Resurs- och kostnadsoptimering - Agentmönster

Få reda på mer om välstrukturerad resurs- och kostnadsoptimering → Agentic Enterprise Resource and Cost Optimization

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Åtgärd	✅ Designåtgärder acceptera samlingar. Agentbearbetning av 50 kundcaseuppdateringar åberopar en enskild åtgärd med samling av kundcase-ID:n, inte 50 separata åberopningar
Agentforce \| Åtgärd	✅ Använd relationsfrågor som hämtar överordnade och underordnade data i enskilda SOQL-uttryck för att hantera SOQL-budget över åtgärdskedjor
Plattform \| Plattformscache	✅ Cacha referensdata i plattformscache vilket eliminerar upprepade sökfrågor mellan åtgärder inom samma konversation
Plattform \| Apex	✅ Flytta agentoperationer som överskrider synkrona gränser till Queueable eller Batch Apex.
Plattform \| Apex	✅ Profilåtgärder under inläsning med Apex utförandeloggar. Flytta beräkningstung bearbetning till asynkront sammanhang när synkron gräns närmar sig
Agentforce \| Åtgärd	✅ Designåtgärder med hårda underordnade postgränser och paginering för dataförvrängningar
Agentforce \| Åtgärd	✅ Implementera provtagning när volymer överskrider tröskelvärden för agenter som kan begära “all historik” oförutsägbart
Plattform \| Skalcenter	✅ Använd Scale Center-transaktionsspår för att identifiera vilka åtgärder som konsumerar överflödiga sökfrågor

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Åtgärd	⚠️ Åberopa separata åtgärder för varje post (t.ex. 50 separata samtal för 50 kundcaseuppdateringar) istället för att acceptera samlingar
Plattform \| Apex	⚠️ Köra 5-10 SOQL-frågor per åtgärd i komplexa arbetsflöden med 10-15 åtgärder, som närmar sig 100 synkrona SOQL-gränser
Plattform \| Apex	⚠️ Köra stor bearbetning synkront i en åtgärd istället för i ett asynkront sammanhang (t.ex. betygsätta 1 000+ leads i synkron Apex)
Agentforce \| Åtgärd	⚠️ Låt agenter hämta obegränsat med underordnade poster från konton med 15 000 säljprojekt eller kundcase med 5 000 aktiviteter utan defensiv kodning

Mönster

Var man ska leta	Hur bra ser ut
Plattform \| Händelseövervakning	✅ Övervaka API-användning i händelseövervakning under pilotfasen för att förstå faktisk användning innan fullständig lansering
Data 360 \| Konfiguration	✅ Ställ top-k gränser på vektorsökning för att hämta endast antalet resultat som faktiskt används
Data 360 \| Analytics	✅ Övervaka användningen av vektorsökresultat i Data 360 Analytics för justering av topp-k-parametrar
Plattform \| Plattformshändelser	✅ Publicera plattformshändelser när villkoren kräver agentingripande istället för schemalagda konsumerande API-anrop oavsett arbetsförekomst
Integrering \| Åtgärd	✅ Använd sammansatta mönster: skapa en enskild MuleSoft Experience API för att aggregera flera systemkontroller (lager, prissättning, kredit) parallellt, agent åberopar 1 extern åtgärd som konsumerar 1 anrop
Integrering \| Åtgärd	✅ Utforma enskilda MuleSoft-flöden som utför alla uppdateringar längre ner istället för flera sekventiella flöden per agentinteraktion
Agentforce \| Agentkonfiguration	✅ Bädda in agenter på Lightning sidor med hjälp av standardkomponenter för att undvika att använda API-anrop per interaktion
Företag \| Planera	✅ Utvärdera MuleSoft-licensieringsmodeller (transaktionsbaserad vs plattformslicensiering) mot beräknade agenttransaktionsvolymer för att avgöra bästa ekonomi

Antimönster

Var man ska leta	Hur dåligt ser ut
Data 360 \| Konfiguration	⚠️ Hämta topp 50 vektor sökresultat när du använder endast topp 5, slösa 90% av beräkning och sammanhangsbudget
Plattform \| Schemalagda jobb	⚠️ Schemalagda pollningskonsumerande API-anrop oavsett om arbetet finns (t.ex. att kontrollera var 5:e minut att inget arbete hittas 80% av tiden)
Integrering \| Autentiseringsuppgifter	⚠️ Använda 3 separata åtgärder som konsumerar 3 anrop istället för en enda sammansatt API som aggregerar flera systemanrop
Plattform \| Apex	⚠️ Egna LWC:er som gör uttryckliga API-begäranden som använder API-anrop när standardkomponenter i Lightning kan undvika detta
Integrering \| Externa system	⚠️ Externa system pollar Salesforce för ändringar i delstater som konsumerar hundratals dagliga API-anrop istället för att prenumerera på CDC-händelser
Integrering \| Åtgärd	⚠️ Göra sekventiella API-anrop för varje steg (fråga kund, fråga produkter, kontrollera lager, skapa order, uppdatera lager, meddela leverans) konsumera 12 + anrop per transaktion när sammansatta mönster skulle minska förbrukningen 75%
Integrering \| Agentkonfiguration	⚠️ Orkestrera agentåtgärder i många system utan att utvärdera om varje systeminteraktion är nödvändig, multiplicera API-användning med varje tillagt system

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Uppmaningsmall	✅ Minimera uppmaning längd: ta bort ordagranna instruktioner, överflödiga exempel, onödigt sammanhang. Selektivt sammanhang förbättrar både latens och kvalitet
Plattform \| Apex	✅ Använd selektiv SOQL med indexerade filter. Använd frågeplanverktyget för att identifiera saknade index som orsakar fullständiga tabellskanningar
Agentforce \| Agentkonfiguration	✅ Använd parallellt åtgärdsutförande när inga beroenden finns. Att hämta kontodetaljer och säljprojekt samtidigt halverar latens jämfört med sekventiell hämtning
Plattform \| Plattformscache	✅ Cacha ofta använda referensdata (produktkataloger, områdesmappningar, prissättningsregler) vilket eliminerar upprepad SOQL
Plattform \| Plattformscache	✅ Implementera semantisk cachning som matchar liknande sökfrågor för att serva upprepade begäranden utan nya slutsatser
Plattform \| Apex	✅ Bearbeta icke-brådskande begäranden asynkront (statusuppdateringar, batchbearbetning, rapportskapande) med generösa asynkrona styrande gränser
Plattform \| Apex	✅ Profilåtgärder under realistiska datavolymer. En åtgärd som utför 3s blir flaskhals oavsett snabb LLM-slutledning
Agentforce \| Åtgärd	✅ Implementera buntning i åtgärder för att minimera utförandetid per operation

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Uppmaningsmall	⚠️ Inkluderar uttömmande sammanhang som lägger till brus istället för selektivt sammanhang som förbättrar både latens och kvalitet
Agentforce \| Agentkonfiguration	⚠️ Utföra åtgärder sekventiellt när inga beroenden finns (t.ex. kontofråga 2:or + säljprojektfråga 2:or = 4:or sekventiellt istället för 2:or parallellt)
Plattform \| Apex	⚠️ Köra fullständiga tabellskanningar på grund av att index saknas istället för att använda selektiv SOQL med indexerade filter
Plattform \| Plattformscache	⚠️ Fråga Data 360 upprepade gånger (1,5 sekunder per samtal) för vanliga data som kan cachas (50 ms från plattformscache)
Agentforce \| Agentkonfiguration	⚠️ Kräver synkron slutförande för icke-brådskande åtgärder (statusuppdateringar, batchbearbetning, rapportskapande)

Mönster

Var man ska leta	Hur bra ser ut
Data 360 \| Konfiguration	✅ Chunk Knowledge artiklar, produktdokument, kundcasehistorik i semantiskt meningsfulla 250-750 ordsegment
Data 360 \| Konfiguration	✅ Validera bitstorlek mot agent sökfrågemönster. Balansprecision (mindre delar) jämfört med sammanhangsfullständighet (större delar)
Data 360 \| Konfiguration	✅ Använd inbäddningar som matchar agent sökfrågemönster. Validera urval mot representativa sökfrågor som mäter precision och återkallande av hämtning
Data 360 \| Konfiguration	✅ Förbättra vektorlikhet med metadatafilter som säkerställer verksamhetsbegränsningar (t.ex. filtrera till aktiva produkter som utesluter avslutade objekt oavsett semantisk likhet)
Data 360 \| Konfiguration	✅ Använd sammanslagna profiler som aggregerar kunddata från flera källor i en enda vy. Få åtkomst till fullständigt sammanhang (attribut, insikter, engagemang, förutsägelser) i en enda sökfråga
Data 360 \| Konfiguration	✅ Aktivera identitetslösning som ger korrekt matchning mellan systemkunder
Data 360 \| Konfiguration	✅ Konfigurera Data 360-instanser i regioner som matchar lagstadgade krav för efterlevnad av dataresidens

Antimönster

Var man ska leta	Hur dåligt ser ut
Data 360 \| Konfiguration	⚠️ Använda alltför stora delar som inkluderar irrelevant information som försvagar relevansen i vektorsökresultat
Data 360 \| Konfiguration	⚠️ Att förlita sig enbart på semantisk likhet utan metadatafilter, returnera avbrutna eller resultat med låg kvalitet
Data 360 \| Konfiguration	⚠️ Orkestrera flera separata källfrågor istället för att använda Data 360-sammanslagna profiler för ett fullständigt kundsammanhang
Data 360 \| Konfiguration	⚠️ Använda inbäddningsmodeller som inte matchar agentsökfrågemönster (t.ex. inbäddningar av dokumentklassificering för likhet mellan fråga och svar)
Data 360 \| Konfiguration	⚠️ Bearbeta europeiska kunddata för icke-europeiska Data 360-instanser, bryta mot kraven på datalagring

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Agentkonfiguration	✅ Prioritera sammanhang uttryckligen: senaste konversationshistorik (högst), viktiga affärsdata/poststatus/behörigheter (andra), historiskt sammanhang (lägst, endast när utrymmet tillåter)
Agentforce \| Agentkonfiguration	✅ Efter 10-15 varv, sammanfatta tidig konversation till koncis översikt som upprätthåller viktiga fakta utan fullständig ordagrann historik
Data 360 \| Konfiguration	✅ Lagra utökat sammanhang i Data 360 eller egna objekt istället för fullständig historik i varje LLM-anrop. Fråga på begäran för att hålla uppmaningar fokuserade på aktuella behov
Agentforce \| Åtgärd	✅ Returnera endast viktiga fält från åtgärdssvar. Kontohämtning returnerar fält som är relevanta för den aktuella uppgiften, inte alla 50 fält
Agentforce \| Agentkonfiguration	✅ Utforma uttrycklig prioriteringslogik jämfört med godtycklig avkortning för sammanhangsfönsterallokering

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Godtycklig avkortning av sammanhang utan uttrycklig prioriteringslogik
Agentforce \| Agentkonfiguration	⚠️ Upprätthålla fullständig ordagrann konversationshistorik utöver 10-15 varv, förbruka sammanhangsbudget
Agentforce \| Agentkonfiguration	⚠️ Inkludera fullständig historik i varje LLM-samtal istället för att lagra utökat sammanhang externt och fråga på begäran
Agentforce \| Åtgärd	⚠️ Returnerar alla 50 fält från kontohämtning när endast en underuppsättning är relevant för den aktuella uppgiften, konsumerar sammanhangsbudget
Agentforce \| Agentkonfiguration	⚠️ Allokera sammanhangsbudget utan att reservera tillräckligt med utrymme för att skapa svar

Mönster

Var man ska leta	Hur bra ser ut
Plattform \| Åtgärd	✅ Utveckla centraliserade åtgärdsbibliotek som täcker post CRUD, godkännanden, notiser, rapportering, validering. Plattformsteam upprätthåller ett enhetligt beteende, säkerhet och prestanda
Agentforce \| Agentkonfiguration	✅ Skapa fokuserade specialistagenter med djup domänexpertis (serviceagent för kundcasehantering, försäljningsagent för säljprojektvägledning) för att upprätthålla smalare sammanhang och tydligare gränser
Agentforce \| Agentkonfiguration	✅ Använd Agent Builder orkestrering samordna specialistagenter för korsdomänbehov
Agentforce \| Uppmaningsmall	✅ Underhåll validerade uppmaningsmönster i Promptbyggaren. Mallar samlar in beprövade metoder för att skapa RAG-frågor, resonemang i flera steg, svarsformatering
Agentforce \| Uppmaningsmall	✅ Version uppmaningsmallar som möjliggör A / B-test av förbättringar
Data 360 \| Konfiguration	✅ Upprätthåll delade Knowledge databaser i Data 360 som servar flera agenter. Enskild Knowledge-bas grundar agenter för försäljning, service och partnerportal
Agentforce \| Agentkonfiguration	✅ Komponera nya agenter från beprövade byggstenar: definiera syfte, välj Åtgärder, konfigurera uppmaningar (dagar jämfört med veckor för egna byggen)

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Uppmaningsmall	⚠️ Skapa ad hoc-uppmaningar för varje agent istället för att återanvända bibliotek med validerade uppmaningsmallar
Agentforce \| Åtgärd	⚠️ Återimplementera åtgärder för varje agent istället för att använda centraliserade återanvändbara åtgärdsbibliotek
Agentforce \| Agentkonfiguration	⚠️ Bygga universella agenter som försöker alla scenarion istället för fokuserade specialistagenter med djup domänexpertis
Data 360 \| Konfiguration	⚠️ Duplicera Knowledge baser per agent istället för att dela en enda Knowledge bas som grundar flera agenter

Mönster

Var man ska leta	Hur bra ser ut
Plattform \| Egna metadatatyper	✅ Använd egna metadatatyper och Promptbyggarens styrande beteende utan kodändringar. Administratörer ändrar uppmaningsmallar och resonemangsparametrar utan utvecklingscykler
Agentforce \| Agentkonfiguration	✅ Dirigera underuppsättningar till experimentella versioner som jämför kvalitetsmått, nöjdhet, uppgiftsslutförande innan fullständig lansering (t.ex. 10% till v2, 90% på v1)
Agentforce \| Agentkonfiguration	✅ Övervaka valideringsperioden och upprätthålla rollback kapacitet om problem som upptäcks under A / B-test
Agentforce \| Åtgärd	✅ Definiera tydliga gränssnittkontrakt mellan komponenter: Åtgärder specificerar indata, utdata, fel, prestandaförväntningar
Agentforce \| Agentkonfiguration	✅ Utöka gradvis framgångsrika versioner (10% till 25% till 50% till 100%) under flera veckors lanseringsperioder
Agentforce \| Åtgärd	✅ Ersätt åtgärdsimplementeringar utan agentändringar när gränssnittskontrakt bevaras

Antimönster

Var man ska leta	Hur dåligt ser ut
Plattform \| Apex	⚠️ Kräver kodändringar för att ändra agentbeteende istället för att använda konfigurationsdrivna metoder (egna metadatatyper, Promptbyggare)
Agentforce \| Agentkonfiguration	⚠️ Fullständig lansering av nya agentversioner utan A/B-test på en underuppsättning som jämför kvalitetsmått och nöjdhet
Agentforce \| Åtgärd	⚠️ Agenter som är beroende av detaljer för åtgärdsimplementering istället för gränssnittskontrakt, bryts när implementeringar ändras
Agentforce \| Agentkonfiguration	⚠️ Distribuera nya versioner till 100 % av användarna omedelbart utan graderad lansering
Agentforce \| Agentkonfiguration	⚠️ Fungerar utan tillbakadragande kapacitet under experimentella versiontest

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Agentkonfiguration	✅ Lös varje begäran i så få agentåtgärder som möjligt — Flexkrediter används per åtgärd, så att slå samman flerstegslogik i en enda åtgärd sänker kostnaden direkt
Agentforce \| Agentkonfiguration	✅ Modellera månadskostnadsberäkningar baserat på dokumenterade Flex Credit-användningsresultat och förväntade interaktionsvolymer som möjliggör budgetplanering
Einstein \| Övervakning	✅ Övervaka Flexkreditkonsumtion efter agent, användningsfall och användarpopulation för att identifiera mönster med hög konsumtion som kräver optimering
Einstein \| Övervakning	✅ Jämför faktisk användning mot prognoser för att informera framtida planering och identifiera optimeringsmöjligheter

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Kedja många små åtgärder där en sammanslagen åtgärd skulle lösa begäran, multiplicera användningen av Flexkredit per interaktion
Företag \| Planera	⚠️ Att upptäcka Flexkreditanvändning överskrider endast prognoser efter produktionsdistribuering eftersom ingen modellering av kostnad per interaktion utfördes

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Agentkonfiguration	✅ Utforma sessionsgränser och timeouter så att en konversation fortsätter korrekt utan att avbrytas i förtid och tvinga en ny faktureringsbar konversation
Agentforce \| Agentkonfiguration	✅ Fokusera agentkapacitet på lösning för första konversationen så att en uppgift slutförs inom den inledande konversationen istället för att kräva en faktureringsbar uppföljning
Einstein \| Övervakning	✅ Följ lösningsresultat för första konversationen som kostnadseffektivitetsmåttet under prissättning per konversation
Agentforce \| Agentkonfiguration	✅ Hantera relaterade problem inom det befintliga konversationssammanhanget istället för att öppna separata konversationer som var och en medför en fast avgift

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Avsluta konversationer i förtid genom korta sessionstimeouter, vilket tvingar användare att starta nya faktureringsbara konversationer för att slutföra en enskild uppgift
Einstein \| Övervakning	⚠️ Övervaka endast total konversationsvolym utan att spåra lösningsresultat för första konversationen, vilket saknar den primära kostnadshävstången under prissättning per konversation

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Driv användning så licensierade användare aktivt engagera agenten, eftersom under obegränsad Per användare prissättningsvärde kommer från användning snarare än att minimera varje interaktion
Einstein \| Övervakning	✅ Följ användning för att identifiera låganvända licensierade användare för riktad utbildning eller licensomallokering
Företag \| Dokumentation	✅ Anslut agentinteraktioner till verksamhetsresultat efter användarpopulation så att användningsfall med högt värde motiverar investeringen per plats
Företag \| Planera	✅ Granska användarpopulationer på en kadens så att licenser håller sig i linje med faktisk användning istället för att glida in i överlicensiering

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Provisionering per användare-licenser utan en användningsplan, betalar fast kostnad per plats för användare som sällan engagerar agenten
Einstein \| Övervakning	⚠️ Aldrig granska användningen av användarpopulationer, låta licenser glida in i samma överlicensiering som slösar traditionella platser

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Agentkonfiguration	✅ Implementera triage agenter som hanterar inledande dirigering med enkel logik, dirigera användare till en specialiserad agent endast när komplexiteten kräver det
Plattform \| Flöde	✅ Tillbaka till flödesautomatisering för deterministiska scenarion där regelbaserad logik räcker, reservera agentresonemang för de tvetydiga situationer som verkligen behöver det
Data 360 \| Agentkonfiguration	✅ Hämta jordningsdata selektivt, åberopa vektorsökning och dokumenthämtning endast när agentens resonemang kräver det snarare än på varje interaktion

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Dirigera varje begäran direkt till en specialiserad agent, vilket medför dyra komplexa åberopningar för begäranden som enkel triagelogik kunde ha hanterat
Plattform \| Flöde	⚠️ Använda agentresonemang för deterministiska regelbaserade arbetsflöden som ett flöde skulle köra till lägre kostnad utan variabel användning
Data 360 \| Agentkonfiguration	⚠️ Hämta jordningsdata för varje interaktion oavsett om resonemang kräver det, vilket driver Data 360-användning som inte följer verkliga behov

Mönster

Var man ska leta	Hur bra ser ut
Data 360 \| Agentkonfiguration	✅ Cacha produktkataloginbäddningar med definierad uppdateringkadens (t.ex. 24-timmars), hämta från cache för rutinfrågor och fråga Data 360 endast för nya eller kundspecifika data
Data 360 \| Agentkonfiguration	✅ Implementera cachningsstrategier för att minska upprepade sökfrågor för vanliga begäranden, balansera kostnadsoptimering mot data färskhetskrav
Data 360 \| Organisation	✅ Modellera inledande dataintag och bearbetningskostnader (harmonisering, identitetslösning, inbäddning) separat från inkrementella tillväxtkostnader
Data 360 \| Agentkonfiguration	✅ Utvärdera om RAG-overhead motiverar kvalitetsförbättringar för specifika användningsfall innan du lägger till hämtningsutökad skapande

Antimönster

Var man ska leta	Hur dåligt ser ut
Data 360 \| Agentkonfiguration	⚠️ Ingen cachning implementerad trots att majoriteten av sökfrågorna är identiska vanliga frågor, och använder Flexkrediter för upprepade identiska svar
Data 360 \| Organisation	⚠️ Implementera aggressiv cachning utan att överväga krav på färskhet för data, vilket ger gammal information till användare

Mönster

Var man ska leta	Hur bra ser ut
Plattform \| Organisation	✅ Använd Partial Copy sandbox med målinriktade kunddataexempel för agentutveckling, reservera Full Copy sandbox exklusivt för validering före produktion
Plattform \| Organisation	✅ Planera kostnader för utvecklingsinfrastruktur direkt inklusive Data 360-kapacitet, Flexkrediter för snabba tester och integreringsanslutning

Antimönster

Var man ska leta	Hur dåligt ser ut
Plattform \| Organisation	⚠️ Varje utvecklare provisionerar Full Copy-sandboxar för agentutveckling, multiplicera sandbox kostar 5x
Plattform \| Organisation	⚠️ Att förlita sig på ad hoc manuella tester som ger otillräcklig täckning, upptäcka kvalitetsproblem endast i produktion
Företag \| Planera	️ Göra utvecklingsinfrastrukturkostnader osynliga under planeringen, vilket resulterar i betydande oväntade kostnader under implementeringen

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Bygg omfattande TCO-modell som täcker alla sex kostnadskategorier: utveckling, slutledning (Flex Credits), infrastruktur (Data 360 + MuleSoft), drift, styrning och ändringshantering
Företag \| Dokumentation	✅ Skapa kalkylblad TCO-modeller som beräknar 3-5 års kostnader med dokumenterade antaganden för interaktionsvolymer, kreditkonsumtion och tillväxtförlopp
Företag \| Dokumentation	✅ Utföra känslighetsanalys som avslöjar vilka antaganden som påverkar den totala investeringen mest, vilket möjliggör fokuserade valideringsinsatser
Företag \| Dokumentation	✅ Modellera löpande driftskostnader som en meningsfull återkommande fraktion av utvecklingskostnader årligen för mogna agenter, hämtade från allmänna AI-agentbranschriktmärken snarare än en fast Salesforce-siffra
Företag \| Planera	✅ Inkludera kostnader för ändringshantering (användarutbildning, anpassning av verksamhetsprocesser, organisationsförändring) som ofta underskattas

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Inkluderar endast utvecklingskostnader i agenters verksamhetsfall utan att modellera pågående användning (Flex Credits, Data 360, operationer), upptäcker betydande oplanerade årliga kostnader efter distribuering
Företag \| Planera	⚠️ Utelämna överordnad styrning (säkerhetsgranskningar, infrastruktur för mänsklig tillsyn, granskningsloggning, validering av efterlevnad) som växer med agenters självständighet och risknivå
Företag \| Planera	⚠️ Underskatta ändringskostnader, särskilt för agenter som skapar betydande arbetsflödesskift, vilket leder till budgetunderskott

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Utvärdera färdigbyggda Agentforce agenter jämfört med egen utveckling genom omfattande 3-års jämförelse av TCO inklusive underhållskostnader
Företag \| Dokumentation	✅ Dokumentbygge vs köpbeslut i arkitekturbeslutsposter som möjliggör framtida omvärderingar när kostnader och kapacitet ändras
Agentforce \| Agentkonfiguration	✅ Överväg anpassning av färdigbyggda agenter genom Promptbyggaren och åtgärdskonfiguration som ett mellanting mellan färdigbyggda och helt egna
Företag \| Planera	✅ Faktor beslutskriterier utöver kostnad: tid-till-värde, organisationsutvecklingskapacitet, strategiskt differentieringsvärde och leverantörsberoendetolerans

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Bygga egen agent eftersom “vi vill ha kontroll” utan att modellera 3-års TCO som visar färdigbyggda alternativ kan vara betydligt billigare
Företag \| Planera	⚠️ Välja att bygga eller köpa baserat endast på kostnader för det första året utan att förutse löpande underhåll, kreditkonsumtion och fördelar med leverantörsuppdateringar över flera år

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Jämför agentens TCO mot traditionella automatiseringsalternativ (flöde, Apex, manuella processer) innan distribution, validera investeringsmotivering
Företag \| Dokumentation	✅ Upprätta manuell processbaslinje inklusive fullastade personalkostnader, felfrekvenser, bearbetningstid och genomströmningskapacitet för att avslöja potentiella besparingar
Agentforce \| Agentkonfiguration	✅ Distribuera agenter för uppgifter som kräver naturlig språkförståelse, adaptivt resonemang eller hantering av stora scenariovariationer där traditionell automatisering inte kan matcha kapacitet
Plattform \| Flöde	✅ Använd flödesautomatisering för deterministiska arbetsflöden med tydliga regler, vilket ger likvärdiga resultat till lägre kostnad utan variabel slutledningskonsumtion

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Distribuera agent för enkel deterministisk dirigeringsuppgift som konsumerar $15K årliga krediter när flödet skulle ge motsvarande funktionalitet utan rörliga kostnader
Företag \| Planera	⚠️ Som standard agentmetod för all automatisering utan att utvärdera om traditionell automatisering ger likvärdiga resultat till lägre totalkostnad

Mönster

Var man ska leta	Hur bra ser ut
Einstein \| Övervakning	✅ Bygg instrumentpaneler för Flexkreditkonsumtion som visar konsumtion efter agent, användarpopulation, tidsperiod och interaktionstyp för snabb identifiering av konsumtionstoppar
Einstein \| Övervakning	✅ Implementera kostnadsattribution per interaktion som ansluter kreditkonsumtion till affärstransaktioner (kostnad per löst kundcase, kostnad per kvalificerat lead, kostnad per behandlad order)
Einstein \| Övervakning	✅ Konfigurera budgetvarning vid exempel på trösklar som 70% och 85% efter agent och användningsfall (inte bara organisationsomfattande) vilket möjliggör proaktiva ingripanden innan överskridanden
Einstein \| Övervakning	✅ Implementera upptäckt av avvikelser som identifierar ovanliga konsumtionsmönster (plötsliga ökningar som indikerar omedelbar ineffektivitet, oväntade användningsmönster eller missbruk)
Företag \| Dokumentation	✅ Dela kostnadsinstrumentpaneler med affärsintressenter och tekniska team för att skapa transparens som möjliggör kostnadsmedveten agentanvändning
Företag \| Dokumentation	✅ Utföra kvartalsvisa budgetgranskningar som jämför faktisk användning mot prognoser, utvärderar verksamhetsresultat och justerar allokeringar baserat på visat värde
Företag \| Planera	✅ Reservera 10-15% av kreditbudgeten för experiment och oväntad konsumtionsökning, vilket förhindrar flaskhalsar i innovation
Företag \| Planera	✅ Skapa fleråriga prognoser baserade på agentanvändningstrender, nya distribueringar och utökade användningsfall som möjliggör kapacitetsplanering och leverantörsförhandlingar

Antimönster

Var man ska leta	Hur dåligt ser ut
Einstein \| Övervakning	⚠️ Övervaka kreditanvändning endast genom månatlig fakturagranskning, upptäcka budgetöverskridanden 6 veckor in i kvartalet utan tid att optimera innan förnyelse
Einstein \| Övervakning	⚠️ Konfigurera budgetvarningar endast på organisationsnivå, saknade ökningar per agent och per användningsfall som indikerar optimeringsmöjligheter
Företag \| Planera	️ Kräva akuta budgetökningar eftersom övervakningen av konsumtionen inte genomfördes tillräckligt tidigt för att proaktivt identifiera och hantera överskridanden.
Företag \| Planera	⚠️ Att ange en årlig budget en gång vid räkenskapsårets början utan granskningar, svälter agenter med högt värde för krediter medan agenter med låg ROI konsumerar allokeringen
Företag \| Planera	⚠️ Tilldela noll i budgetreserv för experiment, vilket tvingar team att motivera varje nytt användningsfall genom långa godkännanden innan någon utforskning

Mönster

Var man ska leta	Hur bra ser ut
Einstein \| Övervakning	✅ Följ användning efter agentinstans vilket möjliggör jämförelser mellan agenttyper och användningsfall, vilket avslöjar vilka agenter som levererar bäst ROI
Företag \| Dokumentation	✅ Anslut konsumtion till verksamhetsprocesser (leadkvalificering, kundcaselösning, orderbehandling) så att företagsledare kan utvärdera strategisk anpassning
Einstein \| Övervakning	✅ Följ konsumtion efter avdelning, roll eller användarsegment som avslöjar var agentanvändning är högst och var kostnaderna koncentreras
Företag \| Planera	✅ Använd kvartalsvisa kostnadsgranskningar för att jämföra agenters ROI över portföljen och omallokera investeringar från agenter med låg ROI till agenter med hög ROI baserat på visat värde

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	️ Allokera alla agentkostnader till IT-budgeten utan att affärsenhetstillskrivas, vilket förhindrar företagsledare från att utvärdera om utgifterna överensstämmer med prioriteringar
Företag \| Planera	⚠️ Behandla agentkonsumtion som odifferentierad kostnad utan att ansluta konsumtion till verksamhetsresultat, vilket gör ROI-beräkning omöjlig

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Implementera showback-rapportering som ger konsumtionssynlighet efter affärsenhet, vilket skapar kostnadsmedvetenhet som möjliggör informerade användningsbeslut utan omtvistade chargeback-tvister
Företag \| Dokumentation	✅ Använd hybridallokering med chargeback för produktionsagenter med hög volym och showback för experimentella agenter eller agenter med låg volym, balansera ansvarighet med innovationsflexibilitet
Företag \| Dokumentation	✅ Utför kvartalsvisa granskningar för att diskutera om förbrukningen överensstämmer med levererat värde, vilket leder till optimeringsåtaganden

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Implementera fullständig chargeback för experimentella agenter, motverka innovation och utforskning genom att omedelbart införa budgetansvarighet för framväxande användningsfall

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Uppmaningsmall	✅ Uteslut onödig ordalydelse i systemuppmaningar som känner igen varje extra token lägger till förifyllning och latens i alla interaktioner — trimma systemuppmaningar till vad agenten faktiskt använder
Agentforce \| Uppmaningsmall	✅ Inkludera endast relevant information genom selektiv sammanhangshämtning med relevansrangordning som säkerställer att information med högst värde passar inom sammanhangsgränserna
Agentforce \| Uppmaningsmall	✅ Specificera koncis svarsformatering för rutininteraktioner, minimera slutförandetokens genom att undvika begäranden om utarbetad formatering eller omfattande förklaringar
Agentforce \| Uppmaningsmall	✅ Återanvänd standardiserade uppmaningsmallar över liknande agenter, amortera investeringar i uppmaningsoptimering samtidigt som du skapar enhetlighet och effektivitet

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Uppmaningsmall	⚠️ Att skriva uppmaningar konversationsvis utan att optimering konsumerar 2K+ tokens per interaktion, inklusive fullständiga instruktioner och omfattande exempel som agenter sällan refererar
Agentforce \| Uppmaningsmall	⚠️ Hämta alla potentiellt relaterade data för sammanhang istället för att selektivt inkludera endast relevant information, vilket blåser upp snabb tokenanvändning
Agentforce \| Uppmaningsmall	⚠️ Skapa unika uppmaningsmallar för varje agent istället för att standardisera mönster, multiplicera snabb teknisk ansträngning utan proportionell kvalitetsfördel

Mönster

Var man ska leta	Hur bra ser ut
Agentforce \| Agentkonfiguration	✅ Cacha vanliga agentsvar för vanliga frågor som servar direkt från cache för dubblettfrågor (cacheträffresultat över 30% indikerar betydande optimeringsmöjlighet)
Data 360 \| Agentkonfiguration	✅ Cacha stabil Knowledge sammanhang (produktkataloger, policydokument, referensmaterial) vilket minskar hämtning overhead för varje interaktion som refererar till gemensam information
Agentforce \| Agentkonfiguration	✅ Implementera cachning av konversationer inom användarsessioner för att upprätthålla sammanhang över turer utan att skicka fullständig historik igen, vilket minskar tokenanvändning i interaktioner med flera turer
Agentforce \| Agentkonfiguration	✅ Definiera cache ogiltigförklaring strategier baserat på innehållsvolatilitet (produktinformation cachar för timmar / dagar, realtidsdata bör inte cacha)

Antimönster

Var man ska leta	Hur dåligt ser ut
Agentforce \| Agentkonfiguration	⚠️ Ingen cachning implementerad trots att 60 % av sökfrågorna är identiska vanliga frågor, vilket onödigt konsumerar Flexkrediter för upprepade identiska svar
Agentforce \| Agentkonfiguration	⚠️ Caching av realtidsdata (lagernivåer, prissättning, tillgänglighet) som kräver färskhet, servar gammal information som leder till felaktiga agentsvar
Agentforce \| Agentkonfiguration	⚠️ Aldrig uppdatera cachade svar som leder till föråldrade svar när produkter, policyer eller processer ändras

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Kräv affärsnytta inklusive beräknad 3-årig TCO, förväntade verksamhetsresultat med mätmetod, jämförelse mot alternativ och riskbedömning
Företag \| Dokumentation	✅ Definiera godkännandetrösklar som separerar investeringar en avdelning kan auktorisera från de som kräver chefsgodkännande, så att agenter med högre investering eller högre risk får proportionell chefsgranskning
Företag \| Dokumentation	✅ Mandat pilotdistribueringar validera antaganden (konsumtion, kvalitet, användning) innan fullständig produktionsinvestering
Företag \| Dokumentation	✅ Inkludera ROI-beräkning i agentförslag (t.ex. 4:1 retur demonstrerad genom kundcase lösta och manuell hantering kostnadsbesparingar)

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Distribuera agenter utan affärsnytta, upptäcka 3x beräknad kreditkonsumtion och samtidigt leverera oklart affärsvärde, skapa oplanerad årlig konsumtion utan dokumenterad ROI
Företag \| Planera	⚠️ Hoppa över pilotdistribuering och gå direkt till full produktion, missa möjligheten att validera konsumtionsantaganden innan de åtar sig full budget
Företag \| Planera	⚠️ Godkänna agentinvesteringar utan jämförelse med alternativa metoder (manuella processer, traditionell automatisering) som kan ge motsvarande värde till lägre kostnad

Mönster

Var man ska leta	Hur bra ser ut
Företag \| Dokumentation	✅ Utför årlig portföljgranskning som utvärderar alla agenter och jämför kostnader, användning, affärsvärde och strategisk anpassning för att upptäcka optimeringsmöjligheter som missats av agent för agent-granskning
Företag \| Dokumentation	✅ Definiera solnedgångskriterier (låg användning, dålig ROI, ersatt funktionalitet, överdriven kostnad) som förhindrar ackumulering av agenter med lågt värde som konsumerar budget
Företag \| Planera	✅ Öva kontinuerliga investeringar omallokering flytta resurser från lågpresterande agenter till säljprojekt med högt värde i linje med föränderliga verksamhetsprioriteter
Företag \| Dokumentation	✅ Kategorisera agenter efter ROI-nivå (t.ex., topp 2 levererar 70% värde till 50% kostnad = utmärkt; mitten 4 levererar 25% värde till 35% kostnad = acceptabelt; botten 2 levererar 5% värde till 15% kostnad = solnedgång kandidater)

Antimönster

Var man ska leta	Hur dåligt ser ut
Företag \| Planera	⚠️ Agenter distribuerade förblir i produktion på obestämd tid utan användning eller värdegranskning, vilket ackumulerar agenter med lågt värde som konsumerar budget som kan finansiera säljprojekt med högre värde
Företag \| Planera	⚠️ Utvärdera agenter endast individuellt utan portföljperspektiv och missa insikten att några agenter levererar mest värde medan många konsumerar oproportionerliga resurser