Article Answers Agent para Service Cloud.
El artículo correcto, en el momento exacto. Con citación, con excerpt, sin buscar.
El agente de Agentforce que aplica RAG sobre tu Knowledge Base para surfacear el artículo más relevante con excerpt y citación. Para contact centers con KB amplio (+500 artículos) donde los agentes humanos pierden tiempo buscando o reinventan respuestas.
¿Qué hace Article Answers Agent?
Article Answers Agent es un agente autónomo de Agentforce que aplica RAG (Retrieval-Augmented Generation) sobre tu Knowledge Base en Lightning Knowledge. Cuando un agente humano recibe una consulta — o un cliente escribe en un canal digital — el agente vectoriza la pregunta, busca en los embeddings de Data Cloud, rankea por relevancia y entrega el artículo correcto con excerpt y citación. El resultado: de 2-5 minutos buscando a milisegundos.
Cómo funciona paso a paso
Del query a la respuesta citada. 6 pasos, milisegundos de ejecución.
Query llega al agente
Pregunta del agente humano en Console o del cliente en canal digital.
Búsqueda semántica
El query se vectoriza y se compara contra los embeddings de Knowledge en Data Cloud.
Ranking de relevancia
Top 3-5 artículos rankeados por similarity score. Filtrados por canal (público vs interno) e idioma.
Extracción de excerpt
Del artículo más relevante, extrae el párrafo que responde la pregunta específica.
Respuesta con citación
Entrega respuesta redactada + link al artículo + excerpt citado.
Feedback loop
Si el humano elige otro artículo o marca "no relevante", el modelo aprende.
Ejemplo de interacción real
[Cliente en chat]
[Article Answers surfacea]
Artículo: "Activar roaming en línea pospago" (KB #5678)
Excerpt: "Para activar roaming, ingresá a Mi Cuenta > Servicios > Roaming Internacional. Seleccioná el plan de roaming y confirmá. La activación es inmediata y podés usarlo en +180 países."
Arquitectura del agente
Los cuatro pilares que hacen funcionar a Article Answers Agent dentro de tu org de Salesforce.
Data
Fuentes de grounding
- Knowledge Articles (Lightning Knowledge)
- Knowledge Embeddings en Data Cloud (KnowledgeEmbedding__dlm)
- Case context (Subject, Description, historial)
- Account 360 (productos, idioma, canal)
Actions
Lo que el agente ejecuta
- Vectorizar query
- Buscar embeddings
- Rankear artículos por similarity
- Extraer excerpt relevante
- Componer respuesta con citación
- Registrar feedback de uso
Guardrails
Controles de confianza
- Trust Layer PII masking
- Grounding obligatorio (sin artículo no hay respuesta)
- Filtro por canal y permisos (público vs agent-only)
- Audit trail de cada surfaceo
- Refresh policy del vector index
Channels
Dónde opera el agente
- Service Console (panel de Knowledge)
- Embedded Messaging (customer-facing)
- Email (respuesta sugerida)
- WhatsApp (extracto en canal)
Implementación en 5 fases
De discovery a producción. Article Answers Agent requiere Knowledge audit y embeddings: 7 a 8+ semanas.
Discovery y Knowledge audit
Evaluar cobertura, calidad, taxonomía y gaps del KB.
Data readiness
Limpiar artículos, configurar embeddings en Data Cloud, definir refresh policy.
Agent build
Configurar búsqueda semántica, prompts de extracción, citación, filtros por canal/idioma.
Testing y piloto
Test con queries históricas, piloto con 5-10 agentes, medir hit rate y relevancia.
Go-live y tuning
Rollout, feedback loop activo, refresh de embeddings, expansión de cobertura.
Equipo típico de implementación
Requisitos para arrancar
Lo que necesitás tener listo antes de poner Article Answers Agent en producción.
Datos mínimos
- Knowledge base con ≥200 artículos publicados
- Artículos con taxonomía y tags
- Data Cloud con embeddings configurados
- Refresh policy del vector index definida
Licencias
- Service Cloud Enterprise+
- Agentforce for Service
- Data Cloud (obligatorio para embeddings)
- Lightning Knowledge (incluido)
Integraciones
- Data Cloud Vector Search
- Knowledge Search API
- Service Console (componente nativo)
- Embedded Messaging (si customer-facing)
Org readiness
- Knowledge owner activo
- Ciclo de revisión trimestral de artículos
- Plan de cierre de gaps de contenido
- Sandbox disponible
KPIs: antes y después
Tenemos casos en este agente — hablemos para compartir los relevantes a tu industria.
| Métrica | Antes (manual) | Después (agente) | Cambio |
|---|---|---|---|
| Time-to-answer | 2-5 min buscando | Milisegundos | -95% |
| Cobertura del KB usado | 30% de artículos | 70% de artículos | +40 ppt |
| Deflection rate (customer-facing) | Baseline | +15-25 ppt | +15-25 ppt |
| Artículos surfaceados/día | Bajo | 3-5× | +3-5× |
| Reinvención de respuestas | Alta | Baja | Significativa |
| Time-to-value post go-live | N/A | 2-3 semanas | Rápido |
Riesgos comunes y cómo los mitigamos
Knowledge Base obsoleto
Artículos viejos generan respuestas incorrectas.
Mitigación: Refresh policy con alertas automáticas sobre artículos >6 meses sin review, owner de Knowledge activo.
Embeddings desactualizados
Vector index no refleja los últimos artículos.
Mitigación: Refresh automático del vector index en cada publicación, monitoring de freshness.
Queries multilingües con cobertura desigual
KB en español tiene 300 artículos, en portugués 50.
Mitigación: Plan de traducción priorizado, detection de idioma con fallback.
Relevancia baja en queries ambiguos
Query genérica surfacea artículo incorrecto.
Mitigación: Threshold de similarity, opción de "no encontré match", feedback loop activo.
Sub-utilización por desconfianza
Agentes humanos no confían en las sugerencias.
Mitigación: Piloto con champions, métricas de hit rate visibles, training con casos reales.
Preguntas Frecuentes
Sí. La búsqueda tradicional de Knowledge usa keyword matching. Article Answers usa búsqueda semántica vectorial: entiende la intención, no solo las palabras. Encuentra artículos relevantes aunque el cliente use términos distintos a los del artículo.
Sí, para este agente Data Cloud es obligatorio. Los embeddings de Knowledge se almacenan y se buscan en Data Cloud. Sin embeddings, la búsqueda semántica no funciona.
Sí. Puede operar en dos modos: assist al agente humano (en Service Console) o customer-facing (en Embedded Messaging o portal). En modo customer-facing, actúa como FAQ inteligente con deflection.
Mínimo 200 artículos publicados para que la búsqueda semántica sea útil. Con menos, el hit rate es bajo. La calidad importa más que la cantidad: 200 artículos bien escritos rinden mejor que 800 desactualizados.
Si tus artículos están en Confluence, SharePoint o Notion, primero hay que migrarlos a Lightning Knowledge. La migración típica toma 4-8 semanas para 200-400 artículos. Una vez en Knowledge, el agente los indexa automáticamente.
Tu Knowledge Base, trabajando para vos.
Hablá con un Service Architect de Solu. Te mostramos cómo Article Answers surfacea lo que tu equipo no encuentra.