Wenn der Algorithmus A&R macht

Wie Daten, KI und Streamingplattformen verändern, welche Artists entdeckt werden

Früher war A&R vor allem eine Sache von Menschen. Jemand hörte eine Demo, sah einen unbekannten Artist auf einer kleinen Bühne, bekam einen Tipp aus der Szene oder stolperte über einen Song, den noch kaum jemand kannte. Dann begann das eigentliche A&R-Spiel: Hat dieser Künstler das Zeug für mehr? Gibt es eine Geschichte? Eine eigene Identität? Ein Publikum, das sich aufbauen lässt?

Heute kann zwischen dem ersten Upload eines Songs und seiner Entdeckung durch die Musikindustrie eine gewaltige Datenwolke liegen. Streams, Saves, Skip-Verhalten, Playlist-Adds, Follower, Suchanfragen, Social-Media-Interaktionen, Hörgewohnheiten ähnlicher Nutzer – all diese Signale können dabei helfen, vorherzusagen, welche Musik für wen interessant sein könnte.

Damit verändert sich eine der ältesten Fragen des Musikgeschäfts: Wer entdeckt eigentlich den nächsten großen Artist? Die Antwort lautet zunehmend: nicht mehr nur der A&R-Manager. Sondern auch die Maschine.

Vom Bauchgefühl zum Datensignal

A&R war immer eine Mischung aus Instinkt, Erfahrung und Marktbeobachtung. Ein guter A&R musste nicht unbedingt wissen, warum ein Song funktioniert. Er musste spüren, dass er funktioniert.

Streamingplattformen gehen einen anderen Weg. Spotify beschreibt seine personalisierten Empfehlungen als Zusammenspiel aus Menschen, Technologie und einer Vielzahl von Signalen. Dabei werden unter anderem Hörverhalten, Zeitpunkt des Hörens, Playlist-Aktivitäten und die Gewohnheiten von Menschen mit ähnlichem Musikgeschmack berücksichtigt. Spotify spricht von Tausenden unterschiedlichen Signalen, die in Empfehlungssysteme einfließen.

Das bedeutet: Ein Song muss nicht mehr zwangsläufig erst einen Hit landen, um Aufmerksamkeit zu erzeugen. Er kann zunächst Daten erzeugen. Und diese Daten können wiederum weitere Aufmerksamkeit auslösen. Genau darin liegt die neue Dynamik.

Die Playlist ist der neue Talentscout

Ein großer Teil der musikalischen Entdeckung findet heute nicht mehr über klassische Medien statt, sondern innerhalb personalisierter Streaming-Erlebnisse.

Spotify berichtet, dass mehr als die Hälfte der neuen Artist-Entdeckungen in sogenannten programmierten Playlists stattfindet. Dazu zählen sowohl redaktionell zusammengestellte als auch personalisierte Angebote; mehr als ein Viertel der Entdeckungen entfiel in der von Spotify ausgewerteten Periode auf Mixes, Radio und Autoplay. Das ist eine bemerkenswerte Verschiebung.

Denn früher musste ein Artist einen Gatekeeper überzeugen, damit dieser ihn seinem Publikum vorstellte. Heute kann ein Empfehlungssystem einen Song zunächst einer kleinen Gruppe von Hörern vorspielen – und anschließend beobachten, was passiert.

Wird gespeichert?

Wird weitergehört?

Wird übersprungen?

Wird der Song in eine eigene Playlist übernommen?

Entsteht aus einem einzelnen Hörer vielleicht ein Fan?

Die Maschine bekommt damit etwas, das ein klassischer A&R-Mitarbeiter niemals in dieser Größenordnung besitzen konnte: Millionen parallele Reaktionen auf Musik.

Der Algorithmus hört anders als ein A&R

Und trotzdem hört er nicht wirklich. Das ist der entscheidende Unterschied.

Ein Mensch kann in einem Song etwas erkennen, das noch keine Daten abbilden. Eine ungewöhnliche Stimme. Eine eigenwillige Ästhetik. Eine Idee, die zunächst sperrig wirkt. Einen Künstler, dessen Potenzial vielleicht erst auf dem dritten oder vierten Release sichtbar wird. Ein Algorithmus arbeitet dagegen mit Mustern.

Funktioniert etwas bei Hörern, die bereits bestimmte Artists mögen? Gibt es eine hohe Interaktion? Wie verhält sich ein Song im Vergleich zu ähnlichen Titeln? Welche Eigenschaften verbinden erfolgreiche Songs miteinander?

Auch die Forschung bewegt sich genau in diese Richtung. Eine 2025 veröffentlichte Studie zeigte beispielsweise, dass sich Chart-Erfolg anhand von Streamingdaten und Audioeigenschaften modellieren lässt. Die Autoren sehen darin unter anderem Potenzial für A&R-Scouting, Playlist-Optimierung und Hit-Prognosen.

Noch interessanter ist eine aktuelle Forschungsarbeit von 2026: Sie beschäftigt sich ausdrücklich mit dem Problem, neue Songs von Artists zu empfehlen, zu denen noch wenig Interaktionshistorie existiert. Dabei kann der bereits vorhandene Katalog eines Artists helfen, die Erfolgschancen eines neuen Tracks besser einzuschätzen.

Der Algorithmus lernt also nicht nur den Song kennen. Er lernt zunehmend auch den Artist hinter dem Song.

Der Cold Start bleibt das große Problem

Und genau hier liegt eine der größten Herausforderungen für Newcomer. Denn Daten brauchen zunächst Daten.

Ein etablierter Artist besitzt Streams, Follower, Playlist-Historie und eine Hörerschaft. Ein komplett unbekannter Künstler hat all das nicht.

Das nennt die Forschung das Cold-Start-Problem: Wie soll ein Empfehlungssystem etwas empfehlen, über das es kaum Informationen gibt?

Neue Modelle versuchen deshalb, andere Informationsquellen einzubeziehen – etwa Audioeigenschaften, Metadaten, Texte oder den bisherigen Künstlerkatalog. Die Forschung von 2026 zeigt, dass die Berücksichtigung von Artist-Daten bei neuen Songs die Empfehlungsqualität gegenüber rein inhaltsbasierten Verfahren deutlich verbessern kann.

Für Artists bedeutet das eine interessante Konsequenz: Der erste Song ist nicht mehr nur ein Song. Er ist der Beginn eines Datensatzes.

Jede Veröffentlichung kann Informationen darüber liefern, welche Menschen auf die Musik reagieren, wo sie entdeckt wird und welche weiteren Songs zu diesem Publikum passen.

Spotify macht den Mechanismus sichtbar

Besonders deutlich wird die Entwicklung beim Spotify-Tool Discovery Mode.

Artists und Labels können dort Songs markieren, die sie für besonders relevant halten. Spotify gibt dieses Signal an die Algorithmen weiter, die personalisierte Playlists und Hörsituationen zusammenstellen. Das erhöht die Wahrscheinlichkeit einer Empfehlung – garantiert sie aber nicht. Denn wenn Hörer nicht mit dem Song interagieren, berücksichtigt Spotify auch dieses negative Signal.

Noch bemerkenswerter: Spotify nutzt Machine Learning inzwischen auch, um Songs für Discovery Mode vorzuschlagen. Dafür fließen unter anderem die Performance eines Songs in den vergangenen 28 Tagen, Follower- und Listener-Daten sowie frühere Platzierungen in personalisierten Playlists ein. Damit entsteht beinahe ein Kreislauf:

Daten beeinflussen die Empfehlung – die Empfehlung erzeugt neue Daten – und diese Daten beeinflussen die nächste Empfehlung.

Das ist sehr viel näher an automatisiertem A&R, als es der Begriff „Playlist-Algorithmus“ zunächst vermuten lässt.

Und dann kommt die nächste Ebene: KI

Auch die Plattformen selbst bewegen sich von klassischen Empfehlungen in Richtung generativer und dialogischer Musikentdeckung.

Spotify hat 2026 seine personalisierte Discovery weiter ausgebaut. Der Dienst ermöglicht Premium-Nutzern unter anderem, über Text- oder Spracheingaben bestimmte musikalische Stimmungen oder Wünsche an den persönlichen DJ zu richten.

YouTube geht einen ähnlichen Weg. YouTube Music nutzt bereits personalisierte Empfehlungen auf Basis von Hörhistorie, Stimmung und Aktivitäten. Mit „Ask Music“ können Nutzer inzwischen sogar in natürlicher Sprache beschreiben, welche Musik sie hören möchten. Die KI erstellt daraus eine personalisierte Auswahl, die sowohl bekannte als auch neue Artists enthalten kann.

Damit verändert sich auch die Suchfrage. „Welche Musik passt genau zu dem, was ich gerade suche?“

Für unbekannte Artists kann das eine enorme Chance sein. Denn ein Song muss nicht zwingend für alle funktionieren. Er muss möglicherweise nur für den richtigen Menschen im richtigen Moment funktionieren.

TikTok liefert den nächsten Datenstrom

Auch TikTok macht aus Aufmerksamkeit zunehmend messbare Artist-Daten.

Mit TikTok for Artists hat die Plattform 2025 ein eigenes Analyseangebot für Musiker, Labels und Teams gestartet. Die Plattform liefert unter anderem täglich aktualisierte Informationen über die Performance von Musik und Posts sowie darüber, wie die Community mit Artists und ihren Songs interagiert.

Damit wird Social Discovery Teil des A&R-Datenpuzzles. Ein Song kann auf TikTok zunächst nur wenige Streams auf Spotify erzeugen, aber bereits starke Signale bei Videos, Shares oder Community-Interaktionen zeigen.

Für ein modernes Scouting-Team entsteht dadurch ein vielschichtigeres Bild:

Streaming sagt, was gehört wird.
Social Media zeigt, was Aufmerksamkeit erzeugt.
Playlistdaten zeigen, wo Musik weitergetragen wird.
Fan-Daten zeigen, ob aus Aufmerksamkeit Bindung entsteht.

Das Zusammenspiel dieser Informationen könnte für das A&R der Zukunft wichtiger werden als jede einzelne Kennzahl.

Aber kann ein Algorithmus einen Star erkennen?

Hier wird es kompliziert. Denn musikalischer Erfolg ist keine mathematische Gleichung.

Ein Algorithmus kann erkennen, dass bestimmte Muster häufig mit Erfolg verbunden sind. Er kann Wahrscheinlichkeiten berechnen. Er kann Millionen Songs durchsuchen und Kandidaten herausfiltern.

Was er nicht zuverlässig kann: die Zukunft garantieren.

Selbst Spotify betont bei seinen eigenen Machine-Learning-Prognosen, dass Empfehlungen keine bestimmten Ergebnisse garantieren. Und genau deshalb verschwindet der menschliche A&R nicht.

Im Gegenteil. Die Aufgabe könnte sich verändern. Statt tausende Songs komplett manuell zu durchsuchen, könnte ein A&R künftig zunächst eine algorithmisch erzeugte Shortlist erhalten.

Die Maschine sagt: „Diese 200 Artists zeigen interessante Signale.“

Der Mensch fragt: „Welche davon haben wirklich etwas zu erzählen?“

Das ist ein fundamentaler Unterschied.

Die Gefahr der algorithmischen Selbstverstärkung

Es gibt allerdings auch eine Schattenseite. Wenn Algorithmen bevorzugt das empfehlen, was bereits gut funktioniert, kann daraus eine Art musikalischer Kreislauf entstehen.

Ein Song bekommt Aufmerksamkeit.

Die Aufmerksamkeit erzeugt Daten.

Die Daten führen zu weiteren Empfehlungen.

Die Empfehlungen erzeugen noch mehr Aufmerksamkeit. Und irgendwann sieht es so aus, als hätte der Algorithmus den Erfolg vorhergesagt – obwohl er ihn teilweise selbst mit erzeugt hat. Das könnte für Musik außerhalb etablierter Muster problematisch werden. Gerade ungewöhnliche Artists brauchen manchmal Zeit.

Sie passen vielleicht nicht sauber in ein Genre. Ihre Musik funktioniert nicht beim ersten Hören. Ihr Publikum ist klein, aber leidenschaftlich. Oder ihre eigentliche Stärke zeigt sich erst live, im Kontext eines Albums oder über mehrere Veröffentlichungen hinweg.

Ein Mensch kann solche Widersprüche als Potenzial interpretieren. Ein datengetriebenes System könnte sie zunächst als schwache Signale bewerten. Spotify betont deshalb selbst, dass seine Empfehlungssysteme menschliche redaktionelle Arbeit und maschinelles Lernen miteinander verbinden. Der Mensch ist also keineswegs verschwunden. Er sitzt nur zunehmend hinter einer Schicht aus Daten.

Was bedeutet das für Artists?

Für Musiker verändert sich damit auch die Bedeutung von „Release“. Ein Release ist nicht mehr ausschließlich das fertige Produkt. Er ist gleichzeitig ein Test. Nicht im Sinne eines künstlich erzeugten Marketingexperiments, sondern als Möglichkeit zu beobachten, welche Menschen auf welche Aspekte der Musik reagieren.

Für Artists werden deshalb Datenkompetenz und Fanverständnis wichtiger. „Wer hört meine Musik – und warum?“

Ein Save kann wertvoller sein als ein kurzer Stream. Ein wiederkehrender Hörer kann wichtiger sein als eine einmalige Reichweite. Eine kleine Community, die Songs teilt und in eigene Playlists übernimmt, kann langfristig interessanter sein als eine große, aber völlig anonyme Zahl.

Und genau hier treffen sich Algorithmus und klassisches A&R wieder. Denn auch ein guter A&R sucht letztlich nicht nur Reichweite. Er sucht Potenzial.

Das neue A&R ist wahrscheinlich ein Hybrid

Vielleicht liegt die Zukunft deshalb weder beim Menschen noch bei der Maschine. Sondern dazwischen. Der Algorithmus kann Millionen Songs durchsuchen, Muster erkennen, Entwicklungen vergleichen und ungewöhnliche Datenbewegungen sichtbar machen. Der Mensch kann Kontext liefern.

Er kann Musikgeschichte verstehen. Künstlerpersönlichkeiten einschätzen. Szenen beobachten. Risiken eingehen. Einen Artist auch dann interessant finden, wenn die Zahlen noch nicht dafür sprechen. Das könnte sogar eine Renaissance des guten A&R bedeuten. Nur eben mit einem völlig anderen Werkzeugkasten.

Der A&R der Zukunft muss möglicherweise weniger Zeit damit verbringen, Musik zu finden. Dafür muss er besser darin werden, zu verstehen, warum eine Maschine gerade diese Musik gefunden hat – und ob sie damit recht hat.

kibeat-Prognose: Der Algorithmus wird nicht A&R ersetzen

Der klassische A&R wird nicht verschwinden. Aber seine Monopolstellung als Scout könnte verschwinden. Denn wenn Streamingdienste, Social-Plattformen und KI-Systeme immer besser darin werden, musikalisches Potenzial aus Daten herauszufiltern, wird die erste Entdeckung eines Artists zunehmend automatisiert.

Die eigentliche Wertschöpfung verschiebt sich dann eine Stufe weiter: „Wer erkennt, welcher gefundene Artist wirklich wichtig werden könnte?“

Und vielleicht ist genau das die neue Aufgabe des A&R. Der Algorithmus kann die Nadel im Heuhaufen finden. Aber er weiß noch nicht, welche Nadel eine Geschichte erzählt.