# Spotify relata ganhos com agente conversacional de recomendação musical

> Uma equipe de pesquisa do Spotify descreve como usou conversas simuladas e o refinamento automatizado de prompts para criar um agente musical. Em testes A/B, o sistema aumentou o tempo de audição e o número de usuários ativos semanais em comparação com um recurso limitado a ajustar uma sessão de audição, segundo a equipe.

Oossa · 2026-09-29 · https://oossa.com/pt/spotify-reports-gains-from-a-conversational-music-recommendation-agent

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.

## Os fatos

- O artigo foi publicado no arXiv em 28 de setembro de 2026 e indica a RecSys 2026 como referência de periódico.
- Os pesquisadores geraram conversas com vários turnos a partir de prompts de turno único para testar o agente antes do lançamento.
- A equipe relata uma melhoria de 8% na qualidade em relação a um prompt manual altamente otimizado.
- Em testes A/B, os pesquisadores relatam 14% mais tempo de audição, 5% mais usuários ativos semanais e uma taxa de pulos 5% menor do que na experiência anterior de refinamento de sessões.

## Por que importa

Para quem ouve música, a ideia é facilitar pedidos com descrições detalhadas e cotidianas. Os ganhos relatados são animadores, mas o resumo não informa o tamanho nem a duração dos testes e não confirma que o agente esteja disponível para todos.

## Fontes e referências

1. [Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops](https://arxiv.org/abs/2609.30297) – arXiv, 2026-09-28

Última atualização: 2026-09-29