Braze Agents dans la Console des agents

Les Braze Agents sont des assistants alimentés par l’IA 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 Braze Agents et les utiliser. Si vous ne disposez pas actuellement de crédits d’action et souhaitez utiliser les Braze Agents, contactez votre gestionnaire de compte pour connaître la marche à suivre.

Regardez cette vidéo pour découvrir les Braze Agents dans la Console des agents.

Pourquoi utiliser les Braze Agents ?

Les Braze Agents aident votre équipe à offrir des expériences personnalisées, sans charge de travail supplémentaire. Ils comprennent le contexte, prennent des décisions et agissent pour atteindre un objectif, au lieu de se contenter de répondre à une seule requête.

Concrètement, les agents peuvent créer automatiquement le texte de vos messages (lignes d’objet ou textes intégrés au produit, par exemple) afin que chaque client reçoive une communication qui lui semble adaptée. Ils peuvent aussi s’ajuster en temps réel et orienter les utilisateurs vers différents chemins de 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 de produits et de profils, pour des données toujours fraîches et dynamiques. En prenant en charge les tâches répétitives ou complexes, ils libèrent votre équipe, qui peut se concentrer sur la stratégie et la créativité plutôt que sur la configuration manuelle. Les Braze Agents agissent davantage comme des collaborateurs que comme des processus en arrière-plan : ils vous aident à résoudre des problèmes et à générer un 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 au moment de l’envoi, y compris à partir de texte libre ou d’une appréciation au cas par cas. Par exemple, si un agent sait que le parfum de glace préféré d’un utilisateur est le chocolat et que sa garniture favorite est les oursons gélifiés, il peut rédiger un texte de notification push pour cette combinaison lorsque l’utilisateur passe dans le Canvas.

Les Braze Agents raisonnent sur le contexte que vous leur transmettez. Ils n’apprennent pas de l’efficacité de leurs résultats et ne s’améliorent donc pas d’eux-mêmes à partir des performances obtenues.

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

Conseil

Si une règle appliquée à des données propres suffit à répondre à la question, utilisez une étape de Canvas standard. Les exécutions d’agents consomment des crédits. Pour savoir en quoi les Braze Agents diffèrent des agents de décision de Decisioning Studio, consultez Agent Braze ou agent de décision.

Pour une comparaison complète des fonctionnalités BrazeAI, consultez BrazeAI.

Fonctionnalités

Les Braze Agents offrent les fonctionnalités suivantes :

• Configuration flexible : Utilisez un LLM fourni par Braze ou connectez vos propres fournisseurs de modèles d’IA (comme OpenAI, Anthropic, Google Gemini ou Databricks Mosaic).
• Intégration fluide : Déployez des agents directement dans les étapes du Canvas ou dans les champs de catalogue.
• Tests, logs et historique des versions : Prévisualisez la sortie de votre agent en le testant avec des exemples d’entrées avant le lancement. Consultez les logs de chaque exécution de l’agent, avec l’entrée et la sortie correspondantes. Utilisez l’onglet Historique des versions pour passer en revue les versions précédentes et comparer les modifications apportées aux instructions.
• Contrôles d’utilisation : Des limites quotidiennes vous aident à maîtriser les performances et les coûts.
• Standards agentiques : Définissez des règles et des ensembles de règles dans la Console des agents, puis exécutez une évaluation agentique avant de lancer une Campaign ou un Canvas pour vérifier le respect des directives de marque, des conventions de votre organisation et des 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 s’appuie sur vos instructions et sur les données que vous lui transmettez explicitement pour générer une réponse. Il ne peut accéder qu’aux données utilisateur que vous configurez : variables Liquid, sélections de contexte d’agent, variables de contexte Canvas et valeurs de l’étape Contexte. Les agents ne recherchent pas dans les profils et ne signalent pas les données manquantes. Consultez Données reçues par les agents.

Concepts clés

Déroulement d’une invocation

Une invocation correspond à une exécution d’un agent. Braze transmet vos instructions et le contexte au modèle, qui raisonne à partir de ces éléments, puis l’agent renvoie un résultat. Chaque invocation est décomptée de la limite quotidienne d’invocations de l’agent.

Les aperçus dans la Console des agents et les exécutions de Canvas de test qui utilisent Simuler la réponse comptent également comme des invocations. Les réponses mises en cache pour des entrées identiques répétées sont elles aussi décomptées du total et des limites quotidiennes d’invocations.

Ce qui entre

• Modèle : Le modèle Auto fourni par Braze (Google Gemini), ou votre propre fournisseur de modèles d’IA, comme OpenAI, Anthropic, Google Gemini, Amazon Bedrock, Microsoft Foundry ou Databricks Mosaic.
• Instructions : Le prompt système, appliqué à chaque exécution.
• Contexte utilisateur (agents d’étape Canvas) : Les attributs utilisateur et les variables de contexte Canvas référencés avec Liquid, l’appartenance aux segments, Tout le contexte Canvas et l’historique des interactions de l’utilisateur.
• Données de catalogue (agents de catalogue) : Les champs de la ligne de catalogue en cours de traitement.
• Contexte de l’espace de travail : Les sources de connaissances (comme les données de catalogue), les directives de marque et les fichiers de contexte.

Fonctionnement de l’exécution

L’agent interprète les entrées et le contexte, raisonne à partir de ces éléments et génère une réponse. À chaque exécution :

• L’agent n’a aucune mémoire d’une exécution à l’autre : Chaque exécution est indépendante et ne conserve rien des exécutions précédentes.
• L’agent ne voit que ce que vous lui transmettez : Si une valeur n’est pas transmise via l’une des entrées décrites dans Ce qui entre, l’agent ne la reçoit pas. Consultez Données reçues par les agents.
• Prévoyez jusqu’à 20 secondes par exécution : Par défaut, Braze attend jusqu’à 20 secondes chaque réponse du modèle. Les agents qui effectuent des recherches dans des catalogues ou des sources de connaissances peuvent échanger plusieurs fois avec le modèle au cours d’une même exécution, et chaque échange dispose de sa propre limite de 20 secondes. Si un échange expire, l’exécution entière échoue et n’est pas relancée. L’agent renvoie alors null ou, pour les agents d’étape Canvas, la valeur de repli que vous avez configurée.
• Chaque agent dispose d’une limite quotidienne de 250 000 invocations par défaut, extensible jusqu’à 1 000 000 : Si vous souhaitez dépasser 1 000 000, contactez votre gestionnaire de la satisfaction client.

Pour en savoir plus sur les limites de durée et de volume, consultez Limites.

Ce qui sort

Chaque invocation renvoie un résultat au format de sortie que vous définissez : une chaîne de caractères, un nombre, un booléen ou (pour les agents d’étape Canvas uniquement) un tableau ou un schéma JSON avancé. Vous pouvez utiliser ce résultat pour :

• Personnaliser le texte d’un message
• Orienter un utilisateur vers un chemin du Canvas
• Stocker une valeur dans le contexte Canvas pour les étapes suivantes
• Renseigner un champ de catalogue

Limitations

Les limitations suivantes s’appliquent :

• Chaque agent dispose d’une limite quotidienne par défaut de 250 000 exécutions, que vous pouvez augmenter 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 des agents affiche une Limite quotidienne de coût en crédits d’action pour chaque agent. Il s’agit du nombre maximal estimé de crédits par jour, calculé à partir du ratio de crédits par appel de votre modèle et de la limite quotidienne d’appels. Consultez Limites quotidiennes d’appels et de crédits.
• Par défaut, Braze attend jusqu’à 20 secondes chaque réponse du modèle. Les agents qui effectuent des recherches dans des catalogues ou des sources de connaissances peuvent envoyer plusieurs requêtes au cours d’une même exécution, et chacune dispose de sa propre limite de 20 secondes. Si une requête expire, l’exécution entière échoue sans nouvelle tentative, et l’agent renvoie une réponse null là où il est utilisé.
  • Si vos agents expirent régulièrement, 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 des 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 restreinte mais à fort potentiel donne souvent de meilleurs résultats qu’une large audience peu prometteuse. Par exemple, reciblez 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 de n’envoyer qu’une partie de votre audience vers une étape Agent. Si les résultats du test à petite échelle sont concluants, étendez l’agent à l’ensemble de votre audience cible et augmentez la limite d’appels quotidiens pour éviter que les appels soient plafonnés en cours d’envoi. Avant d’étendre l’agent à toute votre audience, vérifiez que la consommation de crédits estimée vous convient. Pour plus de conseils sur le déploiement, consultez Déployer des agents personnalisés.

Gestion des erreurs

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

Pour les autres échecs (comme un délai d’attente dépassé ou une clé API non valide), la sortie de l’agent d’étape Canvas est définie sur null, sauf si des valeurs de repli sont configurées pour l’agent dans la Console des agents (agents d’étape Canvas uniquement). Les agents de catalogue ne relancent pas les requêtes en cas d’échec autre qu’une limite de débit. Si un agent atteint sa limite quotidienne d’invocations, Braze applique les valeurs de repli configurées lorsqu’elles existent ; sinon, la sortie est définie sur null.

Les erreurs de limite 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’attente dépassés, en revanche, consomment des crédits. Consultez Quand les crédits sont-ils consommés.

Lorsque de nombreux utilisateurs entrent simultanément dans une étape Agent, le traitement peut prendre plus de temps en raison des contrôles du 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 grâce aux fonctionnalités d’IA de Braze que Braze identifie comme s’appuyant sur des LLM fournis par Braze (« Résultats »), Braze envoie votre invite système ou toute autre entrée, le cas échéant (« Entrées »), au LLM fourni par Braze. Les données envoyées au LLM concerné fourni par Braze ne sont pas utilisées pour entraîner ou améliorer ce LLM. Entre vous et Braze, les Résultats constituent votre propriété intellectuelle. Braze ne revendiquera aucun droit d’auteur sur ces Résultats. Braze n’offre aucune garantie d’aucune sorte concernant le contenu généré par l’IA en général, y compris les Résultats.

Le LLM fourni par Braze pour les Braze Agents, identifié sous le nom « Auto », utilise les modèles Google Gemini. Google peut conserver les Entrées et les Résultats transmis via Braze pendant 90 jours au maximum, après quoi les données sont définitivement supprimées.

Étapes suivantes

Maintenant que vous en savez plus sur les Braze Agents, vous êtes prêt à passer aux étapes suivantes :

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