Análisis editorial original de OrbTrail ampliado con investigación complementaria, contexto práctico y referencias verificadas.
Un episodio de Salesforce Admins Podcast publicado el 13 de agosto vuelve a situar la preparación de metadatos en el centro de una implementación de Agentforce. Skye Tyler describe una situación habitual: las personas interpretan cuatro campos de fecha parecidos porque conocen el proceso y sus excepciones históricas; un agente no comparte esa memoria institucional. Si nombres, descripciones y textos de ayuda no explican la diferencia, el modelo debe elegir con contexto insuficiente. La respuesta puede sonar correcta e incluso funcionar muchas veces, pero esa repetición no convierte una elección probabilística en una regla confiable.
La conclusión no es que toda alucinación comience en un campo sin descripción. Datos desactualizados, instrucciones contradictorias, recuperación deficiente, permisos, contratos de acción vagos y límites del modelo también producen errores. Los metadatos son una capa de contexto. En Salesforce tienen una importancia particular porque describen tanto el modelo de datos del negocio como las automatizaciones y los componentes del agente. Ignorar esa capa obliga al planner a inferir el significado de elementos personalizados que no podían existir en el entrenamiento general del modelo.
El podcast recomienda avanzar de forma incremental. En vez de prometer una limpieza completa de la org, el equipo comienza por el proceso que atenderá el agente y revisa los objetos, campos, automatizaciones e integraciones que ese proceso alcanza. OrbTrail añade un criterio de cierre: la mejora termina cuando la misma batería de solicitudes, ejecutada antes y después, demuestra una selección más consistente de subagentes, acciones y resultados. Sin esa comparación, completar descripciones mejora la documentación, pero no demuestra confiabilidad.
Mapea el alcance real
Enumera objetos, campos, Flows, acciones, subagentes y sistemas externos que el caso puede consultar o ejecutar.
Elimina significados rivales
Aclara propósito, regla de uso, unidad, origen y exclusiones donde el planner y las personas deban interpretar.
Conserva la suite
Registra preguntas comunes, ambigüedades, excepciones y resultados esperados antes de cambiar los metadatos.
Prueba ruta y respuesta
Mide subagente, secuencia de acciones y resultado; rechaza mejoras de fluidez que no corrijan la decisión.
La descripción de campo ayuda, pero el planner observa una cadena mayor
El artículo de Joshua Birk sobre los metadatos como blueprint explica que Agentforce puede utilizar descripciones de objetos, campos, fórmulas y acciones para interpretar personalizaciones. La documentación actual muestra la otra mitad: el agente posee metadatos propios. Bot y BotVersion identifican agente y versión; GenAiPlannerBundle contiene subagentes y acciones; GenAiPlugin representa un subagente; GenAiFunction representa una acción; y las instrucciones del plugin orientan el comportamiento. La pregunta ‘¿qué descripción debemos mejorar?’ no puede terminar en Object Manager. Un campo bien documentado aún puede ser usado por la acción equivocada si dos subagentes se solapan o sus contratos son vagos.
Imagina un agente de renovación con Fecha de renovación, Fecha de finalización y Límite de cancelación. Una descripción útil no repite la etiqueta: indica el evento representado, el sistema responsable, la zona horaria o granularidad relevante y cuándo no debe usarse. La acción que consulta el contrato necesita entradas y salidas igual de precisas; el subagente debe definir qué solicitudes pertenecen a su trabajo. La revisión debe recorrer toda la cadena semántica: solicitud, subagente, acción, objeto, campo y respuesta. Allí se vuelven visibles las contradicciones.
Limpia según la frontera del agente y vuelve inaccesible el resto
La limpieza incremental controla el costo solo cuando el alcance es una frontera técnica y no una intención escrita en una presentación. El podcast advierte que un agente puede explorar registros relacionados cuando encuentra una conexión plausible. Por eso, el inventario debe partir de las acciones realmente disponibles, los campos que devuelven, los permisos de la identidad de ejecución y cada sistema externo que aporta contexto. Lo que no pertenece al caso debe retirarse de la superficie o bloquearse explícitamente, no dejarse sin documentar esperando que el modelo lo ignore.
La frontera también evita una limpieza destructiva. Renombrar API names, cambiar tipos o eliminar campos puede romper Flows, Apex, reglas, informes e integraciones. Mejorar descripción y help text suele añadir contexto sin cambiar contratos técnicos; en otros casos, la ambigüedad revela duplicidad que merece una refactorización controlada. El análisis de dependencias, el propietario del proceso, la validación en sandbox y el rollback determinan la decisión. La meta no es embellecer todos los metadatos para la IA, sino hacer inequívoco el conjunto accesible y preservar compatibilidad.
La prueba de la limpieza es un cambio medible de comportamiento
Agentforce Testing API separa verificaciones que permiten localizar la mejora. Una prueba de subagente compara la ruta elegida con el subagente esperado; una prueba de acción comprueba la secuencia de acciones; y una prueba de resultado compara semánticamente los valores esperado y real. También existen evaluaciones de coherencia, completitud, concisión, latencia y adherencia a instrucciones. Para metadatos, ruta y acción deben encabezar la evidencia. Una respuesta mejor escrita que sigue consultando el campo incorrecto es una regresión disfrazada de fluidez.
Captura la línea base antes de editar. Incluye sinónimos usados por personas, preguntas incompletas, campos con nombres parecidos, registros sin valores y casos donde el agente debe aclarar o rechazar. Ejecuta exactamente la misma suite después y revisa las conversaciones fallidas. La tasa de selección correcta de subagente y acción puede ser el indicador principal; el resultado semántico actúa como segunda capa. Escalaciones, retrabajo y corrección humana sirven después, cuando el volumen y la instrumentación permitan atribución responsable.
Los metadatos de IA deben entrar en el proceso normal de cambio
El riesgo reaparece en el siguiente sprint si las descripciones se tratan como una campaña previa al lanzamiento. El podcast recomienda actualizar los metadatos relacionados cuando cambia un objeto o Flow y exigir revisión para todo proceso nuevo con agentes. La orientación reciente de Salesforce sobre Center of Excellence amplía la idea con un responsable de cambios de esquema, un registro de deuda técnica, una línea base de calidad de datos y una política de gobierno de IA. La cadencia es continua y operacional, no un comité trimestral alejado de la entrega.
Un gate práctico pregunta si cambió el significado de algún campo, acción o salida; si se amplió la frontera de acceso; si descripciones e instrucciones siguen siendo coherentes; y si pasó la suite representativa. Guarda los metadatos del agente, las definiciones de prueba y el resultado aprobado junto con la versión promovida. La conclusión es menos vistosa que cambiar de modelo, pero más útil: Agentforce no absorbe por ósmosis las convenciones privadas de la empresa. Si el sistema no registra qué significa cada elemento y el pipeline no prueba ese significado, el agente seguirá rellenando vacíos con probabilidad.
