Vie odhadnúť popularitu skladby bez telefonovania respondentom, sledovať, pri čom poslucháči reálne odchádzajú, a sama zostaviť celé dni či týždne vysielania. Hudobní dramaturgovia zo dňa na deň nezmiznú. Veľká časť práce, ktorú dnes robia oni aj celý priemysel okolo nich, však môže skončiť podstatne skôr, než sa ešte nedávno zdalo.
Štyridsať rokov fungoval recept takmer rovnako
Za tým, čo poslucháč vníma jednoducho ako „rádio hrá dobrú hudbu“, je v komerčnom rádiu pomerne komplikovaný proces. Najskôr treba zistiť, ktoré skladby cieľová skupina pozná, ktoré má rada, ktoré už neznáša a ktoré začínajú byť opočúvané. Potom ich hudobný dramaturg rozdelí do kategórií, nastaví rotácie a až následne prichádza plánovací softvér, ktorý musí z tisícov možností vytvoriť každú hodinu vysielania.
V USA a na veľkých európskych trhoch sa okolo tohto procesu za desaťročia vytvoril celý samostatný priemysel. Výskumné agentúry regrutujú správne demografické skupiny poslucháčov, call centrá telefonujú respondentom, ďalšie firmy organizujú halové hudobné testy, pri ktorých desiatky či stovky ľudí hodnotia krátke ukážky veľkého množstva skladieb. Výsledky potom spracujú analytici a odovzdajú ich rádiu.
Callout sa historicky používa najmä na priebežné sledovanie aktuálnych skladieb, zatiaľ čo veľký halový test dokáže počas jedného večera preveriť stovky starších a stabilne hraných titulov. Ide o metódy, ktoré zásadne ovplyvnili podobu komerčného rádia posledných desaťročí a používajú sa dodnes.
Až potom vstupujú do hry systémy ako RCS GSelector, MusicMaster alebo na Slovensku vyvinutá SEPIA. Ich úlohou je dostať rozhodnutia dramaturga do reálneho vysielania.
Selector, MusicMaster či SEPIA riešia problém, ktorý vytvoril človek
Princíp klasických plánovacích systémov je sofistikovaný, ale v jadre veľmi jednoduchý: dramaturg systému povie, čo smie a čo nesmie.
Rovnaký interpret sa nemá zopakovať príliš skoro, dve pomalé skladby nemajú nasledovať po sebe, niektoré tituly sa nemajú objavovať ráno a jednotlivé kategórie potrebujú rozdielne rotácie. Treba strážiť obdobie vzniku skladby, tempo, žáner, typ vokálu, zvukový charakter, hodinové štruktúry a desiatky ďalších kritérií.
Systém potom hľadá spôsob, ako všetky tieto požiadavky čo najlepšie splniť. Čím komplikovanejší hudobný formát je, tým viac pravidiel musí dramaturg nastaviť, kontrolovať a následne opravovať konflikty, ktoré pri plánovaní vzniknú.
To všetko funguje. Lenže nová generácia umelej inteligencie sa začína pýtať, či je tento medzičlánok vôbec potrebný.
Poslucháč totiž netuší, že rádio práve úspešne dodržalo 90-minútový odstup medzi skladbami rovnakého interpreta. Nevie, do akej kategórie dramaturg konkrétny titul zaradil ani koľko pravidiel musel plánovací systém vyriešiť. Počuje iba jednu skladbu po druhej.
Čo ak namiesto pravidiel optimalizujeme priamo poslucháčsky výsledok?
Práve týmto smerom sa vydáva nová generácia systémov. Veľmi konkrétny príklad priniesol v roku 2025 odborný časopis INFORMS Journal on Applied Analytics. Autori, medzi ktorými je aj zástupca iHeartMedia, opísali systém nasadený u jedného z najväčších amerických rozhlasových prevádzkovateľov.
Namiesto toho, aby človek ručne nastavoval obrovské množstvo parametrov, systém matematicky optimalizuje kompletné hudobné plány podľa strategických cieľov stanice. V produkcii funguje od konca roka 2023 a postupne sa rozšíril na viac ako sto staníc v troch hudobných formátoch.
Rozdiel nie je len v rýchlosti. Sedemdňový playlist dokáže systém väčšinou vytvoriť za menej než desať minút namiesto hodín práce. Podľa publikovaných výsledkov sa zároveň zvýšila priemerná „sila“ naplánovanej hudby a klesol počet problematických prechodov medzi skladbami.
Ešte zaujímavejšie je však to, odkiaľ systém vie, ktorá hudba je silná.
AI si dokáže vytvoriť vlastný callout
Klasický model hovorí: ak chceš vedieť, či ľudia skladbu milujú, musíš sa ich opýtať. Nový model hovorí: možno to vieme dostatočne presne odhadnúť aj bez toho.
Americký systém používa strojové učenie na vytvorenie takzvaného syntetického POP skóre. Model pracuje s historickými výsledkami skladby a interpreta, počtami prehratí v streamovacích službách, videami, predajmi, národným aj lokálnym rádiovým hraním či pozitívnymi a negatívnymi reakciami používateľov hudobných platforiem.
Výsledkom je odhad, ako silná môže byť konkrétna skladba pre konkrétny hudobný formát aj v prípade, že sa v aktuálnom calloute vôbec neobjavila. A práve to môže zásadne meniť ekonomiku hudobného výskumu.
Dnes rádio zaplatí za nábor respondentov, telefonovanie alebo online panel, prípravu ukážok, spracovanie dát a interpretáciu výsledkov. Napriek tomu dostane informáciu iba o skladbách, ktoré sa do testu zmestili. Algoritmus môže prepočítať podstatne väčšiu časť hudobnej knižnice a aktualizovať výsledky priebežne.
A čo keby sme sa poslucháčov už vôbec nepýtali?
Ešte väčší zásah do tradičného výskumu prichádza z druhej strany. Nie z predikcie, ale zo skutočného správania.
RadioAnalyzer stavia svoju službu na jednoduchej myšlienke: rádio už má obrovský priebežný hudobný test, iba ho doteraz nevyužívalo. Každý deň mu cez internetový stream prechádzajú tisíce poslucháčov a systém dokáže spojiť presný zoznam odvysielaného obsahu s údajmi o tom, ako sa počas jednotlivých skladieb menil počet poslucháčov.
Ak počet poslucháčov pri určitom titule opakovane klesá viac, než zodpovedá bežnému vývoju v danom čase, skladba dostáva negatívny signál. Ak naopak funguje lepšie než priemer, systém to rovnako zaznamená. Z takýchto údajov potom vznikajú priebežné hodnotenia skladieb, informácie o opočúvanosti a odporúčania, ako meniť ich rotáciu.
Rozdiel oproti calloutu je zásadný: namiesto toho, čo poslucháč tvrdí, že urobí, sledujeme, čo skutočne urobil.
„Už tú skladbu nechcem počuť.“ Ale rádio neprepnem
Práve tu sa otvára jedna z najzaujímavejších otázok tradičného hudobného výskumu. Predstavme si notoricky známy hit z 80. alebo 90. rokov. Respondent ho v halovom teste okamžite spozná, možno ho má stále rád, ale zároveň ho počul už nespočetnekrát. Na otázku, či by ho chcel v rádiu počúvať častejšie, preto môže odpovedať negatívne a označiť ho za opočúvaný.
V reálnom aute však skladba začne hrať – a on zostane.
Z pohľadu rádia môže byť druhý údaj hodnotnejší. Samozrejme, ani údaje o reálnom správaní nie sú dokonalé. Človek môže stream vypnúť preto, že prišiel do práce, vystúpil z auta alebo mu zazvonil telefón. Pri veľkom množstve počúvaní a opakovaných odvysielaniach však náhodné udalosti postupne ustupujú a začínajú byť viditeľné vzorce.
Najväčšia dátová baňa môže stáť priamo v garáži
Automobil môže zároveň vyriešiť jednu z najväčších slabín analýzy internetového počúvania. Online poslucháč totiž nemusí reprezentovať človeka, ktorý rádio počúva cez FM alebo DAB+.
V júli 2026 oznámila spoločnosť Cumulus Media využitie platformy AutoStage od Xperi, ktorá pracuje s agregovanými údajmi z miliónov pripojených automobilov. Rádiám tak otvára možnosť sledovať skutočné správanie poslucháčov vo veľkom meradle a s podstatne menším oneskorením než pri tradičných prieskumoch.
Ak sa takéto dáta prepoja s presným zoznamom odvysielanej hudby, pre hudobného riaditeľa môže byť oveľa zaujímavejšia otázka než „koľko respondentov označilo skladbu známkou 4,2“ jednoducho táto: Koľko ľudí pri nej zostalo a koľko preladilo?
AI už skúša plánovať aj podľa toho, ako hudbu vnímame
Super Hi-Fi posunulo túto logiku v roku 2026 ešte o krok ďalej. Jeho nový systém Neuron sa nesnaží iba lepšie plniť klasické pravidlá rotácie. Výrobca ho postavil na dátach a výskume týkajúcom sa pozornosti, očakávania, známosti, kontrastu a odmeny pri počúvaní hudby.
Myšlienka je jednoduchá: poslucháč nevníma databázu skladieb. Vníma ich sled.
Neuron preto pracuje s tým, čo predchádzalo, čo má nasledovať, akú energiu má hudba, kedy treba staviť na známy hit a kedy môže fungovať prekvapenie. Do plánovania môže vstupovať aj denná doba, lokálne podmienky či ďalší kontext.
Je fér dodať, že tvrdenia výrobcu o vplyve na dĺžku počúvania bude ešte potrebné overiť dlhšou praxou. Samotný smer vývoja je však zaujímavý: po desaťročiach zdokonaľovania pravidiel vznikajú systémy, ktorých cieľom už nie je predovšetkým dodržiavať pravidlá, ale optimalizovať výsledný poslucháčsky zážitok.
Ohrozený nie je iba hudobný dramaturg
Debata o AI sa často zjednoduší na otázku, či program nahradí človeka. V rádiu je však potenciálny zásah oveľa širší.
Ak jeden systém dokáže priebežne získavať údaje o správaní poslucháčov, odhadovať popularitu netestovaných skladieb, sledovať opočúvanosť, meniť rotácie a následne zostaviť výsledný playlist, mizne veľká časť činností, okolo ktorých dnes existuje celý ekosystém.
Menej telefonických calloutov znamená menej náboru respondentov a práce výskumných agentúr. Menej veľkých halových testov znamená menej respondentov, prenajatých priestorov, techniky a následného spracovania. A ak systém nepotrebuje stovky ručne nastavovaných pravidiel, mení sa aj dôvod, prečo hudobný dramaturg trávi hodiny nad GSelectorom, MusicMasterom či SEPIA.
To neznamená, že všetky tieto nástroje zajtra zmiznú. Znamená to však, že prvýkrát existuje technológia schopná spochybniť celý proces naraz.
Čo teda zostane hudobnému dramaturgovi?
Pravdepodobne tá najdôležitejšia časť: rozhodnúť, čím má rádio byť.
Algoritmus môže vedieť, že určitý hit má fantastické čísla na Spotify, dobre funguje na YouTube a poslucháči pri ňom neodchádzajú. Stále z toho automaticky nevyplýva, že patrí do konkrétnej stanice. Niekto musí určiť šírku hudobného formátu, mieru rizika pri novinkách, vzťah ku konkurencii, význam domácej hudby, charakter jednotlivých častí dňa aj množstvo strategických výnimiek, ktoré robia značku značkou.
Lenže to je veľmi odlišná práca od dnešného ručného spravovania kategórií, separácií a konfliktov v hudobnom pláne. Hudobný dramaturg sa tak môže posunúť od človeka, ktorý obsluhuje hudobnú databázu, k človeku, ktorý určuje smer a učí algoritmus, aké rádio má vytvoriť.
A jeden dramaturg potom nemusí plánovať jednu stanicu. Môže dohliadať na päť, desať či celú sieť.
Callout ešte neumiera. Z pozície kráľa však môže zostúpiť
Klasický výskum má stále jednu obrovskú výhodu: vie sa poslucháča opýtať prečo.
Údaje o správaní ukážu, že sa niečo deje, ale nevedia vždy povedať, či je problémom samotná skladba, jej opočúvanosť, interpret alebo úplne iný dôvod. Preto je pravdepodobnejšie, že kvalitný callout alebo veľký hudobný test najskôr nezmizne úplne. Zmení sa skôr jeho postavenie.
Namiesto hlavného nástroja každodenného rozhodovania môže slúžiť ako periodická kontrola a kalibrácia modelu. Medzitým budú každý deň pribúdať milióny ďalších údajov zo streamov, pripojených automobilov, rádiového hrania a digitálnych hudobných platforiem.
Končí sa možno celá jedna éra hudobného rádia
Selector vznikol v časoch, keď rádio potrebovalo stroj, ktorý dokáže vykonať hudobnú stratégiu vytvorenú človekom. Callout vznikol preto, že rádio nevedelo priamo pozorovať správanie svojich poslucháčov. Halový test vznikol preto, že bolo potrebné dostať veľkú skupinu ľudí na jedno miesto a počas jedného večera otestovať stovky skladieb.
Všetky tri riešenia boli odpoveďami na technologické limity svojej doby. Tieto limity postupne miznú.
Rádio môže mať nepretržité údaje o správaní publika. Strojové učenie môže z množstva signálov odhadovať silu skladieb, ktoré nikdy neprešli calloutom. A optimalizačný algoritmus dokáže z tisícov skladieb zostaviť celý týždeň vysielania za niekoľko minút. Preto možno najväčšou zmenou nebude príchod ďalšieho lepšieho programu na plánovanie hudby.
Môže ňou byť moment, keď rádio zistí, že klasický hudobný plánovací softvér už vôbec nepotrebuje.
