Spotify registra risultati positivi con un agente conversazionale per consigliare musica

Secondo i ricercatori di Spotify, nei test A/B online un agente conversazionale per i consigli musicali ha contribuito ad aumentare l’ascolto e gli utenti attivi settimanali. Il sistema permette di descrivere in linguaggio naturale ciò che si desidera — per esempio, «artisti indie italiani che non ho mai ascoltato» — invece di chiedere soltanto modifiche alla sessione di ascolto in corso.

I risultati sono presentati in un articolo pubblicato su arXiv il 28 settembre 2026 e indicato come contributo a RecSys 2026. Gli autori riferiscono un aumento del 14% nell’ascolto, del 5% negli utenti attivi settimanali e una riduzione del 5% dei brani saltati rispetto alla precedente funzione di Spotify per perfezionare le sessioni di ascolto.

Come è stato sviluppato il sistema

Il team si è concentrato su una sfida da affrontare prima del lancio: insegnare a un agente a pianificare, anche decidendo quali strumenti usare e in quale ordine, quando non sono ancora disponibili conversazioni reali con gli utenti da cui imparare. La procedura trasforma prompt a turno singolo in conversazioni simulate a più turni, così da poter testare l’agente in anticipo.

Il team usa poi un ciclo di miglioramento automatico per individuare e correggere gli errori nella pianificazione e nell’uso degli strumenti. Il metodo confronta diverse risposte dell’agente e le perfeziona iterativamente con l’aiuto di un agente di programmazione. Secondo i ricercatori, questo ha migliorato la qualità dell’8% rispetto a un prompt manuale già altamente ottimizzato. Affermano inoltre che il processo ha abbreviato i cicli di sviluppo, anche se l’abstract dell’articolo non quantifica il risparmio di tempo.

Cosa mostrano i risultati

I dati riportati su ascolto e coinvolgimento derivano da test online confrontati con una specifica funzione precedente, non con tutte le modalità d’uso di Spotify. Nell’abstract l’articolo non indica quante persone hanno partecipato, quanto sono durati i test o se l’agente è disponibile a tutti gli utenti.

Il lavoro riguarda soprattutto un metodo di sviluppo: usare conversazioni generate e revisioni automatiche per migliorare un agente prima e durante il lancio. Questo approccio potrebbe aiutare i team a testare strumenti di raccomandazione in linguaggio naturale anche quando inizialmente dispongono di pochi dati sulle interazioni nel mondo reale.