MoEngage branche des agents IA sur ses API existantes : le CTR des push de Glance bondit de 38%
Avant une opération de soldes, un marketeur ouvre tour à tour l'outil d'analytique, la bibliothèque de contenus et le générateur de campagnes. MoEngage n'a pas réécrit ses centaines d'API : elle a converti automatiquement leurs descriptions OpenAPI en outils MCP, que l'agent IA appelle depuis Claude ou ChatGPT. Chez Glance, le taux de clics sur les notifications push (CTR) a progressé de 38%, et les campagnes sont lancées 50% plus vite. Si un produit dispose déjà d'une API mature, il est plus simple de bâtir la couche agentique par-dessus.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Pour lancer une promotion de week-end, un marketeur ouvre trois outils avant même d'avoir écrit la moindre ligne de texte : l'analytique, pour voir ce qui a fonctionné la dernière fois, la bibliothèque de contenus, pour choisir le ton, et le générateur de campagnes. Multipliez cela par l'email, le push, le SMS et WhatsApp : l'essentiel de la semaine passe à naviguer d'une interface à l'autre plutôt qu'à prendre des décisions. MoEngage, plateforme de communication client utilisée par plus de 1350 marques, a supprimé cette routine grâce à des agents IA.
Elle n'a pas réécrit ses centaines d'API existantes : leurs descriptions ont été converties automatiquement en « outils » selon le standard MCP (Model Context Protocol), que l'agent appelle lui-même. Résultat chez le client Glance : le taux de clics sur les notifications push (CTR, part des utilisateurs ayant cliqué sur un push) a augmenté de 38%. Pour un développeur, c'est un schéma directement réutilisable : ajouter des agents à un produit mature sans toucher au backend.
Comment les API sont devenues des outils pour agents
Chez MoEngage, le problème a été traité comme une question d'architecture : donner à l'agent accès aux données en direct du client, sans lui permettre d'accéder à celles des autres. Les API de la plateforme pour les campagnes, l'analytique, les segments, le contenu et les scénarios sont déjà décrites au format OpenAPI 3.0. L'équipe a retenu le framework FastMCP, qui lit une telle spécification et génère lui-même les outils MCP. Chaque opération devient un outil doté d'un schéma, d'une description et d'une validation des paramètres. Dans l'exemple de l'article, cela tient en une dizaine de lignes de Python : charger la spécification, créer le client, appeler FastMCP.from_openapi et démarrer le serveur.
Les outils se répartissent en cinq groupes : campagnes, analytique, segmentation, contenu et scénarios d'automatisation. Les définitions sont générées à partir des spécifications ; lorsque l'API évolue, les outils sont donc mis à jour avec elle. Le serveur MCP ne fait pas tourner de modèle. Il se contente d'exposer les capacités de la plateforme, et c'est l'agent qui l'interroge qui raisonne. N'importe quel client compatible MCP peut s'y connecter, y compris Claude et ChatGPT via le connecteur MoEngage.
Comment les clients sont isolés
Dans un système où travaillent des milliers de marques, le modèle ne doit pas décider de quelles données lire. MoEngage a pris trois mesures. Le serveur accepte le même jeton JWT que les API classiques, et le runtime AgentCore le vérifie avant que la requête n'atteigne le serveur.
Les identifiants de l'espace de travail et de l'utilisateur voyagent dans les en-têtes de la requête, et non dans les arguments des outils : le modèle ne les voit donc pas et ne peut pas les falsifier. Chaque session utilisateur s'exécute dans un environnement isolé distinct, et l'état d'une conversation n'est pas lisible depuis une autre. Par-dessus, Amazon Bedrock Guardrails applique des filtres de sécurité et de données personnelles, tandis qu'une couche intermédiaire vérifie la structure du contenu généré avant son affichage dans l'interface.
Les agents restent sous contrôle serré. Chacun tient un journal : quelles données il a récupérées, ce qu'il a décidé, quels canaux il a touchés, ce qu'il a envoyé. Le mode se choisit au niveau de l'agent : autonomie complète ou confirmation par un humain avant l'action. Dans l'exemple de l'article, l'agent repère une chute à la troisième étape de l'onboarding et ne met la branche SMS en pause qu'après l'accord de l'utilisateur.
Ce que cela donne, et les réserves
Merlin AI comprend quatre types d'agents : des assistants intégrés au studio (rédacteur, designer, constitution de segments, modèles, scénarios), des agents conversationnels comme Campaign Insights, des agents sur mesure pour les équipes CRM, et des agents « décideurs » qui choisissent l'offre, le canal et le moment pour chaque client individuellement. Le raisonnement et la génération reposent sur les modèles Anthropic Claude Sonnet dans Amazon Bedrock. Le billet cite les versions Sonnet 4.6, 5 et 5.5, et MoEngage bascule de l'une à l'autre via la même API.
Voici les chiffres avancés par l'entreprise : plus de six mois en production, un lancement de campagnes 50% plus rapide chez Glance, des clics sur les push en hausse de 38%, et environ trois fois plus de variantes de contenu par campagne. Sur l'ensemble de la plateforme, le travail manuel sur le canal, le moment et la fréquence a diminué de 60–70%, tandis que la conversion issue des décisions orientées objectif a augmenté de 20–30%. L'inférence payée au token, à la place de GPU en propre, a réduit de plus de 50% les coûts de l'infrastructure d'IA.
Ces données appellent à la prudence. L'article a été rédigé avec l'équipe MoEngage et publié sur le blog d'AWS : il s'agit donc d'un auto-rapport du fournisseur. La méthodologie de mesure n'est pas détaillée : on ignore quels étaient les groupes de contrôle et les valeurs de référence. La comparaison des coûts avec des « modèles en propre » dépend aussi des modèles et du taux de charge pris comme base.
La conclusion pratique est simple. Si votre produit dispose d'une API mature accompagnée d'une spécification, inutile de construire la couche agentique de zéro. Il faut générer les outils MCP à partir d'OpenAPI, authentifier avec les mêmes jetons, garder les identifiants hors de portée du modèle et disposer d'un runtime managé pour les sessions. Vérifiez par ailleurs que les fonctions AgentCore dont vous avez besoin sont disponibles dans votre région AWS.
- 18 nov. 2026Tencent Hy4 flash obtient 2,79 sur 4 contre 2,81 pour Haiku 5.5 et coûte 18 fois moins cher par tâche
- 18 nov. 2026Cinq IA, un seul bug : deux l'ont corrigé, trois ont cassé davantage de choses
- 18 nov. 2026Un développeur donne des mains au chat IA web : un serveur MCP de 14 outils et 21 000 lignes
- 18 nov. 2026OpenAI lance GPT-6.2 Astra : deuxième place au classement et prix en baisse de 20%
Questions clés sur cet article
Comment les API sont devenues des outils pour agents?
Chez MoEngage, le problème a été traité comme une question d'architecture : donner à l'agent accès aux données en direct du client, sans lui permettre d'accéder à celles des autres. Les API de la plateforme pour les campagnes, l'analytique, les segments, le contenu et les scénarios sont déjà décrites au format OpenAPI 3.0. L'équipe a retenu le framework FastMCP, qui lit une telle spécification et génère lui-même les outils MCP.
Comment les clients sont isolés?
Dans un système où travaillent des milliers de marques, le modèle ne doit pas décider de quelles données lire. MoEngage a pris trois mesures. Le serveur accepte le même jeton JWT que les API classiques, et le runtime AgentCore le vérifie avant que la requête n'atteigne le serveur. Les identifiants de l'espace de travail et de l'utilisateur voyagent dans les en-têtes de la requête, et non dans les arguments des outils : le modèle ne les voit donc pas et ne peut pas les falsifier.
Que sait-on sur Ce que cela donne, et les réserves ?
Merlin AI comprend quatre types d'agents : des assistants intégrés au studio (rédacteur, designer, constitution de segments, modèles, scénarios), des agents conversationnels comme Campaign Insights, des agents sur mesure pour les équipes CRM, et des agents « décideurs » qui choisissent l'offre, le canal et le moment pour chaque client individuellement. Le raisonnement et la génération reposent sur les modèles Anthropic Claude Sonnet dans Amazon Bedrock.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.