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 Braze Agents ?

Les Braze Agents 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 automatiquement créer du contenu de message — comme des lignes d’objet ou du texte in-app — afin que chaque client reçoive une communication qui semble faite sur mesure. Ils peuvent également s’adapter en temps réel, orientant les utilisateurs vers différents chemins Canvas en fonction de leurs préférences, de leurs comportements ou d’autres données.

Au-delà de la communication, les agents peuvent enrichir vos catalogues en calculant ou en générant des valeurs de champs produit et profil, gardant vos données actualisées et dynamiques. En prenant en charge les tâches répétitives ou complexes, ils libèrent votre équipe pour se concentrer sur la stratégie et la créativité plutôt que sur la configuration manuelle. Les Braze Agents se comportent 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 Braze Agents plutôt que d’autres fonctionnalités BrazeAI

Utilisez les agents lorsque vous devez raisonner sur le contexte d’un utilisateur unique au moment de l’envoi — y compris du texte libre ou une décision subjective. 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 le texte d’une notification push pour cette combinaison lorsque l’utilisateur passe par le Canvas.

Les Braze Agents raisonnent sur le contexte que vous transmettez. Ils n’apprennent pas si le résultat a fonctionné ou non, et ne s’améliorent donc pas d’eux-mêmes à partir des résultats.

Utilisez d’autres fonctionnalités BrazeAI lorsque vous avez besoin d’un apprentissage à partir de résultats mesurés :

Conseil

Si une règle sur des données propres répond à la question, utilisez une étape Canvas standard. Les exécutions d’agents consomment des crédits. Pour comprendre en quoi les Braze Agents diffèrent des agents décisionnels dans Decisioning Studio, consultez Braze Agent et agent décisionnel.

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, journaux 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 les entrées et sorties de cette exécution. Utilisez l’onglet Historique des versions pour examiner les versions précédentes et les différences en ligne des modifications d’instructions.
• Contrôles d’utilisation : des limites quotidiennes aident à gérer les performances et les coûts.
• Standards agentiques : définissez des règles et des ensembles de règles dans la Console Agent, puis exécutez une évaluation agentique avant de lancer une campagne ou un Canvas pour vérifier les directives de marque, les conventions organisationnelles et les exigences techniques.

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 d’étape de contexte. Les agents ne parcourent pas les profils et n’émettent pas d’alerte 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 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 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 nombre maximum 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 où les agents peuvent générer le meilleur retour sur investissement (ROI), et choisissez des audiences susceptibles de répondre. Une audience plus restreinte mais à forte opportunité 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 afin de n’envoyer qu’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 afin que les invocations ne soient pas plafonnées en cours d’envoi. Vérifiez que vous êtes à l’aise avec la consommation de crédits estimée avant de passer à l’échelle sur l’ensemble de votre audience. Pour plus de recommandations de 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 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 repli configurées dans la Console Agent (agents d’étape Canvas uniquement). Les agents de catalogue ne relancent pas les échecs autres que ceux 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 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 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 du contenu IA via les fonctionnalités BrazeAI que Braze identifie comme exploitant des LLM fournis par Braze (« Output »), Braze enverra votre prompt système ou toute autre entrée applicable (« 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 Braze Agents, 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 Braze Agents, vous êtes prêt pour les étapes suivantes :

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