A Salesforce fez algo raro para uma fabricante de software: publicou uma retrospectiva honesta do agente de IA que ela mesma coloca para rodar no próprio site. O número que abre a conversa impressiona — mais de 185 mil conversas atendidas e cerca de 30 mil leads influenciados —, mas o aprendizado mais valioso não está no volume. Está em uma frase incômoda para quem vende modelo: o que separou o agente que enrolava do agente que converte não foi o modelo, nem o prompt. Foi o dado — de onde ele vem, como é mantido e o quão bem está integrado ao resto da operação.
Se você já colocou (ou está prestes a colocar) um agente de IA no atendimento ou no site, esta é provavelmente a leitura mais útil que vai encontrar sobre o assunto em 2026. Porque ela desmonta a ilusão mais cara desse tipo de projeto: a de que basta escrever uma boa base de conhecimento para o agente e ligar o botão.
O que a Salesforce revelou: 185 mil conversas e 30 mil leads com um agente no próprio site
O ponto de partida é o Agentforce operando na experiência web da própria Salesforce — um agente de IA que atende visitantes, responde dúvidas sobre produto e, cada vez mais, guia o usuário pelos próximos passos. Segundo a retrospectiva, esse agente já acumulou mais de 185 mil conversas e teve papel em torno de 30 mil leads influenciados no site.
Números como esses costumam virar case de marketing, mas o valor real está no que a empresa admitiu ter errado no caminho. Rodar um agente em escala de centenas de milhares de conversas expõe rapidamente qualquer fragilidade de fundação: onde o agente não sabe responder, onde ele responde errado, onde ele responde certo mas não leva a lugar nenhum. E foi exatamente esse volume que forçou a Salesforce a repensar a peça mais básica do projeto — o grounding.
O erro do começo: base de conhecimento escrita só pro agente (e por que não escalou)
No começo, a abordagem foi a intuitiva — a mesma que quase todo time adota quando parte para um agente de IA: criar uma base de conhecimento dedicada, com artigos escritos especificamente para alimentar o agente. Faz sentido no papel. Você controla exatamente o que ele lê, escreve tudo no tom certo e imagina que assim garante respostas precisas.
Na prática, essa base paralela virou um problema. A retrospectiva aponta três razões pelas quais ela não escalou:
- Era difícil de manter. Cada mudança de produto, preço, política ou posicionamento exigia reescrever artigos em um lugar separado — que não fazia parte do fluxo normal de trabalho de ninguém.
- Não cobria a amplitude do que o agente precisava. Um agente de site é perguntado sobre tudo: recurso, integração, caso de uso, comparação, preço. Uma base escrita à mão sempre fica atrás dessa superfície.
- Não tinha processo formal de atualização. Sem dono e sem ritual de manutenção, a base envelhecia — e um agente que responde com informação velha é pior do que um agente que não responde.
O padrão é universal: a base paralela nasce organizada e vira dívida. Ela compete com as fontes de verdade que a empresa já mantém, e perde — porque ninguém tem fôlego para manter duas versões da mesma informação sincronizadas para sempre.
A virada: apontar o agente pro conteúdo que já existe (catálogo, site, cases) via Data Cloud
A correção foi elegante justamente porque foi menos trabalho, não mais. Em vez de continuar alimentando uma base feita só para o agente, a Salesforce apontou o Agentforce para três streams de conteúdo que já existiam e já eram mantidos por times reais:
- o catálogo de produto — a fonte de verdade sobre o que existe, o que faz e quanto custa;
- o conteúdo do site — páginas, materiais e explicações que o marketing já produz e atualiza;
- o catálogo de cases — as provas sociais que o time comercial já cataloga.
Esses três streams foram ingeridos e mapeados no Data Cloud, que passou a funcionar como a camada que alimenta o agente com dado unificado e atualizado. O ganho não é só qualidade de resposta: é sustentabilidade. Quando o marketing atualiza uma página ou o comercial cadastra um novo case, o agente melhora sozinho — sem que ninguém precise reescrever um artigo paralelo. A manutenção deixa de ser uma tarefa extra e passa a ser um efeito colateral do trabalho que a empresa já faz.
Grounding × prompt × modelo: o que realmente decide a qualidade da resposta
Aqui está a tese que vale para qualquer plataforma de agente — não só o Agentforce. Existe uma hierarquia de alavancas quando você quer que um agente responda bem, e a maioria dos projetos aposta na alavanca errada:
- O modelo importa, mas é cada vez mais commodity. Trocar de LLM raramente resolve um agente que responde genérico — porque o problema não é a capacidade de raciocínio, é a falta de informação certa na mão.
- O prompt importa, mas tem teto baixo. Um prompt esperto não inventa dado que o agente não tem acesso. Ele organiza a resposta, não a substância.
- O grounding — de onde o agente busca a informação e como esse dado está estruturado, atualizado e conectado — é o que efetivamente decide se a resposta é útil e confiável.
É por isso que "RAG" e "grounding" pararam de ser detalhe de implementação e viraram o coração do projeto. Um agente é tão bom quanto a fonte que ele consulta. Investir semanas afinando prompt enquanto o agente lê uma base desatualizada é otimizar o andar de cima de uma casa com fundação rachada.
De "tirar dúvida" a "levar pra demo": como o agente vira canal de conversão
O segundo aprendizado do case é sobre ambição. No início, o papel do agente era defensivo: tirar dúvidas. Reduzir atrito, responder pergunta, evitar que o visitante saísse frustrado. Útil, mas passivo.
Conforme o grounding melhorou, o escopo do agente cresceu para algo ofensivo: guiar o visitante até uma demo ou um trial. Ou seja, o agente deixou de ser um FAQ turbinado e passou a ser um ponto de conversão — parte ativa do funil, não um balcão de informações.
Esse pulo só é possível quando a base é sólida. Um agente que ainda titubeia sobre o que a empresa vende não tem autoridade para recomendar o próximo passo. Um agente que conhece catálogo, conteúdo e cases de verdade pode dizer, com segurança, "para o seu caso, o caminho é este — quer ver funcionando?". A conversão não é um recurso que você liga; é uma consequência de o agente saber o suficiente para merecer a recomendação.
Como a CCX faz: grounding, integração das fontes e ligação aos pontos de conversão
A leitura prática do case da Salesforce é direta: agente que converte é um projeto de dado integrado, não de copywriting. E é exatamente aí que a CCX atua. Como implementadora Salesforce e parceira de Agentforce, a CCX desenha o grounding do jeito certo — apontando o agente para o conteúdo que a empresa já mantém, em vez de criar (e depois sofrer para manter) uma base paralela.
Na camada de dados, o segredo do case é o Data Cloud: ingerir, mapear e manter as fontes reais — catálogo, site e cases — para que o agente responda com informação viva. A CCX estrutura essa ingestão e a governança do dado que alimenta o agente, e conecta as fontes que costumam estar espalhadas em sistemas diferentes através de integrações e APIs enterprise (catálogo, CMS, CRM, ERP) — porque o dado que o agente precisa quase nunca mora em um lugar só.
E, por fim, transforma resposta em resultado: com trabalho de CRO e UX, a CCX liga o agente aos pontos de conversão — demo, trial, contato qualificado — para que ele repita o pulo que a própria Salesforce descreveu, de "tirar dúvida" para "gerar oportunidade".
A própria Salesforce descobriu rodando 185 mil conversas: agente que converte não vive de base paralela — vive do seu conteúdo real, integrado e governado. Fale com um especialista Salesforce da CCX e monte um agente que responde com o SEU dado. Se o gargalo está na base, comece por um diagnóstico de dados.
FAQ (People Also Ask)
O que é grounding de um agente de IA? É o conjunto de fontes de dados às quais o agente recorre para responder — e a forma como esse dado é estruturado, atualizado e conectado. Um bom grounding aponta o agente para as fontes de verdade da empresa (catálogo, site, cases, sistemas) em vez de uma base isolada escrita só para ele.
Qual a diferença entre grounding e prompt? O prompt organiza como o agente responde; o grounding determina com qual informação ele responde. Um prompt bem escrito não compensa dado ausente ou desatualizado. A qualidade da resposta depende muito mais do grounding.
Por que uma base de conhecimento feita só para o agente costuma falhar? Porque ela vira uma segunda fonte de verdade que precisa ser mantida em paralelo às fontes reais. Sem dono e sem processo de atualização, ela envelhece, cobre menos do que o agente precisa e passa a dar respostas erradas.
O que é o Data Cloud da Salesforce nesse contexto? É a camada que ingere e unifica os dados de várias fontes (catálogo de produto, conteúdo de site, cases) e os disponibiliza de forma governada para alimentar o Agentforce — de modo que o agente sempre leia informação atualizada, sem base paralela.
Como fazer um agente de IA converter, e não só responder? Primeiro, resolver o grounding: o agente precisa conhecer bem o que a empresa oferece. Com base sólida, ele ganha autoridade para recomendar o próximo passo (demo, trial, contato) e ser ligado aos pontos de conversão do funil.
Este conteúdo aborda tendências de IA aplicada e implementação Salesforce. Para desenhar o grounding e a integração de dados do seu agente, fale com um especialista Salesforce da CCX.