Service CloudでAIを活用して予測的なインサイトを得るには、まずEinsteinケース分類とEinsteinケースルーティング（総称してEinstein分類アプリ）を導入します。これらのアプリは、既存のケース履歴を利用し、過去にクローズされたケースのパターンに基づいて項目値（優先度、タイプ、製品など）を予測します。
これらのアプリを有効にする前に、Salesforce では、高品質で代表的なケースレコードを確保するために、データのレビューとクリーンアップを推奨しています。AI モデルの正確なトレーニングには、少なくとも 1,000 件のクローズ済みケースが必要です。
オプション A (Einstein 記事の推奨) はエー​​ジェントのナレッジをサポートしますが、ケース フィールドの値は予測しません。
オプション B (Einstein Service AI Grounding) は、分類ではなく、Agentforce の生成応答精度の一部です。
参照される Salesforce 資料:
* Service Cloud コンサルタント試験ガイド - Service Cloud ソリューション設計ドメイン。
* Salesforce ヘルプ:「Einstein ケース分類とルーティングを設定する」
* Salesforce Spring '24 リリース ノート - Einstein 分類アプリの機能強化。

Salesforce Agentforce Service Agent を使用すると、組織は Agentforce Data Library を使用して、信頼できる独自のデータソースに AI によるレスポンスを「グラウンディング」できます。Salesforce Knowledge に接続すると、Agentforce Data Library は AI が社内 Knowledge 記事から文脈的に関連性の高い情報を直接取得することを可能にします。これには、構造化フィールド（タイトル、概要、カテゴリなど）と非構造化テキスト（記事本文や添付ファイルなど）の両方が含まれます。
この基盤により、AI はグローバル モデル トレーニング データに依存するのではなく、検証済みのエンタープライズ データの参照に限定されるため、応答が正確で説明可能かつ信頼できるものになります。
オプション A は制限が多すぎるため、静的マッピング フィールドでは動的な理解や基礎が提供されません。
オプション C は不正解です。Salesforce の大規模言語モデル (LLM) では、顧客データを再構築するためにグローバル データセットが使用されず、代わりにコンテキストの正確性とデータ ガバナンスのためにデータ ライブラリを介したグラウンディング手法が使用されるためです。
参照される Salesforce 資料:
* Salesforce Spring '24 リリース ノート - Agentforce データ クラウド統合およびデータ ライブラリの機能強化 (正確性のためのデータ グラウンディングを導入)。
* Service Cloud コンサルタント試験ガイド - インタラクション チャネル ドメイン (Service Cloud の AI と生成ツールについて説明しています)。
* Salesforce ヘルプ: 「データ ライブラリとナレッジを使用して Agentforce の応答を基盤化する」(信頼できる出力のための AI 基盤化の詳細)。

コンタクトセンターのエージェントが外部請求システムから顧客の支払い履歴にアクセスできるようにするには、Salesforce Connect を外部オブジェクトと連携するように設定することをお勧めします。このソリューションにより、Salesforce 内で請求データにリアルタイムで直接アクセスできるようになり、外部システムへの直接アクセスが不要になり、エージェントが請求関連の問い合わせに対応するプロセスが効率化されます。