MoEngage подключила ИИ-агентов к готовым API: CTR пушей у Glance вырос на 38%
Маркетолог перед распродажей по очереди открывает аналитику, библиотеку текстов и конструктор кампаний. MoEngage не стала переписывать сотни API: описания OpenAPI автоматически превратили в MCP-инструменты, которые ИИ-агент вызывает из Claude или ChatGPT. У клиента Glance доля кликов по push-уведомлениям (CTR) выросла на 38%, а кампании запускаются на 50% быстрее. Если у продукта есть зрелое API, агентный слой проще строить поверх него.
AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
Чтобы запустить распродажу на выходные, маркетолог открывает три инструмента, ещё не написав ни строчки текста: аналитику, чтобы увидеть, что сработало в прошлый раз, библиотеку контента, чтобы выбрать тон, и конструктор кампаний. Умножьте это на email, push, SMS и WhatsApp, и большая часть недели уходит на переходы между интерфейсами, а не на решения. Платформа клиентских коммуникаций MoEngage, которой пользуются больше 1350 брендов, убрала эту рутину с помощью ИИ-агентов и не стала переписывать сотни существующих API: их описания автоматически превратили в «инструменты» по стандарту MCP (Model Context Protocol), которые агент вызывает сам. Результат у клиента Glance: кликабельность push-уведомлений (CTR, доля пользователей, нажавших на пуш) выросла на 38%. Для разработчика это готовая схема: как добавить агентов к зрелому продукту, не трогая бэкенд.
Как API превратили в инструменты агентов
В MoEngage решили, что это архитектурная задача. Нужно дать агенту доступ к живым данным клиента и не позволить ему залезть в чужие. API платформы для кампаний, аналитики, сегментов, контента и сценариев уже описаны в формате OpenAPI 3.0. Команда взяла фреймворк FastMCP, который читает такую спецификацию и сам создаёт MCP-инструменты. Каждая операция становится инструментом со схемой, описанием и проверкой параметров. В примере из статьи это около десяти строк на Python: загрузить спецификацию, создать клиент, вызвать FastMCP.from_openapi и запустить сервер.
Инструменты делятся на пять групп: кампании, аналитика, сегментация, контент и сценарии автоматизации. Определения генерируются из спецификаций, поэтому при обновлении API инструменты обновляются вместе с ним. MCP-сервер сам модель не запускает. Он только отдаёт возможности платформы, а рассуждает тот агент, который к нему обращается. Подключиться может любой клиент с поддержкой MCP, включая Claude и ChatGPT через коннектор MoEngage.
Как изолированы клиенты
В системе, где работают тысячи брендов, модель не должна решать, чьи данные читать. MoEngage сделала три вещи. Сервер принимает тот же JWT-токен, что и обычные API, а AgentCore runtime проверяет его до того, как запрос дойдёт до сервера. Идентификаторы рабочего пространства и пользователя едут в заголовках запроса, а не в аргументах инструментов, поэтому модель их не видит и подменить не может. Каждая пользовательская сессия работает в отдельной изолированной среде, и состояние одного диалога не читается из другого. Сверху стоят Amazon Bedrock Guardrails с фильтрами безопасности и персональных данных, а промежуточный слой проверяет структуру сгенерированного контента перед показом в интерфейсе.
Агентов можно держать на коротком поводке. Каждый ведёт журнал: какие данные взял, что решил, каких каналов коснулся, что отправил. Режим выбирается на уровне агента: полная автономия или подтверждение человеком перед действием. В примере из статьи агент находит просадку на третьем шаге онбординга и ставит SMS-ветку на паузу только после согласия пользователя.
Что получилось и где оговорки
Merlin AI включает четыре типа агентов: встроенные помощники в студии (копирайтер, дизайнер, сборка сегментов, шаблоны, сценарии), диалоговые агенты вроде Campaign Insights, кастомные агенты для CRM-команд и агенты-решатели, которые выбирают оффер, канал и время для каждого клиента отдельно. Для рассуждений и генерации используются модели Anthropic Claude Sonnet в Amazon Bedrock. Версии в посте названы Sonnet 4.6, 5 и 5.5, и между ними MoEngage переключается через один и тот же API.
Цифры, которые приводит компания: больше полугода в продакшене, у Glance запуск кампаний на 50% быстрее, клики по пушам выше на 38%, а контентных вариантов на кампанию примерно втрое больше. По платформе в целом ручной работы с каналом, временем и частотой стало на 60–70% меньше, а конверсия от решений по цели выросла на 20–30%. Инференс с оплатой за токены вместо собственных GPU снизил расходы на ИИ-инфраструктуру больше чем на 50%.
С этими данными нужна осторожность. Статья написана вместе с командой MoEngage и опубликована в блоге AWS, так что это самоотчёт вендора. Методика замеров не раскрыта: неизвестны контрольные группы и базовые значения. Сравнение стоимости со «своими моделями» тоже зависит от того, какие модели и какая загрузка были взяты за основу.
Вывод для практики простой. Если у вашего продукта зрелое API со спецификацией, агентный слой не надо собирать с нуля. Нужны генерация MCP-инструментов из OpenAPI, авторизация на тех же токенах, идентификаторы вне досягаемости модели и управляемый рантайм для сессий. Отдельно проверьте, что нужные функции AgentCore доступны в вашем регионе AWS.
- 18 нояб. 2026 г.Агент OpenAI заполняет страховые заявки: Luna взяла 91,8% баллов за 8,5 цента
- 18 нояб. 2026 г.ИИ-сводка в 94% B2B-подборок почти не показывает сайты самих компаний
- 18 нояб. 2026 г.Tencent Hy4 flash набрала 2,79 из 4 против 2,81 у Haiku 5.5 и стоит в 18 раз дешевле за задачу
- 18 нояб. 2026 г.Пять нейросетей чинили один баг: две справились, три сломали больше
Вопросы и ответы по материалу
Что известно по теме: как API превратили в инструменты агентов?
В MoEngage решили, что это архитектурная задача. Нужно дать агенту доступ к живым данным клиента и не позволить ему залезть в чужие. API платформы для кампаний, аналитики, сегментов, контента и сценариев уже описаны в формате OpenAPI 3.0. Команда взяла фреймворк FastMCP, который читает такую спецификацию и сам создаёт MCP-инструменты. Каждая операция становится инструментом со схемой, описанием и проверкой параметров.
Что известно по теме: как изолированы клиенты?
В системе, где работают тысячи брендов, модель не должна решать, чьи данные читать. MoEngage сделала три вещи. Сервер принимает тот же JWT-токен, что и обычные API, а AgentCore runtime проверяет его до того, как запрос дойдёт до сервера. Идентификаторы рабочего пространства и пользователя едут в заголовках запроса, а не в аргументах инструментов, поэтому модель их не видит и подменить не может.
Что известно по теме: что получилось и где оговорки?
Merlin AI включает четыре типа агентов: встроенные помощники в студии (копирайтер, дизайнер, сборка сегментов, шаблоны, сценарии), диалоговые агенты вроде Campaign Insights, кастомные агенты для CRM-команд и агенты-решатели, которые выбирают оффер, канал и время для каждого клиента отдельно. Для рассуждений и генерации используются модели Anthropic Claude Sonnet в Amazon Bedrock. Версии в посте названы Sonnet 4.6, 5 и 5.5, и между ними MoEngage переключается через один и тот же API.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.