Andrômeda e o Ecossistema de IA de Ads da Meta: O Guia Completo
1. Glossário de termos técnicos
Referência rápida para os termos usados neste artigo. Organizado por contexto de uso.
Termos do sistema de entrega de ads
Retrieval: A primeira fase do pipeline de entrega. O sistema varre o universo de anúncios ativos e pré-seleciona os candidatos mais relevantes para aquela pessoa. O Andromeda opera nessa fase. Pense na triagem de currículos antes da entrevista.
Ranking: A segunda fase do pipeline. Entre os candidatos pré-selecionados pelo retrieval, o sistema avalia em detalhe e decide qual anúncio entregar. GEM, Lattice e Adaptive Ranking operam nessa fase.
Leilão (Auction): O processo que acontece a cada oportunidade de exibir um anúncio. Não é apenas quem paga mais, combina lance do anunciante, taxa de ação estimada e qualidade do anúncio para determinar o vencedor. Detalhado no Capítulo 3.
Valor Total (Total Value): A pontuação que cada anúncio recebe no leilão. Calculado a partir de: lance × taxa de ação estimada × qualidade do anúncio. O anúncio com maior valor total vence o leilão.
Taxa de Ação Estimada (Estimated Action Rate): A previsão da IA sobre a probabilidade de uma pessoa realizar a ação desejada pelo anunciante (clicar, comprar, assistir). Quanto mais relevante o anúncio para aquela pessoa, maior essa taxa.
Qualidade do Anúncio (Ad Quality): Avaliação automática da qualidade do criativo. Penaliza atributos de baixa qualidade como clickbait, linguagem sensacionalista, retenção de informação. Combinada com a taxa de ação estimada, forma a medida de relevância do anúncio.
Impressão: Uma exibição de anúncio para uma pessoa. Cada impressão dispara todo o pipeline (retrieval → ranking → entrega).
Superfície: O local dentro do app onde o anúncio aparece: Feed, Stories, Reels, Messenger. Cada superfície tem comportamentos de usuário diferentes, e o Lattice otimiza entre elas.
Termos técnicos de machine learning
Features: Sinais ou variáveis que o modelo usa para tomar decisões. Exemplo: “número de cliques nos últimos 7 dias” é uma feature. No sistema antigo, eram criadas manualmente. O Andromeda aprende features automaticamente.
Embeddings: Representações numéricas densas de informações complexas (como o perfil de um usuário ou as características de um anúncio) em um formato que o modelo consegue processar. Pense como uma “impressão digital matemática” de algo complexo.
Inferência: O processo de rodar um modelo treinado para fazer previsões em tempo real. Quando o Andromeda avalia candidatos, está fazendo inferência. Diferente de treinamento, que é quando o modelo aprende.
Latência: O tempo que o sistema leva para responder. No contexto de ads, precisa ser de milissegundos. Latência alta = anúncio demora a carregar = experiência ruim.
Throughput (QPS): Quantidade de consultas que o sistema processa por segundo (Queries Per Second). O Andromeda melhorou 3x em QPS, permitindo avaliar mais candidatos por ciclo.
Recall: No contexto de retrieval, é a proporção de anúncios relevantes que o sistema consegue colocar na lista de candidatos. Recall de +6% significa que o Andromeda acerta mais na pré-seleção.
Cold Start: Problema que ocorre quando um modelo tem poucos dados para trabalhar (produto novo, superfície nova, anunciante novo). O Lattice resolve isso transferindo conhecimento de outros domínios.
Destilação de Conhecimento (Knowledge Distillation): Técnica onde um modelo grande e poderoso (teacher) transfere seu aprendizado para um modelo menor e mais rápido (student). O GEM usa isso para propagar conhecimento para centenas de modelos menores.
Custo Sublinear: Quando a capacidade do modelo cresce mais rápido que o custo computacional. O Andromeda tem custo sublinear: 10.000x mais capacidade sem 10.000x mais custo.
Termos de métricas de campanha
CTR (Click-Through Rate): Porcentagem de pessoas que clicam no anúncio após vê-lo. CTR = cliques ÷ impressões.
CVR (Conversion Rate): Porcentagem de pessoas que realizam a ação desejada (compra, cadastro, etc.) após interagir com o anúncio.
ROAS (Return on Ad Spend): Retorno sobre o investimento em publicidade. ROAS de R$4,52 significa que cada R$1 gasto gerou R$4,52 em receita.
CPA (Cost Per Action): Custo médio para cada ação/conversão gerada. Menor CPA = maior eficiência.
Atribuição Incremental: Método de mensuração que isola o impacto real dos anúncios, descontando conversões que teriam acontecido de qualquer forma. Mais preciso que last-click.
Hardware e infraestrutura
NVIDIA Grace Hopper Superchip: Chip que combina CPU Grace (ARM) e GPU Hopper em uma única placa, com interconexão NVLink de 900 GB/s. O Andromeda foi projetado para rodar nele.
MTIA (Meta Training and Inference Accelerator): Acelerador de IA desenvolvido pela própria Meta. Ainda em escalabilidade, posicionado como futuro da infraestrutura de ads.
GPU: Processador originalmente projetado para gráficos, hoje usado massivamente para IA por sua capacidade de processamento paralelo. O Andromeda usa GPUs para extração de features em tempo real.
2. O que é o Andromeda e para que serve
Definição
O Andromeda é o sistema de machine learning proprietário da Meta responsável pelo retrieval (recuperação e pré-seleção) de anúncios. Foi introduzido em 2024 e é um sistema co-projetado do início ao fim, hardware, software e modelo de ML trabalhando juntos como uma coisa só.
Na prática, o Andromeda é o primeiro filtro do sistema de entrega de anúncios da Meta. Toda vez que alguém abre o Instagram ou Facebook, o sistema precisa decidir qual anúncio mostrar. O problema é que existem dezenas de milhões de anúncios ativos competindo por aquele espaço. Avaliar todos eles em detalhe a cada impressão seria computacionalmente impossível.
É aí que entra o Andromeda. Ele opera na fase de retrieval: a primeira etapa do funil. Sua função é escanear esse universo de anúncios e selecionar rapidamente os milhares de candidatos mais relevantes para aquela pessoa específica, naquele momento específico. Só depois dessa pré-seleção é que os sistemas de ranking (GEM, Lattice) fazem o refinamento fino para escolher o anúncio final.
Analogia simples
Se o sistema de ads da Meta fosse um processo seletivo para uma vaga de emprego, o Andromeda seria a triagem de currículos. Ele não decide quem é contratado, ele decide quais candidatos merecem ir para a entrevista. Sem ele, o recrutador teria que ler milhões de currículos um por um.
O que mudou com o Andromeda
Antes dele, o sistema de retrieval usava modelos mais simples com features (sinais) criadas manualmente por engenheiros. O Andromeda substituiu isso por redes neurais profundas que aprendem sozinhas quais sinais são importantes, reconstruindo dinamicamente as interações entre usuário e anúncio em tempo real via GPU.
Três mudanças fundamentais:
Capacidade do modelo: aumento de 10.000x. Os modelos anteriores eram limitados em complexidade. O Andromeda, rodando no NVIDIA Grace Hopper Superchip, consegue processar modelos 10 mil vezes mais complexos mantendo a velocidade necessária para entrega em tempo real. Mais complexidade = melhor capacidade de personalização.
Velocidade de processamento de features: 100x mais rápido. A extração de sinais que antes rodava em CPU agora roda em GPU, com melhoria de 100 vezes em latência e throughput.
Capacidade de inferência: 3x mais queries por segundo. O sistema inteiro processa 3 vezes mais consultas por segundo, permitindo avaliar mais candidatos em menos tempo.
Onde o Andromeda se encaixa no ecossistema
O Andromeda não trabalha sozinho. Ele é a primeira peça de um pipeline com 4 sistemas de IA (detalhados no Capítulo 5):
Andromeda (retrieval) → GEM (ranking fundacional) → Lattice (otimização multi-objetivo) → Sequence Learning (inteligência temporal)
Cada sistema alimenta o próximo. O Andromeda é o ponto de entrada, se ele não selecionar um bom conjunto de candidatos, o restante do pipeline não tem com o que trabalhar.
Números oficiais de resultado
O deployment do Andromeda no Instagram e Facebook gerou +6% de recall no retrieval e +8% na qualidade de anúncios em segmentos selecionados.
Fontes: Engineering at Meta (Dez/2024), Meta for Business, AI Innovation in Ads Ranking, Meta for Business, Creative Diversification with Andromeda (Abr/2025)
3. O leilão de ads e o papel do Andromeda
Como o leilão da Meta funciona
Toda vez que existe uma oportunidade de mostrar um anúncio a alguém, uma abertura de Feed, um Story carregando, um Reel começando, acontece um leilão. Não é um leilão simples de “quem paga mais vence”. A Meta usa uma fórmula de valor total que combina três fatores.
Valor Total = Lance do Anunciante × Taxa de Ação Estimada × Qualidade do Anúncio
Lance (Bid): O quanto o anunciante está disposto a pagar pela ação desejada. Pode ser definido manualmente ou automatizado via Advantage+ (que é o recomendado, como veremos no Capítulo 6).
Taxa de Ação Estimada (Estimated Action Rate): A previsão da IA sobre a probabilidade daquela pessoa específica realizar a ação que o anunciante quer, clicar, comprar, assistir, cadastrar. É aqui que o pipeline de IA (Andromeda → GEM → Lattice → Sequence Learning) entra no leilão. Quanto mais sofisticado o pipeline, melhor essa previsão.
Qualidade do Anúncio (Ad Quality): Avaliação automática do criativo. Penaliza clickbait, linguagem sensacionalista, retenção de informação, engagement bait. Criativos de alta qualidade ganham pontos aqui.
O anúncio com o maior valor total vence. Isso significa que um anúncio com lance mais baixo pode vencer um com lance mais alto, se tiver melhor taxa de ação estimada e melhor qualidade. Na prática, relevância pode compensar orçamento.
Onde o Andromeda entra no leilão
O leilão não avalia todos os anúncios ativos, seria computacionalmente impossível calcular o valor total de dezenas de milhões de candidatos a cada impressão. O processo tem duas fases:
Fase 1, Retrieval (Andromeda): Antes do leilão propriamente dito, o Andromeda faz a pré-seleção. Varre o universo de anúncios e seleciona milhares de candidatos que fazem sentido para aquela pessoa. Essa é a filtragem bruta, rápida e em escala.
Fase 2, Ranking e Leilão (GEM/Lattice): Só os candidatos selecionados pelo Andromeda participam do leilão real. O GEM calcula a taxa de ação estimada detalhada, o Lattice otimiza entre objetivos, e o valor total é computado para cada candidato. O vencedor é entregue.
A implicação é importante: se o Andromeda não selecionar seu anúncio na fase de retrieval, ele nem chega ao leilão. Não importa quanto você está disposto a pagar, se o sistema não considerar seu anúncio relevante o suficiente para aquela pessoa, ele é descartado antes do lance ser avaliado.
Overlap de leilão entre seus próprios anúncios
Quando dois ou mais anúncios da mesma página/conta entram no mesmo leilão, a Meta escolhe apenas o de maior valor total para competir. Os outros são descartados daquele leilão. Isso tem uma implicação direta: criativos similares competem entre si, reduzindo suas chances. Criativos genuinamente diversos competem em leilões diferentes, para pessoas diferentes, multiplicando oportunidades.
O que isso muda na estratégia
O leilão recompensa a combinação de três coisas: lance adequado (não necessariamente o maior), anúncio relevante para aquela pessoa (taxa de ação estimada alta) e criativo de qualidade (sem clickbait ou truques).
O Andromeda amplificou a importância da relevância. Com modelos 10.000x mais complexos avaliando o match pessoa-anúncio, a capacidade do sistema de identificar o que é genuinamente relevante (vs. genérico) cresceu enormemente. Antes, com modelos simples, a diferença entre um criativo genérico e um personalizado era pequena no retrieval. Agora, é determinante.
Para anunciantes com orçamento limitado, isso é uma boa notícia: criativos altamente relevantes para nichos específicos podem vencer leilões contra concorrentes com orçamento maior, desde que o match pessoa-anúncio seja forte.
Fontes: Meta Business Help Center, About Ad Auctions, Meta for Business, Ad Auction Explained, Meta Business Help Center, Understanding Auction Overlap
4. Como o Andromeda funciona por dentro
O problema técnico
O sistema anterior de retrieval dependia de features construídas manualmente por engenheiros. Um engenheiro decidia que “número de cliques nos últimos 7 dias” era um sinal importante, codificava isso como feature, e o modelo usava. Essa abordagem tinha um teto claro: features manuais perdem informação (a ordem dos cliques se perde quando você agrega), carregam viés humano (o engenheiro pode não perceber padrões não-óbvios), e criam redundância computacional.
O Andromeda reconstruiu o sistema do zero, integrando hardware e software de forma que um reforce o outro.
Arquitetura: três inovações integradas
1. Redes neurais profundas com custo sublinear
A arquitetura foi projetada para ter custo de inferência sublinear, a capacidade do modelo cresce muito mais rápido que o custo computacional. Na prática, é a diferença entre “modelo maior que custa mais” e “modelo muito mais inteligente que custa proporcionalmente pouco a mais”. É o que permite personalização sofisticada em escala de bilhões de usuários.
2. Extração de features via GPU em tempo real
Em vez de features pré-calculadas e estáticas, o Andromeda reconstrói sinais de interação usuário-anúncio dinamicamente, em tempo real, usando processamento paralelo das GPUs. O Grace Hopper tem uma interconexão de alta largura de banda entre CPU e GPU que permite isso sem gargalos. Features que antes eram calculadas de forma simplificada (perdendo informação) agora são reconstruídas com toda a riqueza dos dados brutos.
3. Indexação hierárquica para escalar criativos
Com mais de 1 milhão de anunciantes usando ferramentas de GenAI da Meta e criando 15 milhões de anúncios por mês, o volume de criativos explodiu. O Andromeda organiza esse volume em hierarquias que permitem descartar ramos inteiros rapidamente, como uma árvore de decisão, ao invés de avaliar cada criativo individualmente numa lista plana. Sem isso, o crescimento de criativos via Advantage+ tornaria o sistema inviável.
Hardware: por que o co-design importa
O Andromeda não é um software qualquer rodando num hardware genérico, porque modelo e hardware foram projetados juntos, um pensando no outro.
O NVIDIA Grace Hopper Superchip combina uma CPU Grace (ARM) com uma GPU Hopper numa única placa, conectados por NVLink com 900 GB/s de largura de banda. A GPU acessa a memória da CPU (e vice-versa) quase sem penalidade. Para o Andromeda, isso é crucial: embeddings pré-computados ficam na memória local, e a GPU os acessa diretamente para processamento em tempo real, sem o gargalo de transferência que existiria com hardware convencional.
O MTIA (Meta Training and Inference Accelerator) é o acelerador próprio da Meta, desenvolvido internamente. Ainda está em fase de escalabilidade, mas a Meta o posiciona como o futuro da infraestrutura de ads, rodando lado a lado com o Grace Hopper.
A co-design é o que permite os saltos de performance. Não dá pra explicar isso só com mais hardware, porque o ganho vem de o hardware e o modelo terem sido projetados juntos, um para explorar o outro.
Fontes: Engineering at Meta, Meta Andromeda (Dez/2024), Engineering at Meta, Adaptive Ranking Model (Mar/2026)
5. O ecossistema completo de IA de Ads da Meta
O pipeline em um diagrama
┌─────────────────────────────────────────────────────────────────────┐
│ IMPRESSÃO: alguém abre o app │
└─────────────────────┬───────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────┐
│ SEQUENCE LEARNING │
│ Processa a jornada temporal da pessoa: ações recentes, ordem, │
│ intervalos. Essa inteligência alimenta todas as etapas seguintes. │
│ Resultado: +2-4% conversões │
└─────────────────────┬───────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────┐
│ ANDROMEDA (retrieval) │
│ Varre dezenas de milhões de anúncios. Seleciona milhares de │
│ candidatos relevantes para essa pessoa, nesse momento. │
│ Resultado: +6% recall, +8% qualidade de ads │
└─────────────────────┬───────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────┐
│ GEM + LATTICE + ADAPTIVE RANKING (ranking) │
│ │
│ GEM: modelo fundacional que prevê qual ad gera melhor resultado │
│ Resultado: +5% conversões (IG), +3% conversões (FB) │
│ │
│ LATTICE: otimiza entre objetivos (clique, conversão, view) e │
│ superfícies (Feed, Stories, Reels) simultaneamente │
│ Resultado: +12% qualidade de ads, +6% conversões │
│ │
│ ADAPTIVE RANKING: escala complexidade de LLM com ~100ms latência │
│ Resultado: +3% conversões, +5% CTR (IG) │
└─────────────────────┬───────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────┐
│ ENTREGA: anúncio vencedor é exibido │
│ O resultado (clique, conversão, nada) vira dado que alimenta │
│ o próximo ciclo de aprendizado de todos os sistemas. │
└─────────────────────────────────────────────────────────────────────┘
GEM (Generative Ads Model), o cérebro do ranking
O GEM é o modelo fundacional de ranking da Meta, lançado em 2025. Construído num paradigma inspirado em LLMs e treinado em milhares de GPUs, ele é quem toma a decisão sobre qual anúncio entregar entre os candidatos selecionados pelo Andromeda.
O GEM processa dois tipos de informação: features de sequência (histórico de atividade, o que a pessoa clicou, assistiu, comprou, em que ordem) e features não-sequenciais (atributos da pessoa e do anúncio, interesses, tipo de criativo, objetivo da campanha). Combina as duas dimensões para prever qual anúncio tem maior probabilidade de gerar o resultado desejado.
Três componentes técnicos se destacam. O Wukong é a arquitetura para features não-sequenciais, factorization machines empilháveis que identificam combinações críticas entre atributos. O Pyramid-Parallel processa sequências de comportamento com milhares de eventos, capturando padrões complexos na jornada. O InterFormer cruza os dois tipos de feature, preservando a informação sequencial completa enquanto permite interações eficientes.
O GEM também resolve como propagar conhecimento para centenas de modelos verticais menores sem retreinar tudo. Usa três mecanismos: destilação de conhecimento com um Student Adapter que corrige staleness, representação aprendida que alinha teacher-student semanticamente, e compartilhamento de parâmetros para modelos sensíveis a latência.
A arquitetura é 4x mais eficiente que a geração anterior. No Q4 2025, a Meta dobrou o poder de GPU do GEM, e os ganhos praticamente dobraram junto.
Meta Lattice, o unificador de objetivos
Antes do Lattice, a Meta mantinha centenas de modelos pequenos e isolados, um para cliques no Feed, outro para conversões em Stories, outro para views em Reels. Cada um aprendia só com seus próprios dados. Formato novo ou objetivo com poucos dados? O modelo correspondente sofria.
O Lattice substitui todos por uma arquitetura unificada que aprende entre domínios. Otimiza simultaneamente diferentes objetivos (cliques, conversões, views, adições ao carrinho) em diferentes superfícies, compartilhando conhecimento entre eles. Um aprendizado sobre conversões em Reels pode melhorar a otimização de cliques no Feed porque o Lattice identifica padrões transferíveis.
Isso é especialmente poderoso em cenários de cold start: superfície ou objetivo novo com poucos dados. O Lattice compensa com conhecimento transferido dos outros domínios.
Backbone de Transformers com trilhões de parâmetros, treinado em centenas de bilhões de exemplos. Usa otimalidade de Pareto para garantir que melhorar um objetivo nunca prejudique outro. Projetado para funcionar com dados menos granulares, ponto que aprofundaremos no Capítulo 7.
Sequence Learning, a jornada no tempo
A inovação mais sutil mas talvez a de maior impacto. Os modelos tradicionais tratavam o comportamento do usuário como uma foto estática: “clicou em 15 anúncios nos últimos 7 dias.” Isso perde a informação de ordem e timing.
O Sequence Learning preserva a sequência completa de eventos. Importa em que ordem a pessoa interagiu, com que intervalos, em que contexto. Um clique de ontem tem significado diferente de um clique de uma semana atrás.
A arquitetura usa Event-Based Features (EBFs) que padronizam cada interação em três dimensões: o stream de eventos (sequência de interações), o tamanho da sequência (quantos eventos recentes considerar) e a informação do evento (detalhes semânticos e contextuais). Modelos de sequência com mecanismos de atenção processam essas features para encontrar padrões temporais.
Exemplo concreto: uma pessoa viu um anúncio de tênis na segunda, pesquisou o produto na terça, viu um anúncio de meias esportivas na quarta. O Sequence Learning entende essa jornada e pode priorizar um anúncio de desconto no mesmo tênis na quinta, porque detecta um funil de compra ativo. O sistema anterior veria apenas “3 interações com anúncios esportivos” sem capturar a narrativa.
A Meta planeja estender o comprimento de sequências em 100x e adicionar enriquecimento multimodal (texto, imagens, áudio, vídeo).
Adaptive Ranking Model, a evolução de 2026
Lançado em março de 2026, resolve o que a Meta chama de “trilema de inferência”: servir modelos com complexidade equivalente a LLMs de ponta (10 GFLOPs por token) mantendo latência de ~100ms.
Três técnicas viabilizam isso. Request-Oriented Optimization computa sinais do usuário uma vez por request em vez de repetir para cada candidato, com 1.000 candidatos, o ganho é brutal. In-Kernel Broadcast compartilha embeddings entre candidatos diretamente nos kernels GPU, eliminando cópias desnecessárias. Sequence Scaling processa a sequência de comportamento uma vez e compartilha o resultado entre todos os candidatos.
Opera com trilhões de parâmetros e faz deploy de novos modelos em menos de 10 minutos.
O loop de aprendizado
O pipeline se fecha em círculo. O resultado de cada impressão (clique, conversão, visualização, nada) vira dado que alimenta o próximo ciclo de todos os sistemas. Andromeda mais preciso → ranking mais eficaz → Sequence Learning mais profundo → Andromeda mais preciso. Cada sistema reforça os outros, e o loop acelera com o tempo.
Fontes: Engineering at Meta, GEM (Nov/2025), AI at Meta, Meta Lattice, Engineering at Meta, Sequence Learning (Nov/2024), Engineering at Meta, Adaptive Ranking Model (Mar/2026), About Meta, AI Drives Performance (Jan/2026)
6. Implicações práticas para campanhas
A mudança de paradigma
O paradigma antigo era encontrar “o melhor criativo” e escalar. O paradigma novo é dar ao sistema um arsenal diverso e deixar a IA decidir qual funciona melhor para cada segmento, em cada superfície, em cada momento. Quem insiste no modelo antigo acaba trabalhando contra o sistema em vez de tirar proveito do que ele faz de melhor.
Diversificação vs. Iteração
A Meta define essa distinção com clareza, e o sistema trata as duas coisas de forma completamente diferente.
Iteração é ajuste sutil no mesmo conceito: texto diferente no mesmo visual, mesma foto com fundo de cor diferente. O Andromeda enxerga tudo isso como variações de um único criativo.
Diversificação é criar peças fundamentalmente diferentes: um Reels com humor para público jovem e um carrossel explicativo para tomadores de decisão. O Andromeda trata cada um como candidato independente no retrieval.
A consequência: 20 variações de cor de fundo geram muito menos retorno do que 5 criativos genuinamente diferentes, cada um mirando uma persona ou ângulo distinto.
Estratégia criativa para alimentar o pipeline
Diversifique por persona, e não só pela estética. Em vez de “3 versões desse anúncio”, pense “1 anúncio para cada tipo de cliente”. Um para quem busca preço, outro para quem busca qualidade, outro para quem busca conveniência. Cada um é um candidato independente no retrieval.
Diversificar por formato. O Lattice otimiza entre superfícies, Feed, Stories, Reels. Criar nativamente para cada formato (não apenas redimensionar) dá ao sistema mais opções reais.
Usar Advantage+ creative e GenAI. Essas ferramentas não são enfeite, elas são parte da infraestrutura que o sistema espera receber. Segundo os dados oficiais: image generation gera +11% CTR e +7.6% CVR; text generation gera +3% CTR. Essas ferramentas existem especificamente para alimentar o Andromeda com volume.
Advantage+ campaigns como configuração padrão. Automatizam orçamento, segmentação e lances. Com o pipeline inteiro por trás, o sistema é objetivamente melhor que humanos em decidir para quem e quando mostrar cada anúncio, desde que tenha criativos diversos. Anunciantes que ativaram viram +22% em ROAS (R$4,52 para cada R$1).
Monitorar fadiga e similaridade separadamente. Fadiga é quando a mesma pessoa vê o mesmo anúncio muitas vezes, se resolve com rotação. Similaridade é quando criativos diferentes parecem iguais para o sistema, e isso se resolve com diversificação real. São dois problemas distintos, e cada um pede a sua própria solução.
O impacto do Sequence Learning na jornada
O sistema agora entende jornadas temporais, não apenas interações isoladas. A ordem em que alguém vê seus anúncios importa.
Isso favorece estratégias de funil dentro do próprio Meta Ads: criativo de awareness → consideração → conversão. O Sequence Learning entende essa narrativa e otimiza a sequência para cada pessoa. Dados de engajamento no Instagram (curtidas, saves, compartilhamentos) também alimentam essa inteligência, não são apenas cliques e conversões que contam.
Números consolidados
Todos oficiais da Meta:
| Sistema / Feature | Métrica | Resultado |
|---|---|---|
| Andromeda | Recall do retrieval | +6% |
| Andromeda | Qualidade de anúncios | +8% |
| GEM | Conversões (Instagram) | +5% |
| GEM | Conversões (Facebook Feed) | +3% |
| Lattice | Qualidade de anúncios | +12% |
| Lattice | Conversões | +6% |
| Sequence Learning | Conversões (segmentos testados) | +2-4% |
| Adaptive Ranking | Conversões (Instagram) | +3% |
| Adaptive Ranking | CTR (Instagram) | +5% |
| Advantage+ com IA | ROAS | +22% |
| Image generation | CTR | +11% |
| Image generation | CVR | +7.6% |
| Text generation | CTR | +3% |
| Atribuição incremental | Conversões incrementais | +24% |
Esses ganhos são cumulativos, cada sistema melhora o anterior. A tendência é de aceleração.
Resumo prático
Três orientações concretas: investir mais em produção criativa diversificada (o sistema recompensa volume diverso), abraçar o Advantage+ como configuração padrão (não exceção), e medir resultados com atribuição incremental em vez de last-click. O sistema ficou sofisticado demais para ser microgerenciado, o papel do anunciante agora é alimentá-lo bem e medir corretamente.
Fontes: Meta for Business, Creative Diversification with Andromeda (Abr/2025), Meta for Business, Demystifying Creative Diversification, About Meta, AI Drives Performance (Jan/2026), Engineering at Meta, todas as fontes técnicas citadas nos capítulos anteriores
7. Privacidade, dados e o futuro sem tracking
O problema: perda de sinal
A partir de 2021, o ecossistema de ads digital sofreu uma mudança estrutural. A App Tracking Transparency (ATT) da Apple passou a exigir que apps pedissem permissão explícita para rastrear usuários entre apps e sites. A maioria das pessoas recusou. De um dia para o outro, a Meta perdeu acesso a uma fatia significativa dos dados de conversão que alimentavam seus modelos.
As consequências foram imediatas: a janela de atribuição padrão caiu de 28 dias para 7 dias de clique; a atribuição por visualização (view-through) foi eliminada como padrão; anunciantes ficaram limitados a 8 eventos de conversão por domínio; e a capacidade de mensuração caiu, com relatórios menos precisos e mais atrasados.
Para o sistema de ads, menos dados de conversão significam previsões piores sobre quem vai comprar, o que significa anúncios menos relevantes, o que significa pior performance para anunciantes. O pipeline inteiro é alimentado por dados, sem eles, o loop de aprendizado desacelera.
Como os sistemas de IA da Meta compensam
A resposta da Meta não foi tentar recuperar os dados perdidos, foi reconstruir a IA para funcionar bem com menos dados. Cada sistema do ecossistema foi projetado (ou redesenhado) com essa restrição em mente.
Lattice e o cold start. O Lattice foi explicitamente projetado para cenários com dados limitados. Ao aprender entre domínios, ele transfere conhecimento de áreas com dados abundantes para áreas com dados escassos. Se as conversões de um segmento no Feed são bem rastreadas mas as conversões no Stories sofrem com a perda de sinal, o Lattice compensa com transferência cross-domain.
Sequence Learning e first-party data. O Sequence Learning se alimenta do comportamento dentro das plataformas da Meta, curtidas, views, saves, compartilhamentos, tempo de tela, padrões de navegação. Esses dados de primeira parte (first-party) não dependem de tracking entre apps. São coletados dentro do ecossistema Meta e não são afetados pelo ATT. Ao construir a inteligência temporal com base nesses sinais internos, o sistema reduz a dependência de dados externos.
GEM e generalização. O GEM, como modelo fundacional treinado em centenas de bilhões de exemplos, consegue generalizar padrões mesmo quando dados específicos são escassos. Se um segmento perde sinal de conversão, o GEM pode inferir propensão de compra a partir de padrões comportamentais correlacionados que observa em outros segmentos. A escala do modelo é o que permite isso, trilhões de parâmetros aprendem relações que modelos menores nunca veriam.
Andromeda e sinais on-platform. O Andromeda extrai features em tempo real via GPU. Ao reconstruir sinais dinamicamente em vez de depender de features pré-calculadas (que poderiam incluir dados de tracking externo), o sistema opera naturalmente com o que está disponível no momento da impressão, majoritariamente sinais internos.
O que o anunciante precisa fazer
A Meta oferece ferramentas para maximizar o sinal disponível, e usá-las deixou de ser opcional:
Conversions API (CAPI). Transmissão de dados de conversão diretamente do servidor do anunciante para a Meta, contornando limitações do browser/app. Não depende de cookies ou tracking de terceiros. Quem não tem CAPI implementado está deixando sinal na mesa.
Meta Pixel otimizado. Ainda útil para capturar conversões web, mas agora funciona melhor em conjunto com a CAPI. Os dois juntos cobrem mais conversões do que cada um sozinho.
Dados de primeira parte (first-party data). Listas de clientes, dados de CRM, eventos offline. Alimentam o sistema com sinais de conversão que não dependem de tracking. O pipeline de IA consegue usar esses dados para calibrar previsões.
Atribuição incremental. Com mensuração tradicional comprometida pela perda de sinal, a atribuição incremental mede o impacto real dos anúncios comparando grupos expostos vs. não expostos. É o método mais confiável no cenário atual, e já mostrou +24% em conversões incrementais vs. atribuição padrão.
O cenário macro
A tendência é clara: tracking entre plataformas vai continuar diminuindo. Regulamentações de privacidade (GDPR, LGPD, propostas de legislação nos EUA) seguem na direção de mais restrições. A Meta está apostando que IA poderosa + dados first-party + ferramentas como CAPI são o futuro, e todo o ecossistema Andromeda/GEM/Lattice reflete essa aposta.
Na prática, isso significa que investir em infraestrutura de dados (CAPI, CRM limpo, dados first-party) é tão importante quanto otimizar criativos. Sem sinal entrando no sistema, nem a melhor IA do mundo vai performar.
Fontes: Meta for Developers, Preparing Partners for iOS 14 (Jan/2021), AI at Meta, Meta Lattice, Meta for Business, Ads Ecosystem, Meta Business Help Center, Attribution Settings Changes
8. Limitações e cenários problemáticos
O que a documentação oficial não diz
Os capítulos anteriores apresentam os sistemas da Meta como a Meta os descreve, com números positivos e linguagem otimista. Isso é natural: é documentação de produto. Mas um leitor crítico precisa entender onde o sistema provavelmente funciona menos bem, para calibrar expectativas e estratégia.
As limitações a seguir não são afirmadas pela Meta. São inferências lógicas a partir de como o sistema funciona, combinadas com experiência prática de quem roda campanhas.
Cenário 1: Anunciante com poucos criativos
O Andromeda foi projetado para brilhar com volume e diversidade. Um anunciante que roda 2-3 criativos similares está subutilizando todo o pipeline. O sistema não tem opções para personalizar, está essencialmente entregando a mesma coisa para todo mundo e torcendo para funcionar. Os ganhos de +8% em qualidade de anúncios que a Meta reporta provavelmente refletem anunciantes com volume criativo significativo. Para quem tem poucos criativos, o ganho é muito menor ou inexistente.
Cenário 2: Nicho ultra-específico com público pequeno
O Sequence Learning precisa de volume de interações para aprender jornadas. O GEM precisa de dados para prever taxas de ação. O Lattice transfere conhecimento entre domínios, mas se o nicho é tão específico que não tem domínios comparáveis, a transferência perde eficácia.
Um exemplo: uma empresa que vende equipamento industrial especializado para um público de 5.000 pessoas provavelmente não vai ver os mesmos ganhos que um e-commerce de moda com público de milhões. O pipeline é otimizado para escala. Nichos muito pequenos podem ver pouca diferença entre o sistema novo e o antigo.
Cenário 3: Fase de aprendizado e orçamento baixo
Todo modelo de ML precisa de dados para calibrar. O sistema da Meta tem uma “fase de aprendizado” onde performa abaixo do potencial enquanto coleta dados sobre a campanha. Anunciantes com orçamento muito baixo podem ficar presos nessa fase, o sistema não gera conversões suficientes para sair do aprendizado, e o anunciante corta o orçamento antes de ver resultado.
Aqui não estou inferindo nada: isso é regra oficial da Meta. A própria documentação do Meta Business Help Center afirma que cada ad set precisa de no mínimo 50 eventos de otimização em 7 dias para sair da fase de aprendizado. Se não atingir esse limiar, o ad set entra em status “Learning Limited”, onde o sistema continua funcionando mas com performance abaixo do potencial e custos por resultado mais altos. A Meta recomenda orçamento suficiente para pelo menos 7 dias de veiculação, e lances altos o bastante para não travar a coleta de eventos.
Cenário 4: Produto novo sem histórico
Cold start do lado do anunciante. Se o produto nunca foi anunciado, não existem dados de conversão, interação ou engajamento para alimentar o pipeline. O Lattice ajuda com transferência cross-domain, mas os primeiros dias/semanas vão ter performance inferior ao steady state.
Para lançamentos, isso significa que esperar resultados imediatos do dia 1 não é realista. O sistema precisa de uma fase de calibração que pode levar de dias a semanas dependendo do volume.
Cenário 5: Público frio sem dados comportamentais
O Sequence Learning brilha quando tem histórico de comportamento. Para públicos completamente frios (prospecting puro, sem nenhum dado prévio), o sistema perde sua vantagem temporal. Funciona, mas com menos precisão do que para retargeting ou públicos com algum histórico de interação.
Cenário 6: Excesso de confiança na automação
O Advantage+ e o pipeline de IA são poderosos, mas “deixar a IA decidir tudo” pode mascarar problemas. Se o criativo é ruim, o sistema vai otimizar a entrega do melhor entre os ruins, mas o resultado absoluto ainda será medíocre. A IA otimiza a distribuição do que você já tem, mas não cria qualidade no seu lugar. Um anunciante que terceiriza tudo para a automação sem investir em criativo está construindo sobre base fraca.
Cenário 7: Números reportados vs. realidade individual
Todos os números citados neste artigo (+8%, +12%, +5%, etc.) são médias de todo o ecossistema ou de segmentos selecionados. Isso significa que alguns anunciantes viram ganhos muito acima da média, e outros viram ganhos muito abaixo, ou até zero. Os resultados dependem de quanto o anunciante alimenta o sistema (criativos, dados, orçamento) e de quão competitivo é o leilão no seu segmento.
Repare que a Meta reporta esses números em cenários controlados (“segmentos selecionados”, “testes iniciais”). Não há dados públicos sobre a distribuição desses ganhos, não sabemos se 80% dos anunciantes viram +8% ou se 20% viram +40% enquanto o resto viu zero. A ausência dessa informação é, por si só, uma limitação da documentação oficial.
Resumo: quando o sistema funciona melhor e pior
O pipeline performa melhor quando há volume criativo diverso, orçamento suficiente para sair do aprendizado, histórico de dados comportamentais, e infraestrutura de mensuração implementada (CAPI, Pixel).
Performa pior quando há poucos criativos ou criativos similares, orçamento muito baixo, público pequeno ou ultra-nichado, produto novo sem histórico, e ausência de infraestrutura de dados.
Nota sobre as fontes deste capítulo
Os cenários 1, 2, 5 e 6 são inferências lógicas baseadas em como os sistemas funcionam, não são afirmações da Meta. O cenário 3 é baseado em documentação oficial (Meta Business Help Center, About the Learning Phase, About Learning Limited). Os cenários 4 e 7 combinam dados oficiais com análise crítica. Essa transparência sobre a natureza das fontes é intencional.
9. O que mudou em 2026, custos, atribuição e impacto real
Por que este capítulo existe
Os capítulos anteriores explicam como o sistema funciona segundo a documentação oficial da Meta. Este capítulo cruza essa teoria com dados reais do mercado, o que gestores de tráfego estão vivendo na prática entre março e abril de 2026. A Meta fala em ganhos de eficiência; o mercado fala em custos subindo. Ambos estão certos, e entender por quê é fundamental.
A mudança de atribuição: o que realmente mudou
A partir de março de 2026, a Meta alterou seu modelo de atribuição de forma significativa. Três mudanças principais: somente cliques em links passaram a contar como conversão atribuída (cliques em perfil e engajamento saíram da conta); o threshold de engaged-view caiu de 10 para 5 segundos; e a janela de atribuição por visualização foi reduzida.
O impacto imediato foi que campanhas que antes mostravam bons números “perderam” conversões da noite para o dia. Mas atenção: em muitos casos, as vendas reais não caíram, o que mudou foi como a performance é medida. Gestores que não entenderam essa distinção entraram em pânico e tomaram decisões ruins baseadas em dados que não refletiam a realidade do negócio.
Uma queda na atribuição não quer dizer que as suas vendas caíram de verdade. Esse é o ponto mais importante deste capítulo. Antes de cortar orçamento ou mudar estratégia, é essencial verificar se as vendas reais caíram ou se apenas o relatório do Ads Manager está mostrando números diferentes por conta da nova atribuição.
O aumento de custos: dados concretos
Os dados agregados de Q1 2025 para Q1 2026 mostram uma tendência clara de aumento:
| Métrica | Variação |
|---|---|
| CPM médio | +20% |
| CPA (custo por aquisição) | +8.5% |
| CPL (custo por lead) | +20.9% |
| ROAS | -10.6% |
Esses números variam drasticamente por vertical:
| Vertical | Variação CPM |
|---|---|
| Saúde & Fitness | +50% |
| Educação | +42% |
| Home & Garden | +40% |
| Vestuário | +35% |
| Automotivo | +28% |
| Food & Beverage | +25% |
| Viagem | +18% |
| Tecnologia | +15% |
| Beleza & Skincare | +6% |
| Finanças | -12% |
Fonte: Zentric Digital (Abr/2026)
As causas por trás do aumento
O aumento de CPM não contradiz os ganhos de eficiência da IA. São fenômenos paralelos. Cinco fatores explicam o aumento:
Saturação do leilão. Mais anunciantes competindo pelo mesmo inventário. O Advantage+ facilitou a entrada de anunciantes menores, o que aumentou a competição nos leilões. Verticais como saúde e educação, que tiveram boom de anunciantes digitais, viram os maiores aumentos.
Impacto acumulado de privacidade. O ATT da Apple + regulações europeias continuam reduzindo sinal disponível. Com menos dados, o sistema precisa de mais impressões para encontrar conversões, o que encarece o ciclo.
Mudança algorítmica para otimização por resultado. O sistema fez uma transição de leilão puro para otimização orientada a resultado (outcome-based optimization). Na prática, o algoritmo prioriza entregar conversões acima de tudo, concentrando entrega em públicos que convertem mais. Isso beneficiou campanhas Advantage+ e broad targeting, mas prejudicou campanhas com segmentação manual restrita e campanhas de topo de funil.
Taxas da plataforma. No Brasil especificamente, a Meta implementou uma taxa adicional de 12% sobre o valor investido em anúncios, relacionada a adequações fiscais. Isso impactou diretamente o custo efetivo para anunciantes brasileiros, independente de performance.
Infraestrutura incompleta de muitos anunciantes. Catálogos mal organizados, pixels com problemas, CAPI não implementada, dados de conversão incompletos. Sem esses sinais, o sistema opera às cegas e gasta mais para encontrar resultados.
Fadiga criativa acelerada
Gestores reportam que criativos estão “morrendo” mais rápido. Peças que antes duravam 2-3 semanas agora perdem performance em 7-10 dias. A taxa de refresh necessária aumentou significativamente.
A causa conecta diretamente com o que a Meta documenta sobre o Andromeda (Capítulos 4 e 6): o sistema ficou mais inteligente em detectar similaridade entre criativos. Com o Adaptive Ranking Model (março 2026), essa detecção ficou ainda mais refinada. Criativos que parecem diferentes para o olho humano podem ser tratados como o mesmo pelo sistema, acelerando a fadiga.
Quem se adaptou, e como
Nem todo mundo sofreu. Gestores que reportaram resultados estáveis ou até melhorados compartilham um padrão claro:
Diversificação criativa real. Não apenas mudar texto ou cor de fundo, mas criar peças genuinamente distintas em conceito, formato e mensagem. Um caso notável: uma gestora reportou queda de CPA de $86 para $13.87 após implementar diversificação criativa genuína com Advantage+ e broad targeting.
Advantage+ / broad targeting. Deixar o algoritmo encontrar o público em vez de restringir manualmente. No novo modelo de otimização por resultado, quanto mais liberdade o sistema tem, melhor performa.
CAPI bem implementada. Dados de conversão chegando ao sistema de forma completa e rápida. Sem isso, o algoritmo trabalha com sinal incompleto.
Volume alto de criativos com renovação constante. 5-10 novos criativos por semana, com conceitos genuinamente diferentes entre si.
Estrutura simplificada. Menos campanhas, menos ad sets, mais criativos por ad set. O sistema performa melhor com consolidação do que com fragmentação.
O que isso confirma na documentação oficial
Os relatos do mercado validam três pontos centrais da documentação oficial:
O Capítulo 6 (Implicações Práticas) recomenda diversificação real, Advantage+ e CAPI. Os gestores que seguiram exatamente essas recomendações são os que estão performando melhor. E isso não é coincidência: é o sistema fazendo exatamente o que foi projetado para fazer.
O Capítulo 8 (Limitações) alertava que anunciantes com poucos criativos e orçamento baixo seriam os mais afetados. Os relatos do mercado confirmam: quem opera com poucos criativos similares e segmentação manual restrita foi o mais prejudicado.
O Capítulo 7 (Privacidade) enfatizava que infraestrutura de dados é pré-requisito. Os dados de mercado mostram que anunciantes sem CAPI implementada estão pagando significativamente mais por resultado.
O que a documentação oficial NÃO diz
A Meta apresenta seus sistemas como geradores de eficiência, e são. Mas não menciona que essa eficiência veio acompanhada de aumento real de custos por saturação de leilão. O sistema ficou melhor, mas também ficou mais caro. Os dois fatos coexistem e precisam ser entendidos juntos.
Fontes: Zentric Digital (Abr/2026), Digital Applied (Abr/2026), Three Chapter Media (Mar/2026), Coinis (Mar/2026), comunidades de gestores de tráfego (Reddit, Facebook Groups, fóruns brasileiros)
10. Timeline de evolução e o que vem a seguir
Cronologia: do Sequence Learning ao Adaptive Ranking
Novembro 2024, Sequence Learning A Meta publica o artigo sobre a mudança de paradigma na recomendação de ads. Sai de features manuais agregadas para Event-Based Features que preservam a sequência temporal de ações do usuário. É a fundação conceitual que alimenta todo o ecossistema seguinte. Resultado: +2-4% em conversões.
Dezembro 2024, Andromeda Lançamento do sistema de retrieval co-projetado com hardware (Grace Hopper + MTIA). O sistema de pré-seleção de anúncios ganha 10.000x em capacidade de modelo com custo sublinear. É o marco que redefine a primeira fase do pipeline. Resultado: +6% recall, +8% qualidade de ads.
2025 (primeiro semestre), Meta Lattice Deploy da arquitetura unificada de ranking que substitui centenas de modelos isolados. Introduz aprendizado cross-domain e otimização multi-objetivo. Resultado: +12% qualidade de ads, +6% conversões.
Abril 2025, Documentação sobre Diversificação Criativa A Meta publica orientações sobre como a diversificação criativa se conecta com o Andromeda. É quando o conceito de “diversificação ≠ iteração” é formalizado como estratégia oficial.
Novembro 2025, GEM (Generative Ads Model) O modelo fundacional de ranking baseado em paradigma LLM é anunciado. Processa features sequenciais e não-sequenciais com arquiteturas Wukong, Pyramid-Parallel e InterFormer. Resultado: +5% conversões (IG), +3% conversões (FB).
Q4 2025, Aceleração de hardware A Meta dobra o poder de GPU do GEM. Nova arquitetura de Sequence Learning mais eficiente. Lattice consolida Stories e outras superfícies. Resultado combinado: +3.5% cliques (FB), +1% conversões (IG), +12% qualidade de ads.
Janeiro 2026, Meta reporta resultados consolidados Artigo “2026: AI Drives Performance” consolida os ganhos cumulativos do ecossistema. Atribuição incremental mostra +24% em conversões incrementais.
Março 2026, Adaptive Ranking Model + mudança de atribuição A evolução mais recente resolve o trilema de inferência, complexidade de LLM com ~100ms de latência. Simultaneamente, a Meta altera o modelo de atribuição (detalhado no Capítulo 9). Resultado: +3% conversões, +5% CTR (IG). No mercado: aumento de CPMs e confusão generalizada entre gestores.
O ritmo de evolução
De novembro de 2024 a março de 2026, 16 meses, a Meta lançou 5 sistemas de IA interconectados e pelo menos uma grande atualização de hardware. Isso é aproximadamente uma inovação a cada 3 meses. O ritmo está acelerando, não desacelerando. E cada sistema reforça os anteriores.
Para contextualizar: o salto de modelos de features manuais para o Andromeda levou anos de pesquisa, mas o salto do Andromeda para o Adaptive Ranking levou pouco mais de um ano. A tendência é de ciclos cada vez mais curtos.
O que vem pela frente: roadmap oficial
A Meta indicou publicamente as seguintes direções em suas documentações técnicas:
Sequence Learning 100x. A Meta planeja estender o comprimento de sequências em 100 vezes. Hoje o sistema processa centenas a milhares de eventos por usuário. Com 100x, poderá processar centenas de milhares, praticamente o histórico completo de interação de uma pessoa na plataforma. Isso tornaria a compreensão de jornada drasticamente mais precisa.
Aprendizado multimodal. O GEM vai evoluir para processar não apenas dados comportamentais, mas o conteúdo real dos anúncios e posts, texto, imagens, áudio, vídeo. Isso significa que o sistema entenderá não apenas que a pessoa interagiu com algo, mas o que era aquele conteúdo em detalhe. A implicação para criativos é que a IA vai diferenciar muito melhor entre criativos bons e mediocres.
Automação autônoma para anunciantes. A Meta mencionou explicitamente “autonomous advertiser automation” como direção futura do GEM. Em março de 2026, lançou o Ranking Engineer Agent (REA), um agente de IA autônomo que acelera inovação em ranking de ads. A direção é clara: progressivamente menos decisões humanas e mais automação do início ao fim.
Arquiteturas mais eficientes. Linear attention e state space models para substituir transformers tradicionais. Otimização de cache key-value. O objetivo é manter o crescimento de capacidade sem explodir o custo computacional.
O que isso significa na prática
O ritmo de evolução implica que qualquer metodologia de ads baseada em controle manual granular tem prazo de validade curto. A Meta está claramente construindo um sistema onde o papel do anunciante migra cada vez mais de “operador” para “alimentador”, quem fornece criativos diversos, dados de qualidade, e objetivos claros, e deixa o sistema decidir o resto.
O ciclo de 3 meses entre lançamentos também significa que qualquer material de treinamento ou metodologia precisa ser revisado trimestralmente. Este artigo deve ser atualizado a cada novo artigo técnico da Meta.
Fontes: Todas as fontes oficiais da Meta citadas ao longo do artigo, organizadas cronologicamente. Engineering at Meta, Sequence Learning (Nov/2024), Engineering at Meta, Andromeda (Dez/2024), AI at Meta, Meta Lattice (2025), Meta for Business, Creative Diversification (Abr/2025), Engineering at Meta, GEM (Nov/2025), About Meta, AI Drives Performance (Jan/2026), Engineering at Meta, Adaptive Ranking Model (Mar/2026)
11. Conclusão
Este artigo cobre o ecossistema de IA de ads da Meta do início ao fim, da arquitetura técnica à aplicação prática, da documentação oficial aos dados reais do mercado. Se você leu até aqui e precisa reter apenas o essencial, são cinco conclusões.
O sistema recompensa diversidade de verdade. O Andromeda trata criativos similares como a mesma coisa. Ter 50 variações de cor de fundo conta como 1 candidato no retrieval. Ter 10 criativos genuinamente diferentes, personas distintas, formatos distintos, mensagens distintas, conta como 10. A diversificação real é o que alimenta o pipeline.
O papel do anunciante mudou de operador para alimentador. Com Andromeda, GEM, Lattice e Sequence Learning tomando decisões em milissegundos com trilhões de parâmetros, microgerenciar segmentação e lances manualmente é trabalhar contra o sistema. O papel agora é fornecer matéria-prima de qualidade (criativos diversos + dados via CAPI/CRM) e deixar a IA otimizar, com o Advantage+ entrando como configuração padrão da operação.
Infraestrutura de dados virou pré-requisito. Sem CAPI implementado, sem CRM limpo alimentando o sistema, sem dados first-party, o pipeline inteiro opera com sinal reduzido. Num cenário pós-ATT onde tracking externo diminui a cada ano, quem não investe em infraestrutura de dados está em desvantagem estrutural.
O sistema ficou melhor e mais caro ao mesmo tempo, e você precisa enxergar as duas coisas juntas. A IA de ads da Meta evoluiu muito, mas os CPMs subiram 20% no mesmo período. Gestores que só olham para a eficiência prometida pela Meta sem considerar a saturação do leilão vão se frustrar. Gestores que só olham para o aumento de custos sem adaptar sua estratégia ao novo sistema vão perder para quem se adaptou.
O ritmo de evolução exige atualização constante. De novembro de 2024 a março de 2026, a Meta lançou 5 sistemas de IA interconectados. O ritmo está acelerando. Qualquer metodologia ou material de treinamento precisa ser revisado trimestralmente para acompanhar.
Carregando comentários…
Comentários indisponíveis no momento.