Spotify detalha arquitetura multiagente que já gera a maioria dos criativos de anúncios

A Spotify Ads Manager roda hoje um sistema multiagente em produção que já responde pela maior parte da geração de criativos publicitários da plataforma. Pratik Rasam, engenheiro sênior da Spotify Ads, apresentou a arquitetura na conferência QCon AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →, numa palestra registrada pelo InfoQ. O recorte interessa a quem projeta sistemas com múltiplos agentes de LLM: não é um discurso sobre o potencial da tecnologia, é relato de decisões de arquitetura testadas com tráfego real.

O que é o Ads AI, em números

A plataforma, batizada de Ads AI, foi lançada em 2025. Segundo Rasam, mais de 70% dos anúncios veiculados atualmente pela Spotify Ads Manager usam alguma ferramenta de IA da plataforma. Já foram geradas cerca de 20.000 peças criativas para mais de 7.000 anunciantes.

Em resumo: não é um protótipo de pesquisa. É dinheiro real, audiência real e campanhas que efetivamente rodam na rede de anúncios da Spotify, com a maior parte do pipeline de criação de criativos passando pelos agentes descritos na palestra.

Um agente, um pacote, um dono

O primeiro padrão estrutural que a Spotify adotou é organizacional antes de ser técnico: cada agente vive em seu próprio pacote, com um único time dono. Na prática, isso significa que, antes mesmo de escrever a primeira linha de instrução para o agente, já existe um pacote Bazel com:

• lib-info, que define qual time é responsável pelo agente e para onde vão as revisões de pull request quando um atributo muda;
• monitoring-info.yaml, com dashboards e alertas de PagerDuty já configurados;
• classes de scaffolding de injeção de dependência (AgentFactory, AgentAdapter, AgentService, AgentModule) que compõem o pacote.

A configuração do modelo de linguagem usado pelo agente fica armazenada como front matter dentro do próprio pacote, o que deixa a definição do agente auditável junto com o código.

Fronteiras aplicadas em tempo de compilação

O ponto mais incomum do padrão é como a Spotify impede acoplamento entre agentes de times diferentes: usando a visibilidade do Bazel como mecanismo de controle. Um agente de geração de script só consegue chamar o agente de recomendação de audiência se esse segundo agente explicitamente permitir a importação. Sem essa permissão, o build quebra, sem precisar de revisão manual ou convenção informal entre times.

Onde termina o agente e começa o código determinístico

A pergunta central que Rasam coloca para quem desenha sistemas multiagente é: quem é dono do quê? A resposta da Spotify divide responsabilidades em três camadas:

"Tudo que pode ser codificado de forma determinística deveria sempre ser codificado de forma determinística", resumiu Rasam na apresentação. A arquitetura de execução segue a mesma lógica de separação: aplicações cliente chamam um serviço gRPC responsável pela gestão de sessão, que aciona a camada de agentes de IA, que por sua vez se apoia numa camada de modelo e ferramentas (runtime do LLM, plugins e observabilidade↳Observabilidade11 conteúdosObservabilidade para APIs: os desafios e benefícios dessa abordagemDev (Back & Front) · jan 2025Falhas em Observabilidade afetam os Apps e a Segurança das OrganizaçõesDev (Back & Front) · nov 2023ADK Java 1.0: O Google quer que você pare de gambiarra Python no seu backendMarketing Tech · abr 2026Ver tudo em DevSecOps →). Orquestração e guardrails de segurança ficam fora do agente, numa camada à parte, justamente para garantir comportamento consistente entre todos os agentes da plataforma.

Por que multiagente virou arquitetura, não só demo de pesquisa

Rasam situa a virada em quatro mudanças, três do lado da oferta de tecnologia e uma do lado da demanda. No lado da oferta: modelos de linguagem ficaram consistentes o bastante para devolver JSON estruturado sem parsing improvisado; frameworks como Google ADK Java↳Java42 conteúdosNovidades do Java 26 (para desenvolvedores)Dev (Back & Front) · mar 2026Visual Studio Code para Java: o guia completo (dicas, configuração e extensões)Dev (Back & Front) · out 2025Quarkus: Modernizando a linguagem Java para a era da nuvemDev (Back & Front) · nov 2020Ver tudo em Dev (Back & Front) →, LangChain4j e CrewAI passaram a oferecer primitivas prontas de execução paralela e gestão de sessão, que antes cada time precisava escrever por conta própria; e as convenções semânticas do OTel GenAI padronizaram observabilidade para workloads de IA generativa, permitindo capturar e reproduzir traces de produção em vez de depender só de testes sintéticos.

Do lado da demanda, campanhas publicitárias passaram a ter múltiplos pontos de entrada (o anunciante pode começar no app mobile e continuar no Ads Manager ou via API), cada um com contexto próprio que precisa ser costurado, além da exigência de medição de performance em loop fechado alimentando de volta o sistema.

Até o início de 2026, multiagente era uma demonstração de pesquisa, agora é arquitetura.

Until early 2026, multi-agent was a research demo, now it is an architecture.Pratik Rasam, engenheiro sênior da Spotify Ads

O custo de não ter contexto compartilhado

A palestra usa uma comparação direta entre interface no estilo função e interface no estilo agente para mostrar por que isso importa na prática. No estilo função, cada etapa do fluxo de criação de anúncio (briefing de marca, geração de script, recomendação de segmentação) extrai e usa só os próprios sinais: o passo de geração de script, por exemplo, recebe nome da marca e call-to-action, mas perde o tom de voz que havia sido definido na etapa anterior.

No estilo agente que a Spotify adotou, cada agente lê e escreve num estado de sessão compartilhado, então o contexto se acumula a cada etapa. No fim do fluxo, o agente que gera o script tem acesso ao tom de marca, ao call-to-action, aos temas e à audiência já resolvida, tudo junto, em vez de reconstruir esse contexto do zero a cada chamada.

O que ainda fica em aberto

Nem tudo na plataforma está em produção plena: o Audience Recommendation Agent, que recomenda segmentação de público, segue em piloto. A Spotify também mantém uma camada própria de moderação, chamada internamente de kutest, para gestão de políticas de guardrail, separada da lógica de negócio dos agentes.

Para quem constrói sistemas multiagente, os padrões de maior valor prático aqui não são de prompt engineering, e sim de engenharia de plataforma: ownership explícito por pacote, fronteiras de importação impostas em tempo de compilação e separação clara entre o que é julgamento de LLM, o que é dado vindo de API e o que é apenas código determinístico escondido atrás de uma ferramenta.

Fonte: InfoQ