Agents Braze dans la Console des agents

Les agents Braze sont des assistants alimentés par l’intelligence artificielle que vous pouvez créer dans Braze. Ils peuvent générer du contenu, prendre des décisions intelligentes et enrichir vos données pour vous permettre d’offrir des expériences client plus personnalisées.

Important

Des crédits de message ou d’action sont nécessaires pour accéder aux agents Braze et les utiliser. Si vous ne disposez pas actuellement de crédits d’action et souhaitez utiliser les agents Braze, contactez votre gestionnaire de compte pour connaître la marche à suivre.

Regardez cette vidéo pour un aperçu des agents Braze dans la Console des agents.

Pourquoi utiliser les agents Braze ?

Les agents Braze aident votre équipe à offrir des expériences personnalisées, sans travail supplémentaire. Ils comprennent le contexte, prennent des décisions et agissent en vue d’un objectif, au lieu de simplement répondre à une seule requête.

En pratique, les agents peuvent créer automatiquement le contenu des messages — comme les lignes d’objet ou le texte in-app — afin que chaque client reçoive une communication qui semble faite sur mesure. Ils peuvent également s’adapter en temps réel, en orientant les utilisateurs à travers différents chemins Canvas en fonction de leurs préférences, comportements ou autres données.

Au-delà de la communication, les agents peuvent enrichir vos catalogues en calculant ou en générant des valeurs de champs pour les produits et les profils, gardant ainsi vos données à jour et dynamiques. En prenant en charge les tâches répétitives ou complexes, ils permettent à votre équipe de se concentrer sur la stratégie et la créativité plutôt que sur la configuration manuelle. Les agents Braze agissent davantage comme des collaborateurs que comme des processus en arrière-plan — ils vous aident à résoudre des problèmes et à produire un impact à grande échelle.

Quand utiliser les agents Braze plutôt que d’autres fonctionnalités BrazeAI

Utilisez les agents lorsque vous devez raisonner sur le contexte d’un utilisateur au moment de l’envoi — y compris du texte libre ou une évaluation subjective. Par exemple, si un agent sait que la saveur de glace préférée d’un utilisateur est le chocolat et que sa garniture préférée est les oursons en gélatine, il peut rédiger le contenu d’une notification push pour cette combinaison au moment où l’utilisateur passe dans le Canvas.

Les agents Braze raisonnent sur le contexte que vous leur transmettez. Ils n’apprennent pas à partir des résultats obtenus et ne s’améliorent donc pas d’eux-mêmes en fonction des performances.

Utilisez d’autres fonctionnalités BrazeAI lorsque vous avez besoin d’un apprentissage basé sur des résultats mesurés :

Conseil

Si une règle basée sur des données propres répond à la question, utilisez une étape Canvas standard. Les exécutions d’agents consomment des crédits. Pour comprendre la différence entre les agents Braze et les agents de décision dans Decisioning Studio, consultez Agent Braze versus agent de décision.

Pour une comparaison complète des fonctionnalités BrazeAI, consultez BrazeAI.

Fonctionnalités

Les fonctionnalités des Braze Agents comprennent :

• Configuration flexible : utilisez un LLM fourni par Braze ou connectez vos propres fournisseurs de modèles d’IA (tels qu’OpenAI, Anthropic, Google Gemini ou Databricks Mosaic).
• Intégration fluide : déployez des agents directement dans des étapes Canvas ou des champs de catalogue.
• Tests, journalisation et historique des versions : prévisualisez la sortie de votre agent en le testant avec des entrées d’exemple avant le lancement. Consultez les journaux pour chaque exécution de l’agent, y compris l’entrée et la sortie de cette exécution. Utilisez l’onglet Version history pour consulter les versions précédentes et les différences en ligne des modifications d’instructions.
• Contrôles d’utilisation : les limites quotidiennes aident à gérer les performances et les coûts.

À propos des Braze Agents

Les agents sont configurés avec des instructions (prompts système) qui définissent leur comportement. Lorsqu’un agent s’exécute, il utilise vos instructions ainsi que toutes les données que vous lui transmettez explicitement pour générer une réponse. Ils ne peuvent pas accéder aux données utilisateur au-delà de ce que vous configurez : variables Liquid, sélections de contexte d’agent, variables de contexte Canvas et valeurs de l’étape de contexte. Les agents ne parcourent pas les profils et n’émettent pas d’avertissement lorsque des données sont manquantes. Consultez Quelles données les agents reçoivent.

Concepts clés

Limitations

Les limitations suivantes s’appliquent :

• Chaque agent dispose d’une limite quotidienne d’invocations par défaut de 250 000 exécutions, qui peut être augmentée jusqu’à un maximum de 1 000 000 d’exécutions par jour. Contactez votre gestionnaire de la satisfaction client si vous souhaitez augmenter cette limite.
• La Console Agent affiche une limite quotidienne de coût en crédits d’action pour chaque agent — le maximum estimé de crédits par jour basé sur le ratio de crédits par invocation de votre modèle et la limite quotidienne d’invocations. Consultez Limites quotidiennes d’invocations et de crédits.
• Par défaut, chaque exécution doit se terminer dans un délai de 20 secondes. Au-delà de 20 secondes, l’agent renvoie une réponse null là où il est utilisé.
  • Si vos agents dépassent régulièrement le délai imparti, contactez votre gestionnaire de compte Braze pour augmenter cette limite.
• Les données d’entrée sont limitées à 25 Ko par requête. Les entrées plus longues sont tronquées.

Bonnes pratiques

Ciblez les cas d’usage à forte valeur ajoutée pour lesquels les agents peuvent générer le meilleur retour sur investissement (ROI), et choisissez des audiences susceptibles de répondre. Une audience plus restreinte mais à fort potentiel surpasse souvent une audience large avec peu d’opportunités — par exemple, recibler les utilisateurs qui ont effectué une recherche récemment sans convertir, plutôt que d’envoyer du contenu généré par un agent à l’ensemble de votre base d’utilisateurs.

Pour valider le ROI avant de passer à l’échelle, utilisez une étape Chemins d’expérience afin d’envoyer seulement une partie de votre audience à travers une étape d’agent. Lorsqu’un test à petite échelle donne de bons résultats, étendez l’agent à l’ensemble de votre audience cible et augmentez la limite d’invocations quotidiennes pour que les invocations ne soient pas plafonnées en cours d’envoi. Assurez-vous d’être à l’aise avec la consommation de crédits estimée avant de passer à l’échelle sur l’ensemble de votre audience. Pour plus de conseils sur le déploiement, consultez Déployer des agents personnalisés.

Gestion des erreurs

Si le modèle connecté renvoie une erreur de limitation de débit de la part du fournisseur de LLM lors de l’invocation d’un agent d’étape Canvas ou d’un agent de catalogue, Braze relance continuellement la requête en utilisant des délais exponentiels.

Pour les autres défaillances (telles qu’un délai d’expiration ou une clé API invalide), la sortie de l’agent d’étape Canvas est définie sur null, sauf si l’agent dispose de valeurs de secours configurées dans la Console Agent (agents d’étape Canvas uniquement). Les agents de catalogue ne relancent pas les défaillances qui ne sont pas liées à la limitation de débit. Si un agent atteint sa limite d’invocations quotidiennes, Braze applique les valeurs de secours configurées lorsqu’elles sont présentes ; sinon, la sortie est définie sur null.

Les erreurs de limitation de débit, l’indisponibilité du modèle et les défaillances liées à la limite d’invocations quotidiennes ne consomment pas de crédits Braze. Les délais d’expiration consomment des crédits. Consultez Quand les crédits sont consommés.

Lorsque de nombreux utilisateurs entrent dans une étape d’agent en même temps, le traitement peut prendre plus de temps en raison des contrôles de flux d’invocation. Configurez des valeurs de secours dans la Console Agent pour les agents d’étape Canvas afin que les utilisateurs reçoivent tout de même une sortie en cas d’échec d’une invocation, ou utilisez les valeurs Liquid par défaut dans les étapes de message en aval.

Comment mes données sont-elles utilisées et envoyées aux LLM fournis par Braze ?

Afin de générer des résultats d’IA via les fonctionnalités BrazeAI que Braze identifie comme s’appuyant sur des LLM fournis par Braze (les « résultats »), Braze enverra votre prompt système ou toute autre entrée, le cas échéant (les « entrées ») au LLM fourni par Braze. Les données envoyées au LLM fourni par Braze concerné ne sont pas utilisées pour entraîner ni améliorer le LLM fourni par Braze. Entre vous et Braze, les résultats constituent votre propriété intellectuelle. Braze ne revendiquera aucun droit d’auteur sur ces résultats. Braze ne fournit aucune garantie d’aucune sorte concernant tout contenu généré par l’IA en général, y compris les résultats.

Le LLM fourni par Braze pour les Braze Agents, identifié comme « Auto », utilise les modèles Google Gemini. Google conserve les entrées et les résultats soumis via Braze pendant 55 jours, après quoi les données sont supprimées.

Prochaines étapes

Maintenant que vous connaissez les agents Braze, vous êtes prêt pour les prochaines étapes :

• Créer des agents personnalisés
• Déployer des agents personnalisés
• Agents conversationnels