détecter une objection dans un appel commercial et fournir des informations importantes pour traiter l'objection.
5. Les agents peuvent compiler un résumé consolidé et des actions, et les partager avec d'autres agents et utilisateurs.

Compromis

Modèles associés

Modèle Listener/Feed: Peut être combiné au modèle Listener pour traiter les flux en temps réel de données de conversation et d'interaction des utilisateurs, et exposer le contexte et les connaissances pertinents

Modèle Interrogateur: Peut être utilisé avec ce modèle pour assembler le contexte de plusieurs sources dans le flux et répondre à des questions

Problème

Vos employés effectuent des centaines d'activités critiques par jour dans les e-mails, le calendrier, les appels et les applications. Pourtant, ces activités restent invisibles pour les systèmes de l'organisation jusqu'à ce qu'elles soient consignées manuellement, ce qui se produit rarement. Cet aveuglement des activités signifie que les données CRM sont incomplètes, que les modèles IA ne contiennent pas les signaux nécessaires pour les recommandations intelligentes et que les responsables n'ont aucune visibilité en temps réel sur l'engagement des clients. La consignation manuelle des activités crée une taxe sur la productivité tout en manquant la majeure partie du travail réel.

Context

De la même façon que l'observateur de flux, cet observateur de données et de contenus fournit des tâches actionnables ou exécute des actions au nom de l'utilisateur.

Composants clés

• Couche de données
  • Données CRM: Données clients disponibles dans CRM qui fournissent le contexte à l'agent (par exemple, lorsque l'utilisateur est dans une page Opportunité, l'agent peut récupérer des informations sur l'opportunité et le compte associé dans CRM).
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données clients pertinentes ingérées à partir de différentes sources
  • Les connaissances calculées, en continu et en temps réel fournissent aux agents des données immédiates et pertinentes sur les clients, leur activité et les connaissances critiques. Cela permet de résoudre les problèmes de façon préventive, en atténuant l'escalade.
  • Les récupérateurs Data 360 vector store et RAG offrent à l'agent une vue unifiée de toutes les données d'entreprise et Knowledge non structurées pertinentes.
• Agentforce Agent: Ce schéma se concentre sur un agent ambiant qui observe les actions d'un utilisateur directement dans l'interface utilisateur. Il agit comme un assistant en temps réel, comprenant le contexte du workflow de l'utilisateur pour fournir des conseils. Par exemple, un agent peut surveiller un agent de service qui remplit un enregistrement de requête et exposer proactivement un article Knowledge pertinent. Voici un exemple d'un tel agent headless :
  • Agent de commentaires. Le comportement et l'objet de l'agent sont définis par les composants ci-dessous.
    • Rubriques et instructions : Définit la mission de l'agent de surveiller les actions d'un utilisateur dans l'interface utilisateur et de fournir une assistance contextuelle. Cela inclut son objectif (par exemple, « Guider un agent de service à travers le processus de résolution des requêtes ») et les événements spécifiques de l'interface utilisateur ou les modèles de saisie de données qu'il devrait surveiller pour offrir proactivement de l'aide.
    • Actions : Actions, élaborées en utilisant Apex ou Flow, pour exposer des informations pertinentes et les meilleures actions suivantes directement dans le workflow de l'utilisateur. Ces actions permettent à l'agent d'aller chercher et d'afficher un article Knowledge pertinent, de suggérer une étape suivante valide dans un processus ou de marquer un champ de saisie de données susceptible d'enfreindre une règle métier, le tout en réponse à l'activité en temps réel de l'utilisateur.
    • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
    • Modèles d'invite : Modèles réutilisables remplis dynamiquement avec des données CRM live via des champs de fusion ou des données sémantiques de Data 360 RAG Retrievers. Ces modèles permettent aux agents de générer des contenus contextuels et sur la marque pendant que la couche Trust Einstein masque en toute sécurité les informations confidentielles avant l'envoi des instructions au grand livre.
• Objectifs d'ambiance
  • Notifier les utilisateurs à la surface où se trouvent l'agent et l'utilisateur, par exemple dans une page Web ou une page d'administrateur

Interactions

1. Lorsqu'un utilisateur visite une page ou une application, l'agent s'attache en tant qu'observateur.
2. L'agent commence à inspecter les données et les actions, détecte progressivement les intentions, prend des décisions et appelle des actions.
3. L'agent contextualise en fonction de l'intention et récupère des données supplémentaires (structurées ou non structurées).
4. L'agent fournit des réponses en temps réel juste à temps, sans invite de l'utilisateur, et peut suggérer les meilleures actions suivantes ou proposer de les exécuter au nom de l'utilisateur.
5. Les agents peuvent le partager de façon transparente avec d'autres agents et utilisateurs.

Compromis

Modèles associés

Modèle Listener/Feed: Peut être combiné au modèle Listener pour déclencher des actions proactives basées sur l'activité observée

Modèle Data Steward: L'IA d'interception des activités peut utiliser des gestionnaires de données pour garantir la qualité et la cohérence des données lors de la consignation des activités interceptées.

Modèle de générateur: Peut être utilisé pour générer automatiquement des résumés d'activité ou des tâches de suivi basés sur des activités interceptées

Cette section détaille les modèles des agents collaboratifs, dans lesquels un ou plusieurs agents travaillent de concert avec un utilisateur humain pour atteindre un objectif commun. Ces recettes se concentrent sur la création d'un partenariat transparent : les agents gèrent la collecte de données complexes et l'exécution de tâches tout en tenant l'humain informé des décisions, des approbations et des orientations stratégiques.

Dans ce modèle, les agents gèrent les parties automatisables d'un workflow. Le processus devient une boucle de rétroaction dynamique.

• Un humain peut initier une tâche via un Agent conversationnel, qui déclenche un Agent proactif pour gérer les étapes back-end.
• Parallèlement, un agent ambiant peut observer ses actions pour fournir un guide en temps réel.

Ce processus crée une fusion transparente du travail humain et numérique. Ce schéma montre comment Agentforce facilite un système multi-agents et humain dans la boucle pour s'attaquer à des tâches complexes qu'aucun agent, ou humain, ne pourrait gérer seul.

Problème

Vos processus métiers nécessitent une collaboration entre les travailleurs de différentes organisations, internes et externes, chacune ayant des tâches distinctes à réaliser impliquant des compétences et des priorités différentes. Des goulets d'étranglement des processus peuvent se produire à tout moment et n'importe où en raison de la capacité des ressources, de contraintes en compétences ou de la quantité d'informations échangées.

Context

• Les processus s'étendent à toutes les équipes et nécessitent la collaboration de plusieurs membres de l'équipe pour un résultat réussi.
• Les assistants d'agent aident déjà votre force de travail dans des scénarios individuels en tant qu'agents conversationnels, proactifs et ambiants.
• Les processus utilisent des agents dans les segments appropriés de vos processus métiers. Cependant, les processus nécessitent également une collaboration homme-agent. Cette collaboration peut impliquer une collaboration interhumaine avec l ' aide d ' agents ou une collaboration interhumaine.
• Les déficits de compétences sont comblés par les agents.
• Les agents aident à améliorer la collaboration en réduisant les efforts humains dans des tâches telles que le suivi et l'échange d'informations critiques pour faciliter la prise de décision.
• Les agents peuvent également collaborer et déléguer en fonction des politiques et des consignes.

Composants clés

• Surface de collaboration
  La collaboration des agents nécessite un espace partagé où tous les participants, humains et agents, peuvent interagir. Ces surfaces de collaboration ne sont plus des environnements statiques et réservés aux humains. Au lieu de cela, ils sont des canaux dans lesquels les agents peuvent être invités à rejoindre, à contribuer et même à initier des conversations, changeant fondamentalement la nature du travail d'équipe. Par exemple, un agent peut créer et initier un essaim de requête dans Slack en invitant des experts en la matière et d'autres agents à collaborer sur la requête.

• Agentforce Agents
  Ce schéma dépasse les schémas individuels des agents pour montrer comment ils convergent dans un modèle Agent collaboratif, orchestrant des processus complexes qui augmentent intelligemment les capacités humaines. Les schémas précédents (conversationnel (2.1), proactif (2.2) et ambiant (2.3)) définissent la direction Agentforce Agent components.c. Un agent conversationnel agit comme interface principale, travaillant aux côtés de l'humain et agit comme interface entre les humains et tous les agents impliqués dans la collaboration. Lorsqu'une tâche est trop complexe, l'agent conversationnel initie une session collaborative, réunissant les utilisateurs humains et les agents headless nécessaires pour travailler simultanément sur le problème. Le processus devient une boucle de rétroaction dynamique dans laquelle un humain peut initier une tâche, qui déclenche ensuite un agent proactif pour gérer les étapes back-end, tandis qu'un agent ambiant peut observer pour fournir un guide en temps réel, créant une fusion transparente de la main-d'œuvre humaine et numérique.

• Couche de données
  Dans le modèle d'agent collaboratif, la couche de données joue un rôle plus dynamique que la simple fourniture d'informations. Elle devient la mémoire permanente et l'espace de travail partagé pour toute l'équipe homme-agent. Bien que chaque agent impliqué ait ses propres besoins en données spécifiques, tels que définis dans son schéma respectif, sa collaboration sur une tâche complexe repose sur une fondation de données partagée qui suit l'état de la tâche globale.

  Cet état partagé est crucial. Lorsqu'une tâche est transmise d'un agent conversationnel à un agent proactif, puis à un humain pour approbation, la couche de données doit suivre la progression, le contexte et les décisions prises à chaque étape. Cela garantit que chaque participant a une vue cohérente et à jour de l'épisode.

Interactions

1. Les humains initient une session collaborative avec d'autres humains et agents.
2. Le contexte, les objectifs, les tâches et les résultats sont définis.
3. L'agent enrichit le contexte en apportant des informations supplémentaires et planifie proactivement les étapes requises pour réaliser le travail, avec des propriétaires qui sont des humains ou des agents.
4. La progression est observée, le contexte est mis à jour et des actions sont exécutées.
5. Là où les agents effectuent le travail, ils fournissent des informations détaillées pour aider les parties prenantes humaines à comprendre le raisonnement, à formuler des commentaires et à autoriser les interceptions.
6. Les agents réalisent le travail en toute transparence et conformité.

Compromis

Modèles associés

Modèle d'opérateur: Les agents collaboratifs agissent souvent en tant qu'opérateurs, acheminant les demandes vers les agents IA spécialisés appropriés ou les agents de service humain, et négociant l'intention.

Modèle Orchestrateur: Dans les scénarios de collaboration, un agent orchestrateur gère un essaim d'agents IA, agrégeant leurs réponses pour une expérience utilisateur transparente.

Modèle Espace de travail (Radar O'Reilly): Les agents collaboratifs utilisent ce modèle pour gérer une interface utilisateur réactive et à fenêtre unique, mettant à jour en temps réel les contenus pertinents dans un flux de conversation.

Contrairement aux modèles collaboratifs qui assistent un utilisateur, les agents autonomes sont conçus pour une délégation complète. Cette section fournit les plans architecturaux pour les agents qui peuvent planifier et exécuter indépendamment des tâches complexes à plusieurs étapes pour atteindre un objectif général sans intervention humaine. L'accent est mis ici sur la création d'un système que vous pouvez charger avec un objectif et Trust pour le mener à bien du début à la fin.

Problème

Votre organisation prend conscience de la valeur à travers un ensemble de processus très complexes, chacun avec des tâches pilotées par des politiques distinctes, des livres de jeux et des compétences spécifiques requises pour l'exécution. Il s'agit souvent de programmes qui nécessitent un investissement important en temps et en ressources.

La configuration d'un nouveau programme est lourde et peut prendre des mois avant de réaliser la valeur. La mise en œuvre des commentaires et des améliorations nécessite souvent du temps et des efforts supplémentaires. La complexité est principalement déterminée par la structure de votre organisation, où les applications et les processus distribués peuvent entraîner des dépendances nécessitant des humains pour gérer le programme.

Context

• Les agents peuvent travailler de façon indépendante du début à la fin. Les agents sont conçus et configurés de sorte que l'objectif, le plan et la stratégie soient préétablis.
• Les agents peuvent prendre toutes les décisions sans demander l'approbation humaine. Les agents reçoivent des consignes de politique et de conformité.
• Les agents peuvent accéder au contexte et aux données nécessaires et exécuter les actions nécessaires sans avoir besoin d'êtres humains.
• Les humains sont notifiés, mais ne sont pas "dans la boucle".

Composants clés

• Couche de définition d'objectif et de stratégie
  • Livres de processus : Descriptions détaillées de l'exécution autonome avec des règles déterministes que les agents doivent suivre
  • Critères de décision autonomes : Des règles qui permettent aux agents de prendre des décisions sans demander l'approbation d'un être humain
  • Règles de repli : Actions prédéfinies pour gérer les scénarios par défaut ou d'exception lorsque le processus principal d'un agent échoue
  • Portées : Des frontières clairement définies indiquant ce que les agents peuvent et ne peuvent pas faire, notamment comment gérer les situations hors champ
  • Critères de réussite et définition de done: Métriques et conditions qui déterminent quand la tâche d'un agent est terminée avec succès
• Agentforce Agents
  • Orchestrateur agent ou chorégraphe : L'agent principal propriétaire de l'objectif, des motifs et des plans d'exécution
    • Rubriques et instructions: Lorsqu'un objectif est défini, l'orchestre ou l'agent chorégraphe prend la tête de la répartition de cet objectif global en tâches ou sous-tâches plus petites et gérables. Il élabore un plan complet, décrivant la séquence des tâches et identifie les agents ou les outils spécifiques requis pour chaque étape. Enfin, l'agent orchestrateur assure l'exécution transparente du plan, en suivant la progression, en gérant les dépendances et en effectuant les ajustements nécessaires pour atteindre l'objectif de manière efficace et efficiente. Dans le cas d'un agent chorégraphe, il transmet le contexte et l'état aux agents en aval pour mener le travail à terme.
    • Actions : Les actions appellent des outils pour exécuter une fonction, récupérer des données ou déléguer à d'autres agents headless, ce qui élargit les capacités et accélère les workflows.
    • Garde-fous : Les garde-fous agissent comme un ensemble de règles configurables et de contrôles d'exécution qui limitent le comportement de l'agent. Agit en tant que couche de sécurité qui peut intercepter les invites, valider les actions proposées par l'agent et filtrer sa réponse finale pour empêcher les contenus préjudiciables, appliquer des règles métiers et s'assurer que l'agent opère dans le périmètre qui lui a été attribué.
• Couche de données
  • Données CRM : Données clients disponibles dans CRM qui fournissent un contexte à un ou plusieurs agents
  • Composants Data 360, y compris des objets lac de données et des objets modèle de données, qui stockent les données clients pertinentes ingérées à partir de différentes sources
  • Les connaissances calculées, en continu et en temps réel fournissent aux agents des données immédiates et pertinentes sur les clients, leur activité et les connaissances critiques. Cela permet de résoudre les problèmes de façon préventive (par exemple gérer les rebonds d'e-mails), en atténuant l'escalade.
  • Les récupérateurs Data 360 vector store et RAG offrent à l'agent une vue unifiée de toutes les données d'entreprise pertinentes et Knowledge non structurées
  • Données de messages ou de conversations du canal Slack, telles que l'historique des requêtes et l'historique conversationnel des agents, qui fournissent le contexte de la conversation
• Suivi et contrôle
  • Suivi de la progression des objectifs de l'agent : Suit la progression des sessions des agents autonomes pour mesurer les résultats et garantir l'alignement avec les objectifs
  • Surveillance des opérations des agents : Suit le statut en temps réel des agents autonomes pour l'intervention et le dépannage, garantissant un fonctionnement sans heurt
  • Suivi de la gouvernance des agents : Suit les journaux de traçage et d'audit pour s'assurer que les agents autonomes respectent les buts, objectifs et consignes éthiques prédéfinis

Interactions

1. La tâche est définie avec des résultats clairs.
2. La tâche est initiée par l'une des méthodes suivantes :
   • Un agent est chargé.
   • Un agent choisit proactivement le poste en fonction de ses qualifications.
   • Un agent effectue le travail en arrière-plan.
3. L'agent établit clairement les attentes et informe les humains en détaillant l'objectif, le plan et la stratégie. Le plan détaille les processus pas à pas, les agents utilisés, les données utilisées, l'étendue, le plan d'évaluation des agents et les points de contrôle permettant aux humains de suivre les progrès, les opérations et la gouvernance.
4. L'agent commence l'exécution. À chaque jalon, il met à jour l'état et la progression. Les humains ont la capacité de fournir des commentaires ou d'intercepter les agents si nécessaire.
5. L'agent termine le travail. Le résultat et les résultats sont disponibles dans le tableau de bord de surveillance.

Compromis

Modèles associés

Modèle Chef de projet: Les agents autonomes incarnent souvent ce schéma, supervisant des processus à long terme et à plusieurs étapes, du lancement à la réalisation, avec une intervention humaine minimale.

Schéma du configurateur: Les agents autonomes peuvent utiliser ce modèle pour générer et valider automatiquement des configurations basées sur des exigences en langage naturel ou des politiques prédéfinies, afin de garantir la conformité et la précision sans supervision manuelle.

Modèle Zen Data Gardener: Ce modèle peut être utilisé par des agents autonomes pour le toilettage et la normalisation planifiés et en arrière-plan des données, ce qui garantit la qualité et la cohérence des données au fil du temps afin d'aider les agents à prendre des décisions précises.

Nous allons maintenant donner vie à la taxonomie des agents et aux schémas des agents en explorant comment ils sont implémentés sur Salesforce Platform. Pour ceux qui ne connaissent pas les principaux composants d'Agentforce, l'appendice fournit une mise à jour utile sur les principales technologies mentionnées dans ce chapitre et dans le suivant.

Cette section reprend la taxonomie des agents et illustre chacun d'eux avec un cas d'utilisation commun pour montrer comment ils sont utilisés dans des applications réelles.

Une cliente, Jane, visite le site Web d'une entreprise pour vérifier le statut de sa récente commande.

• Interaction : Jane ouvre la fenêtre de chat (le client de chat Agentforce).
• Action de l'agent : L'agent conversationnel la salue et lui demande comment cela peut l'aider. Jane demande : "Où est ma dernière commande ?"
• Processus :
  1. L'agent, ancré sur les informations clients de Jane de Salesforce, identifie sa dernière commande.
  2. Il interroge le système d'expédition (via un connecteur MuleSoft) pour obtenir les toutes dernières informations de suivi et fournit à Jane une mise à jour en temps réel et un lien de suivi.
  3. Il référence ensuite la stratégie et passe automatiquement à l'expédition accélérée.
  4. Lorsque Jane pose une question complexe que l'agent ne peut pas traiter, cela escalade de façon transparente le chat vers un agent de service humain, fournissant la transcription complète du contexte.

Recette

Modèles utilisés : Schéma IA conversationnelle, Intégration de données transactionnelles aux agents

Heure de conception

1. Configurez un agent conversationnel.

   Configuration de Chat avancé	→	Créer agent de service	→	Rubrique Définir des commandes de support	→	Action Créer Obtenir une commande
   						↓
   Ajouter un flux Omni-Channel d'escalade sortante	←	Créer une rubrique Escalader	←	Ajouter des actions à des rubriques	←	Action Créer Obtenir le statut
   ↓
   Publier l'agent

2. Configurez Chat avancé comme point d'entrée de chat de Jane pour qu'elle ouvre la fenêtre Agentforce sur la page Web.
3. Activez Agentforce et créez un agent de service dans Agentforce Builder pour gérer les conversations et déclencher des actions personnalisées.
4. Définissez une rubrique Commandes de support avec une description et des instructions pour que l'agent reconnaisse naturellement « Où est ma dernière commande ? ».
   1. Créer des actions personnalisées pour les agents :
      1. Action Obtenir la dernière commande de contact pour récupérer la commande la plus récente de Jane
      2. Action Obtenir le statut d'expédition par ID de commande pour récupérer les informations de suivi via MuleSoft
      3. Vous pouvez également orchestrer les deux actions dans Flux (récupérer la dernière commande et appeler MuleSoft) en utilisant des actions de service externes.
      4. Ajoutez les deux actions à l'agent de service dans le générateur, liez-les à la rubrique Commandes et suivi, puis publiez.
5. Définissez une rubrique Escalade avec une description à escalader pour un agent de service.
   • Créez et activez un flux Omni-Channel sortant.
   • Ajoutez-le à l'onglet Connexions du générateur pour l'escalade avec un message d'escalade.
6. Configurez Omni-Channel.

   Configuration d'Omni-Channel

   →

   Définir des règles d'escalade dans des instructions

   →

   Définir les priorités et la capacité

   →

   Tester et valider

7. Activez l'escalade transparente vers les agents de services sociaux lorsque l'agent IA ne peut pas résoudre la requête. Configurez l'acheminement Omni-Channel pour attribuer des chats aux agents de service et transférer la transcription complète pour le contexte.
8. Intégrez une logique d'escalade dans les instructions Agentforce et une action d'escalade pour indiquer à l'agent quand transférer des requêtes complexes. Gérez les priorités et capacités d'acheminement via Omni Supervisor.
9. Testez l'expérience complète : Jane ouvre le chat et l'agent l'accueille, identifie sa commande, récupère les données d'expédition et escalade de façon transparente lorsqu'une intervention humaine est requise (consultez également Activation des journaux d'événements avancés).
10. Configurez l'intégration de données.

    Mapper les données de contexte

    →

    Création d'identifiants d'API MuleSoft

    →

    Enregistrer le service externe MuleSoft

11. Ancrez l'agent avec le contexte Salesforce de Jane en mappant ses enregistrements de contact et de commande via un chat authentifié ou des formulaires préalables au chat.
12. Connectez Salesforce en toute sécurité à l'API d'expédition MuleSoft en utilisant des identifiants externes et des identifiants nommés pour l'authentification.
13. Si MuleSoft expose une spécification OpenAPI, enregistrez-la en tant que service externe afin que Flow et l'agent puissent l'appeler par déclaration.
14. Configurez l'intégration de données non structurées.
    1. Créez une bibliothèque de données dans Configuration. Nommez-le « Politique de commande et d'expédition ».
    2. Ajoutez les fichiers PDF des documents de politique qui contiennent les exceptions de la politique d'expédition.
    3. En arrière-plan, les documents sont automatiquement segmentés, indexés et prêts à l'emploi.

Flux de processus d'exécution d'agent

Une fois l'agent configuré et déployé, la séquence d'étapes ci-dessous est exécutée à l'exécution.

1. Lancement de chat : Jane ouvre le chat Agentforce (service incorporé). Le contexte de la session et du contact est chargé une fois Jane connectée.

2. Salut et intention : L'agent salue Jane. Jane demande le statut d'une commande, et la détection d'intention mappe « dernière commande » avec la rubrique Commandes et suivi.

3. Référence CRM : L'agent déclenche l'action Obtenir la dernière commande et interroge Salesforce (résumé de commande/commandes) pour l'enregistrement le plus récent de Jane.

4. Requête d'expédition : L'agent appelle l'API MuleSoft via un identifiant nommé, et /shipping/status/{orderId} renvoie un statut en temps réel et une URL de suivi.

5. Composition de la réponse : Agentforce fusionne les résultats et compose une réponse: "Votre commande [OrderID] expédiée via [Transporteur], arrivant demain — [Suivez ici]."

6. Replis : En l'absence de correspondance ou d'échec d'API, l'agent s'excuse et propose de réessayer de corriger les problèmes de données.

7. Escalade : Les requêtes complexes ou émotionnelles sont automatiquement transférées à un humain via Omni-Channel, ce qui transmet le chat complet et le contexte.

8. Consignation : Toutes les intentions, actions et résultats sont stockés dans des journaux des interactions. La latence de l'API est surveillée dans Anypoint Monitoring.

9. Amélioration continue : Les escalades alimentent le réentraînement Agentforce ; les flux communs sont affinés dans la version suivante.

Un client de grande valeur, John, a ajouté pour plus de 1000 $ de produits à son panier d'achat en ligne, mais ne termine pas l'achat dans les 60 minutes.

• Déclencheur : Un événement Salesforce Platform, Cart_Abandoned__e, est déclenché depuis le système d'e-commerce, contenant l'ID de contact de John et la valeur du panier d'achat.
• Action de l'agent : Un agent proactif, abonné à cet événement, entre immédiatement en action.
• Processus :
  1. L'agent vérifie l'enregistrement de John dans Salesforce et constate qu'il est un client VIP.
  2. Il crée une tâche prioritaire pour le responsable de compte de John, Sarah, avec tous les détails du panier d'achat abandonné.
  3. Il envoie une notification à Sarah via Slack, l'incitant à faire un suivi.
  4. Simultanément, il inscrit John à un parcours Marketing Cloud ciblé qui envoie un e-mail de rappel avec un code de remise de 10 % à durée limitée pour l'encourager à finaliser l'achat.

Recette

Cette recette détaille la mise en œuvre d’un agent IA proactif sur Salesforce Platform pour remédier aux abandons de paniers d’achat importants par les clients VIP. La solution exploite Salesforce Platform Events, Data 360 pour la récupération Knowledge et Agentforce pour orchestrer des actions de suivi opportunes et intelligentes, transformant ainsi les données passives en engagement actif de l'entreprise.

Heure de conception

1. Configurez un événement Panier d'achat abandonné pour le déclencher lorsque John, un client VIP, laisse le panier abandonné.

   Créer un champ Contact personnalisé

   →

   Définir un nouvel événement de plate-forme

   1. Créez un événement de plate-forme Cart_Abandoned__e avec les champs ID de contact, Valeur du panier d'achat, Date/heure de dernière mise à jour du panier d'achat et Détails du panier d'achat.
   2. Configurez l'événement d'abandon : En utilisant Commerce Cloud, créez un événement de plate-forme pour les notifications d'événement Checkout. L'abandon est détecté lorsque l'état de la session de panier Checkout est dans un état intermédiaire et que la session expire après un seuil. Alternativement, si votre e-commerce est un système externe, publiez l'événement dans Salesforce en utilisant l'une des méthodes suivantes : Flux, Apex, API Salesforce, ou API Pub/Sub.
   3. Dans l'objet Contact, créez un champ, Customer_Tier__c, avec les valeurs de liste de sélection Standard, Premium et VIP.
2. Configurez l'ingestion de données non structurées dans Data 360 : Ajoutez à Data 360 via Amazon S3 un document de politique de remise provenant d'un référentiel de documents.

   Créer des identifiants AWS S3	→	Créer un flux de données S3	→	Configurer et déployer un flux	→	Créer index de recherche
   						↓
   				Fonction de récupération de test	←	Configurer et déployer l'index

   1. Créez des identifiants externes pour accéder à S3 : Créez une nouvelle série de clés et de secrets d'accès pour un utilisateur IAM ou IAM Amazon Resource Name (ARN) pour un fournisseur d'identité.
   2. Créez un flux de données S3 : Sous l'onglet Flux de données, créez le flux de données Flux de documents de politique, sélectionnez la source S3, choisissez le type de fichier PDF, définissez la fréquence d'actualisation, mappez les champs de métadonnées (nom et taille du fichier), puis déployez.
   3. Une fois le flux de données terminé, créez un index de recherche : Utilisez l'extraction de passage pour la segmentation, le modèle d'incorporation E5-large-v2 et le type de recherche hybride, puis déployez l'index.
   4. Testez la fonction de récupération créée.
3. Configurez l'agent de récupération du panier d'achat VIP.

   Créer un agent à partir d'un modèle	→	Rubrique Ajouter Récupérer le panier d'achat VIP	→	Ajouter des instructions de rubrique	→	Action Créer une alerte Slack
   						↓
   Ajouter des actions à la rubrique	←	Action Créer une inscription au parcours	←	Action Créer une offre de remise	←	Créer une tâche de récupération de panier d'achat

   1. Créez un agent à partir du modèle Agentforce Employee Agent.
   2. Ajoutez une nouvelle rubrique, Récupérer le panier d'achat VIP, avec la description que cet agent gère les abandons de panier d'achat importants pour les clients VIP.
   3. Ajoutez des instructions de rubrique pour valider le statut VIP, qualifier le panier d'achat, notifier le responsable de compte dans Slack, recommander une offre de remise et inscrire le client au parcours d'e-mail de récupération du panier d'achat.
   4. Créez des actions et une tâche.
      • Action Alerter le responsable de compte : Envoie une notification Slack proactive
      • Tâche Récupérer le panier d'achat abandonné, attribuée au responsable avec les détails du panier d'achat
      • Action Obtenir une offre de remise : Analyse la politique et l'historique des achats précédents. Créez un modèle d'invite avec un ancrage, référencez la fonction de récupération dans le modèle d'invite et utilisez les données.
      • Inscrivez-vous à l'action Journey de récupération : S'inscrit au parcours de récupération Marketing Cloud via l'API et prend en compte toutes les données des abonnés et l'e-mail d'offre à prix réduit généré par l'agent.
   5. Ajoutez les actions à la rubrique.
   6. Créez un parcours de récupération de panier d'achat VIP en utilisant des modèles dans Marketing Cloud ou créez un parcours.
4. Connectez un événement de plate-forme pour appeler l'agent.

   Créer un flux déclenché par un événement

   →

   S'abonner à l'événement de plate-forme

   →

   Action invocable Ajouter un agent

   →

   Transmettre les données d'événements à un agent

   1. Créez un flux déclenché par un événement de plate-forme, VIP Cart Abandonment Recovery.
   2. Sélectionnez l'événement Panier d'achat abandonné auquel le flux doit s'abonner.
   3. Configurez une action invocable d'agent personnalisé dans Flow Builder, puis sélectionnez l'agent VIP Cart Recovery. Envoyez la demande d'initier une récupération de panier d'achat abandonné VIP pour le client et envoyez la charge de travail de l'événement de plate-forme.

Flux de processus d'exécution d'agent

Une fois l'agent configuré et déployé, la séquence d'étapes ci-dessous est exécutée à l'exécution.

1. Détection de l'abandon de panier d'achat : John ajoute 1200 $ à son panier d'achat, et aucun Checkout ou progression d'étape après 60 minutes ne déclenche l'abandon.
2. Publication d'événements de plate-forme : Commerce Cloud publie l'événement Cart_Abandoned__e avec l'ID de contact de John, la valeur du panier d'achat de 1200 €, la date de modification du panier d'achat et d'autres détails.
3. Initialisation du flux : L'événement de plate-forme déclenche le flux de récupération de l'abandon de panier d'achat VIP.
4. Activation de l’agent employé : Lors de l'exécution du flux, l'agent VIP Cart Recovery est invoqué.
5. Exécution de rubriques : L'agent résout la rubrique Récupérer le panier d'achat VIP et exécute les instructions.
6. Création de notifications : L'agent alerte Sarah, responsable de compte de John, à Slack.
7. Création de tâches : L'agent crée une tâche pour Sarah, l'informant des suivis qu'elle effectuera.
8. Analyse de remise : L'agent exécute l'analyse des remises en appelant la fonction de récupération Data 360 pour demander des « remises maximales autorisées » basées sur la valeur du panier d'achat, le niveau du client et l'historique des achats. Dans ce cas, la fonction recommande une offre de remise de 10 %.
9. Préparation de l'e-mail et inscription au parcours : L'agent prépare un e-mail d'offre de remise et inscrit John au parcours Marketing Cloud VIP Customer Cart Recovery avec le nouveau prix du panier.
10. Consignation et attribution : John échange l'offre, ce qui crée une attribution de journal et des métriques de conversion.
11. Analyse des commentaires : Le résultat est analysé pour mieux déterminer les offres, le délai de récupération et d'autres facteurs d'optimisation.

Un commercial, David, est engagé dans un appel découverte avec un nouveau prospect. Un agent intelligent surveille activement l'appel en temps réel, fournissant un support immédiat à David en répondant aux questions du prospect.

Exemple : Si le prospect se renseigne sur une spécification de produit spécifique, l'agent récupère automatiquement les détails correspondants et les livre à David via Slack ou un message privé.

• Déclencheur : Un prospect pose une question demandant des informations spécifiques sur un produit lors d'un appel découverte avec un commercial (David).
• Action de l'agent : L'agent ambiant analyse en permanence les journaux d'appels et les messages, identifiant et récupérant intelligemment les informations requises.
• Processus :
  1. L'agent analyse la transcription de l'appel en temps réel.
  2. Il identifie automatiquement les principaux éléments d'action et récupère les informations pertinentes.
  3. Dans ce cas, l'agent récupère les informations sur les produits directement depuis Salesforce.
  4. Il présente ensuite automatiquement les informations récupérées à David via Slack ou un message privé.

Recette

Cette recette contient des prérequis qui nécessitent des capacités de synthèse vocale en temps réel, et nous considérons qu'ils sont disponibles via votre fournisseur de communication. Par exemple, voici une recette pour intégrer les appels Zoom.

Prérequis : Exemple de transcription en temps réel d'un appel Zoom :

• Créez une application Zoom dans Zoom Developer Platform avec les étendues requises pour l'enregistrement de lecture, l'envoi de webhook et le flux de réunion. Activez les fonctionnalités produit requises, telles que les flux de médias en temps réel (RTMS).
• Configurez un serveur de signalisation intermédiaire (exemple RTMS Zoom) qui reçoit le flux audio, le transmet au service Amazon Transcribe et récupère le texte transcrit. Les transcriptions sont ensuite publiées dans Salesforce en tant qu'événement de plate-forme.

Heure de conception

1. Configurez un agent Sales Call Realtime Response.

   Créer un agent à partir d'un modèle	→	Rubrique Ajouter un appel d'assistance	→	Ajouter des instructions de rubrique	→	Action Créer une analyse de transcription
   						↓
   		Ajouter des actions à la rubrique	←	Action Créer des connaissances Slack	←	Action Créer une spécification de produit

   1. Créez un agent à partir du modèle Agentforce Employee Agent.
   2. Ajoutez une nouvelle rubrique, Appel d'assistance, avec la description indiquant que cet agent écoute les transcriptions en direct, comprend l'intention et aide à consulter les données des produits.
   3. Ajoutez des instructions de rubrique pour analyser les transcriptions, récupérer les spécifications des produits et envoyer des messages Slack.
   4. Créez des actions.
      • Action Analyser la transcription des appels : Analyse en temps réel les données des transcriptions d'appels reçues et extrait les principales questions ou actions
      • Action Obtenir les spécifications du produit : Interroge les articles Knowledge des produits
      • Envoyer des connaissances Slack à l'utilisateur "interne"
   5. Ajoutez les actions à la rubrique.
2. Configurez une bibliothèque de données Product Knowledge.

   Créer une bibliothèque de données

   →

   Ajouter des articles Knowledge

   →

   Segments et index système

   →

   Bibliothèque au sol en action

   1. Créez une bibliothèque de données dans Configuration. Nommez-le "Product Knowledge".
   2. Ajoutez les articles Knowledge qui contiennent les informations sur le produit.
   3. En arrière-plan, les documents sont automatiquement segmentés, indexés et prêts à l'emploi.
   4. Utilisez l'ancrage dans l'action Obtenir les spécifications du produit.
3. Publiez la transcription en temps réel dans Salesforce via l'API Pub/Sub.

   Le serveur reçoit la transcription audio

   →

   Le serveur publie un événement de plate-forme

   1. Créez un événement de plate-forme, Transcript_Segment__e, avec les champs ID d'appel, Séquence, Haut-parleurs, Heure de début du segment, Heure de fin du segment, Durée et Données de transcription.
   2. Dans votre serveur de signalisation (consultez la section prérequise), lorsque vous recevez le texte transcrit de l'audio, publiez immédiatement les données via l'événement Transcript_Segment__e. Vous pouvez publier l'événement dans Salesforce en utilisant l'une des méthodes suivantes : Flux, Apex, API Salesforce, ou API Pub/Sub.
4. Flux wire pour vous abonner à l'événement Transcript_Segment__e publié.

   Créer un flux déclenché par un événement	→	Événement S'abonner à la transcription	→	Action invocable Ajouter un agent	→	Envoyer la charge utile à l'agent
   						↓
   						Un agent envoie Slack DM

   1. Créez un flux déclenché par un événement de plate-forme, Discovery Call Insights.
   2. Sélectionnez l'événement Transcript_Segment__e auquel le flux doit s'abonner.
   3. Configurez une action invocable d'agent personnalisé dans Flow Builder, puis sélectionnez l'agent Sales Call Realtime Response. Envoyez la charge de travail de l'événement à la rubrique Appel d'assistance. Une fois la question dérivée de la rubrique, la question est envoyée à l'action Obtenir les spécifications du produit pour obtenir une réponse.
   4. La réponse finale est compilée et envoyée immédiatement à l'utilisateur via un DM Slack.

Flux de processus d'exécution d'agent

Une fois l'agent configuré et déployé, la séquence d'étapes ci-dessous est exécutée à l'exécution.

1. Initiation de l'appel : David lance un appel découverte avec un prospect dans un appel Zoom. Zoom RTMS diffuse le son en direct au point de terminaison de transcription du serveur de signalisation.
2. Transcription en temps réel : Le serveur de signalisation reçoit le son, le transcrit en texte et publie un événement de plate-forme Segment de transcription dans Salesforce Platform.
3. Écoute des agents et classification du contexte : Salesforce reçoit l'événement de plate-forme et déclenche le flux Discovery Call Insights.
4. Le flux initie l'agent Réponse en temps réel à l'appel commercial qui reçoit le segment, identifie les questions (telles que « Le grille-pain 2XP s'intègre-t-il aux appareils mobiles ? ») et les classe dans la rubrique Appel d'assistance.
5. Knowledge retrieval: L'agent déclenche l'action Obtenir la spécification du produit et interroge les données Knowledge pour trouver des réponses correspondantes.
6. Envoyer Slack DM privé : L'agent exécute Envoyer des connaissances Slack, en publiant dans David's Slack DM : "Le grille-pain 2XP peut être intégré à des appareils Apple et Android et peut se connecter via Bluetooth. Une fois l'application installée, il suffit de se connecter via Bluetooth et de faire fonctionner le grille-pain. Voici le lien vers le manuel."
7. Suite en temps réel : L'agent continue de recevoir le texte de la transcription. Si plusieurs connaissances émergent, il transmet des réponses Slack contextuelles sans interrompre le flux d'appels.
8. Résumé postérieur à l'appel : À la fin de la session, l'agent compile automatiquement un résumé : questions clés, actions exécutées et produits référencés.
9. Amélioration continue : Agentforce Analytics évalue la latence transcription-réponse, la précision de la correspondance produit et les résultats commerciaux pour affiner les instructions de rubrique au fil du temps.

Un responsable commercial, Bob, charge un agent autonome avec un objectif : « Augmentez notre pipeline de ventes dans le secteur manufacturier californien de 5 millions de dollars dans les 60 prochains jours. »

• Déclencheur : Le responsable attribue l'objectif via une commande dans Slack.
• Action de l'agent : L'agent autonome commence sa boucle de planification et d'exécution.
• Processus :
  1. Recherche : L'agent interroge Salesforce Data 360 et des sources de données externes (via MuleSoft) pour identifier les entreprises du secteur manufacturier de Californie qui ne sont pas des clients actuels.
  2. Qualifier : Il analyse ces entreprises, en recherchant des signaux d'achat tels que des cycles de financement récents, de nouvelles embauches de cadres ou des offres d'emploi pertinentes. Il calcule le score et priorise les 20 meilleurs prospects.
  3. Identifier les contacts : Il trouve des contacts clés (comme les vice-présidents des opérations et les directeurs d'usine) dans ces entreprises.
  4. Extension : Il compose des e-mails de sensibilisation personnalisés pour chaque contact, référençant des actualités spécifiques de l'entreprise ou des points sensibles. Il planifie l'envoi de ces e-mails au cours de la semaine prochaine.
  5. Suivi : Il suit les ouvertures et les réponses aux e-mails. Une réponse positive d'un prospect déclenche une analyse de son calendrier pour suggérer des horaires de réunion, générant automatiquement un événement Salesforce et une nouvelle Opportunité dès confirmation.
  6. Rapport : Il fournit des Rapports d'avancement hebdomadaires au responsable commercial dans Slack.

Recette

Il s'agit d'un scénario multi-agents dans lequel chaque agent exécute une tâche spécifique et transmet le contexte, les données et le contrôle à l'agent suivant. Nous utiliserons quelques agents headless personnalisés pour la recherche et la qualification, et l'agent Sales Development (SDR) prêt à l'emploi pour la sensibilisation et le suivi des prospects. Nous supposerons également que la société de Bob utilise ZoomInfo pour ses études de marché. La société reçoit également les données du réseau de fournisseurs qui sont conservées dans une base de données et contiennent des informations précieuses sur les sociétés avec lesquelles elle travaille en partenariat.

Heure de conception

1. Configurez l'architecture multi-agents.

   Un agent de recherche recueille des renseignements

   →

   Piste de score de l'agent de qualification

   →

   L'agent SDR commence la sensibilisation

   1. Agent de recherche : Interroge Data 360 et des sources externes via MuleSoft
   2. Agent de qualification : Priorise, évalue et enrichit les pistes
   3. Agent SDR : Récupère les attributions de pistes, effectue la sensibilisation, assure le suivi et planifie des réunions. Suivez l'activité et la progression des agents DTS avec Agentforce Analytics pour agent DTS.
2. Découvrez et ingérez de nouvelles données d'entreprise.

   Créer un espace de données

   →

   Ingestion de données Salesforce CRM

   →

   Ingestion de données ZoomInfo

   →

   Ingestion des données de la base de données des fournisseurs

   1. Configurez un nouvel espace de données appelé Ventes et marketing. Ce nouvel espace de données contiendra toutes les données nécessaires aux agents autonomes.
   2. Utilisez des connecteurs Salesforce pour transmettre les données Piste, Compte, Contact et Opportunité CRM dans l'espace de données.
   3. Configurez un connecteur Data 360 pour ZoomInfo. Fluxez les données vers l'espace de données Data 360 Sales and Marketing.
   4. Configurez le connecteur Anypoint Salesforce Data 360 pour vous connecter à la base de données des fournisseurs et ingérer les données dans Data 360.
3. Configurez un événement de plate-forme pour initier l'agent Recherche et qualification headless.

   Créer un événement de plate-forme

   1. Créez un événement de plate-forme AgentGoal__e avec l'objectif de champ qui capture l'objectif général de l'utilisateur humain.
4. Configurez un agent Orchestrateur d'objectif, un agent d'IA conversationnelle qui reçoit l'objectif de l'utilisateur et l'orchestre avec d'autres agents.

   Créer un agent à partir d'un modèle	→	Rubrique Ajouter un objectif d'analyse	→	Ajouter des instructions de rubrique	→	Action Créer un événement d'objectif
   						↓
   						Ajouter une action à la rubrique

   1. Créez un agent à partir du modèle Agentforce Employee Agent.
   2. Ajoutez une nouvelle rubrique, Objectif d'analyse, avec la description indiquant que cet agent comprend l'intention de l'objectif et peut appeler des agents supplémentaires si nécessaire.
      • Ajoutez des instructions de rubrique pour analyser l'objectif et déclencher des événements pour d'autres agents.
   3. Créez un événement Objectif, ObjectifAgent__e.
5. Configurez un agent Recherche et qualification des pistes, qui est déclenché par un agent orchestrateur.

   Créer une rubrique Recherche	→	Action Créer une déduplication	→	Action Créer un enrichissement de piste	→	Action Créer un score de piste
   						↓
   				Ajouter des actions à la rubrique	←	Action Créer une qualification de piste

   1. Créez une rubrique Recherche de prospects avec la description "Recherche de nouvelles pistes dans une région ou un état".
   2. Créez des actions.
      • Action Apex Dédupliquer la piste : Vérifier et valider les nouvelles pistes par rapport aux clients existants
      • Action Apex Enrichir les pistes, qui utilise un modèle d'invite : Examine les connaissances marketing non structurées et les données de la base de données des fournisseurs pour enrichir les données des pistes
      • Action Score Piste : Score proactif d'une piste avec des données de piste mises à jour
      • Action Qualifier la piste pour l'agent : En fonction du score, attribuez des paramètres qui qualifient la piste pour un agent DTS
6. Configurez un agent SDR Agentforce pour effectuer la sensibilisation, l'entretien des pistes et la planification de réunions.

   Créer un agent SDR à partir d'un modèle	→	Configurer l'agent Knowledge base	→	Configurer les paramètres de messagerie des agents	→	Définir des règles d'attribution de pistes
   						↓
   						Définir des critères de piste qualifiants

   1. Créez un agent DTS depuis la page Configuration en utilisant le modèle Agent principal préconfiguré. Configurez les paramètres de messagerie et les règles d'attribution de piste, en sélectionnant l'objet Piste ou l'objet Contact, puis en définissant les critères qualifiants (score de piste de seuil et nouvelle piste) pour les règles d'attribution.
   2. Configurez Agentforce Lead Nurturing en configurant l'agent, en attribuant des autorisations, et en configurant les règles de cadence et d'attribution.
   3. Configurez Knowledge nécessaire pour permettre à l'agent de DTS de répondre aux questions.
7. Configurez un nouveau flux pour vous abonner à l'événement publié AgentGoal__e.

   Créer un flux déclenché par un événement

   →

   Événement S'abonner à l'objectif de l'agent

   →

   Action invocable Ajouter un agent

   1. Créez un flux déclenché par un événement de plate-forme intitulé Acheminer les objectifs vers les agents.
   2. Sélectionnez l'événement Objectif de l'agent auquel le flux doit s'abonner.
   3. Configurez une action invocable d'agent personnalisé dans Flow Builder, puis sélectionnez l'agent Recherche et qualification des pistes.

Flux de processus d'exécution d'agent

Une fois l'agent configuré et déployé, la séquence d'étapes ci-dessous est exécutée à l'exécution.

• Attribution d'objectifs : Bob demande à un agent autonome « d'augmenter le pipeline en Californie de 5 millions de dollars en 60 jours ».
• Orchestration d'objectifs : L'agent Orchestrateur d'objectif autonome reçoit l'objectif, analyse l'intention et crée un événement de plate-forme, ObjectifAgent__e. L'agent Orchestrateur d'objectifs est conçu pour élargir continuellement ses capacités afin de gérer plusieurs objectifs. Vous pouvez l'agrandir pour ajouter des capacités d'orchestration supplémentaires ou demander à l'utilisateur des éclaircissements pour mieux comprendre l'intention et initier l'objectif.
• Acheminement : Le flux Acheminer les objectifs vers les agents est déclenché et appelle l'agent Recherche et qualification des pistes.
• Recherche : L'agent de recherche et de qualification des pistes interroge Data 360 pour de nouvelles informations sur les pistes, les déduplique par rapport aux clients existants, extrait des données d'études de marché supplémentaires de Data 360 et enrichit la piste. Il évalue ensuite le score de la piste, identifie les contacts clés et qualifie la piste.
• Extension : Une fois la piste qualifiée, elle devient éligible pour l'agent DTS via les règles d'attribution de piste. L'agent du DTS effectue la première sensibilisation et entretient les conversations avec le contact en répondant aux questions relatives au produit.
• Suivi : À la fin de la cadence ou à la demande de la piste, l'agent demande une planification de réunion si la piste est qualifiée pour l'engagement du représentant de service. Il planifie ensuite la réunion et quitte le flux.
• Agent Analytics : Le tableau de bord SDR Agent Analytics fournit des connaissances sur les performances de l'agent.

Un client de longue date rencontre un problème multiforme : il a été surfacturé, la pièce de rechange qu’il a reçue était incorrecte et son service est maintenant déconnecté.

• Déclencheur : Le client initie un chat, et l'agent conversationnel initial reconnaît rapidement la complexité et escalade vers un essaim d'agents.
• Action de l'agent : Un agent orchestrateur prend les commandes.
• Processus :
  1. Orchestrateur : Maintient la conversation avec le client, en fournissant des mises à jour
  2. Orchestrator delegates: En utilisant l'implémentation du protocole A2A, l'orchestrateur découvre les « agents associés » (facturation, logistique et provisionnement) qui ont les capacités requises et répartit les tâches.
     • À l'agent de facturation : « Examinez la facture #INV-7890 pour le client X. Y a-t-il des divergences ? »
     • À Agent logistique : « Vérifiez le numéro de suivi #TN-12345 pour le client X. Confirmez le numéro de pièce expédié et l'inventaire actuel de la pièce correcte. »
     • À Agent provisionneur : "Vérifiez le statut de service du compte #ACC-5678. Si vous êtes déconnecté, quel est le code de motif ?"
  3. Les agents spécialisés exécutent : Chaque agent reçoit la requête A2A, interroge son système respectif et formule une réponse.
  4. Synthèse : Les agents renvoient leurs conclusions à l'orchestrateur via des réponses A2A. L'Orchestrateur synthétise les informations : "Le client a effectivement été surfacturé de 50 $. La pièce incorrecte a été expédiée en raison d'une erreur d'entrepôt. Le service a été automatiquement déconnecté en raison du problème de facturation. »
  5. Remerciements : L'orchestrateur informe le client du problème et lui propose d'escalader le problème auprès d'un agent de service humain en lui indiquant clairement les étapes à suivre.
  6. Résolution : Il propose ensuite une solution complète à l'agent de service pour approbation. L'agent de service rejoint la conversation. L'agent de service examine rapidement toutes les données pertinentes au problème, y compris la solution recommandée par l'agent : « Créez une commande d'expédition pour la pièce appropriée avec l'expédition accélérée. Initier un retour pour la pièce incorrecte. Approuvez une remise de 10 % sur la nouvelle commande et vendez la pièce avec la dernière version améliorée. Mettez à jour les informations de paiement et proposez de configurer un arrangement de facturation récurrent. »

Recette

Cette recette décrit la mise en œuvre d'un système d'agent collaboratif conçu pour résoudre les problèmes complexes de service client impliquant plusieurs facettes. En utilisant un agent orchestrateur pour déléguer des tâches à des agents spécialisés (facturation, logistique et provisionnement) via un protocole A2A, puis en synthétisant leurs conclusions, le système fournit des solutions complètes et intègre de façon transparente les agents de service pour l'approbation finale et l'interaction avec les clients.

Heure de conception

1. Configurez Chat avancé comme point d'entrée de chat du client pour lui permettre d'ouvrir la fenêtre Agentforce sur la page Web.
2. Configurez un Agentforce Billing, un agent spécialisé headless qui peut prendre une commande ou une facture et effectuer une enquête de facturation.

   Créer un agent à partir d'un modèle

   →

   Définition d'une rubrique d'enquête de facturation

   →

   Action Créer un flux personnalisé

   →

   Ajouter une action à la rubrique

   1. Activez Agentforce et créez un Agent Employé à partir du modèle Agentforce Agent Employé.
   2. Définissez une rubrique, Demande de facturation, avec la description « Enquêter sur les écarts de facture, les problèmes de paiement et les erreurs de facturation ».
      1. Ajoutez une action de flux personnalisée, Vérifier les écarts de facture, avec une entrée Numéro de facture, ID de client et Plage de dates, et une sortie Montant des écarts, Cause première et Transactions affectées.
3. Configurez un Agent logistique Agentforce, un agent spécialisé headless capable de vérifier les expéditions, de suivre les expéditions et de vérifier l'inventaire.

   Créer un agent à partir d'un modèle

   →

   Définition de la rubrique Vérification de l'expédition

   →

   Action Créer un flux personnalisé

   →

   Ajouter une action à la rubrique

   1. Activez Agentforce et créez un Agent Employé à partir du modèle Agentforce Agent Employé.
   2. Définissez une rubrique : Vérification de l'expédition, avec une description pour vérifier l'expédition pour facture.
      1. Ajoutez une action de flux personnalisée, Vérifier les détails d'expédition, avec une entrée Numéro de facture, ID de client et Plage de dates, et une sortie Pièce expédiée, Date et Statut d'inventaire.
4. Configurez un Agent de provisionnement Agentforce, un agent spécialisé headless capable de vérifier le provisionnement et le statut de service.

   Créer un agent à partir d'un modèle

   →

   Définir la rubrique Contrôle de service

   →

   Action Créer un flux personnalisé

   →

   Ajouter une action à la rubrique

   1. Activez Agentforce et créez un Agent Employé à partir du modèle Agentforce Agent Employé.
   2. Définissez une rubrique, Contrôle du service, avec une description pour vérifier la connectivité du service et le statut du compte.
      1. Ajoutez une action de flux personnalisée, Vérifier le service, avec une entrée ID de client et ID d'actif, et une sortie Statut du service et Motif de l'exception de service.
5. Exposer les agents de facturation, de logistique et de provisionnement en tant que serveurs A2A, puis les enregistrer dans le Registre des agents.

   Exposer les agents via MuleSoft

   →

   Enregistrer les agents dans le registre

   1. En l ' absence d ' un support direct de l ' A2A sur les agents Agentforce, des connecteurs MuleSoft peuvent être utilisés pour exposer les API des agents en tant que serveurs A2A.
   2. Enregistrez ces serveurs A2A dans Registre des agents.
   3. Utilisez Anypoint Agent Fabric pour l'orchestration des agents.
      1. MuleSoft Agent Broker peut vous aider à orchestrer n'importe quel agent à travers les plates-formes en fonction des capacités des agents mentionnées dans les cartes de l'agent.
6. Configurez un Agent d'aide Agentforce, un agent d'IA conversationnelle qui interagit avec les clients, évalue la complexité et coordonne avec plusieurs agents spécialisés pour résoudre le problème.

   Créer Agent de service	→	Définir la rubrique Investigation	→	Action Créer une notification	→	Définir la rubrique Orchestration
   						↓
   Définir la rubrique Escalade	←	Action Créer Créer une requête	←	Action Créer un agent d'appel	←	Créer un flux d'orchestration d'agent
   ↓
   Créer un flux Omni-Channel	→	Connecter le flux pour l'escalade

   1. Activez Agentforce et créez un agent de service dans Agentforce Builder pour gérer les conversations et déclencher des actions personnalisées.
   2. Définissez une rubrique, Enquête de service, avec une description et des instructions afin de permettre à l'agent de reconnaître naturellement une rubrique complexe contenant généralement plusieurs problèmes simultanés.
      1. Créez des actions personnalisées.
         • Action Notification de statut pour reconnaître le problème et fournir des mises à jour sur la progression
   3. Définissez une rubrique Orchestration qui peut appeler d'autres agents via des actions.
      1. Créez une action Agent d'appel qui appelle une action Flux. L'action Flux contient plusieurs actions d'agent et peut initier chacun des agents headless : l'agent de facturation, l'agent logistique et l'agent de provisionnement.
      2. Créez une action Créer une requête qui crée une requête, ajoute des détails et définit le statut.
   4. Définissez une rubrique Escalade avec une description à escalader pour un agent de service.
   5. Créez et activez un flux Omni-Channel sortant.
      • Ajoutez-le à l'onglet Connexions de l'agent pour l'escalade avec un message d'escalade.

Flux du processus d'orchestration des agents

Anypoint Code Builder prend désormais en charge les courtiers en bâtiment. Un agent broker est une couche d'acheminement et d'orchestration intelligente qui connecte les agents à travers les domaines et interagit avec les agents et les outils les plus adaptés. MuleSoft Dev Agent génère le code pour configurer une fondation pour le courtier.

Selon les capacités des agents mentionnées dans les cartes d'agent (serveurs A2A), qui étaient auparavant enregistrées dans le Registre des agents, d'autres configurations sont automatiquement effectuées par le Générateur de code Anypoint. Enfin, nous pouvons déployer ce courtier agent dans le cloud.

Lorsque le courtier agent est disponible pour la consommation, ces requêtes sont acheminées vers les agents appropriés. Un courtier reçoit une invite et utilise le grand livre pour la décomposer en tâches et déterminer quel agent appeler en premier. Dans chaque boucle itérative, il détermine s'il a répondu avec succès à l'invite d'origine ou s'il doit travailler avec des agents supplémentaires pour réaliser le travail.

Flux de processus d'exécution d'agent

Une fois l'agent configuré et déployé, la séquence d'étapes ci-dessous est exécutée à l'exécution.

1. Lancement de chat : Un client ouvre le chat Agentforce (service incorporé). Le contexte de la session et du contact est chargé une fois le client connecté.
2. Salut et intention : L'agent accueille le client. Le client, avec une frustration évidente, notifie les dépassements, la pièce incorrecte et le service déconnecté.
3. Référence CRM : L'agent déclenche l'action Obtenir la dernière commande et interroge Salesforce (résumé de commande/commandes) pour l'enregistrement le plus récent du client. L'agent confirme ensuite la commande dans son contexte et notifie le client qu'il enquêtera. Il recherche ensuite l'ID de facture, le numéro de suivi associé à la facture et l'ID d'actif associé au service.
4. Activation de l'Orchestrateur : L'agent orchestrateur reçoit l'escalade et l'ID de commande, puis crée une requête. Il transmet les données contextuelles à et communique avec trois agents : l'agent de facturation, l'agent logistique et l'agent de provisionnement.
5. Réponse de l'agent de facturation : L'agent de facturation renvoie des détails sur la pièce, le coût unitaire et le coût total. Il note également une différence entre la pièce de la commande et la pièce de la facture. L'agent de facturation recherche le prix de la pièce dans la commande et les raisons du dépassement.
6. Réponse de l'agent logistique : L'agent logistique revient avec des détails sur la pièce expédiée et les notes d'exception créées par le système logistique indiquant que la pièce incorrecte aurait pu être envoyée en raison de problèmes de balisage. L'agent logistique vérifie également que le problème est maintenant corrigé et que la pièce correcte est disponible dans les versions originales et plus récentes.
7. Réponse de l'agent provisionneur : L'agent de provisionnement renvoie des détails sur la déconnexion du service et le problème relatif aux informations de paiement expirées. Il fournit également les notifications envoyées pour conseiller au client de mettre à jour les informations de paiement.
8. Synthèse orchestrateur : L'agent orchestrateur synthétise les réponses de tous ces agents et compose une solution en examinant les articles Knowledge pour chacune des problématiques. Tout d'abord, il recherche les informations sur la pièce incorrecte et initie un retour. Deuxièmement, il offre une remise pour le problème basée sur les documents de la politique de résolution et recommande également une mise à niveau vers une version plus récente que le client peut acheter (mais il existe une différence de prix). Troisièmement, il a besoin de nouvelles informations de paiement de la part du client, donc il est escaladé vers le référentiel de service pour communiquer la résolution.
9. Escalade : L'agent orchestrateur accède à l'agent de service en lui fournissant tout le contexte, les notes d'enquête et les recommandations de résolution nécessaires, ainsi que les approbations nécessaires, et l'amène à l'appel.
10. Humain dans la boucle : L'agent de service remercie le client pour sa patience, s'excuse pour le problème et explique le problème. L'agent de service offre ensuite une remise de 10 % pour la pièce en compensation et informe également le client d'une nouvelle pièce mise à niveau et de ses avantages. Enfin, ils expliquent la déconnexion, récupèrent les nouvelles informations de paiement et mettent à jour le système.
11. Restauration proactive : L'agent IA regarde la conversation et agit proactivement pour restaurer le service, commander la pièce mise à niveau et créer une nouvelle facture avec la remise et le prix ajusté.
12. Clôture de requête : Enfin, il compile le résumé, met à jour la requête et la ferme.

Pour être efficace, un agent doit être capable de s'intégrer à un large ensemble de données et d'outils d'entreprise. Cela fournit le contexte essentiel dont un agent a besoin pour atteindre son objectif configuré. L ' infrastructure Agentforce fournit une architecture d ' intégration sophistiquée qui intègre des données à la fois internes à Salesforce et externes à Salesforce.

Cette section explore les modèles de connexion des agents à ces ressources. Ces schémas reposent sur deux approches fondamentales de l'intégration.

• Intégration interne (accès aux données et accès aux outils) : Pour les ressources de l'écosystème Salesforce, un agent a deux modes de fonctionnement.
  • Accès aux données : L'exécution principale Agentforce est profondément intégrée à Data 360, ce qui lui permet d'interroger directement les services de données internes. Il peut formuler et exécuter nativement des requêtes sur Graphiques de données pour obtenir une vue complète du client, effectuer des recherches sémantiques via RAG pour comprendre Knowledge non structurée, et accéder à des informations en masse en utilisant l'API Data 360 Query. Ce parcours direct est optimisé pour la rapidité et la flexibilité de la récupération des données.
  • Accès aux outils : Lorsqu'une tâche implique une logique métier complexe ou des processus à plusieurs étapes, ou lorsqu'elle nécessite une gouvernance stricte, ses capacités sont encapsulées dans Actions. Élaborées avec Apex ou Flow, ces actions offrent à l'agent une interface sécurisée et réutilisable qui ne se contente pas de lire des données. Elles lui permettent de mettre à jour des enregistrements, de déclencher des événements de plate-forme ou d'exécuter n'importe quel processus métier établi.
• Intégration externe (MCP/A2A) : Lorsqu'un agent a besoin d'informations extérieures à Salesforce (par exemple, d'une application externe, d'un microservice ou d'un autre agent), il utilise le Model Context Protocol (MCP). Cette norme ouverte fournit un langage commun pour l'interopérabilité. Des serveurs MCP peuvent être ajoutés depuis AgentExchange ou un administrateur peut ajouter dans le Registre des agents ou un appel Apex au serveur MCP. Ensuite, l'action initie la requête à un serveur MCP externe, reliant les mondes interne et externe de façon structurée. De la même façon, lorsqu'un agent doit communiquer avec un autre agent, le protocole Agent2Agent (A2A) facilite cette interaction. Cela permet de créer des systèmes complexes et multi-agents dans lesquels des agents spécialisés peuvent collaborer pour résoudre des problèmes complexes, en favorisant la modularité et la réutilisation.

Les modèles suivants sont organisés autour des thèmes d'intégration de données spécifiques dont les agents ont besoin. Nous allons montrer comment ces modèles sont appliqués pour résoudre des défis distincts en matière de données, depuis la connexion à des applications externes en utilisant le MCP jusqu'à l'accès à des données volumineuses en masse dans Data 360, en passant par les enregistrements transactionnels en temps réel et les contenus non structurés en utilisant la puissante combinaison d'accès direct et d'actions formelles dans Data 360.

Problème

L'efficacité d'un agent dépend de sa capacité à utiliser des outils externes. Cependant, ces outils, des ERP hérités aux applications SaaS modernes, n'ont pas de langage commun. Chacun a une API, un modèle d'authentification et un format de données uniques. Cela oblige les développeurs à s'engager dans un cycle fragile et inévolutif d'élaboration et de gestion d'intégrations de point à point personnalisées pour chaque nouvel outil que l'agent doit utiliser.

Context

Prenons l'exemple d'un agent chargé de résoudre une requête d'expédition endommagée. Pour réussir, il doit interagir avec trois systèmes externes différents : il doit interroger **l'API d'**un fournisseur pour vérifier l'inventaire de remplacement, appeler un service logistique partenaire pour organiser une nouvelle livraison et accéder à un système financier pour traiter un crédit. Sans protocole commun, l'agent aurait besoin de trois intégrations distinctes et sur mesure, chacune représentant un point d'échec potentiel. MCP fournit une couche de communication standardisée pour rendre ces interactions transparentes et fiables.

Voici des recettes d'intégration de services externes exposés via MCP à votre agent.

Recette 1 : Activation des outils externes avec MCP

Problème

Les organisations fonctionnent à la fois avec des systèmes ERP hérités et SaaS modernes, mais leur intégration à un agent est difficile, car il n'existe pas de protocole commun : chaque outil a ses propres API, authentification et modèle de données. Les développeurs finissent par élaborer et gérer des connecteurs point à point personnalisés pour chaque outil, produisant des intégrations fragiles, non évolutives et coûteuses.

Modèle

L'agent invoque un outil externe (exposé via MCP) via une action structurée, lui permettant d'utiliser des outils spécialisés au-delà de la plate-forme Salesforce.

Context

• L'agent agit en tant que proxy pour une série d'outils qui existent hors de Salesforce Platform.
• Ces outils externes peuvent avoir divers API, mécanismes d'authentification et formats de données.
• Un protocole de communication normalisé est requis pour permettre une interaction transparente entre l'agent et ces outils externes.
• La réutilisation est une préoccupation majeure, car les mêmes outils externes peuvent être utilisés par plusieurs agents à des fins différentes.

Interactions

1. Déclencheur : Une requête utilisateur ou un événement interne à Agentforce nécessite l'utilisation d'un outil externe.
2. Intention d'agir : L'agent Agentforce identifie l'intention et détermine qu'un outil externe basé sur MCP est requis.
3. Planificateur (interne) : Le planificateur de l'agent Agentforce sélectionne l'outil ou l'action MCP approprié en fonction de ses instructions configurées et des outils disponibles.
4. Exécution : L'agent Agentforce envoie une requête conforme MCP au serveur MCP externe (par exemple, via un appel Apex à un point de terminaison MuleSoft, qui achemine ensuite vers le serveur MCP externe).
5. Traitement externe : Le serveur MCP externe traite la requête, interagit avec l'application externe sous-jacente et prépare une réponse conforme MCP.
6. Résultat: Le serveur MCP externe renvoie la réponse à l'Agentforce Agent.
7. Suivi : L'Agent Agentforce traite la réponse, met à jour son état interne et poursuit sa tâche ou fournit des commentaires à l'utilisateur.

Compromis

La logique de prise de décision d'un agent est aussi solide que ses données sous-jacentes. Pour agir intelligemment, un agent doit avoir une compréhension riche et en temps réel du monde qui l'entoure. Sans architecture d'ingestion de données définie, l'agent ne peut pas accéder ni traiter les informations en temps réel à haut volume qui sont essentielles à son fonctionnement.

Intégration de données transactionnelles à des agents

Problème

Les agents doivent souvent effectuer des opérations de lecture/écriture à faible latence sur des enregistrements individuels résidant dans des systèmes d'enregistrement (par exemple, mettre à jour une requête ou récupérer un statut de commande). Ces actions nécessitent l'intégrité et la fiabilité des données pour garantir la cohérence du modèle de données sous-jacent. Le principal défi architectural consiste à fournir un schéma sécurisé, en temps réel et évolutif pour cet accès aux données transactionnelles sans créer d'intégrations point à point fragiles.

Context

La connexion réussie d'un agent à ces enregistrements nécessite une architecture robuste composée de plusieurs composants principaux.

• Systèmes transactionnels : Ce sont les sources faisant autorité des données, telles que les systèmes d'enregistrement tels que Salesforce, Workday ou SAP, ou les services hébergés sur des plates-formes telles que AWS.
• Couche d'intégration : Une couche d'intégration puissante, généralement gérée par MuleSoft, est cruciale pour la connexion sécurisée à ces systèmes disparates, la transformation des données et leur exposition à la plate-forme Agentforce.
• Serveurs MCP : Pour garantir l'interopérabilité, les agents communiquent avec ces systèmes externes en utilisant la norme MCP. La couche d'intégration peut se connecter à divers serveurs MCP MuleSoft, Heroku ou tiers qui hébergent les services ou les agents externes.
• Échange d'agents : Ce composant agit comme un annuaire ou un standard téléphonique, permettant à l'agent Salesforce de découvrir et de se connecter en toute sécurité au service externe approprié ou à l'agent approprié pour réaliser sa tâche.

Recette 1 : Opérations directes d'enregistrement via MCP

Modèle

L'agent utilise le protocole MCP pour se connecter à un système de données transactionnelles et effectue des opérations CRUD avec état sur des enregistrements spécifiques identifiés avec des exigences de cohérence immédiates.

Context

• Les agents conversationnels et collaboratifs doivent traiter les données du système d'enregistrement dans le flux de travail.
• Le système d'enregistrement est un système externe.
• Les transactions doivent être idempotentes.

Composants clés

• Agentforce Agent: Avec des rubriques et des instructions pour effectuer une mise à jour transactionnelle. Actions appelle un serveur MCP externe ou un serveur MCP enregistré Agentforce Exchange.
• Serveur MCP : Le serveur MCP qui expose les données et la fonction de la transaction (par exemple, tool=billing.update_record avec les données d’entrée)
• Système d'enregistrement externe : Le système dans lequel le changement d'état se produit

Interactions

1. Déclencheur : Une commande ou un événement nécessite une transaction dans un enregistrement.
2. Intention d'agir : Un Agent Agentforce identifie une intention de changement d'état.
3. Planificateur (interne) : Le planificateur choisit un outil MCP.
4. Exécuter : L'outil est exécuté après la réussite des contrôles d'accès au niveau de la stratégie, de l'enregistrement et du champ.
5. Résultat : Le serveur MCP renvoie une réponse
6. Suivi : L'agent Agentforce traite la réponse.

Compromis

Recette 2 : Orchestration complexe via l'API Mulesoft

Modèle

L'agent exploite l'API Mulesoft pour des transactions atomiques complexes, multi-étapes et inter-systèmes. Cela fournit un point de terminaison unique et régi, garantissant un traitement de bout en bout fiable et évitant les problèmes de cohérence, de fiabilité, de latence et de données associés aux appels directs à des systèmes individuels.

Context

• Les agents conversationnels et autonomes doivent souvent effectuer plusieurs opérations de manière fiable.
• Une transaction contient plusieurs systèmes transactionnels et opérations.
• Les workflows nécessitent des transactions/annulations, des tentatives et l'application de stratégies.
• Les besoins en transactions sont en temps réel, idempotents, observables et conformes.

Interactions

1. Déclencheur : Une commande ou un événement se produit, nécessitant une transaction complexe.
2. Intention d'agir : L'agent Agentforce identifie l'intention.
3. Planificateur (interne) : Le planificateur choisit une action invocable pour l'API ou l'action API.
4. Exécution : L'API est exécutée et une réponse renvoyée.
5. Suivi : L'agent Agentforce traite la réponse.

Compromis

Intégration de données analytiques à des agents

Problème

Les organisations ont investi massivement dans l’infrastructure analytique (entrepôts de données et lacs, systèmes d’analyse en temps réel et plates-formes d’intelligence économique). Pourtant, les agents IA restent déconnectés de ces systèmes. Cela crée une lacune dans la capacité d'un agent à obtenir un contexte enrichi (par exemple, un client a retourné des pièces trois fois au cours du dernier trimestre) pour l'aider à prendre de meilleures décisions (dans le cas présent, l'escalade).

Context

L'intelligence opérationnelle d'un agent est dérivée de sa capacité à synthétiser des informations à partir de sources et de formats de données fondamentalement différents. Par conséquent, ce modèle architectural n'est pas conçu pour un cas d'utilisation unique, mais comme un cadre d'ingestion de données de base. Un agent efficace doit être équipé pour traiter des sources structurées afin d'effectuer une analyse logique pilotée par les données. Un agent doit avoir accès à des fils structurés à haut volume. Cela inclut l'intégration à des lacs de données d'entreprise (via l'intégration zéro copie à Data 360), le traitement de flux de données transformés en middleware ou l'ingestion de fichiers par lot tels que des CSV.

Recette 1 : Lacs de données intégrés via Data 360 Zero-Copy

Problème

Les organisations doivent faire face à des coûts élevés en utilisant des pipelines de données traditionnels pour copier, gérer et transformer des données analytiques stockées dans des lacs de données (par exemple Snowflake). Historiquement, les analytiques étaient en grande partie hors ligne, ce qui entraînait des occasions manquées d'agir en temps opportun.

Modèle

L'agent interroge les données zéro copie (et les connaissances calculées) disponibles dans Data 360 au lieu d'interroger les entrepôts de données externes pour des connaissances critiques. Cela aide les agents à fonder les données transactionnelles et analytiques pour une meilleure prise de décision.

Context

• Votre organisation stocke les données clients et opérationnelles dans des entrepôts de données et des lacs.
• Vos agents doivent avoir accès à des métriques agrégées, à des tendances historiques et à des connaissances analytiques.
• Le contexte de votre agent nécessite des données transactionnelles et analytiques (tenez compte du besoin d'un agent de recherche en données sur les tendances historiques).

Interactions

1. Déclencheur : Un agent reçoit une requête concernant une connaissance qui nécessite d'accéder à des données analytiques ou à une connaissance calculée.
2. Exécution : L'agent exécute une action qui appelle les Connaissances calculées Data 360 via l'API Query, et les connaissances calculées sont renvoyées.
3. Suivi : L'agent Agentforce traite la réponse.

Compromis

Recette 2 : Déclenchement d'actions à partir de flux de données

Problème

Les organisations génèrent en permanence des informations précieuses à partir des activités commerciales telles que les visites de sites Web, les appels, les réunions, les chats et les données de capteurs. Cependant, lorsque ces interactions sont disponibles ou récupérées à partir d'entrepôts de données, les connaissances critiques sont perdues et l'opportunité d'intervention rapide est passée. Par conséquent, les organisations passent à côté de la majorité de l'intelligence actionnable requise en temps réel, qui est souvent enfouie dans ces flux éphémères. Cela entraîne des écarts, des opportunités d’accompagnement manquées et des décisions prises sans contexte complet.

Modèle

L'agent reçoit des connaissances en temps réel ou en temps quasi réel à partir de connaissances en continu ou d'une connaissance en temps réel dans Data 360 via une action de données, ou l'agent accède à une connaissance en continu en temps réel en interrogeant un serveur MCP qui s'interface avec un moteur de traitement en temps réel tel que Apache Flink.

Context

• Les systèmes de streaming tels que les événements de plate-forme, l'API Pub/Sub et RTEM génèrent d'énormes quantités de données de flux.
• Les systèmes de traitement de flux tels que Data 360 et Apache Flink traitent ces événements individuels à mesure qu'ils arrivent.
• Agentforce doit interroger les systèmes de flux (par exemple, la transcription la plus récente de 30 secondes pour la réunion en direct avec un contexte supplémentaire) ou est déclenché par une action de données (par exemple, la détection de fraude).
• Il faut agir en temps quasi réel et à faible latence.

Interactions

1. Émettre un flux : Le système source émet un flux continu de données.
2. Traitement du flux : Les moteurs de traitement de flux tels que Data 360 ou Apache Flink traitent les informations.
3. Transformation : Les connaissances sont agrégées, transformées et synthétisées en données sensibles aux agents dans un middleware (pour une transformation complexe) ou dans Data 360.
4. Événement de connaissances du flux : Une action Data 360 Data est déclenchée pour des données synthétisées (par exemple, une transcription d'un flux audio de 30 secondes).
5. Enrichir : Un agent ajoute un contexte et détecte une intention.
6. Exécuter : L'agent exécute l'action.
7. Suivi : L'agent attend la prochaine connaissance en continu.

Compromis

Intégration de données sémantiques à des agents

Les organisations ont des artefacts métiers (catalogues, manuels, politiques, Knowledge graphs, cartes des relations) sous différents formats et formes. Pour dépasser la simple exécution de tâches et s'engager dans un raisonnement sophistiqué, les agents doivent être capables de comprendre ces données là où sont stockées la plupart des Knowledge humaines.

Recette 1 : CHIFFON : Libérer la puissance des données non structurées pour les agents

Problème

Les organisations possèdent souvent des informations non accessibles à la recherche qui empêchent les agents d'y accéder en toute confiance. Cette lacune entraîne souvent des réponses incomplètes de la part des agents, n'ayant pas la profondeur contextuelle et les citations vérifiables nécessaires pour établir Trust. Par conséquent, il est clairement nécessaire d'adopter une méthode normalisée pour permettre aux agents de récupérer de façon cohérente des contenus pertinents et précis sur le plan sémantique.

Modèle

Ce schéma fournit l'architecture permettant aux agents d'ingérer et d'interpréter une grande variété d'informations non structurées, depuis les documents internes jusqu'aux contenus Web publics. Accorder à un agent l'accès à ces données est essentiel pour libérer des capacités avancées telles que l'analyse du sentiment du marché, le résumé des documents et l'étude des concurrents.

Context

• Knowledge est dans des fichiers sous différents formats et formes.
• Le contenu redondant est répandu dans ces documents.
• Un agent a besoin d'informations précises qui peuvent être citées.
• Knowledge change fréquemment. Par conséquent, les fichiers doivent être actualisés et réindexés.

Interactions

Le contenu ne peut pas être ingéré ou utilisé par l'agent en l'état. Le contenu doit être segmenté, incorporé, stocké dans une base de données vectorielle et indexé avant d'être récupéré et utilisé par les agents.

Ingérer et préparer

1. Explorer et ingérer des sources : Les sources peuvent être identifiées de deux façons : manuellement, par exemple en chargeant un fichier PDF, ou par leur emplacement, par exemple AWS S3.
2. Chunking : Le contenu ingéré est divisé en segments plus petits et faciles à gérer pour faciliter le traitement et la récupération efficaces. Il s'agit d'une étape cruciale pour le GCR, car elle garantit que seuls les éléments d'information les plus pertinents sont récupérés, plutôt que des documents complets.
3. Incorporation : Chaque segment est ensuite converti en une représentation numérique appelée incorporation en utilisant un modèle de langage spécialisé. Ces incorporations capturent le sens sémantique du texte, ce qui permet des recherches basées sur la similarité.
4. Stockage vectoriel : Les incorporations sont stockées dans un magasin de vecteurs Data 360, une base de données spécialisée optimisée pour les recherches de similarité très performantes. Cela permet à l'agent de retrouver rapidement le contenu associé.
5. Indexation : Le contenu et ses incorporations sont indexés dans le magasin vectoriel, ce qui facilite leur recherche.

Fonctions du récupérateur Data 360

• Récupérer le contenu : Cette fonction prend une requête en entrée et effectue une recherche sémantique dans le magasin vectoriel Data 360 pour trouver les segments de contenu les plus pertinents.
• Contenu du filtre : Cette fonction permet de filtrer les contenus récupérés en fonction de métadonnées, telles que le type de document, l'auteur ou la date, afin d'affiner les résultats.
• Contenu du classement : Cette fonction classe les segments de contenu récupérés en fonction de leur score de similarité (recherche vectorielle), de leur score par mot-clé ou d'une combinaison des deux (recherche hybride).

Récupérer et générer

• Requête : Lorsqu'un agent a besoin d'informations, il formule une requête qui est également incorporée à un vecteur.
• Recherche sémantique : L'agent effectue une recherche sémantique par rapport au magasin vectoriel Data 360, en comparant l'incorporation de la requête aux incorporations des segments de contenu stockés. Cela récupère les segments les plus pertinents sur le plan sémantique en fonction du score vectoriel ou du score hybride (vecteur et mot-clé combinés).
• Génération augmentée par récupération (RAG) : Les segments de contenu récupérés sont ensuite fournis en contexte aux Agentforce avec la requête d'origine. Le LLM utilise ce contexte pour générer une réponse précise, précise et citable.
• Réponse et citation : L'agent présente la réponse générée, souvent avec des citations aux documents sources ou aux liens Web d'origine, pour établir Trust et permettre la vérification.

Compromis

Recette 2 : Graphiques de données : Données de graphiques structurés prédéfinies pour les agents

Problème

Les organisations possèdent souvent des données de relations cloisonnées qui empêchent un agent de les récupérer. Ce problème entraîne fréquemment des réponses incomplètes de la part des agents qui manquent de détails contextuels suffisants pour établir Trust sur la façon dont les différentes entités sont connectées, ou entraîne des délais lorsque les agents doivent récupérer des informations à partir de plusieurs bases de données.

Modèle

Ce schéma fournit l'architecture permettant aux agents d'ingérer et d'interpréter une grande variété d'informations sur les relations structurées et semi-structurées, depuis les données CRM internes jusqu'aux graphiques Knowledge externes. Accorder à un agent l'accès à ces données est la clé pour débloquer des capacités avancées telles que les vues Customer 360, l'analyse des dépendances complexes et l'élaboration dynamique du contexte.

Context

1. Les données des relations sont dispersées entre divers systèmes et formats.
2. Les agents doivent comprendre les connexions entre les entités (par exemple, un client, ses requêtes, ses commandes et les produits associés).
3. Les graphiques Knowledge et les modèles de données connectées sont essentiels pour comprendre les relations complexes.
4. L'agent a besoin d'informations précises sur les relations des entités qui peuvent être citées.

Interactions

Les données relationnelles doivent être harmonisées et représentées dans une structure graphique avant d'être interrogées et utilisées efficacement par les agents.

Ingérer et préparer

1. Sources d'ingestion Crawland : Les sources de données (par exemple, systèmes CRM, ERP, API externes et fichiers CSV) sont identifiées et ingérées dans Data 360.
2. Harmonisation : Les données brutes sont mappées avec des objets modèle de données (DMO) dans Data 360, ce qui standardise leur structure et crée une vue unifiée.
3. Résolution de l'identité : Les profils clients dupliqués sont consolidés et les enregistrements associés liés pour créer une vue unique et précise de chaque client.
4. Création de graphiques de données : Les objets modèle de données sont connectés pour former un graphique de données, qui représente les relations entre différentes entités (par exemple, un objet modèle de données client est connecté à un objet modèle de données requête, qui est connecté à un objet modèle de données produit). Ce graphique permet une traversée efficace des relations.
5. Connaissances calculées : Les métriques agrégées et les attributs dérivés (par exemple, l'historique d'achat total d'un client) sont calculés et ajoutés au graphique des données pour un contexte plus riche.

Récupérer et générer

1. Requête : Lorsqu'un agent a besoin d'informations impliquant des relations entre des entités, il formule une requête dans le graphique de données (par exemple, « Quelles sont toutes les requêtes ouvertes pour ce client et quels produits lui sont associés ? »).
2. Transversée de graphique et API de requête : L'agent utilise l'API Data 360 Query pour traverser le graphique de données et récupérer les enregistrements connectés, les connaissances calculées et les attributs pertinents basés sur la requête.
3. Génération contextuelle : Les données sensibles aux relations récupérées sont ensuite fournies en contexte aux Agentforce avec la requête d'origine. Le LLM utilise ce contexte enrichi pour générer une réponse précise, précise et citable qui reflète l'interconnexion des données.
4. Réponse et citation : L'agent présente la réponse générée, souvent avec des références aux enregistrements ou aux relations spécifiques dans le graphique de données qui ont éclairé la réponse, afin d'instaurer Trust et de permettre la vérification.

Compromis

L’entreprise se situe à l’orée d’une nouvelle ère d’automatisation et d’intelligence, dirigée par les agents IA. De la gestion des simples requêtes des clients à l'exécution autonome de stratégies métiers complexes, les agents promettent de redéfinir la productivité et l'engagement des clients. La plate-forme Salesforce Agentforce offre les bases essentielles, de confiance, de cette transformation. Avec une solide suite d'outils déclaratifs et pro-code, une plate-forme de données unifiée, et un engagement envers des normes ouvertes via A2A et MCP, Agentforce fournit une fondation complète et de confiance pour élaborer chaque type d'agent. Cette architecture permet aux organisations de déployer des agents intelligents, orientés vers des objectifs, qui agissent en tant que partenaires connectés, et non de façon isolée, pour favoriser la réussite commerciale mesurable.

Salesforce fournit un ensemble puissant et intégré d'outils, unifiés par la plate-forme Agentforce, qui servent de base à l'élaboration d'agents sophistiqués. Les recettes et les exemples de ce document supposent une familiarité avec les capacités de la plate-forme Agentforce et la façon dont les agents interopèrent. Cette section offre une mise à jour sur les composants clés que vous devez comprendre pour tirer le meilleur parti des recettes et des modèles de ce document.

Cette section présente les capacités de base de la plate-forme, qui sont essentielles pour les architectes et développeurs qui élaborent des agents sur Agentforce.

• Flux Salesforce : L'outil principal pour définir la logique de l'agent. Son interface visuelle déclarative est idéale pour orchestrer les étapes qu'un agent va suivre.
• Apex : Fournit la puissance d'une logique personnalisée complexe, la gestion des états pour les agents autonomes et des intégrations complexes
• Événements de plate-forme : Le système nerveux des agents proactifs et collaboratifs, servant de couche de transport pour le protocole A2A.
• Data 360 : La mémoire à long terme unifiée de l'agent. Il fournit le contexte nécessaire à une action intelligente et constitue la base de la génération augmentée de récupération (RAG).
• MuleSoft : Le pont de l'agent vers le monde extérieur, qui permet à la fois l'intégration système et la communication entre les agents de plate-forme via MCP.
• Slack : Une surface principale pour l'interaction homme-agent, y compris les tâches, les notifications et les approbations
• Agentforce Chat Client: Le front-end personnalisable et incorporable pour les agents conversationnels face aux clients

Pour que les agents soient vraiment efficaces, ils ne peuvent pas exister dans un silo. Agentforce adopte deux schémas d'interopérabilité de base:

• Communication Agent2Agent (A2A): Ce protocole régit la communication entre les agents au sein de l'écosystème Salesforce. La plate-forme Agentforce agit à la fois en tant que client A2A et en tant que serveur, respectivement pour soumettre et écouter les requêtes, ce qui est crucial pour les essaims d'agents collaboratifs. Les agents peuvent être configurés avec des agents associés pour découvrir et invoquer d'autres agents avec des compétences spécifiques, créant ainsi un système dynamique et extensible. Les événements de plate-forme servent de mécanisme de transport durable et asynchrone pour ces messages A2A.

• Model Context Protocol (MCP) : Cette norme garantit que les agents ne sont pas verrouillés sur une plate-forme unique. MCP définit un format de message commun qui permet aux agents de communiquer en s'appuyant sur différentes infrastructures. Dans ce modèle, Agentforce agit en tant que client MCP. Par exemple, un agent Salesforce peut interroger un agent externe spécialisé dans les calculs logistiques complexes en lui envoyant une requête conforme MCP. MuleSoft sert de passerelle, transformant la requête A2A interne en appel d'API externe au format MCP, ce qui garantit une interopérabilité transparente dans l'ensemble de l'entreprise.