Grounding des agents IA Salesforce, comment éviter les réponses hors contexte ?
Un client demande à un agent IA s’il peut retourner un produit reçu quelques jours plus tôt. L’agent lui répond que les retours sont autorisés pendant 30 jours.
La réponse semble cohérente. Pourtant, elle peut être inexacte si le produit est personnalisé, si la politique varie selon le pays ou si le délai commence à la date d’achat plutôt qu’à la livraison.
Ce type de réponse apparaît lorsque l’agent dispose d’une connaissance générale, mais manque d’informations sur la situation réelle du client et sur les règles de l’entreprise.
Dans Agentforce, Salesforce utilise le grounding pour apporter ce contexte. Les données CRM, les documents internes, les articles Knowledge et les règles métier sont intégrés au processus de génération afin d’aider l’agent à produire une réponse pertinente pour chaque demande.
Qu’est-ce que le grounding dans Agentforce ?
Le grounding consiste à enrichir le prompt envoyé au modèle de langage avec les informations qu’il doit prendre en compte pour traiter une demande.
Ces informations peuvent provenir de données structurées, comme les comptes, contacts, commandes, opportunités ou dossiers présents dans Salesforce. Elles peuvent également venir de contenus non structurés comme des fichiers PDF, des emails, des échanges de support ou des articles de connaissance.
Les grands modèles de langage disposent principalement d’une connaissance générale. Ils ne connaissent pas spontanément les contrats d’une entreprise, son catalogue produit, ses procédures internes ou l’historique d’un client. Le grounding leur fournit ces éléments au moment où ils doivent produire une réponse.
Un agent correctement groundé peut ainsi s’appuyer sur :
- le profil du client ;
- sa commande ou son contrat ;
- le statut de son dossier ;
- la politique commerciale applicable ;
- la version actuelle d’une procédure ;
- les droits d’accès de l’utilisateur ;
- le contexte déjà partagé pendant la conversation.
Le résultat devient plus précis, plus personnalisé et plus facile à vérifier.
Grounding et RAG couvrent deux notions différentes
Le RAG, pour Retrieval-Augmented Generation, constitue une forme de grounding.
Son rôle consiste à rechercher des informations dans une base documentaire, puis à transmettre les passages les plus pertinents au modèle de langage. Le LLM construit ensuite sa réponse à partir de ces éléments.
Prenons une question simple :
« Quelle garantie s’applique à ce modèle de serveur ? »
Avec un mécanisme RAG, Agentforce recherche la documentation correspondant au modèle concerné, récupère les conditions de garantie et les ajoute au prompt. La réponse repose alors sur la documentation de l’entreprise plutôt que sur une règle générale.
Le grounding couvre un périmètre plus large. Il peut aussi intégrer directement des données Salesforce, les résultats d’un Flow, une classe Apex, un prompt template, une API MuleSoft ou des informations provenant d’un système externe.
Comment Agentforce construit une réponse contextualisée
Une réponse Agentforce résulte de plusieurs étapes successives.
L’identification du bon périmètre
Agentforce commence par déterminer la nature de la demande.
Salesforce organise les capacités de l’agent autour de périmètres appelés topics dans certains modules et subagents dans la nouvelle version d’Agentforce Builder. Chacun correspond à un travail précis, comme suivre une commande, gérer un retour, rechercher une information produit ou mettre à jour un dossier.
Ce périmètre regroupe les instructions et les actions disponibles pour traiter la demande. Une bonne description aide l’agent à sélectionner le bon chemin dès le début de la conversation.
L’utilisation des données structurées
L’agent peut ensuite consulter les informations présentes dans Salesforce.
Une action peut par exemple récupérer :
- le compte associé à l’utilisateur ;
- une commande précise ;
- la date de livraison ;
- le niveau de service prévu dans un contrat ;
- l’état d’une opportunité ;
- l’historique d’un dossier support.
Ces actions peuvent s’appuyer sur des objets standards ou personnalisés, des Flows, des classes Apex et des API connectées à d’autres outils.
La recherche dans les documents
Pour exploiter les contenus non structurés, Salesforce propose notamment Agentforce Data Library.
Une bibliothèque de données peut donner accès à des articles Knowledge, des fichiers importés, des sources web ou des retrievers personnalisés. Lors de sa création, Salesforce automatise plusieurs opérations dans Data 360 : ingestion des données, création et mapping des objets, découpage des documents, création de l’index de recherche et génération du retriever.
Lorsqu’un utilisateur pose une question, le retriever recherche les passages les plus pertinents dans l’index. Ces passages sont ajoutés au prompt avec la demande de l’utilisateur et les instructions de l’agent. Le modèle reçoit ainsi un contexte directement lié au sujet traité.
D’où viennent les réponses hors contexte
Le grounding améliore la fiabilité des agents, mais sa qualité dépend de plusieurs composants.
Un mauvais périmètre sélectionné
Deux topics ou subagents trop proches peuvent créer une ambiguïté.
Un agent dispose par exemple d’un périmètre consacré aux commandes et d’un autre dédié aux caractéristiques produit. Une question sur la compatibilité d’un produit déjà commandé peut concerner les deux.
Une description trop vague risque d’orienter l’agent vers la fiche produit sans consulter la commande réelle du client. Les descriptions doivent préciser les demandes couvertes, les exclusions et les situations dans lesquelles un autre périmètre doit être utilisé.
Des instructions insuffisamment précises
Les instructions guident les décisions de l’agent et l’utilisation des actions.
Une formulation comme « Aide le client avec sa commande » laisse une grande marge d’interprétation.
Une instruction plus précise donne un chemin clair :
« Identifie d’abord la commande concernée. Vérifie son statut dans Salesforce. Consulte ensuite la politique de livraison applicable au pays du client. Demande une précision si plusieurs commandes correspondent. »
Salesforce recommande des instructions formulées autour de règles explicites telles que « Toujours… », « Ne jamais… », « Si X, alors Y… » ou « Commencer par… ». Elles servent de garde-fous et réduisent les décisions imprévues.
Des sources obsolètes ou contradictoires
L’agent peut retrouver une information et produire malgré tout une réponse incorrecte.
Ce problème apparaît lorsqu’une bibliothèque contient :
- plusieurs versions d’une même procédure ;
- une ancienne grille tarifaire ;
- des conditions commerciales expirées ;
- des documents sans date de validité ;
- des règles différentes selon les pays sans indication claire ;
- des contenus qui se contredisent.
La qualité du grounding dépend directement de la fraîcheur, de l’exactitude et de la pertinence des sources mises à disposition.
Une gouvernance documentaire claire facilite donc le travail de l’agent : propriétaire identifié, version en vigueur, date de mise à jour, périmètre géographique et archivage des anciens contenus.
Une recherche trop large
Un retriever qui consulte l’ensemble de la documentation peut récupérer une information correcte, mais inadaptée au cas traité.
Salesforce permet d’ajouter des filtres pour limiter les résultats selon les métadonnées disponibles. La recherche peut par exemple cibler uniquement les documents associés à une langue, une catégorie de produit ou un type de contenu précis.
Dans un environnement international, les filtres peuvent distinguer :
- le pays ;
- la langue ;
- la marque ;
- le produit ;
- le segment B2B ou B2C ;
- la date de validité ;
- la politique interne ou publique.
La recherche se concentre ainsi sur les informations applicables à la situation réelle.
Un découpage documentaire peu cohérent
Agentforce découpe les contenus en passages, appelés chunks, afin de retrouver uniquement les parties utiles.
Chaque passage doit conserver suffisamment de contexte pour rester compréhensible. Une règle et son exception placées dans deux sections éloignées peuvent être récupérées séparément.
Prenons cette politique :
« Les retours sont acceptés pendant 30 jours. Les produits personnalisés et les articles déjà utilisés sont exclus. »
Si la première phrase remonte sans la seconde, l’agent risque de produire une réponse incomplète. La structure des documents, les titres, les sections et la proximité entre une règle et ses conditions influencent donc directement la qualité du résultat. Salesforce indique que les contenus sont découpés avant leur indexation et leur utilisation par le retriever.
Les pratiques qui renforcent le grounding
Associer données CRM et documentation
Les données structurées décrivent la situation du client. Les contenus non structurés apportent les règles à appliquer.
Pour traiter un retour produit, l’agent peut combiner :
- la date de livraison récupérée dans Salesforce ;
- la catégorie du produit ;
- le pays du client ;
- la politique de retour issue de la bibliothèque documentaire.
Cette combinaison produit une réponse adaptée à un cas réel plutôt qu’une simple restitution de la politique générale.
Définir une hiérarchie entre les sources
L’agent doit savoir quelle source privilégier lorsque plusieurs informations sont disponibles.
Les instructions peuvent préciser que :
- les données du contrat priment sur les conditions générales ;
- la version publiée la plus récente doit être utilisée ;
- les documents internes restent prioritaires pour les règles de l’entreprise ;
- une information contradictoire doit être signalée ;
- une source externe ne doit pas remplacer une politique interne.
Cette hiérarchie limite les réponses construites à partir d’un document secondaire ou ancien.
Prévoir les informations manquantes
Certaines demandes ne contiennent pas assez d’éléments pour fournir immédiatement une réponse fiable.
L’agent doit alors poser une question ciblée :
- « De quelle commande parlez-vous ? »
- « Dans quel pays le contrat a-t-il été signé ? »
- « Pouvez-vous préciser la référence du produit ? »
- « S’agit-il d’un achat professionnel ou particulier ? »
Une demande de précision constitue une réponse adaptée lorsque le contexte reste incomplet.
Organiser un comportement de repli
L’agent doit également savoir gérer l’absence de réponse.
Ses instructions peuvent lui demander de :
- rechercher une seconde source ;
- demander une précision ;
- indiquer que les informations disponibles restent insuffisantes ;
- proposer un transfert vers un conseiller ;
- empêcher l’exécution d’une action sensible sans confirmation.
Les topics et leurs instructions peuvent notamment déterminer les conditions de transfert d’une conversation vers un interlocuteur humain.
Tester les situations qui posent réellement problème
Un agent peut répondre correctement à une question simple et rencontrer des difficultés dès que la formulation change.
Agentforce Builder permet de tester manuellement les conversations dans le panneau Preview. Le détail des interactions montre les subagents, les actions, les instructions et les étapes suivies pour produire la réponse.
La nouvelle version du Builder distingue deux modes :
- Simulate, qui vérifie la configuration sans lancer les actions ni contrôler les permissions ;
- Live Test, qui exécute les actions dans l’organisation Salesforce.
Les traces permettent ensuite d’observer les variables, les étapes exécutées et le comportement de l’agent.
Salesforce recommande également de construire des tests positifs et négatifs. Un scénario positif vérifie qu’une demande normale déclenche le bon périmètre, les bonnes actions et la bonne réponse. Un scénario négatif teste une question ambiguë, incomplète, invalide ou hors périmètre.
Une campagne de test efficace devrait inclure :
- une question couverte par la documentation ;
- la même demande formulée avec d’autres mots ;
- une question dont la réponse est absente ;
- une demande mélangeant plusieurs sujets ;
- une référence produit erronée ;
- une politique expirée ;
- des sources contradictoires ;
- une demande nécessitant des droits particuliers ;
- une tentative de contourner les instructions ;
- un cas nécessitant une intervention humaine.
Le Testing Center permet de comparer le subagent sélectionné, les actions exécutées et la réponse obtenue avec les résultats attendus. Cette lecture aide à identifier précisément si l’erreur vient de la classification, du parcours d’actions ou de la génération finale.
Suivre la qualité après le déploiement
Les usages réels font apparaître des formulations et des situations rarement couvertes pendant la phase de conception.
Agentforce Observability permet d’analyser les interactions, les demandes non résolues, les lacunes documentaires, les scores de qualité et les tendances observées dans les sessions. Ces informations peuvent ensuite alimenter une nouvelle version des instructions, des sources ou des parcours de l’agent.
Le grounding devient ainsi un processus continu :
observer → identifier les écarts → corriger les données ou les règles → tester → redéployer
Ce qu’il faut retenir
Le grounding donne aux agents Salesforce le contexte nécessaire pour comprendre une demande et répondre à partir des informations de l’entreprise.
Sa fiabilité repose sur plusieurs éléments complémentaires : des données CRM accessibles, une documentation claire et actualisée, une recherche correctement filtrée, des instructions précises et des scénarios de test représentatifs.
Un agent bien configuré peut répondre, poser une question complémentaire, exécuter une action ou transférer la demande selon les informations réellement disponibles.
La mise en place d’Agentforce demande donc un travail conjoint sur les données, les processus métier et les règles de réponse. SIWAY accompagne les entreprises dans ce cadrage, depuis l’identification des cas d’usage jusqu’à la configuration, au test et au déploiement des agents dans Salesforce.
