Spotify relata ganhos com agente conversacional de recomendação musical

Pesquisadores do Spotify afirmam que um agente conversacional de recomendação ajudou a aumentar o tempo de audição e o número de usuários ativos semanais em testes A/B online. O sistema permite que as pessoas descrevam em linguagem natural o que querem — por exemplo, “artistas italianos de indie que ainda não ouvi” — em vez de apenas pedir ajustes na sessão de audição atual.

Os resultados estão em um artigo publicado no arXiv em 28 de setembro de 2026 e listado como artigo da RecSys 2026. Os autores relatam 14% mais tempo de audição, um aumento de 5% nos usuários ativos semanais e uma redução de 5% na taxa de pulos, em comparação com a experiência anterior do Spotify, que permitia refinar sessões.

Como o sistema foi desenvolvido

A equipe se concentrou em um desafio que surge antes do lançamento: ensinar um agente a planejar, inclusive quais ferramentas usar e em que ordem, quando ainda não há conversas reais com usuários para servir de base de aprendizado. O processo transforma prompts de turno único em conversas simuladas com vários turnos, para que a equipe possa testar o agente antecipadamente.

Em seguida, o sistema usa um ciclo automatizado de aprimoramento para identificar e corrigir erros de planejamento e de uso das ferramentas. O método compara diferentes respostas do agente e faz ajustes iterativos com a ajuda de um agente de programação. Os pesquisadores dizem que isso elevou a qualidade em 8% em relação a um prompt manual já altamente otimizado. Também afirmam que o processo encurtou os ciclos de desenvolvimento, embora o resumo do artigo não informe quanto tempo foi economizado.

O que os resultados mostram

Os números relatados de tempo de audição e engajamento vêm de testes online que compararam o sistema com uma experiência anterior específica, e não com todas as formas de usar o Spotify. O resumo do artigo não informa quantas pessoas participaram, quanto tempo duraram os testes nem se o agente está disponível para todos os usuários.

O trabalho trata principalmente de um método de desenvolvimento: usar conversas geradas e revisões automatizadas para aprimorar um agente antes e durante o lançamento. Essa abordagem pode ajudar equipes a testar ferramentas de recomendação em linguagem natural mesmo quando há poucos dados de interações reais no início.