Spotify informa de mejoras con un agente conversacional para recomendar música

Investigadores de Spotify afirman que un agente conversacional de recomendaciones contribuyó a aumentar la escucha y los usuarios activos semanales en pruebas A/B en línea. El sistema permite que las personas describan con palabras cotidianas lo que buscan —por ejemplo, «artistas italianos de indie que aún no haya escuchado»— en vez de limitarse a pedir cambios en una sesión de escucha en curso.

Los resultados aparecen en un artículo publicado en arXiv el 28 de septiembre de 2026 e incluido como artículo de RecSys 2026. Los autores informan de un 14 % más de escucha, un aumento del 5 % en los usuarios activos semanales y una reducción del 5 % en la tasa de omisión, en comparación con la experiencia anterior de Spotify para ajustar sesiones.

Cómo se creó el sistema

El equipo se centró en un reto previo al lanzamiento: enseñar a un agente a planificar —por ejemplo, qué herramientas usar y en qué orden— cuando todavía no hay conversaciones reales con usuarios de las que aprender. Su proceso convierte instrucciones de un solo turno en conversaciones simuladas de varios turnos, para que el equipo pueda probar el agente con antelación.

Después, emplea un ciclo automatizado de mejora para detectar y corregir errores de planificación y uso de herramientas. El método compara distintas respuestas del agente y aplica cambios iterativos con ayuda de un agente de programación. Los investigadores afirman que esto elevó la calidad un 8 % respecto de una instrucción manual que ya estaba muy optimizada. También señalan que el proceso acortó los ciclos de desarrollo, aunque el resumen del artículo no da una estimación de cuánto.

Qué muestran los resultados

Las cifras de escucha e interacción que se presentan proceden de pruebas en línea frente a una experiencia anterior concreta, no de una comparación con todas las formas en que la gente usa Spotify. El resumen del artículo no indica cuántas personas participaron, cuánto duraron las pruebas ni si el agente está disponible para todos los usuarios.

El trabajo trata principalmente de un método de desarrollo: usar conversaciones generadas y revisiones automatizadas para mejorar un agente antes y durante su lanzamiento. Este enfoque podría ayudar a los equipos a probar herramientas de recomendación en lenguaje natural incluso cuando al principio disponen de pocos datos de interacciones reales.