Un client demande si sa commande est éligible au service prioritaire. Le CRM identifie le compte, mais la réponse peut également dépendre d’un amendement au contrat, d’un accord de support et de la capacité opérationnelle actuelle. Le contexte Enterprise AI rassemble ces éléments afin qu’une réponse reflète la relation réelle avec le client.
Le 10 septembre 2026, Salesforce a présenté son architecture Enterprise AI Harness, intégrant contexte, actions et contrôles d’entreprise dans une fondation partagée. Notre interprétation est que connecter les systèmes n’est qu’une partie du travail : les équipes doivent également s’accorder sur la signification de leurs données.
Pourquoi des données connectées peuvent encore produire des réponses faibles
Un connecteur peut récupérer des enregistrements de deux applications sans savoir que les deux se réfèrent au même client. Des identifiants de compte différents, des champs de statut obsolètes et des définitions incohérentes peuvent rendre une réponse apparemment complète trompeuse.
Le contexte inclut les relations ainsi que les enregistrements. Un agent doit savoir quelle filiale a signé un contrat, quel accord est en cours et si un droit s’applique à la personne qui fait la demande. Ces relations doivent être établies à partir de preuves, et non devinées à partir de noms similaires.
Construire un petit modèle de contexte utile
Commencez par une décision et identifiez les informations requises pour la soutenir. Pour un processus de vérification de l’éligibilité à un service, cela pourrait inclure l’identité du compte, la version du contrat, les produits couverts et la date d’effet de chaque droit.
Attribuez à chaque champ important une source faisant autorité et un responsable. Enregistrez comment les valeurs conflictuelles sont résolues et à quelle vitesse les mises à jour doivent être disponibles. Un document modifié hier ne devrait pas perdre silencieusement face à une copie plus ancienne dans un index de recherche.
Notre article sur l’intégration des données clients avec l’IA prédictive fournit un point de départ pour relier cette base aux cas d’utilisation analytiques.
Conservez les autorisations attachées au contexte.
La combinaison de données ne doit pas élargir automatiquement l’accès. Un employé du support peut avoir besoin de vérifier si un compte dispose d’une couverture sans lire l’intégralité de l’accord commercial. Conservez ces distinctions lors de la récupération, des réponses générées et de tout résumé exporté.
Testez avec différents rôles et comptes. Includez un cas où un document utile existe mais que l’utilisateur n’est pas autorisé à le voir. Le système doit gérer cette limite sans révéler le contenu restreint par une explication.
Mesurez si le contexte améliore les décisions
Utilisez des questions représentatives avec des réponses vérifiées. Comparez les résultats avant et après l’ajout de la résolution d’identité, des versions actuelles des documents ou des définitions de métriques partagées. Suivez les affirmations non soutenues et le temps que les employés passent à les vérifier.
Évitez de considérer une base de connaissances plus grande comme un progrès en soi. Ajouter des informations non pertinentes ou contradictoires peut rendre la récupération plus difficile. Une collection plus petite de sources actuelles et bien décrites peut être plus utile pour un flux de travail spécifique.
Un enregistrement de contexte que votre équipe peut maintenir
Un enregistrement de contexte utile identifie l’entité, la source autoritaire, la définition commerciale, la date d’effet, la dernière actualisation et la politique d’accès. Enregistrez explicitement un conflit lorsque deux sources sont en désaccord ; ne demandez pas au modèle de choisir la phrase la plus convaincante.
Par exemple, un droit de service doit se résoudre en un compte spécifique et un accord en cours, avec une explication de la manière dont les modifications sont appliquées. Assignez un responsable à cette règle de résolution. Utilisez cette base pour l’analyse conversationnelle. Ajoutez la récupération basée sur les graphes lorsque les questions nécessitent réellement de suivre des relations à travers les documents, plutôt que de supposer que chaque ensemble de données a besoin d’un graphe.
Commencez par une décision qui compte
Cartographiez les enregistrements et documents derrière une question récurrente d’un client. Explorez un répertoire de connaissances dans le cadre de ce flux de travail, et parlez avec NextBrain AI des relations de données que votre équipe doit rendre explicites.