Meta Andromeda e gli altri modelli AI: cosa cambia davvero nelle Meta Ads

Negli ultimi anni Meta ha spostato una parte crescente delle decisioni pubblicitarie verso sistemi di intelligenza artificiale. Targeting, selezione degli annunci, ranking, raccomandazione e interpretazione del comportamento non dipendono più da un singolo algoritmo, ma da più modelli che lavorano insieme.

Andromeda è quello che ha ricevuto più attenzione, ma guardarlo da solo rischia di far perdere il punto. Nel sistema descritto da Meta entrano in gioco anche Lattice, GEM e Sequence Learning, ciascuno con un ruolo diverso nel processo di delivery e ottimizzazione.

Per chi gestisce campagne, però, conoscere i nomi dei modelli serve fino a un certo punto. La domanda più utile è un’altra: se Meta automatizza sempre più decisioni, quali leve restano davvero sotto il nostro controllo?

La risposta passa soprattutto dalla qualità degli input che forniamo alla piattaforma.

Andromeda, Lattice, GEM e Sequence Learning: chi fa cosa

I quattro modelli intervengono in momenti differenti dello stesso processo.

Andromeda lavora sulla selezione iniziale degli annunci. Lattice valuta e trasferisce apprendimento tra obiettivi e superfici. GEM affina la raccomandazione verso il singolo utente. Sequence Learning aggiunge la dimensione temporale e cerca di interpretare il comportamento come una sequenza, non come una serie di eventi indipendenti.

Andromeda: quali annunci entrano nella shortlist

Andromeda opera nella fase di ads retrieval.

Quando Meta deve decidere quale annuncio mostrare a una persona, il sistema parte da un numero enorme di possibili inserzioni. Andromeda restringe progressivamente questo insieme e identifica quelle che hanno maggiore probabilità di essere rilevanti per quel determinato utente.

Per farlo utilizza segnali diversi: storico delle interazioni, engagement e conversioni precedenti, semantica di testi e visual, contesto geografico e temporale, dispositivo e sessione di navigazione. Annunci e utenti vengono rappresentati numericamente e confrontati per stimarne l’affinità.

La parte tecnicamente interessante è la scala. Invece di analizzare ogni annuncio in sequenza, Andromeda utilizza una struttura gerarchica che raggruppa le inserzioni e restringe progressivamente il campo. Questo permette a Meta di gestire pool creativi molto più grandi senza aumentare in modo proporzionale il costo computazionale.

Lattice: come Meta trasferisce apprendimento

Lattice interviene nella fase di ranking.

La sua logica è ridurre la dipendenza da tanti modelli separati e utilizzare un’architettura capace di apprendere in modo più trasversale da obiettivi, placement e superfici differenti.

Quello che il sistema apprende in un contesto può quindi contribuire alle previsioni in un altro. Un pattern osservato su Reels, per esempio, può diventare utile anche nel modo in cui vengono valutate campagne orientate alla conversione su altre superfici.

Per l’advertiser la conseguenza è abbastanza chiara: più frammentiamo artificialmente dati e strutture, più rendiamo difficile generare volumi di segnali consistenti.

GEM: quale annuncio è più pertinente per quell’utente

GEM è un modello di raccomandazione. Il suo compito è stimare quale annuncio, tra quelli già candidati dal sistema, abbia maggiore probabilità di produrre una risposta positiva da parte di uno specifico utente.

Non guarda soltanto alla performance aggregata. Cerca relazioni tra persone, annunci, prodotti, contesto e comportamento, utilizzando anche segnali molto granulari. Da qui nasce un principio importante per la parte creativa: le varianti devono essere abbastanza diverse da produrre informazione, ma abbastanza coerenti da permettere al sistema di riconoscere pattern.

Sequence Learning: non solo cosa mostrare, ma quando

Il Sequence Learning aggiunge un elemento che nei modelli precedenti era meno centrale: il tempo.

Invece di osservare soltanto un clic, una visita o una conversione, prova a interpretare la successione delle azioni. L’obiettivo è comprendere dove si trova l’utente nel percorso e quale potrebbe essere il passaggio successivo più rilevante.

Questo rende particolarmente importante la qualità del tracking. Se una sequenza è incompleta, duplicata o fuori ordine, anche il modello riceve una rappresentazione peggiore del comportamento reale.

Cosa cambia davvero nella gestione delle campagne Meta Ads

La conseguenza più importante non è che dobbiamo imparare quattro nuovi nomi, ma che il sistema tende a funzionare meglio quando riceve segnali coerenti, abbastanza volume e continuità nel tempo. Da qui l’attenzione a consolidamento, stabilità e riduzione della frammentazione.

Meno frammentazione, più segnali utilizzabili

Moltiplicare campagne, ad set e segmentazioni può sembrare un modo per ottenere maggiore controllo. Ma ogni struttura isolata raccoglie meno dati.

Budget troppo frammentati, pubblici troppo piccoli e campagne parallele riducono il volume di segnali disponibile per l’apprendimento. Lo stesso principio ritorna anche nel funzionamento di Lattice, che trae vantaggio dalla possibilità di apprendere in modo più trasversale.

Consolidare non significa mettere qualsiasi cosa nella stessa campagna. Significa evitare divisioni che esistono solo perché siamo abituati a costruire account in quel modo.

Stabilità non significa lasciare tutto acceso

Anche l’altro estremo è sbagliato.

Dare tempo al sistema non significa ignorare una campagna che sta chiaramente andando nella direzione sbagliata. Significa evitare modifiche continue quando non esiste ancora abbastanza evidenza per giustificarle.

Consolidare vuol dire intervenire meno e farlo quando serve davvero.

Opportunity Score: indicatore, non KPI di business

L’Opportunity Score misura da 0 a 100 quanto campagne, ad set e annunci sono allineati alle raccomandazioni Meta. Non misura direttamente la performance: un punteggio più alto segnala maggiore aderenza alle best practice suggerite dalla piattaforma, ma non garantisce CPA migliori, più vendite o maggiore redditività.

Lo stesso vale per le raccomandazioni automatiche. Possono essere utili, ma non devono diventare ordini da applicare indipendentemente dal contesto. Se una modifica migliora lo score ma compromette identità del brand, controllo creativo o strategia, il punteggio non può essere l’unico criterio decisionale.

La creatività diventa un sistema di segnali

Uno dei passaggi più interessanti è quello dalla Unique Selling Proposition alla Multiple Selling Proposition.

L’idea non è che il posizionamento del brand non serva più. È l’opposto.

Serve un nucleo coerente abbastanza forte da poter essere tradotto in più motivazioni, messaggi e varianti senza perdere identità.

Un prodotto può essere raccontato attraverso beneficio funzionale, praticità, design, performance, prova sociale o convenienza. Sono proposizioni diverse, ma possono appartenere allo stesso sistema.

Varietà sì, caos no

Questo non significa produrre decine di asset completamente scollegati.

Le varianti, i formati e le creatività devono essere abbastanza leggibili da permettere al modello di capire cosa sta cambiando e quali pattern stanno emergendo.

La distinzione è importante: diversificazione creativa non significa casualità creativa.

Cambiare contemporaneamente messaggio, formato, target, CTA e struttura della campagna produce movimento, ma non necessariamente apprendimento utile.

Questo tema si collega direttamente al nostro framework di testing creativo e al problema di capire quante creatività servono davvero nelle Meta Ads: il numero da solo dice molto poco se gli asset non hanno una funzione precisa all’interno del test.

Testare per ipotesi, non produrre varianti a caso

Un processo più utile parte da una domanda. La sequenza è semplice: formulare un’ipotesi, creare micro-varianti, mantenere stabile il contesto del test e utilizzare i risultati per decidere cosa portare avanti.

Senza dati puliti, l’AI non risolve il problema

Più diventano sofisticati i modelli, più diventa facile dimenticare una cosa molto semplice: lavorano sui dati che ricevono.

Se il segnale è incompleto, duplicato, ritardato o incoerente, la sofisticazione del modello non elimina il problema.

La qualità dell’apprendimento dipende anche da tracking, Event Match Quality, Conversion API, deduplicazione e latenza degli eventi.

Il problema non è solo raccogliere eventi

Avere Pixel e CAPI attivi non basta.

Bisogna verificare che lo stesso evento non venga conteggiato due volte, che browser e server utilizzino identificativi coerenti, che gli eventi arrivino nel giusto ordine, che le fasi importanti del funnel non abbiano buchi e che i dati arrivino con latenze ragionevoli.

Per il Sequence Learning questo diventa particolarmente rilevante. Se il modello deve interpretare una sequenza del tipo ViewContent → AddToCart → Checkout → Purchase, perdere uno di questi passaggi modifica il significato della sequenza stessa.

Un segnale sporco genera apprendimento sporco

Un Purchase duplicato non è semplicemente un problema di reporting.

Un AddToCart mancante non è soltanto una riga in meno dentro Events Manager.

Sono informazioni che entrano nei sistemi utilizzati per interpretare il comportamento e ottimizzare la delivery.

Per questo tracking e media buying non possono più essere trattati come due discipline completamente separate.

Più automazione richiede più controllo strategico

L’ultimo rischio è pensare che un sistema più intelligente renda meno importante l’interpretazione umana.

Il problema del bias di conferma algoritmica nasce quando consideriamo automaticamente corretto ciò che la piattaforma suggerisce perché arriva da un modello o da una raccomandazione.

Ma una metrica può essere ottimizzata perfettamente e restare poco utile per il business.

Un CPA basso non garantisce qualità dei clienti. Un Opportunity Score alto non garantisce redditività. Una crescita delle conversioni non dimostra automaticamente che una singola modifica alla campagna ne sia stata la causa.

Correlazione non significa causalità

Più il sistema diventa complesso, più diventa difficile isolare una relazione diretta tra una modifica e un risultato.

Una variazione osservata può dipendere dal ranking, ma anche da stagionalità, mercato, brand awareness, altre attività di marketing o combinazioni di segnali che la piattaforma sta interpretando contemporaneamente.

Per questo l’attribuzione va trattata come una stima, non come una certezza assoluta.

Lo stesso vale per il cosiddetto black box effect. Se migliaia di segnali vengono pesati dinamicamente, non sempre possiamo spiegare con precisione perché una determinata combinazione ha prodotto un risultato migliore.

Non inseguire ogni shiny object

Una nuova funzione, un placement emergente o una nuova automazione possono essere interessanti.

Ma se tracking, struttura e creatività sono deboli, aggiungere un altro strumento difficilmente risolve il problema.

Inseguire continuamente la novità senza consolidare dati, creatività e obiettivi produce input deboli per l’intero sistema.

FAQ