Skip to content

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.

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 plus intelligentes et plus personnalisées, sans travail supplémentaire. Ils agissent comme des agents autonomes qui ne se contentent pas de répondre à des invites, mais comprennent le contexte, prennent des décisions et agissent pour atteindre un objectif.

En pratique, les agents peuvent créer automatiquement du contenu de message — comme des lignes d’objet ou du texte intégré au produit — afin que chaque client reçoive une communication qui semble conçue sur mesure. Ils peuvent également s’adapter en temps réel, 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, maintenant ainsi vos données à jour et dynamiques. En prenant en charge les tâches répétitives ou complexes, ils libèrent votre équipe pour qu’elle se concentre 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 — vous aidant à résoudre des problèmes et à générer de l’impact à grande échelle.

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

Utilisez les agents pour personnaliser du contenu à la volée en exploitant le contexte spécifique d’un utilisateur. Par exemple, si un agent sait que le parfum de glace préféré d’un utilisateur est le chocolat et que sa garniture préférée est les oursons en gélatine, il peut rédiger un texte de notification push spécifique à cette combinaison pour cet utilisateur au moment où il passe par le Canvas.

Cependant, l’agent n’apprend pas par essais et erreurs, et il n’a aucune notion d’un objectif marketing ultime qu’il chercherait à mesurer et à maximiser. Même si vous lui indiquez de rédiger de manière générale du contenu qui favorise les conversions, il ne dispose d’aucun mécanisme pour « surveiller » l’impact de sa rédaction agentique sur les conversions et réintégrer ces données dans ses futurs appels agentiques. Vous pouvez considérer cela comme une prise de décision « intuitive », et non comme une prise de décision IA basée sur la récompense.

En revanche, d’autres outils BrazeAI sont conçus pour maximiser les indicateurs qu’ils mesurent. Par exemple, les agents sont très performants pour évaluer qualitativement comment les caractéristiques d’un utilisateur influencent sa probabilité ou sa propension à réaliser un certain événement ou à apprécier un certain produit. Cependant, comme l’agent n’apprend pas par essais et erreurs, il ne sait pas comment mesurer la précision de ses prédictions de probabilité ni comment améliorer le signal au fil du temps. C’est pourquoi l’utilisation de la Predictive Suite surpasse l’étape Agent lorsqu’on évalue la précision des prédictions et les améliorations dans le temps.

Fonctionnalités

Les fonctionnalités des agents Braze incluent :

  • 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 transparente : Déployez des agents directement dans les étapes Canvas ou les champs de catalogue.
  • Tests, journalisation et historique des versions : Prévisualisez la sortie de votre agent en le testant avec des entrées d’exemple avant de le lancer. 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 examiner 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 agents Braze

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 d’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

Terme Définition
Modèle Le « cerveau » de l’agent, en l’occurrence un grand modèle de langage (LLM). Il interprète les entrées, génère des réponses et effectue un raisonnement. Un modèle plus puissant (entraîné sur des données plus pertinentes) rend l’agent plus performant et polyvalent.
Instructions Les règles ou directives que vous donnez à l’agent (prompt système). Elles définissent comment l’agent doit se comporter à chaque exécution. Des instructions claires rendent l’agent plus fiable et prévisible.
Contexte Les données transmises à l’agent au moment de l’exécution, quel que soit l’endroit où il est déployé, comme les champs du profil utilisateur ou les lignes de catalogue. Ces entrées fournissent les informations que l’agent utilise pour générer ses sorties.
Variables de contexte Canvas Des éléments de données temporaires que vous pouvez créer et utiliser au sein du parcours d’un utilisateur dans un Canvas spécifique.
Variable de sortie La sortie que l’agent produit lorsqu’il est utilisé dans des étapes Canvas. Les variables de sortie stockent le résultat de l’agent pour personnaliser le contenu ou orienter les chemins du flux de travail. Les variables de sortie peuvent être de type chaîne de caractères, nombre ou booléen.
Invocation Une seule exécution de l’agent. Celle-ci est décomptée de vos limites quotidiennes.
Format de sortie La structure de données prédéfinie de la réponse de l’agent.
Sources de connaissances Un type de contexte d’agent utilisé pour récupérer des données d’un catalogue de manière plus précise que si le catalogue est directement référencé dans les instructions de l’agent.

Limitations

Les limitations suivantes s’appliquent :

  • Chaque agent dispose d’une limite d’invocations quotidiennes 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 du succès des clients si vous souhaitez augmenter cette limite.
  • La Console des agents affiche une limite quotidienne de coût en crédits d’action pour chaque agent — le nombre maximal estimé de crédits par jour en fonction du ratio de crédits par invocation de votre modèle et de la limite d’invocations quotidiennes. 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 d’attente, 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 où 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 mais n’ont pas converti, 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 pour n’envoyer qu’une partie de votre audience à travers une étape 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 afin 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 du fournisseur LLM lors d’une invocation d’agent d’étape Canvas ou d’agent de catalogue, Braze relance continuellement la requête en utilisant des délais exponentiels.

Pour les autres échecs (tels 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 repli configurées dans la Console des agents (agents d’étape Canvas uniquement). Les agents de catalogue ne relancent pas les échecs qui ne sont pas liés à la limitation de débit. Si un agent atteint sa limite quotidienne d’invocations, Braze applique les valeurs de repli configurées lorsqu’elles sont présentes ; sinon, la sortie est définie sur null.

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

Lorsque de nombreux utilisateurs entrent simultanément dans une étape Agent, le traitement peut prendre plus de temps en raison des contrôles de flux d’invocation. Configurez des valeurs de repli dans la Console des agents 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 des valeurs Liquid par défaut dans les étapes 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 BrazeAITM que Braze identifie comme exploitant des LLM fournis par Braze (« Output »), Braze enverra votre prompt système ou toute autre entrée, selon le cas (« Input ») au LLM fourni par Braze. Les données envoyées au LLM fourni par Braze concerné ne sont pas utilisées pour entraîner ou améliorer le LLM fourni par Braze. Entre vous et Braze, l’Output est votre propriété intellectuelle. Braze ne revendiquera aucun droit d’auteur sur cet Output. Braze ne fournit aucune garantie de quelque nature que ce soit concernant tout contenu généré par l’IA en général, y compris l’Output.

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

Étapes suivantes

Maintenant que vous connaissez les agents Braze, vous êtes prêt pour les étapes suivantes :
New Stuff!