Salesforce KI einsetzen: Agentforce, KI-Coding-Agenten oder Custom-Pipelines

Zuletzt geprüft: 15. Oktober 2026

Wenn von „Salesforce KI“ die Rede ist, denken die meisten an die mitgelieferten Standardfunktionen: Agentforce für KI-Agenten, Einstein für Vorhersagen sowie den Einstein Trust Layer, der Anfragen an Sprachmodelle absichert. In der Praxis lässt sich KI in Salesforce auf drei Wegen einsetzen:

• Als Runtime-Agent: Agentforce oder externe Agenten, die im laufenden Betrieb agieren.
• Als KI-Coding-Agent: Werkzeuge, die Apex, Flows und Konfigurationen schreiben.
• Als Custom-KI-Pipeline: Eigene Logiken, die gezielt Sprachmodelle deiner Wahl ansteuern.

Alle drei Wege greifen auf dieselben Daten, Berechtigungen und Automatisierungen zu. Der Erfolg eines KI-Projekts hängt deshalb selten allein vom gewählten Sprachmodell ab. Entscheidend ist die Salesforce-Org, in der das Projekt arbeitet.

Die Bausteine von Salesforce KI

Salesforce bündelt seine KI-Funktionen auf der Plattform Agentforce 360. Als Datenschicht dient Data 360 für externe Quellen und unstrukturierte Inhalte.

• Agentforce: Ein Agent arbeitet mit Anweisungen, abgegrenzten Aufgabenbereichen und Aktionen. Über diese Aktionen, etwa Flows, Apex oder Prompt-Vorlagen, führt der Agent Aufgaben in der Org aus. Die passende Aktion wählt die Atlas Reasoning Engine. Bei festen Abläufen wie einer Rückerstattung legt Agent Script die Reihenfolge verbindlich fest.
• Einstein: Einstein umfasst klassische prädiktive Funktionen wie Einstein Lead Scoring, die aus historischen Daten lernen. Über den Prompt Builder entstehen Vorlagen, die Feldwerte, Flows und Apex als Kontext in generative Antworten einbinden.
• Editionen: Die Editionen Core, Advanced und Max enthalten Agentforce, Slack und ein Kontingent an Flex Credits. Bestehende Verträge behalten ihre bisherigen Preise.

Der Einstein Trust Layer im Detail

Der Einstein Trust Layer regelt ausschließlich den Datenweg zum Sprachmodell. Der Layer maskiert sensible Werte, prüft Antworten auf Toxizität und sorgt über Zero-Data-Retention-Vereinbarungen dafür, dass Partner-Modelle keine Prompts speichern. Ob die übergebenen Daten inhaltlich korrekt sind, prüft der Trust Layer nicht.

Drei Wege, KI in Salesforce einzusetzen

Die drei Einsatzwege schließen sich nicht aus. Oft laufen sie parallel, etwa ein Service-Agent im Kundenkanal und ein Coding-Agent in der Entwicklung.

1. Runtime-Agenten: native und externe Agenten

Runtime-Agenten handeln direkt im Tagesgeschäft. Agentforce-Agenten werden im Agentforce Builder konfiguriert und nutzen bestehende Flows und Apex-Klassen. Bei den Berechtigungen macht es einen Unterschied, wer mit dem Agenten spricht:

• Agenten für Mitarbeitende arbeiten im Kontext der angemeldeten Person und sehen nur, was diese Person sehen darf. Hat ein Benutzer über Jahre weitreichende Rechte wie „Alle Daten modifizieren“ angesammelt, kann der Agent diese Rechte ebenfalls nutzen.
• Agenten im Kundenkanal laufen über einen eigenen Agent-Benutzer. Die Berechtigungen dieses Benutzers bestimmen genau, welche Daten und Aktionen erreichbar sind.

Ein Agent setzt jede verfügbare Berechtigung ein, genau nach Anweisung und so schnell, wie die Automatisierung es zulässt. Anders als ein Mensch hält ein Agent bei unplausiblen Datensätzen nicht inne.

Agenten von Drittanbietern gehören ebenfalls in diese Gruppe. Über die Salesforce Hosted MCP Servers verbinden sich Clients wie Claude, ChatGPT oder Cursor mit der Org und handeln mit den Rechten des angemeldeten Benutzers. Über Headless 360 stellt Salesforce Plattformfunktionen direkt als API oder MCP-Werkzeug bereit.

2. KI-Coding-Agenten

Werkzeuge wie Agentforce Vibes, Claude Code oder Cursor unterstützen das Entwicklungsteam. Diese Agenten lesen Metadaten, entwerfen Flows oder Apex-Klassen und prüfen die Änderungen über die Salesforce CLI in einer Sandbox. KI-Coding-Agenten übernehmen dabei die Muster der Org, auch veraltete Flow-Muster.

3. Custom-KI-Pipelines

Hier bindet dein Team KI-Schritte direkt in eigene Prozesse ein. Ein Flow oder eine Apex-Klasse schickt eine Anfrage an ein Sprachmodell, um etwa eingehende Fälle zu klassifizieren oder Verträge zusammenzufassen. Das Modell bindest du entweder über die Plattform oder direkt beim Anbieter an:

• Über die Plattform (Models API): Per Bring Your Own LLM bindest du Modelle in AI Models ein und rufst sie über die Models API auf. Die Anfragen laufen weiterhin über den Einstein Trust Layer.
• Direkter Callout: Apex-Callouts oder die Flow-Aktion HTTP Callout rufen die API von OpenAI, Anthropic oder Google über eine Named Credential direkt auf. Das lässt die größte Freiheit bei Modell und Parametern, erfordert aber eigene Regeln für Datenschutz, Maskierung und Protokollierung.

Was jeder KI-Einsatzweg aus deiner Org übernimmt

Jeder Einsatzweg übernimmt vier Bereiche aus deiner Org, nämlich Daten, Datenmodell, Berechtigungen und Automatisierung. Was dort klar geregelt ist, nutzt die KI effizient. Was unstrukturiert gewachsen ist, übernimmt die KI genauso.

In der Studie State of Data and Analytics von Salesforce nennen 89 % der befragten Daten- und Analytics-Verantwortlichen eine starke Datengrundlage als wichtigsten Erfolgsfaktor für KI. Dieselbe Gruppe schätzt, dass 26 % ihrer Daten nicht vertrauenswürdig sind. Von den Verantwortlichen, deren Unternehmen KI bereits produktiv einsetzt, haben 89 % ungenaue oder irreführende KI-Ausgaben erlebt.

• Daten: Agenten antworten aus dem Datenbestand und prädiktive Modelle lernen daraus. Werden Phasen im Vertrieb uneinheitlich gepflegt, lernt die KI genau diese Uneinheitlichkeit. Lückenhafte Felder und Dubletten verschlechtern die Antwortqualität direkt.
• Datenmodell: Agenten wählen Felder über Namen und Beschreibungen aus. Fehlen Beschreibungen bei ähnlich benannten Statusfeldern, muss die KI raten.
• Berechtigungen: Das Prinzip der minimalen Rechte gilt für KI-Agenten noch strenger als für Menschen. Ein Service-Agent braucht ein exakt zugeschnittenes Permission Set.
• Automatisierung: Agenten-Aktionen rufen bestehende Flows und Apex-Klassen auf. Überlappende oder veraltete Logik führt schnell zu unerwartetem Verhalten.

Vom Pilotprojekt zur Skalierung

Ein Pilotprojekt zeigt, ob ein Anwendungsfall funktioniert. Skalierung bedeutet, dass der Anwendungsfall mit mehr Benutzern, in mehreren Kanälen und neben anderen Agenten verlässlich läuft. Unklarheiten in der Org wirken sich dann auf jede einzelne Anfrage aus.

Für automatisierte Tests bietet Salesforce das Agentforce Testing Center, das Szenarien im Batch in einer Sandbox prüft. Jeder Testlauf und jede Anfrage verbraucht Credits, sodass Flex Credits mit wachsender Nutzung zu einer zentralen Budgetgröße werden.

Ändert sich ein Geschäftsprozess, müssen Anweisungen und Aktionen direkt angepasst werden. Sonst arbeitet der Agent mit dem Prozessstand des letzten Quartals.

Wo Pariveo ansetzt: die Grundlage sichtbar machen

Damit KI über die Testphase hinaus skaliert, braucht sie eine Grundlage, die das Team kennt: verlässliche Daten, ein klares Datenmodell, eng begrenzte Rechte und saubere Automatisierungen. Da viele Orgs über Jahre unter Termindruck gewachsen sind, fehlt oft der genaue Überblick.

Hier setzt das Plattform-Assessment an. Das Assessment prüft mehr als 200 Kriterien in 15 Modulen, darunter Datenmodell, Automatisierung, Zugriffsrechte und bestehende Agentforce-Konfigurationen.

Die Management-Zusammenfassung bewertet die KI-Reife getrennt für Runtime-Agenten, KI-Coding-Agenten und Custom-KI-Pipelines. Das Ergebnis zeigt, wo KI bereits sicher eingesetzt werden kann, wo sie an Grenzen stößt und welche Schritte zuerst priorisiert werden sollten. Da die Analyse deterministisch arbeitet, lässt sich der Fortschritt nach den ersten Optimierungen exakt nachmessen.