Optimisation des ressources et des coûts - Modèles Agentic

En savoir plus sur l’optimisation des ressources et des coûts bien archivée → Agentic Enterprise Resource and Cost Optimization

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Action✅ Concevoir des actions acceptant des collections. L’agent qui traite 50 mises à jour de requête invoque une seule action avec une collection d’ID de requête, pas 50 invocations distinctes
Agentforce | Action✅ Utiliser des requêtes de relation récupérant des données parentes et enfants dans des instructions SOQL uniques pour gérer le budget SOQL à travers les chaînes d’action
Plate-forme | Cache de la plate-forme✅ Mettre en cache les données de référence dans Cache de la plate-forme en éliminant les requêtes répétées entre les actions dans la même conversation
Plate-forme | Apex✅ Déplacer les opérations des agents dépassant les limites synchrones vers Apex Queueable ou Batch.
Plate-forme | Apex✅ Actions de profil sous charge avec les journaux d’exécution Apex. Déplacer le traitement lourd en calcul vers le contexte asynchrone en approchant la limite synchrone
Agentforce | Action✅ Concevoir des actions avec des limites en enregistrements enfants durs et la pagination pour des scénarios biaisés de données
Agentforce | Action✅ Implémenter l’échantillonnage lorsque les volumes dépassent les seuils pour les agents qui peuvent demander « tout l’historique » de façon imprévisible
Plate-forme | Centre d’échelle✅ Utiliser les traces de transaction du Centre d’échelle pour identifier les actions qui consomment des requêtes excessives

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Action⚠️ Invocation d’actions distinctes pour chaque enregistrement (par exemple, 50 appels distincts pour 50 mises à jour de requêtes) au lieu d’accepter des collections
Plate-forme | Apex⚠️ Exécution de 5 à 10 requêtes SOQL par action dans des workflows complexes de 10 à 15 actions, proche de la limite de 100 requêtes SOQL synchrones
Plate-forme | Apex⚠️ Exécution d’un traitement volumineux de façon synchrone dans une Action au lieu d’un contexte asynchrone (p. ex., score de 1000 pistes et plus dans Apex synchrone)
Agentforce | Action⚠️ Permettre aux agents de récupérer un nombre illimité d’enregistrements enfants à partir de comptes contenant 15 000 opportunités ou de requêtes contenant 5000 activités sans code défensif

Modèles

Où chercherÀ quoi ressemble le bien
Plate-forme | Surveillance des événements✅ Surveiller la consommation d’API dans Event Monitoring pendant la phase pilote pour comprendre l’utilisation réelle avant le déploiement complet
Data 360 | Configuration✅ Définir des limites top-k dans la recherche vectorielle pour récupérer uniquement le nombre de résultats réellement utilisés
Data 360 | Analytics✅ Surveiller l’utilisation des résultats de recherche vectorielle dans Data 360 Analytics pour ajuster les principaux paramètres
Plate-forme | Événements de plate-forme✅ Publier des événements de plate-forme lorsque les conditions nécessitent l’intervention de l’agent plutôt que des appels d’API consommateurs d’interrogation planifiés, quelle que soit l’existence du travail
Intégration | Action✅ Utilisez des modèles composés: créer une seule API MuleSoft Experience pour agréger plusieurs contrôles système (inventaire, tarification, crédit) en parallèle, l’agent invoque 1 action externe consommant 1 appel externe
Intégration | Action✅ Concevoir des flux MuleSoft uniques qui exécutent toutes les mises à jour en aval plutôt que plusieurs flux séquentiels par interaction d’agent
Agentforce | Configuration de l’agent✅ Incorporer des agents à des pages Lightning en utilisant des composants standard pour éviter de consommer des appels d’API par interaction
Entreprise | Planification✅ Évaluer les modèles de licence MuleSoft (licence basée sur la transaction et licence de plate-forme) par rapport aux volumes de transactions projetés des agents afin de déterminer les meilleures économies

Anti-modèles

Où chercherÀ quoi ressemble mal
Data 360 | Configuration⚠️ Récupérer les 50 premiers résultats de recherche vectorielle en utilisant uniquement les 5 premiers, en gaspillant 90 % du budget de calcul et de contexte
Plate-forme | Tâches planifiées⚠️ Sondage planifié consommant des appels d’API, quelle que soit l’existence du travail (p. ex. vérification toutes les 5 minutes ne trouvant aucun travail 80 % du temps)
Intégration | Identifiants nommés⚠️ Utilisation de 3 actions distinctes consommant 3 appels externes au lieu d’une seule API composite agrégeant plusieurs appels système
Plate-forme | Apex⚠️ Des LWC personnalisés effectuant des requêtes d’API explicites consommant des appels d’API alors que des composants Lightning standard pourraient éviter cela
Intégration | Systèmes externes⚠️ Interrogation des systèmes externes Salesforce pour les changements d’état consommant des centaines d’appels d’API quotidiens au lieu de s’abonner aux événements CDC
Intégration | Action⚠️ Passer des appels d’API séquentiels pour chaque étape (interroger le client, interroger les produits, vérifier l’inventaire, créer une commande, mettre à jour l’inventaire, notifier l’expédition) en consommant plus de 12 appels par transaction lorsque les modèles composés réduiraient la consommation 75 %
Intégration | Configuration de l’agent⚠️ Orchestration des actions des agents dans de nombreux systèmes sans évaluer si chaque interaction système est nécessaire, en multipliant la consommation d’API avec chaque système ajouté

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Modèle d’invite✅ Réduire la longueur de l’invite : supprimer les instructions verbeuses, les exemples redondants, le contexte inutile. Le contexte sélectif améliore la latence et la qualité
Plate-forme | Apex✅ Utilisez SOQL sélectif avec des filtres indexés. Exploiter l’outil de plan de requête identifiant les index manquants qui entraînent des analyses complètes des tableaux
Agentforce | Configuration de l’agent✅ Utilisez l’exécution d’actions parallèles lorsqu’aucune dépendance n’existe. La récupération simultanée des détails et des opportunités du compte réduit de moitié la latence par rapport à la récupération séquentielle
Plate-forme | Cache de la plate-forme✅ Mettre en cache les données de référence fréquemment accédées (catalogues de produits, mappages de territoires, règles de tarification) en éliminant les SOQL répétés
Plate-forme | Cache de la plate-forme✅ Implémenter la mise en cache sémantique correspondant à des requêtes similaires pour servir des requêtes répétées sans nouvelle inférence
Plate-forme | Apex✅ Traiter les requêtes non urgentes de façon asynchrone (mises à jour de statut, traitement par lot, génération de rapports) en utilisant les limites généreuses du gouverneur asynchrone
Plate-forme | Apex✅ Actions de profil sous des volumes de données réalistes. Une Action prenant 3s devient un goulot d’étranglement quelle que soit l’inférence LLM rapide
Agentforce | Action✅ Implémenter le traitement en masse dans Actions pour minimiser le temps d’exécution par opération

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Modèle d’invite⚠️ Inclure un contexte exhaustif qui ajoute du bruit au lieu d’un contexte sélectif qui améliore à la fois la latence et la qualité
Agentforce | Configuration de l’agent⚠️ Exécution séquentielle des actions lorsqu’aucune dépendance n’existe (par exemple, requête de compte 2s + requête d’opportunité 2s = 4s séquentiel au lieu de 2s parallèle)
Plate-forme | Apex⚠️ Exécution de scans de tableau complets en raison d’index manquants au lieu d’utiliser SOQL sélectif avec des filtres indexés
Plate-forme | Cache de la plate-forme⚠️ Interrogation répétée de Data 360 (1,5s par appel) pour des données communes qui pourraient être mises en cache (50ms de Cache de la plate-forme)
Agentforce | Configuration de l’agent⚠️ Exiger une réalisation synchrone pour les opérations non urgentes (mises à jour de statut, traitement par lot, génération de rapports)

Modèles

Où chercherÀ quoi ressemble le bien
Data 360 | Configuration✅ Chunk Knowledge articles, documents produit, historique des requêtes dans des segments de 250 à 750 mots sémantiquement significatifs
Data 360 | Configuration✅ Valider la taille du segment par rapport aux modèles de requête des agents. Équilibrer la précision (tronçons plus petits) et l’exhaustivité du contexte (tronçons plus grands)
Data 360 | Configuration✅ Utilisez des modèles de requête d’agent correspondants incorporés. Valider la sélection par rapport à des requêtes représentatives mesurant la précision de la récupération et le rappel
Data 360 | Configuration✅ Améliorer la similarité vectorielle avec des filtres de métadonnées garantissant des contraintes métiers (par exemple, filtrer sur les produits actifs en excluant les articles abandonnés, quelle que soit la similarité sémantique)
Data 360 | Configuration✅ Utilisez des profils unifiés agrégeant les données clients de plusieurs sources dans une vue unique. Accéder au contexte complet (attributs, connaissances, engagement, prédictions) dans une requête unique
Data 360 | Configuration✅ Activer la Résolution de l’identité en fournissant une correspondance client inter-système précise
Data 360 | Configuration✅ Configurer des instances Data 360 dans des régions correspondant aux exigences réglementaires de conformité de résidence des données

Anti-modèles

Où chercherÀ quoi ressemble mal
Data 360 | Configuration⚠️ Utiliser des segments trop grands qui incluent des informations non pertinentes diluant la pertinence dans les résultats de recherche vectorielle
Data 360 | Configuration⚠️ S’appuyant uniquement sur la similarité sémantique sans filtre de métadonnées, renvoyant des résultats discontinus ou de faible qualité
Data 360 | Configuration⚠️ Orchestration de plusieurs requêtes sources distinctes au lieu d’utiliser des profils unifiés Data 360 pour un contexte client complet
Data 360 | Configuration⚠️ Utilisation de modèles d’incorporation qui ne correspondent pas aux modèles de requête des agents (p. ex., incorporations de classification de documents pour la similarité question-réponse)
Data 360 | Configuration⚠️ Traitement des données clients européennes sur les instances Data 360 non européennes, en violation des exigences de résidence des données

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Configuration de l’agent✅ Prioriser explicitement le contexte : historique des conversations récentes (plus élevé), données métiers critiques/état/autorisations d’enregistrement (second), contexte historique (plus faible, uniquement lorsque l’espace le permet)
Agentforce | Configuration de l’agent✅ Après 10-15 tours, résumer la conversation précoce dans une vue d’ensemble concise en maintenant les faits critiques sans historique complet
Data 360 | Configuration✅ Stockez le contexte étendu dans Data 360 ou des objets personnalisés plutôt que l’historique complet dans chaque appel LLM. Requête à la demande avec des invites adaptées aux besoins actuels
Agentforce | Action✅ Renvoyez uniquement les champs essentiels des réponses Action. La récupération du compte renvoie les champs correspondant à la tâche actuelle, pas les 50 champs
Agentforce | Configuration de l’agent✅ Concevoir une logique de priorisation explicite par rapport à une troncature arbitraire pour l’allocation de fenêtres de contexte

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Tronquer arbitrairement le contexte sans logique explicite de priorisation
Agentforce | Configuration de l’agent⚠️ Maintien de l’historique complet des conversations textuelles au-delà de 10-15 tours, budget du contexte épuisant
Agentforce | Configuration de l’agent⚠️ Inclure l’historique complet dans chaque appel LLM au lieu de stocker le contexte étendu en externe et d’interroger à la demande
Agentforce | Action⚠️ Renvoyer les 50 champs de la récupération du compte lorsque seul un sous-ensemble est pertinent pour la tâche actuelle, en consommant le budget du contexte
Agentforce | Configuration de l’agent⚠️ Allouer le budget du contexte sans réserver suffisamment d’espace pour la génération de réponses

Modèles

Où chercherÀ quoi ressemble le bien
Plate-forme | Action✅ Développer des bibliothèques d’actions centralisées couvrant CRUD d’enregistrement, approbations, notifications, rapports, validation. Les équipes de la plate-forme maintiennent un comportement, une sécurité et des performances cohérents
Agentforce | Configuration de l’agent✅ Créer des agents spécialisés concentrés avec une expertise approfondie du domaine (agent de service pour la gestion des requêtes, agent commercial pour le guide des opportunités) en maintenant un contexte plus étroit et des frontières plus claires
Agentforce | Configuration de l’agent✅ Utiliser l’orchestration Agent Builder pour coordonner les agents spécialisés pour les besoins inter-domaines
Agentforce | Modèle d’invite✅ Maintenir les modèles d’invite validés dans Générateur de répliques. Les modèles capturent des approches éprouvées pour la formation de requêtes RAG, le raisonnement à étapes multiples, la mise en forme des réponses
Agentforce | Modèle d’invite✅ Modèles d’invite de version permettant le test A/B des améliorations
Data 360 | Configuration✅ Maintenir des bases Knowledge partagées dans Data 360 au service de plusieurs agents. La base Knowledge produit unique ancre les agents des ventes, du service et du portail partenaire
Agentforce | Configuration de l’agent✅ Composer de nouveaux agents à partir de blocs de construction éprouvés : définir le but, sélectionner Actions, configurer des invites (jours par rapport aux semaines pour des builds personnalisés)

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Modèle d’invite⚠️ Création d’invites ad-hoc pour chaque agent au lieu de réutiliser des bibliothèques de modèles d’invite validés
Agentforce | Action⚠️ Réimplémentation d’actions pour chaque agent au lieu d’utiliser des bibliothèques d’actions réutilisables centralisées
Agentforce | Configuration de l’agent⚠️ Construire des agents universels tentant tous les scénarios au lieu d’agents spécialisés concentrés avec une expertise approfondie du domaine
Data 360 | Configuration⚠️ Dupliquer les bases Knowledge par agent au lieu de partager une base Knowledge unique qui fonde plusieurs agents

Modèles

Où chercherÀ quoi ressemble le bien
Plate-forme | Types de métadonnées personnalisées✅ Utiliser des types de métadonnées personnalisées et Générateur de répliques contrôlant le comportement sans changement de code. Les administrateurs modifient les modèles d’invite et les paramètres de raisonnement sans cycle de développement
Agentforce | Configuration de l’agent✅ Acheminer les sous-ensembles vers des versions expérimentales comparant les métriques de qualité, la satisfaction, la réalisation des tâches avant le déploiement complet (par exemple, 10 % à v2, 90 % sur v1)
Agentforce | Configuration de l’agent✅ Surveiller la période de validation et maintenir la capacité de restauration si des problèmes détectés pendant les tests A/B
Agentforce | Action✅ Définissez des contrats d’interface clairs entre les composants : Les actions spécifient les entrées, les sorties, les erreurs, les attentes en performance
Agentforce | Configuration de l’agent✅ Agrandir progressivement les versions réussies (10 % à 25 % à 50 % à 100 %) sur des périodes de déploiement de plusieurs semaines
Agentforce | Action✅ Remplacer les implémentations Action sans modification de l’agent lorsque les contrats d’interface sont conservés

Anti-modèles

Où chercherÀ quoi ressemble mal
Plate-forme | Apex⚠️ Exiger des changements de code pour modifier le comportement des agents au lieu d’utiliser des approches pilotées par la configuration (Types de métadonnées personnalisées, Générateur de répliques)
Agentforce | Configuration de l’agent⚠️ Déploiement complet des nouvelles versions d’agent sans test A/B sur un sous-ensemble comparant les métriques de qualité et la satisfaction
Agentforce | Action⚠️ Agents dépendant des détails d’implémentation de l’action plutôt que des contrats d’interface, rupture lorsque les implémentations changent
Agentforce | Configuration de l’agent⚠️ Déploiement immédiat de nouvelles versions pour 100 % des utilisateurs sans déploiement progressif
Agentforce | Configuration de l’agent⚠️ Fonctionnement sans capacité de restauration pendant les tests de version expérimentale

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Configuration de l’agent✅ Résoudre chaque requête en aussi peu d’actions que possible de l’agent : les crédits flexibles sont consommés par action. Par conséquent, la consolidation de la logique à étapes multiples en une seule action réduit directement le coût
Agentforce | Configuration de l’agent✅ Modéliser des projections de coûts mensuels basées sur des taux de consommation de crédits flexibles documentés et des volumes d’interaction attendus permettant la planification budgétaire
Einstein | Surveillance✅ Surveiller la consommation de crédits Flex par agent, cas d’utilisation et population d’utilisateurs afin d’identifier les modèles de consommation élevée nécessitant une optimisation
Einstein | Surveillance✅ Comparer la consommation réelle aux projections pour éclairer la planification future et identifier les opportunités d’optimisation

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Enchaînement de nombreuses petites actions dont une action consolidée résoudrait la requête, multipliant la consommation de Flex Credit par interaction
Entreprise | Planification⚠️ Découverte de la consommation de Flex Credit qui dépasse les projections uniquement après le déploiement en production car aucune modélisation du coût par interaction n’a été effectuée

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Configuration de l’agent✅ Concevoir des limites et des expirations de session afin de maintenir une conversation appropriée sans se terminer prématurément et forcer une nouvelle conversation facturable
Agentforce | Configuration de l’agent✅ Concentrez les capacités de l’agent sur la résolution de la première conversation afin de réaliser une tâche pendant la conversation initiale plutôt que d’exiger un suivi facturable
Einstein | Surveillance✅ Suivre le taux de résolution de la première conversation en tant que métrique de rentabilité sous Tarification par conversation
Agentforce | Configuration de l’agent✅ Gérez les problèmes associés dans le contexte de la conversation existante au lieu d’ouvrir des conversations séparées qui entraînent chacune des frais fixes

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Arrêt prématuré des conversations par de courtes expirations de session, forçant les utilisateurs à démarrer de nouvelles conversations facturables pour terminer une seule tâche
Einstein | Surveillance⚠️ Surveillance uniquement du volume total de la conversation sans suivre le taux de résolution de la première conversation, manquant le levier de coût principal sous Tarification par conversation

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Favorisez l’adoption afin que les utilisateurs détenteurs d’une licence interagissent activement avec l’agent, car sous la valeur de tarification par utilisateur non mesurée provient de l’utilisation plutôt que de la minimisation de chaque interaction
Einstein | Surveillance✅ Suivre l’utilisation afin d’identifier les utilisateurs détenteurs de licences à faible utilisation pour une formation ciblée ou une réattribution de licences
Entreprise | Documentation✅ Connecter les interactions des agents aux résultats métiers par population d’utilisateurs afin que les cas d’utilisation à valeur élevée justifient l’investissement par siège
Entreprise | Planification✅ Examinez les populations d’utilisateurs sur une cadence afin de garder les licences alignées sur l’utilisation réelle plutôt que de dériver vers des licences excessives

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Provisionnement de licences par utilisateur sans plan d’adoption, en payant un coût fixe par siège pour les utilisateurs qui engagent rarement l’agent
Einstein | Surveillance⚠️ Ne jamais examiner l’utilisation par population d’utilisateurs, laissant les licences dériver vers la même sur-licence qui gaspille les sièges traditionnels

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Configuration de l’agent✅ Implémentez des agents de tri qui gèrent l’acheminement initial avec une logique simple, en dirigeant les utilisateurs vers un agent spécialisé uniquement lorsque la complexité l’exige
Plate-forme | Flux✅ Revenir à l’automatisation des flux pour les scénarios déterministes où la logique basée sur des règles suffit, réservant le raisonnement des agents aux situations ambiguës qui en ont réellement besoin
Data 360 | Configuration de l’agent✅ Récupérer les données d’ancrage de façon sélective, en invoquant la recherche vectorielle et la récupération de documents uniquement lorsque le raisonnement de l’agent l’exige plutôt que sur chaque interaction

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Acheminement de chaque requête directement vers un agent spécialisé, entraînant des invocations complexes coûteuses pour des requêtes qu’une simple logique de tri aurait pu traiter
Plate-forme | Flux⚠️ Utiliser le raisonnement de l’agent pour des workflows basés sur des règles déterministes qu’un Flux exécuterait à moindre coût sans consommation variable
Data 360 | Configuration de l’agent⚠️ Récupérer des données d’ancrage sur chaque interaction, que le raisonnement l’exige ou non, ce qui entraîne une consommation Data 360 qui ne suit pas les besoins réels

Modèles

Où chercherÀ quoi ressemble le bien
Data 360 | Configuration de l’agent✅ Mettre en cache les incorporations de catalogues de produits avec une cadence d’actualisation définie (par exemple, 24 heures), récupérer depuis le cache pour les questions courantes et interroger Data 360 uniquement pour des données nouvelles ou spécifiques au client
Data 360 | Configuration de l’agent✅ Implémenter des stratégies de mise en cache afin de réduire les requêtes répétées pour les requêtes courantes, en équilibrant l’optimisation des coûts avec les exigences d’actualisation des données
Data 360 | Organisation✅ Modéliser les coûts initiaux d’ingestion et de traitement des données (harmonisation, résolution de l’identité, génération de l’incorporation) séparément des coûts de croissance incrémentiels
Data 360 | Configuration de l’agent✅ Évaluer si les frais généraux de RAG justifient des améliorations de qualité pour des cas d’utilisation spécifiques avant d’ajouter la génération augmentée de récupération

Anti-modèles

Où chercherÀ quoi ressemble mal
Data 360 | Configuration de l’agent⚠️ Aucune mise en cache implémentée bien que la majorité des requêtes soient des questions courantes identiques, consommant des Flex Credits pour des réponses identiques répétées
Data 360 | Organisation⚠️ Implémentation d’une mise en cache agressive sans tenir compte des exigences d’actualisation des données, servant des informations périmées aux utilisateurs

Modèles

Où chercherÀ quoi ressemble le bien
Plate-forme | Organisation✅ Utiliser une sandbox Partial Copy avec un échantillon de données client ciblé pour le développement des agents, en réservant la sandbox Full Copy exclusivement pour la validation préalable à la production
Plate-forme | Organisation✅ Planifier les coûts d’infrastructure de développement à l’avance, y compris la capacité Data 360, les crédits Flex pour les tests rapides et la connectivité de l’intégration

Anti-modèles

Où chercherÀ quoi ressemble mal
Plate-forme | Organisation⚠️ Chaque développeur provisionnant des sandbox Full Copy pour le développement des agents, multipliant les coûts sandbox par 5
Plate-forme | Organisation⚠️ S’appuyer sur des tests manuels ad hoc fournissant une couverture insuffisante, ne découvrant des problèmes de qualité qu’en production
Entreprise | Planification⚠️ Rendre invisibles les coûts d’infrastructure de développement pendant la planification, entraînant des coûts inattendus importants pendant la mise en œuvre

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Élaborer un modèle TCO complet couvrant les six catégories de coûts : développement, inférence (Flex Credits), infrastructure (Data 360 + MuleSoft), opérations, gouvernance et gestion du changement
Entreprise | Documentation✅ Créer des modèles TCO de feuille de calcul projetant des coûts sur 3 à 5 ans avec des hypothèses documentées pour les volumes d’interaction, les taux de consommation de crédit et les trajectoires de croissance
Entreprise | Documentation✅ Effectuer une analyse de sensibilité révélant les hypothèses qui affectent le plus l’investissement total, permettant des efforts de validation ciblés
Entreprise | Documentation✅ Modéliser les coûts opérationnels permanents en tant que fraction significative récurrente des coûts de développement annuels pour les agents matures, à partir des références générales du secteur des agents IA plutôt que d’un chiffre Salesforce fixe
Entreprise | Planification✅ Inclure les coûts de gestion du changement (formation des utilisateurs, adaptation des processus métiers, changement organisationnel) qui sont souvent sous-estimés

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Inclure uniquement le coût de développement dans l’analyse de rentabilisation de l’agent sans modéliser la consommation en cours (Flex Credits, Data 360, opérations), découvrir des coûts annuels imprévus importants après le déploiement
Entreprise | Planification⚠️ Omettre les frais généraux de gouvernance (examens de sécurité, infrastructure de surveillance humaine, consignation des audits, validation de la conformité) qui augmentent avec l’autonomie des agents et le niveau de risque
Entreprise | Planification⚠️ Sous-estimation des coûts de changement en particulier pour les agents qui créent des changements de workflow importants, entraînant des ruptures de budget

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Évaluez les agents Agentforce prédéfinis par rapport au développement personnalisé grâce à une comparaison complète du TCO sur 3 ans, y compris les coûts de maintenance
Entreprise | Documentation✅ Élaboration de documents par rapport aux décisions d’achat dans les enregistrements de décision d’architecture, ce qui permet une réévaluation future à mesure que les coûts et les capacités évoluent
Agentforce | Configuration de l’agent✅ Envisager la personnalisation des agents prédéfinis à l’aide du Générateur de répliques et de la configuration d’actions comme juste milieu entre prêt à l’emploi et entièrement personnalisé
Entreprise | Planification✅ Critères de décision de facteur au-delà du coût: temps à la valeur, capacité de développement organisationnel, valeur de différenciation stratégique et tolérance à la dépendance des fournisseurs

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Construire un agent personnalisé car « nous voulons le contrôle » sans modéliser le TCO 3 ans montrant l’option prédéfinie peut être nettement moins cher
Entreprise | Planification⚠️ Choisir d’élaborer ou d’acheter uniquement en fonction des coûts de la première année sans prévoir les avantages de la maintenance continue, de la consommation de crédit et de la mise à jour des fournisseurs sur un horizon pluriannuel

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Comparer le TCO de l’agent aux alternatives d’automatisation traditionnelles (Flux, Apex, processus manuels) avant le déploiement, en validant la justification de l’investissement
Entreprise | Documentation✅ Établir une base de processus manuelle, y compris les coûts employés complets, les taux d’erreur, le temps de traitement et la capacité de débit pour révéler des économies potentielles
Agentforce | Configuration de l’agent✅ Déployez des agents pour des tâches nécessitant une compréhension du langage naturel, un raisonnement adaptatif ou la gestion de la variabilité élevée des scénarios dans lesquels l’automatisation traditionnelle ne peut correspondre aux capacités
Plate-forme | Flux✅ Utiliser l’automatisation des flux pour des workflows déterministes avec des règles claires, fournissant des résultats équivalents à moindre coût sans consommation d’inférence variable

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Agent déployant pour une simple tâche d’acheminement déterministe consommant 15 000 $ de crédits annuels alors que Flux fournirait une fonctionnalité équivalente sans coût variable
Entreprise | Planification⚠️ Approche par défaut de l’agent pour toute l’automatisation sans évaluer si l’automatisation traditionnelle fournit des résultats équivalents à moindre coût total

Modèles

Où chercherÀ quoi ressemble le bien
Einstein | Surveillance✅ Élaborer des tableaux de bord de consommation Flex Credit montrant la consommation par agent, population d’utilisateurs, période et type d’interaction pour identifier rapidement les pics de consommation
Einstein | Surveillance✅ Implémenter l’attribution de coûts par interaction reliant la consommation de crédit à des transactions commerciales (coût par requête résolue, coût par piste qualifiée, coût par commande traitée)
Einstein | Surveillance✅ Configurer des alertes budgétaires à des seuils échantillons tels que 70 % et 85 % par agent et cas d’utilisation (pas seulement à l’échelle de l’organisation) permettant une intervention proactive avant les dépassements
Einstein | Surveillance✅ Mettre en œuvre la détection des anomalies identifiant les modèles de consommation inhabituels (pics soudains indiquant des inefficacités rapides, des modèles d’utilisation inattendus ou des abus)
Entreprise | Documentation✅ Partager des tableaux de bord de coût avec les parties prenantes commerciales et les équipes techniques en créant une transparence permettant l’utilisation d’agents conscients des coûts
Entreprise | Documentation✅ Effectuer des examens budgétaires trimestriels en comparant la consommation réelle aux projections, en évaluant les résultats commerciaux et en ajustant les allocations en fonction de la valeur démontrée
Entreprise | Planification✅ Réserver 10-15% du budget de crédit pour l’expérimentation et la croissance inattendue de la consommation, en évitant les blocages de l’innovation
Entreprise | Planification✅ Créer des projections sur plusieurs années basées sur les tendances d’adoption des agents, de nouveaux déploiements et l’expansion des cas d’utilisation permettant la planification des capacités et les négociations avec les fournisseurs

Anti-modèles

Où chercherÀ quoi ressemble mal
Einstein | Surveillance⚠️ Suivi de la consommation de crédit uniquement via un examen mensuel des factures, découverte des dépassements de budget 6 semaines après le trimestre sans délai d’optimisation avant renouvellement
Einstein | Surveillance⚠️ Configuration d’alertes budgétaires uniquement au niveau de l’organisation, pics de consommation par agent et par cas d’utilisation manquants qui indiquent des opportunités d’optimisation
Entreprise | Planification⚠️ Nécessite des augmentations budgétaires d’urgence car la surveillance de la consommation n’a pas été mise en œuvre suffisamment tôt pour identifier et traiter proactivement les dépassements
Entreprise | Planification⚠️ Définition d’un budget annuel une fois au début de l’exercice fiscal sans révisions, affamant les agents à forte valeur pour les crédits alors que les agents à faible retour sur investissement consomment l’allocation
Entreprise | Planification⚠️ Allouer une réserve budgétaire zéro pour l’expérimentation, obligeant les équipes à justifier chaque nouveau cas d’utilisation par une longue approbation avant toute exploration

Modèles

Où chercherÀ quoi ressemble le bien
Einstein | Surveillance✅ Suivre la consommation par instance d’agent, ce qui permet de comparer les types d’agent et les cas d’utilisation, en révélant quels agents offrent le meilleur retour sur investissement
Entreprise | Documentation✅ Connecter la consommation à des processus métiers (qualification des pistes, résolution des requêtes, traitement des commandes) permettant aux dirigeants d’entreprise d’évaluer l’alignement stratégique
Einstein | Surveillance✅ Suivre la consommation par service, rôle ou segment d’utilisateurs en révélant où l’adoption des agents est la plus élevée et où les coûts se concentrent
Entreprise | Planification✅ Utiliser des examens de coûts trimestriels pour comparer le retour sur investissement des agents à travers le portefeuille et réaffecter les investissements des agents à faible retour sur investissement vers les agents à retour sur investissement élevé en fonction de la valeur démontrée

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Allouer tous les coûts des agents au budget TI sans attribution d’unité commerciale, empêchant les chefs d’entreprise d’évaluer si les dépenses correspondent aux priorités
Entreprise | Planification⚠️ Traiter la consommation des agents comme un coût indifférencié sans connecter la consommation aux résultats métiers, rendant le calcul du retour sur investissement impossible

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Mettre en œuvre des rapports de démonstration fournissant une visibilité de la consommation par unité commerciale, créant une sensibilisation aux coûts permettant des décisions d’utilisation informées sans litiges de rétrofacturation
Entreprise | Documentation✅ Utiliser l’allocation hybride avec rétrofacturation pour les agents de production haut volume et rétrospective pour les agents expérimentaux ou bas volume, en équilibrant la responsabilité avec la flexibilité de l’innovation
Entreprise | Documentation✅ Effectuer des examens trimestriels pour déterminer si la consommation correspond à la valeur livrée, conduisant à des engagements d’optimisation

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Mettre en œuvre la rétrofacturation complète pour les agents expérimentaux, décourager l’innovation et l’exploration en imposant immédiatement la responsabilité budgétaire dans les cas d’utilisation naissants

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Modèle d’invite✅ Éliminer la verbosité inutile dans les invites système en reconnaissant chaque jeton supplémentaire ajoute le calcul de préremplissage et la latence dans toutes les interactions — ajuster les invites système à ce que l’agent utilise réellement
Agentforce | Modèle d’invite✅ Inclure uniquement des informations pertinentes par la récupération sélective du contexte avec un classement de pertinence garantissant que les informations les plus pertinentes correspondent aux limites du contexte
Agentforce | Modèle d’invite✅ Spécifier une mise en forme concise des réponses pour les interactions courantes, en minimisant les jetons de réalisation en évitant les demandes de mise en forme élaborée ou d’explications détaillées
Agentforce | Modèle d’invite✅ Réutilisez des modèles d’invite standardisés entre des agents similaires, amortissant l’investissement dans l’optimisation des invites tout en créant cohérence et efficacité

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Modèle d’invite⚠️ L’écriture d’invites conversationnelles sans optimisation consommant 2K+ jetons par interaction incluant des instructions verbeuses et des exemples étendus que les agents référencent rarement
Agentforce | Modèle d’invite⚠️ Récupérer toutes les données potentiellement associées pour le contexte plutôt que d’inclure sélectivement uniquement des informations pertinentes, ce qui gonfle la consommation de jetons d’invite
Agentforce | Modèle d’invite⚠️ Créer des modèles d’invite uniques pour chaque agent plutôt que de standardiser les modèles, en multipliant les efforts d’ingénierie rapide sans avantage de qualité proportionnelle

Modèles

Où chercherÀ quoi ressemble le bien
Agentforce | Configuration de l’agent✅ Mettre en cache les réponses communes des agents pour les questions fréquemment posées servant directement depuis le cache pour les requêtes dupliquées (les taux de mise en cache supérieurs à 30 % indiquent une opportunité d’optimisation significative)
Data 360 | Configuration de l’agent✅ Mettre en cache le contexte Knowledge stable (catalogues de produits, documents de politique, documents de référence) réduisant les frais de récupération pour chaque interaction référençant des informations communes
Agentforce | Configuration de l’agent✅ Implémenter la mise en cache des conversations dans les sessions utilisateur en maintenant le contexte entre les tours sans renvoyer l’historique complet, réduisant ainsi la consommation de jetons dans les interactions à plusieurs tours
Agentforce | Configuration de l’agent✅ Définir des stratégies d’invalidation de cache basées sur la volatilité des contenus (les caches d’informations sur les produits pour les heures/jours, les données en temps réel ne doivent pas mettre en cache)

Anti-modèles

Où chercherÀ quoi ressemble mal
Agentforce | Configuration de l’agent⚠️ Aucune mise en cache implémentée malgré 60% de requêtes étant des questions courantes identiques, consommant inutilement des Flex Credits pour des réponses identiques répétées
Agentforce | Configuration de l’agent⚠️ Mettre en cache les données en temps réel (niveaux d’inventaire, tarification, disponibilité) qui nécessitent une actualisation, servir des informations périmées qui entraînent des réponses incorrectes des agents
Agentforce | Configuration de l’agent⚠️ Ne jamais actualiser les réponses mises en cache entraînant des réponses obsolètes à mesure que les produits, les politiques ou les processus changent

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Exiger une analyse de rentabilisation comprenant le TCO prévisionnel sur 3 ans, les résultats commerciaux attendus avec une méthodologie de mesure, une comparaison avec les alternatives et une évaluation des risques
Entreprise | Documentation✅ Définir des seuils d’approbation qui séparent les investissements qu’un service peut autoriser de ceux qui nécessitent l’approbation de la direction, afin que les agents à plus haut risque ou à plus haut investissement reçoivent un examen proportionnel de la direction
Entreprise | Documentation✅ Rendre obligatoires les déploiements pilotes validant les hypothèses (consommation, qualité, adoption) avant l’investissement complet en production
Entreprise | Documentation✅ Inclure le calcul du retour sur investissement dans les propositions des agents (par exemple, retour 4:1 démontré à travers les requêtes résolues et économies de coûts de traitement manuel)

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Déploiement d’agents sans analyse de rentabilisation, découverte d’une consommation de crédit projetée 3x tout en offrant une valeur métier floue, création d’une consommation annuelle imprévue sans retour sur investissement documenté
Entreprise | Planification⚠️ Passer le déploiement pilote et passer directement en production complète, opportunité manquée de valider les hypothèses de consommation avant d’engager le budget complet
Entreprise | Planification⚠️ Approbateur des investissements des agents sans comparaison avec les approches alternatives (processus manuels, automatisation traditionnelle) qui peuvent fournir une valeur équivalente à moindre coût

Modèles

Où chercherÀ quoi ressemble le bien
Entreprise | Documentation✅ Effectuer un examen annuel du portefeuille en évaluant tous les agents en comparant le coût, l’utilisation, la valeur métier et l’alignement stratégique pour révéler les opportunités d’optimisation manquées par l’examen agent par agent
Entreprise | Documentation✅ Définir des critères d’extinction (faible adoption, retour sur investissement faible, fonctionnalité remplacée, coût excessif) empêchant l’accumulation d’agents à faible valeur consommatrice de budget
Entreprise | Planification✅ Pratiquer la réallocation continue des investissements en transférant les ressources des agents peu performants vers des opportunités à forte valeur ajoutée alignées sur l’évolution des priorités métiers
Entreprise | Documentation✅ Classer les agents par niveau de retour sur investissement (par exemple, les 2 premiers offrent une valeur de 70 % à un coût de 50 % = excellent; les 4 premiers offrent une valeur de 25 % à un coût de 35 % = acceptable; les 2 derniers offrent une valeur de 5 % à un coût de 15 % = candidats au coucher du soleil)

Anti-modèles

Où chercherÀ quoi ressemble mal
Entreprise | Planification⚠️ Agents déployés restant en production indéfiniment sans utilisation ni examen de la valeur, accumulant des agents à faible valeur consommant un budget qui pourrait financer des opportunités à plus forte valeur
Entreprise | Planification⚠️ Évaluer les agents uniquement individuellement sans perspective de portefeuille, en passant à côté de la connaissance que quelques agents offrent la plus grande valeur alors que beaucoup consomment des ressources disproportionnées