Spotify rapporterar ökat lyssnande med en dialogbaserad musikrekommendationsagent

Spotify-forskare uppger att en dialogbaserad rekommendationsagent bidrog till ökat lyssnande och fler veckovisa aktiva användare i onlinebaserade A/B-tester. Systemet låter människor beskriva vad de vill höra med vanligt språk – till exempel ”italienska indieartister jag inte har hört förut” – i stället för att bara be om ändringar i en pågående lyssningssession.

Resultaten publicerades i en artikel på arXiv den 28 september 2026 och anges som en artikel från RecSys 2026. Författarna rapporterar 14 procent mer lyssnande, 5 procent fler veckovisa aktiva användare och 5 procent lägre andel överhoppade låtar jämfört med Spotifys tidigare funktion för att finjustera lyssningssessioner.

Så byggdes systemet

Teamet fokuserade på en utmaning som uppstår före lansering: att lära en agent att planera, bland annat vilka verktyg den ska använda och i vilken ordning, när det ännu inte finns några verkliga användarsamtal att lära sig av. I deras process omvandlas prompter med en enda tur till simulerade samtal med flera turer, så att teamet kan testa agenten i förväg.

Därefter används en automatisk förbättringsloop för att hitta och rätta till misstag i planering och verktygsanvändning. Metoden jämför olika agentsvar och gör återkommande justeringar med hjälp av en kodningsagent. Forskarna uppger att detta höjde kvaliteten med 8 procent jämfört med en redan mycket optimerad manuell prompt. De säger också att processen kortade utvecklingscyklerna, men artikelns sammanfattning anger ingen tidsuppskattning.

Vad resultaten visar

De rapporterade siffrorna för lyssnande och engagemang kommer från onlinetester där systemet jämfördes med en specifik tidigare funktion, inte med alla sätt som människor använder Spotify på. I sin sammanfattning anger artikeln inte hur många som deltog, hur länge testerna pågick eller om agenten är tillgänglig för alla användare.

Arbetet handlar framför allt om en utvecklingsmetod: att använda genererade samtal och automatiska justeringar för att förbättra en agent före och under lansering. Metoden kan hjälpa team att testa verktyg för rekommendationer på naturligt språk även när det till en början finns lite data om verkliga interaktioner.