Az AI-ügynökök miatt újra kell gondolni az ajánlórendszereket

Az ajánlás első fogyasztója már lehet egy ügynök

A Spotify Research szeptember 22-én közzétett tanulmánya, a Who Are We Recommending To? Recommender Systems in the Agentic Web azt vizsgálja, hogyan változhatnak az ajánlórendszerek az úgynevezett ügynöki weben. A tanulmányt elfogadták a 20. ACM Conference on Recommender Systems, vagyis a RecSys 2026 Past Present and Future szekciójába.

A kutatók szerint az ajánlórendszerek közel három évtizedes fejlődése során végig megmaradt egy alapfeltevés: az ajánlás címzettje egy ember. Erre épültek a rangsorolt listák és hírfolyamok, a kattintásokra, megtekintési időre és konverziókra építő mérőszámok, valamint a természetes nyelvű magyarázatok.

Egy AI-ügynök azonban a felhasználó helyett dolgozhatja fel az ajánlásokat. A Spotify példája szerint a felhasználó kérhet egy kétórás, jazzes és downtempo vacsorapartis lejátszási listát, amely főként számára új dalokból áll, de néhány kedvencet is tartalmaz. Az ügynök több szolgáltatás jelöltjeit értékelheti, majd összeállíthatja a listát anélkül, hogy a felhasználónak több száz szám között kellene keresnie.

A delegálás mértéke a döntés jellegétől függ

A Spotify Research a teljesen embervezérelt és a teljesen ügynökvezérelt ajánlás közötti átmenetet delegálási spektrummal írja le. A szerzők szerint három tényező határozza meg, mennyire bízható egy döntés az ügynökre.

• A preferenciák meghatározhatósága: pontosan megadható-e előre, mit szeretne a felhasználó.
• Az eredmény ellenőrizhetősége: géppel vizsgálható-e, hogy az ajánlás megfelel-e a céloknak.
• A döntés tétje és visszafordíthatósága: mekkora következménnyel jár a hiba, és könnyen korrigálható-e.

A „Rendeld újra a szokásos nyomtatópapíromat” típusú kérésnél a preferenciák egyértelműek, az eredmény ellenőrizhető, a tévedés költsége pedig alacsony. Egy testvérnek szánt születésnapi ajándék kiválasztása ezzel szemben személyes és nehezen formalizálható. Orvosi döntéseknél vagy lakásvásárlásnál a forrás szerint akkor is szükség van emberi felügyeletre, ha a célok és az eredmények viszonylag pontosan leírhatók.

A delegálás ezért ott működhet a legjobban, ahol a preferenciák világosak, az eredmény ellenőrizhető, a döntés tétje pedig alacsony. Az ügynökök ilyen helyzetekben önállóbban cselekedhetnek, más esetekben inkább szűrnek és segítenek, miközben a végső döntés az embernél marad.

Az értékeléstől a felelősségig több terület változhat

A tanulmány szerint az ügynökök által feldolgozott ajánlásokhoz kettős közönségre szabott megjelenítésre lehet szükség. Az embernek szánt rangsorok és magyarázatok mellett géppel feldolgozható adatok, strukturált tulajdonságok, korlátozások és az eredetükre vonatkozó metaadatok is szerepet kaphatnak.

Az ajánlórendszereknek a felhasználók céljait, korlátait és aktuális helyzetét is kezelniük kellene. A Spotify Research szerint ezek az információk akár olyan feltörekvő protokollokon keresztül is eljuthatnak a rendszerekhez, mint az MCP vagy az A2A.

Az olyan hagyományos mutatók, mint a pontosság, a visszahívás, az NDCG és az átkattintási arány, ügynök által közvetített ajánlásoknál kevésbé írják le a sikert. Fontosabbá válhat, hogy az ajánlás segített-e elérni a felhasználó célját és betartani a megadott feltételeket. Hibrid helyzetekben az ügynök felülbírálásának gyakorisága és a felhasználói beavatkozások száma is mérhető lehet.

A felelősség megállapítása szintén összetettebbé válik. Egy rossz eredményt okozhat maga az ajánlás, az ügynök értelmezése, vagy a folyamat más eleme. További kérdéseket vet fel a hirdetések kezelése, mivel az ember akár soha nem látja közvetlenül az ajánlati listát, valamint az ügynökök manipulációja, például felfújt metaadatokkal, promptinjektálással vagy az LLM-ek következtetését kihasználó szintetikus tartalmakkal.