A Meta apresentou uma nova série de melhorias na sua infraestrutura publicitária, baseadas em inteligência artificial, com a integração de LLMs e uma atualização dos seus sistemas Andromeda e GEM. O objetivo é melhorar a capacidade do Facebook e do Instagram para selecionar os anúncios apresentados a cada utilizador, reduzir o tempo de aprendizagem das novas campanhas e automatizar parte das decisões de segmentação que, tradicionalmente, eram geridas pelos anunciantes e pelas suas agências. A empresa anunciou estas novidades a 28 de outubro de 2026. De acordo com os dados divulgados pela Meta, as melhorias dos seus modelos de ranking contribuíram para um aumento de 8,3% nos cliques publicitários e de 15,7% nas conversões no Facebook durante o segundo trimestre de 2026.
Estes valores correspondem a resultados comunicados pela própria plataforma e não devem ser interpretados como aumentos garantidos para todos os anunciantes. As novidades abrangem três componentes da infraestrutura publicitária: GenRecs, um novo sistema de recomendações generativas que utiliza LLMs para compreender o conteúdo dos anúncios; Andromeda, responsável pela seleção dos anúncios candidatos a serem apresentados; e GEM, o modelo fundacional que alimenta os sistemas responsáveis por determinar que anúncio é mais relevante para cada utilizador.
Matt Steiner, vice-presidente de Ads Infrastructure, Ranking and AI Foundations da Meta, explicou à AdExchanger que os três sistemas funcionam de forma coordenada. Cada um intervém numa etapa diferente do processo de seleção publicitária, desde a interpretação dos dados até à decisão final sobre que anúncio apresentar.
Uma das novidades mais relevantes é o GenRecs (Generative Recommenders), o novo sistema de recomendações que integra capacidades próprias dos modelos de linguagem. Até agora, uma parte significativa dos sistemas de recomendação publicitária aprendia a partir de identificadores associados a anunciantes, campanhas, criatividades ou produtos. Esses identificadores permitiam relacionar os resultados obtidos por um anúncio com determinados comportamentos e interesses dos utilizadores. O problema é que as campanhas estão em constante mudança e os novos anúncios não dispõem de um histórico suficiente para que os algoritmos consigam prever o seu desempenho.
O GenRecs introduz uma forma diferente de representar a informação. Em vez de depender exclusivamente de identificadores específicos, utiliza LLMs para interpretar o conteúdo dos anúncios e descrever as suas características através de unidades de informação denominadas semantic tokens. Por exemplo, o sistema pode analisar o texto e as imagens de um anúncio de roupa e identificar atributos como a marca, a cor, o estilo ou o tipo de produto. Estas características são representadas através de um vocabulário semântico partilhado, permitindo aos modelos relacionar diferentes produtos e anúncios, mesmo que não tenham acumulado os mesmos dados de interação. Desta forma, quando um anunciante adiciona um novo produto, o sistema consegue identificar semelhanças com outros artigos e utilizar o conhecimento acumulado sobre as preferências dos utilizadores.
A principal aplicação consiste em reduzir o chamado cold-start problem, uma limitação habitual dos sistemas publicitários quando têm de otimizar anúncios que ainda não geraram impressões, cliques ou conversões suficientes. Steiner explicou que esta nova abordagem permite encurtar a fase inicial de aprendizagem. No entanto, reconheceu que a tecnologia não elimina a necessidade de obter dados reais sobre o comportamento dos utilizadores. Para os anunciantes que renovam frequentemente as suas criatividades ou comercializam catálogos alargados, esta capacidade poderá facilitar a identificação de audiências relevantes para os novos anúncios num período mais curto.
A Meta também atualizou o Andromeda, o seu sistema de recuperação e seleção inicial de anúncios, através de alterações na arquitetura tecnológica e de uma colaboração com a Nvidia. Quando um utilizador acede ao Facebook ou ao Instagram, a plataforma tem de escolher entre dezenas de milhões de anúncios potenciais. Todo o processo tem de ser concluído numa fração de segundo. O Andromeda intervém na primeira fase, reduzindo o número de anúncios candidatos antes de os modelos de ranking mais complexos determinarem quais têm maior probabilidade de gerar uma resposta relevante. Segundo os dados técnicos publicados pela Meta, a nova arquitetura permite avaliar mais de mil milhões de anúncios por segundo. Para o conseguir, a empresa reorganizou o processamento de informação nas suas GPU, os chips responsáveis pela execução de grande parte dos cálculos necessários ao funcionamento destes modelos.
Anteriormente, uma parte significativa dos dados dos anúncios tinha de ser transferida entre diferentes componentes da infraestrutura antes de ser processada. Essa movimentação gerava atrasos e limitava o aproveitamento da capacidade de cálculo. A Meta reduziu estas transferências ao concentrar mais operações nas próprias GPU. Introduziu também uma arquitetura de modelos especializados, conhecida como Mixture of Experts, que encaminha cada anúncio para os componentes mais adequados à sua avaliação. A empresa defende que esta reorganização permite analisar um maior volume de anúncios candidatos e utilizar modelos mais complexos sem aumentar proporcionalmente os tempos de resposta. A atualização é complementada por um novo modelo de recuperação generativa desenvolvido com recurso ao GenRecs.
Este sistema analisa as interações do utilizador com anúncios e conteúdos orgânicos para prever que anúncios poderão ser relevantes. As suas recomendações são integradas com as geradas pelo sistema de recuperação tradicional, que continua a funcionar em paralelo. O objetivo é melhorar a qualidade dos anúncios candidatos que chegam à fase final de ranking.
A terceira atualização diz respeito ao GEM (Generative Ads Model), o modelo fundacional da Meta para os seus sistemas de recomendação publicitária. Ao contrário do Andromeda, o GEM não seleciona diretamente o anúncio que será apresentado a cada utilizador. A sua função consiste em aprender a partir de grandes volumes de informação e transmitir esse conhecimento a modelos especializados que operam em diferentes plataformas e formatos publicitários, desde o Facebook até ao Instagram Reels.
A nova versão integra uma arquitetura com maior capacidade e consegue analisar um histórico de interações de cada utilizador duas vezes mais extenso do que o utilizado anteriormente. Desta forma, a Meta procura melhorar a compreensão dos interesses e comportamentos das pessoas, bem como identificar relações entre sinais provenientes de diferentes produtos e formatos. Segundo a empresa, as melhorias acumuladas no GEM desde 2025 contribuíram para um aumento aproximado de 19% nas conversões e de 12% na taxa de cliques publicitários no conjunto de plataformas e objetivos analisados.
Estes resultados não são diretamente comparáveis com o aumento de 15,7% nas conversões no Facebook, relativo ao segundo trimestre, uma vez que dizem respeito a períodos e âmbitos de medição diferentes. A evolução do GEM permite também transferir conhecimento entre campanhas. Por exemplo, os sinais obtidos em anúncios que geram muitos cliques podem ajudar a melhorar as previsões de campanhas que registam menos conversões e que, por isso, dispõem de menos dados para a sua otimização.
Para além das melhorias tecnológicas, o anúncio apresenta uma consequência relevante para anunciantes e agências: a Meta considera que a segmentação manual de audiências está a perder peso enquanto ferramenta de otimização publicitária. Tradicionalmente, uma parte significativa do trabalho de planeamento nas plataformas sociais consistia em identificar segmentos de utilizadores, dividi-los em diferentes grupos e analisar quais respondiam melhor às campanhas. A evolução dos modelos de recomendação permite automatizar progressivamente estas decisões. Em declarações à AdExchanger, Matt Steiner explicou que os algoritmos conseguem realizar este trabalho com uma precisão e rapidez difíceis de igualar através dos processos habituais de análise e segmentação manual. Na sua opinião, quanto melhores forem os modelos de ranking a identificar os anúncios relevantes para cada utilizador, menor será a necessidade de os anunciantes definirem audiências muito específicas. Isto não significa que as opções de segmentação desapareçam ou que as marcas deixem de poder decidir a quem se querem dirigir.
Os anunciantes continuam a definir os objetivos comerciais, os orçamentos, as criatividades e as condições de entrega. O que muda é o peso das decisões que a plataforma toma automaticamente dentro desses parâmetros. Além disso, a capacidade do GenRecs para interpretar os atributos dos produtos e dos anúncios permite utilizar sinais semânticos que não dependem exclusivamente do histórico de cliques de uma criatividade específica. A Meta está, assim, a avançar para um modelo em que a relevância publicitária é determinada cada vez mais através da interpretação automatizada de conteúdos e comportamentos, em vez de depender sobretudo de segmentos construídos manualmente.
Steiner garantiu que os anunciantes não precisam de alterar as suas configurações para beneficiarem destas atualizações. As melhorias são integradas diretamente nos sistemas de entrega da Meta. A empresa recomenda também que os anunciantes tirem partido das capacidades de automatização disponíveis, em vez de dedicarem recursos a tentar reproduzir manualmente decisões que os modelos conseguem executar em grande escala. Esta mudança tem implicações para as agências que gerem campanhas no Facebook e no Instagram. Se a plataforma assumir uma parte crescente da seleção de audiências e da otimização da entrega, o trabalho das equipas especializadas terá de se concentrar nas decisões que continuam fora do alcance destes modelos.
Entre elas encontram-se a definição de objetivos comerciais, a estratégia de comunicação, o desenvolvimento de criatividades, a distribuição de orçamentos entre plataformas e a avaliação do impacto real da publicidade no negócio. Esta evolução levanta também uma questão relacionada com a transparência. Quanto mais decisões de seleção e entrega são automatizadas nos sistemas proprietários da Meta, menor é a intervenção direta do anunciante sobre determinados critérios que influenciam o desempenho das suas campanhas. Por isso, a melhoria das métricas divulgadas pela plataforma não elimina a necessidade de analisar a incrementalidade, a rentabilidade e o contributo do investimento publicitário para os resultados comerciais.
A automatização pode melhorar a seleção de anúncios dentro do Facebook e do Instagram, mas não determina, por si só, se esse orçamento gera melhores resultados do que outras alternativas disponíveis para a marca. Esta distinção ganha importância à medida que a Meta integra modelos mais complexos, cujo funcionamento é difícil de reproduzir ou auditar externamente.
A introdução do GenRecs altera também a relação entre criatividade e segmentação. Até agora, as plataformas já utilizavam sinais provenientes do conteúdo publicitário para melhorar as suas recomendações. A novidade é que a Meta está a alargar essa capacidade através de modelos capazes de identificar relações semânticas entre anúncios e produtos. Na prática, o próprio conteúdo de uma criatividade passa a ser uma fonte de informação para determinar a que utilizadores poderá interessar. Isto pode reduzir a dependência das etiquetas utilizadas para organizar campanhas e facilitar o reconhecimento, por parte dos modelos, de semelhanças entre novos produtos e outros que já conhecem.
No entanto, compreender melhor o conteúdo de um anúncio não garante que este seja eficaz. A qualidade da mensagem, a proposta comercial e a sua capacidade para gerar uma resposta continuam a depender das decisões do anunciante. As atualizações do Andromeda, do GEM e do GenRecs demonstram até que ponto a Meta está a concentrar o desenvolvimento do seu negócio publicitário em modelos capazes de tomar decisões com menor intervenção manual.
Para as agências e os anunciantes, a questão já não é apenas perceber até que ponto podem automatizar as suas campanhas. Terão também de decidir de que informação precisam para avaliar sistemas que selecionam audiências, interpretam criatividades e otimizam a entrega através de modelos cujo funcionamento interno é controlado pela própria plataforma.
