Ein Kunde fragt, ob seine Bestellung für den Prioritätsservice qualifiziert ist. Das CRM identifiziert das Konto, aber die Antwort kann auch von einer Vertragsänderung, einer Supportvereinbarung und der aktuellen Kapazität abhängen. Der Enterprise-AI-Kontext bringt diese Informationen zusammen, sodass eine Antwort die tatsächliche Kundenbeziehung widerspiegelt.
Am 10. September 2026 führte Salesforce seine Enterprise AI Harness-Architektur ein, die Kontext, Aktionen und Unternehmenssteuerungen in eine gemeinsame Grundlage bringt. Unsere Interpretation ist, dass die Verbindung von Systemen nur ein Teil der Arbeit ist: Teams müssen auch vereinbaren, was ihre Daten bedeuten.
Warum vernetzte Daten dennoch schwache Antworten liefern können
Ein Connector kann Datensätze aus zwei Anwendungen abrufen, ohne zu wissen, dass sich beide auf denselben Kunden beziehen. Unterschiedliche Kontobezeichner, veraltete Statusfelder und inkonsistente Definitionen können eine scheinbar vollständige Antwort irreführend machen.
Kontext umfasst sowohl Beziehungen als auch Datensätze. Ein Agent muss wissen, welche Tochtergesellschaft einen Vertrag unterzeichnet hat, welches Abkommen aktuell ist und ob ein Anspruch für die anfragende Person gilt. Diese Beziehungen sollten anhand von Beweisen festgestellt werden, nicht aus ähnlichen Namen vermutet werden.
Erstellen Sie ein kleines, nützliches Kontextmodell
Beginnen Sie mit einer Entscheidung und identifizieren Sie die Informationen, die zur Unterstützung erforderlich sind. Für einen Ablauf der Berechtigungsprüfung könnte dies Kontenidentität, Vertragsversion, abgedeckte Produkte und das Wirksamkeitsdatum jedes Anspruchs umfassen.
Geben Sie jedem wichtigen Feld eine autoritative Quelle und einen Besitzer. Zeichnen Sie auf, wie widersprüchliche Werte gelöst werden und wie schnell Updates verfügbar sein müssen. Ein gestern geändertes Dokument sollte nicht stillschweigend einer älteren Kopie im Suchindex unterliegen.
Unser Artikel über die Integration von Kundendaten mit prädiktiver KI bietet einen Ausgangspunkt, um diese Grundlage mit analytischen Anwendungsfällen zu verknüpfen.
Halten Sie Berechtigungen im Kontext angehängt.
Das Kombinieren von Daten sollte den Zugriff nicht automatisch erweitern. Ein Support-Mitarbeiter muss möglicherweise sehen, ob ein Konto abgedeckt ist, ohne die vollständige kommerzielle Vereinbarung zu lesen. Bewahren Sie diese Unterscheidungen bei Abrufen, generierten Antworten und allen exportierten Zusammenfassungen auf.
Testen Sie mit verschiedenen Rollen und Konten. Schließen Sie einen Fall ein, in dem ein nützliches Dokument vorhanden ist, der Benutzer jedoch keine Berechtigung hat, es zu sehen. Das System sollte diese Grenze handhaben, ohne den eingeschränkten Inhalt durch eine Erklärung preiszugeben.
Messen Sie, ob Kontext die Entscheidungen verbessert.
Verwenden Sie repräsentative Fragen mit überprüften Antworten. Vergleichen Sie die Ergebnisse vor und nach der Hinzufügung von Identitätsauflösung, aktuellen Dokumentversionen oder gemeinsam genutzten Messdefinitions. Verfolgen Sie unbegründete Behauptungen und die Zeit, die Mitarbeiter für deren Überprüfung aufwenden.
Vermeiden Sie es, eine größere Wissensbasis allein als Fortschritt zu betrachten. Das Hinzufügen irrelevanter oder widersprüchlicher Informationen kann die Abrufbarkeit erschweren. Eine kleinere Sammlung aktueller, gut beschriebener Quellen kann für einen bestimmten Arbeitsablauf nützlicher sein.
Ein Kontextdatensatz, den Ihr Team pflegen kann
Ein nützlicher Kontextdatensatz identifiziert die Entität, die autoritative Quelle, die Geschäftsdefinition, das Wirksamkeitsdatum, die letzte Aktualisierung und die Zugriffspolitik. Erfassen Sie einen Konflikt ausdrücklich, wenn zwei Quellen widersprüchlich sind; bitten Sie das Modell nicht, den überzeugendsten Satz auszuwählen.
Zum Beispiel sollte ein Serviceanspruch einem bestimmten Konto und der aktuellen Vereinbarung zugeordnet werden, mit einer Erklärung, wie Änderungen angewendet werden. Weisen Sie dieser Auflösungsregel einen Eigentümer zu. Verwenden Sie diese Grundlage für konversationelle Analysen. Fügen Sie graphbasierte Abfragen hinzu, wenn die Fragen tatsächlich erfordern, Beziehungen über Dokumente hinweg zu verfolgen, anstatt zu vermuten, dass jeder Datensatz einen Graphen benötigt.
Beginnen Sie mit einer Entscheidung, die wichtig ist
Kartieren Sie die Datensätze und Dokumente, die hinter einer wiederkehrenden Kundenfrage stehen. Erkunden Sie als Teil dieses Workflows ein Wissensrepository und sprechen Sie mit NextBrain AI über die Datenbeziehungen, die Ihr Team explizit machen muss.