Salesforce đã đầu tư mạnh vào AI nội bộ. Agentforce, Einstein và Data Cloud hiện đã phủ sóng rộng rãi các use case bán hàng, chăm sóc khách hàng và marketing. Nhưng khi khối lượng công việc AI chuyển từ giai đoạn thử nghiệm sang production, nhiều doanh nghiệp vấp phải cùng một rào cản: họ cần kiểm soát tốt hơn việc lựa chọn mô hình, hạ tầng, nơi lưu trữ dữ liệu, quy trình chuyên biệt và chi phí AI — nhiều hơn những gì một giải pháp do nền tảng quản lý có thể mang lại.
Tích hợp AI vào Salesforce có thể kết nối dữ liệu và quy trình của Salesforce với các khả năng AI bên trong hoặc bên ngoài hệ sinh thái Salesforce. Bài viết này tập trung vào phía tùy chỉnh và lai — mở rộng nền tảng SFDC với AI agent bên ngoài, LLM open-weight hoặc tự host, và pipeline RAG riêng tư chạy trên AWS hoặc GCP, đồng thời duy trì đồng bộ dữ liệu CRM gần thời gian thực một cách có kiểm soát.
Đây không phải là sản phẩm thay thế Agentforce. Agentforce hỗ trợ mang theo mô hình của riêng bạn và phù hợp với nhiều use case nội bộ. Kiến trúc tùy chỉnh hoặc lai bổ sung cho Agentforce khi doanh nghiệp cần RAG riêng tư, suy luận tự host, quy trình chuyên biệt, hoặc kiểm soát chặt chẽ hơn hạ tầng và chi phí. Các kỹ sư Salesforce Certified và kỹ sư AI của HDWEBSOFT làm việc cùng nhau để thiết kế và triển khai các tích hợp này từ đầu đến cuối.
Điểm chính cần ghi nhớ
- Tích hợp AI vào Salesforce có thể sử dụng AI bên trong hoặc bên ngoài hệ sinh thái Salesforce; bài viết này tập trung vào kiến trúc tùy chỉnh và lai với agent ngoài, LLM và RAG riêng tư.
- Agentforce-first phù hợp với nhiều use case nội bộ; kiến trúc tùy chỉnh và lai bổ trợ khi doanh nghiệp cần linh hoạt mô hình, kiểm soát hạ tầng, nơi lưu trữ dữ liệu hoặc quy trình chuyên biệt.
- Một kiến trúc điển hình điều hướng dữ liệu Salesforce qua API gateway hoặc middleware tới một stack AI ngoài trên AWS hoặc GCP, với đồng bộ CRM gần thời gian thực qua Platform Events, Change Data Capture và Pub/Sub API.
- Kiến trúc RAG riêng tư giữ tài liệu CRM, embedding và hạ tầng truy xuất trong môi trường do doanh nghiệp kiểm soát; kết hợp với suy luận tự host, nó giảm nhu cầu gửi ngữ cảnh nhạy cảm tới API LLM của bên thứ ba.
- Các kỹ sư Salesforce Certified và kỹ sư AI của HDWEBSOFT thiết kế và triển khai toàn bộ stack — kiến trúc API, đồng bộ dữ liệu, LLM và RAG, hạ tầng cloud và tăng cường bảo mật.
Tích hợp AI vào Salesforce là gì?
Tích hợp AI vào Salesforce kết nối dữ liệu và quy trình của Salesforce với các khả năng AI — có thể bên trong hệ sinh thái Salesforce (Agentforce, Einstein, Data Cloud) hoặc bên ngoài, thông qua kiến trúc tùy chỉnh hoặc lai với AI agent ngoài, LLM open-weight hoặc tự host, và pipeline RAG riêng tư.
AI Salesforce nội bộ được tối ưu cho các quy trình phù hợp với mô hình dữ liệu của nền tảng. Tích hợp AI bên ngoài là giải pháp doanh nghiệp tìm đến khi một use case cần điều mà nền tảng không cung cấp sẵn: một mô hình open-weight cụ thể, một pipeline truy xuất riêng tư, suy luận trong một khu vực được kiểm soát, hoặc một quy trình chuyên biệt trải dài trên nhiều hệ thống.
Tích hợp AI agent tùy chỉnh là một pattern phổ biến — các agent gọi LLM bên ngoài, truy xuất ngữ cảnh từ một vector store riêng tư, và ghi kết quả trở lại Salesforce, trong khi vẫn hiển thị bên trong giao diện Salesforce. Suy luận và truy xuất diễn ra trong hạ tầng do doanh nghiệp kiểm soát.
Cách hiểu cốt lõi: nội bộ và tùy chỉnh không loại trừ nhau. Hầu hết các doanh nghiệp trưởng thành chạy mô hình lai — Agentforce cho use case nội bộ, kiến trúc tùy chỉnh hoặc lai cho khối lượng công việc cần kiểm soát nhiều hơn.
Agentforce-First so với AI Salesforce tùy chỉnh/lai: Mỗi loại phù hợp ở đâu
Agentforce không phải là một hệ thống đóng. Salesforce hỗ trợ mang theo mô hình của riêng bạn, và Agentforce có thể gọi endpoint ngoài trong một số cấu hình. Nền tảng cũng đã mở rộng nhanh chóng: ARR của Agentforce vượt 1,5 tỷ USD trong Q2 FY2027, tăng hơn 240% so với cùng kỳ năm trước. Động lực đó phản ánh nhu cầu thực tế về AI nội bộ, do nền tảng quản lý, trong bán hàng và chăm sóc khách hàng.
Câu hỏi không phải là “Agentforce hay tùy chỉnh?” mà là “Agentforce-first phù hợp ở đâu, và kiến trúc tùy chỉnh hoặc lai thêm giá trị gì bên trên đó?” Hai cách tiếp cận bổ trợ cho nhau trong hầu hết các stack doanh nghiệp trưởng thành.
| Tiêu chí | Agentforce-First | Tùy chỉnh / Lai |
|---|---|---|
| Tốc độ thiết lập | Nhanh, wizard nội bộ và trình dựng low-code | Chậm hơn, cần thiết kế kiến trúc và công việc tích hợp |
| Quy trình nội bộ Salesforce | Tích hợp sâu vào Sales Cloud, Service Cloud, Data Cloud | Cần lớp tích hợp để hiển thị trong giao diện Salesforce |
| Linh hoạt mô hình | Hỗ trợ mang theo mô hình, trong giới hạn nền tảng | Toàn quyền chọn open-weight, tự host hoặc dịch vụ mô hình managed |
| Kiểm soát hạ tầng | Do Salesforce quản lý | Do doanh nghiệp kiểm soát trên AWS, GCP hoặc private cloud |
| Nơi lưu trữ dữ liệu | Tùy thuộc vào khu vực Salesforce và triển khai Data Cloud | Doanh nghiệp kiểm soát theo khu vực, cloud hoặc on-prem cụ thể |
| Độ sâu tùy chỉnh | Bị giới hạn bởi khả năng và guardrail của nền tảng | Không giới hạn kiến trúc; RAG tùy chỉnh, điều hướng và quy trình riêng |
| Mô hình chi phí | Theo ghế cộng theo mức tiêu thụ (Agentic Work Units) | Chi phí hạ tầng và suy luận, tự quản lý và tối ưu |
| Gánh nặng vận hành | Thấp, Salesforce vận hành nền tảng | Cao hơn, cần DevOps, MLOps và observability |
Pattern hiệu quả trong thực tế: bắt đầu với Agentforce-first khi AI do nền tảng quản lý đã đủ. Thêm kiến trúc tùy chỉnh hoặc lai cho khối lượng công việc vấp phải giới hạn — một mô hình nền tảng không hỗ trợ, một quy tắc nơi lưu trữ dữ liệu nền tảng không đáp ứng được, một pipeline truy xuất phải giữ riêng tư, hoặc một hồ sơ chi phí mà giá theo mức tiêu thụ của nền tảng không phù hợp.
Kiến trúc cốt lõi: Kết nối Salesforce với AI bên ngoài
Một tích hợp AI Salesforce tùy chỉnh hoặc lai có ba lớp: lớp API và tích hợp, lớp đồng bộ dữ liệu CRM, và stack AI ngoài nơi suy luận và truy xuất diễn ra.
Lớp API và tích hợp
Salesforce cung cấp một số cơ chế tích hợp:
- Apex callout với Named hoặc External Credentials — cuộc gọi đồng bộ ra ngoài từ Salesforce tới một endpoint AI ngoài. External Credentials là giải pháp hiện đại thay thế cho Named Credentials cũ, xử lý secret bên ngoài code Apex.
- REST và SOAP API — dành cho hệ thống ngoài đọc từ hoặc ghi trở lại Salesforce, thường khi một AI agent cập nhật bản ghi, tạo task hoặc kéo ngữ cảnh.
- Platform Events, Change Data Capture và Pub/Sub API — đồng bộ sự kiện, gần thời gian thực. Salesforce publish event khi bản ghi thay đổi; subscriber nhận và xử lý.
- Salesforce Connect — ảo hóa dữ liệu ngoài, cho phép Salesforce hiển thị dữ liệu bên ngoài nền tảng mà không cần sao chép vào. Hữu ích cho tra cứu, nhưng không phải cơ chế API AI chính.
Đối với pipeline trên AWS, tích hợp Salesforce có thể dùng Salesforce Event Relay để stream Platform Events trực tiếp vào Amazon EventBridge, nơi điều hướng chúng tới Lambda, SQS hoặc các dịch vụ AWS khác mà không cần polling tùy chỉnh.
Một pattern production phổ biến đặt một API gateway — AWS API Gateway, Apigee hoặc tương đương — giữa Salesforce và stack AI ngoài, xử lý xác thực, giới hạn tỷ lệ, kiểm tra hợp lệ và logging, để các dịch vụ AI phía sau được bảo vệ và có thể quan sát được.
Đồng bộ dữ liệu CRM
Stack AI ngoài cần dữ liệu CRM hiện hành. Đồng bộ gần thời gian thực là mục tiêu, nhưng độ chính xác rất quan trọng.
Change Data Capture và Platform Events không đẩy dữ liệu trực tiếp vào S3, BigQuery hoặc Snowflake. Chúng publish event tới một subscriber. Một middleware hoặc stream processor — trên AWS Lambda, EventBridge, Kafka hoặc tương đương — tiêu thụ các event đó và cập nhật kho dữ liệu ngoài. Stack AI đọc từ kho đó, không phải trực tiếp từ Salesforce.
Hai pattern phủ sóng hầu hết use case:
- Đồng bộ sự kiện gần thời gian thực — Platform Events hoặc CDC publish thay đổi, stream processor cập nhật kho ngoài trong vài giây. Phù hợp với quy trình hỗ trợ agent và chăm sóc khách hàng khi độ mới quan trọng.
- Đồng bộ theo lô (batch) — các job lập lịch kéo tập dữ liệu lớn cho RAG ingestion, tạo lại embedding hoặc fine-tune. Phù hợp khi làm mới định kỳ là đủ.
Trước khi bất kỳ luồng đồng bộ nào chạy, chất lượng dữ liệu rất quan trọng. Áp dụng thực tiễn tốt nhất về quản lý dữ liệu Salesforce — trường sạch, đặt tên nhất quán, khử trùng lặp, quyền sở hữu rõ ràng — tránh để dữ liệu rác làm suy giảm chất lượng truy xuất và suy luận.
Stack AI ngoài trên AWS hoặc GCP
Stack AI ngoài là nơi lựa chọn mô hình và kiểm soát hạ tầng trở nên thực tế. Doanh nghiệp thường triển khai:
- LLM open-weight hoặc tự host — Llama, Mistral hoặc Qwen trên Amazon SageMaker, Google Vertex AI, Kubernetes hoặc hạ tầng suy luận chuyên dụng. Tự host cho phép kiểm soát mô hình, khu vực và pipeline suy luận, nhưng đi kèm chi phí vận hành và lập kế hoạch năng lực GPU.
- Dịch vụ mô hình managed — Amazon Bedrock và Vertex AI cung cấp truy cập managed tới nhiều mô hình mà không cần tự host. Đây là dịch vụ managed, không phải hạ tầng tự host.
- Điều hướng đa mô hình — một gateway đặt trước các mô hình, điều hướng mỗi yêu cầu tới mô hình phù hợp dựa trên tác vụ, chi phí, độ trễ hoặc chất lượng.
Lựa chọn giữa tự host và managed không phải lúc nào cũng vì chi phí. Tự host không tự động rẻ hơn API — mức sử dụng GPU, chi phí kỹ thuật và gánh nặng vận hành có thể xóa sạch khoản tiết kiệm trên mỗi token. Lý do thực sự để tự host là kiểm soát hạ tầng, tuân thủ, triển khai riêng tư và các mô hình fine-tune chuyên biệt mà dịch vụ managed không cung cấp.
Kiến trúc RAG riêng tư
Kiến trúc RAG riêng tư giữ tài liệu CRM, embedding và hạ tầng truy xuất trong môi trường do doanh nghiệp kiểm soát. Kết hợp với suy luận riêng tư hoặc tự host, nó có thể giảm thêm nhu cầu gửi ngữ cảnh nhạy cảm tới API LLM của bên thứ ba.
Các thành phần điển hình:
- Nạp tài liệu — hợp đồng, ticket, bài viết trong cơ sở tri thức và ghi chú CRM được đưa vào một pipeline xử lý.
- Mô hình embedding — chuyển tài liệu thành biểu diễn vector, chạy trong hạ tầng riêng của doanh nghiệp.
- Vector store — cho hạ tầng riêng tư, OpenSearch, pgvector hoặc một vector database tự quản chạy trong tài khoản cloud hoặc on-prem của doanh nghiệp.
- Truy xuất và sinh — tại thời điểm truy vấn, hệ thống truy xuất ngữ cảnh từ vector store và truyền cho LLM. Nếu LLM cũng tự host, toàn bộ đường đi nằm trong tầm kiểm soát của doanh nghiệp.
Giá trị không chỉ là quyền riêng tư. Kiến trúc RAG riêng tư còn cho phép kiểm soát chất lượng truy xuất — tinh chỉnh chunking, embedding và reranking mà không phải phụ thuộc vào một “hộp đen” do nền tảng quản lý.
Khi nào doanh nghiệp cần AI Salesforce tùy chỉnh (Use case)
Các use case thúc đẩy doanh nghiệp hướng tới kiến trúc tùy chỉnh hoặc lai:
- RAG riêng tư trên tài liệu nhạy cảm — hợp đồng, thư từ pháp lý, ticket hỗ trợ và cơ sở tri thức không nên rời khỏi môi trường do doanh nghiệp kiểm soát. Pipeline RAG riêng tư cho phép agent truy xuất câu trả lời mà không cần gửi tài liệu gốc tới API LLM của bên thứ ba.
- LLM open-weight hoặc tự host để kiểm soát hạ tầng, chi phí workload, tuân thủ hoặc triển khai riêng tư — khi doanh nghiệp cần một mô hình cụ thể tại một khu vực cụ thể, một yêu cầu tuân thủ mà dịch vụ managed không đáp ứng được, hoặc một mô hình fine-tune không có qua bất kỳ API nào. Tự host là một đánh đổi, không phải là khoản tiết kiệm chi phí mặc định.
- Quy trình AI chuyên biệt — pipeline theo ngành trong BFSI, y tế, logistics hoặc bất động sản kết hợp truy xuất, phân loại và sinh theo cách nền tảng không hỗ trợ sẵn.
- Nơi lưu trữ dữ liệu — suy luận và truy xuất phải diễn ra trong một quốc gia hoặc khu vực cụ thể. Kiến trúc tùy chỉnh ghim toàn bộ stack AI vào khu vực đó.
- Điều hướng đa mô hình — kết hợp nhiều LLM sau một gateway, điều hướng mỗi yêu cầu tới mô hình phù hợp nhất với tác vụ, chi phí và hồ sơ độ trễ.
- Bổ trợ Agentforce — cho khối lượng công việc nơi Agentforce-first chưa đủ, một lớp tùy chỉnh hoặc lai mở rộng Salesforce mà không cần thay thế toàn bộ stack AI nội bộ.
Bảo mật, Quản trị và Các yếu tố chi phí
Tích hợp AI Salesforce tùy chỉnh mở rộng bề mặt tấn công và gánh nặng quản trị. Mô hình bảo mật cần phủ mọi lớp mà dữ liệu đi qua.
Về phía Salesforce:
- External Credentials — lưu secret xác thực bên ngoài code Apex, với named principal và permission set kiểm soát truy cập tới endpoint AI ngoài.
- Truy cập tối thiểu quyền (least-privilege) — integration user và service account chỉ nhận quyền object và trường tối thiểu cần thiết, không hơn.
- Quyền cấp trường và cấp object — thực thi tại lớp tích hợp để stack AI ngoài chỉ nhận các trường cần thiết.
- Phân loại và làm mờ dữ liệu — phân loại trường theo độ nhạy cảm và làm mờ hoặc che giấu PII trước khi rời khỏi Salesforce.
- Mã hóa — trong quá trình truyền (TLS) và khi lưu, ở cả hai phía.
Về phía stack AI ngoài: mã hóa khi lưu cho vector store, kiểm soát truy cập trên endpoint suy luận, và cô lập mạng giữa stack AI và các workload khác. Áp dụng các thực tiễn bảo mật LLM cho agentic AI — phòng vệ prompt injection, kiểm tra hợp lệ đầu ra, guardrail sử dụng tool — khép kín vòng rủi ro đặc thù AI.
Quản trị là mảng mà hầu hết doanh nghiệp vẫn đang bắt kịp. Theo báo cáo State of AI in the Enterprise 2026 của Deloitte, chỉ khoảng một trong năm công ty (21%) có mô hình quản trị trưởng thành cho AI agent tự chủ — khoảng 80% thiếu quản trị trưởng thành. Đối với tích hợp AI Salesforce tùy chỉnh, quản trị nghĩa là xác định nơi con người duy trì quyền kiểm soát, cách quyết định tự động được audit, bản ghi nào được lưu giữ, và cách escalation điều hướng trở lại một người.
Logging và audit trail là không thể thương lượng — mỗi cuộc gọi, truy xuất, suy luận và ghi trở lại nên được log với đủ ngữ cảnh để tái dựng được chuyện gì đã xảy ra và tại sao.
Về chi phí, kiến trúc tùy chỉnh cung cấp cho doanh nghiệp các đòn bẩy để tối ưu — theo dõi token, semantic caching, điều hướng mô hình, chọn kích cỡ phù hợp — nhưng cũng đồng nghĩa với việc tự chịu hóa đơn cho hạ tầng, suy luận và vận hành. Đánh đổi là kiểm soát đối với gánh nặng vận hành, được thực hiện một cách có chủ đích.
Xây dựng tích hợp AI Salesforce tùy chỉnh
HDWEBSOFT tiếp cận tích hợp AI Salesforce như một nỗ lực chung giữa các kỹ sư Salesforce Certified và kỹ sư AI. Phía Salesforce xử lý mô hình dữ liệu CRM, pattern tích hợp, bảo mật và quy trình nội bộ nền tảng; phía AI xử lý stack LLM ngoài, pipeline RAG và hạ tầng cloud.
Quy trình làm việc điển hình đi qua:
- Khám phá và kiến trúc — lập bản đồ use case, luồng dữ liệu, ràng buộc bảo mật và nơi lưu trữ, và quyết định nơi Agentforce-first phù hợp cũng như nơi cần lớp tùy chỉnh hoặc lai.
- Lớp API và tích hợp — thiết kế Apex callout, External Credentials, stream Platform Events hoặc CDC, và API gateway giữa Salesforce và stack AI ngoài.
- Đồng bộ dữ liệu CRM — dựng stream processor và cập nhật kho dữ liệu ngoài, với kiểm tra chất lượng dữ liệu trước khi đồng bộ chạy.
- LLM và RAG ngoài — triển khai serving mô hình, vector store, pipeline embedding và logic truy xuất trên AWS hoặc GCP.
- Hạ tầng cloud và bảo mật — cấp phát compute, mạng và lưu trữ với mã hóa, least-privilege, làm mờ, logging và các kiểm soát bảo mật đặc thù LLM được tích hợp sẵn.
- Giám sát và vận hành — observability cho suy luận, truy xuất, chi phí và quản trị, để hệ thống giữ ổn định và có thể audit trong production.
Dịch vụ tích hợp AI của HDWEBSOFT phủ toàn bộ stack, và đội ngũ làm việc như một đối tác giao phó dài hạn thay vì chỉ là nhà cung cấp triển khai một lần.
Nếu bạn đang đánh giá việc có nên mở rộng Salesforce vượt ngoài Agentforce hay không, bước tiếp theo hữu ích nhất là một cuộc kiểm toán tập trung vào dữ liệu CRM hiện tại, use case và các ràng buộc của bạn — lập bản đồ nơi AI nội bộ phù hợp và nơi kiến trúc tùy chỉnh hoặc lai thêm giá trị thực.
Kết luận
Agentforce đã đưa AI nội bộ trong Salesforce trở thành lựa chọn mặc định mạnh mẽ cho nhiều use case bán hàng và chăm sóc khách hàng. Nhưng những doanh nghiệp cần RAG riêng tư, LLM open-weight hoặc tự host, quy trình chuyên biệt, nơi lưu trữ dữ liệu nghiêm ngặt, hoặc kiểm soát chặt chẽ hơn chi phí suy luận thường cần một kiến trúc tùy chỉnh hoặc lai đặt bên trên.
Cách tiếp cận đúng hiếm khi là “hoặc-or”. Agentforce-first phủ phía nội bộ; tích hợp AI Salesforce tùy chỉnh hoặc lai mở rộng nền tảng với agent ngoài, LLM và RAG riêng tư trên AWS hoặc GCP, với đồng bộ CRM gần thời gian thực và hạ tầng do doanh nghiệp kiểm soát. Công việc kỹ thuật là thực tế — kiến trúc API, đồng bộ dữ liệu, bảo mật, quản trị và vận hành đều cần được làm đúng — nhưng khả năng kiểm soát mà nó trả lại cho doanh nghiệp chính là lý do các đội ngũ chọn con đường đó.
Nếu bạn muốn khám phá cách một tích hợp AI Salesforce tùy chỉnh phù hợp với stack của mình, các kỹ sư Salesforce Certified và kỹ sư AI của HDWEBSOFT có thể giúp. Đặt lịch kiểm toán tùy chỉnh AI Salesforce để bắt đầu.
FAQ
Tích hợp AI vào Salesforce là gì?
Tích hợp AI vào Salesforce là việc kết nối dữ liệu và quy trình của Salesforce với các khả năng AI — có thể là giải pháp nội bộ trong hệ sinh thái Salesforce như Agentforce và Einstein, hoặc giải pháp bên ngoài như AI agent tùy chỉnh, LLM open-weight hoặc tự host, và pipeline RAG riêng tư chạy trên AWS hoặc GCP. Kiến trúc tùy chỉnh hoặc lai bổ sung cho Agentforce khi doanh nghiệp cần kiểm soát tốt hơn việc lựa chọn mô hình, hạ tầng, nơi lưu trữ dữ liệu, quy trình chuyên biệt hoặc chi phí AI.
AI Salesforce tùy chỉnh có thay thế Agentforce không?
Không. AI Salesforce tùy chỉnh hoặc lai không phải là sản phẩm thay thế Agentforce. Agentforce hỗ trợ mang theo mô hình của riêng bạn (bring-your-own models) và phù hợp với nhiều use case bán hàng và chăm sóc khách hàng nội bộ. Kiến trúc tùy chỉnh và lai bổ sung cho Agentforce bằng cách mở rộng Salesforce với RAG riêng tư, LLM open-weight hoặc tự host, quy trình AI chuyên biệt và hạ tầng do doanh nghiệp kiểm soát khi các khả năng sẵn có không đủ đáp ứng.
Salesforce kết nối với LLM và RAG bên ngoài như thế nào?
Salesforce kết nối với LLM và RAG bên ngoài thông qua một số cơ chế: Apex callout với Named hoặc External Credentials cho các cuộc gọi đồng bộ ra ngoài, REST và SOAP API cho hệ thống ngoài truy cập Salesforce, Platform Events và Change Data Capture với Pub/Sub API để đồng bộ sự kiện gần thời gian thực, và Salesforce Event Relay tới Amazon EventBridge cho pipeline trên AWS. Sau đó, một lớp middleware hoặc stream processor sẽ cập nhật kho dữ liệu ngoài và điều hướng yêu cầu tới stack AI ngoài.
Khi nào doanh nghiệp nên chọn AI Salesforce tùy chỉnh thay vì Agentforce?
Doanh nghiệp nên cân nhắc kiến trúc AI Salesforce tùy chỉnh hoặc lai khi cần RAG riêng tư trên tài liệu nhạy cảm, LLM open-weight hoặc tự host để kiểm soát hạ tầng hoặc tuân thủ quy định, quy trình AI chuyên biệt theo ngành, yêu cầu nghiêm ngặt về nơi lưu trữ dữ liệu, điều hướng đa mô hình, hoặc kiểm soát chặt chẽ hơn chi phí suy luận. Agentforce-first vẫn phù hợp với nhiều use case bán hàng và chăm sóc khách hàng nội bộ khi AI do nền tảng quản lý đã đủ đáp ứng.
Tích hợp AI Salesforce tùy chỉnh cho phép kiểm soát dữ liệu và chi phí ở mức nào?
Kiến trúc tùy chỉnh hoặc lai cho phép doanh nghiệp kiểm soát nơi lưu trữ tài liệu CRM, embedding và hạ tầng truy xuất, mô hình nào được chạy và suy luận diễn ra ở đâu, cách dữ liệu được phân loại và làm mờ trước khi tới bất kỳ thành phần AI nào, và cách chi phí suy luận được theo dõi và tối ưu thông qua caching, điều hướng và chọn mô hình phù hợp. Khả năng kiểm soát này là lý do chính khiến doanh nghiệp áp dụng AI Salesforce tùy chỉnh song song với Agentforce thay vì chỉ dựa vào AI do nền tảng quản lý.
