Por Danilo Nunes*

Diferente do que você vai encontrar em mais de 80% dos vídeos online (sim, eu calculei), Andromeda não é um novo algoritmo.

Ele foi lançado oficialmente via whitepaper da Meta em Dezembro de 2024 e implementado em outubro de 2025, mas foi nos últimos meses que os anunciantes começaram a sentir o real impacto das atualizações.

E ele não vem sozinho, o Andromeda funciona apenas porque está dentro de um ecossistema de modelos de IA, incluindo o GEM (Generative Ads Recommendation Model) e o Lattice, que fazem a alocação de anúncios de mídia paga parecerem como um grande processo seletivo:

• Andromeda: o grande filtro de centenas de milhares de anúncios;
• GEM: a AI que pontua e rankeia os selecionados;
• Lattice: o decisor final do posicionamento (feed, reels, stories etc).

Toda a máquina que operava a maior estrutura de anúncios em plataforma online do mundo acabou de ser substituída; e isso muda a forma de operar anúncios online,

causando movimentos no mercado que impactam desde as empresas tradicionais B2B e B2C, e-commerces que lidam com os canais D2C (direct to consumer) e até infoprodutores, que vendem serviços de educação online.

Andromeda traz a lógica do orgânico para dentro da mídia paga

Andromeda é o que chamamos de sistema de filtragem, que seleciona os anúncios das marcas e filtra quais devem ser mostrados para os usuários, considerando os que têm a maior probabilidade de gerar interações e o objetivo definido na campanha.

O sistema utiliza visão computacional para atribuir a cada criativo o que estamos chamando de “Entity ID”, uma espécie de impressão digital baseada no que o anúncio mostra em seus metadados (avatar, textos, visuais etc),

e não no nome do arquivo, estrutura da campanha ou no nome do conjunto de anúncios. Isso significa que dois anúncios visualmente muito parecidos recebem o mesmo “Entity ID”, independentemente de como você os organiza no Gerenciador de Anúncios.

Mas como o Andromeda faz essa filtragem? Através dos criativos, dados do usuário e desempenho histórico. E quando dizemos criativo, estamos falando do asset que é rodado na plataforma (seja vídeo, imagem, carrossel e etc).

Para tornar o raciocínio prático, imagine que de centenas de milhares de anúncios candidatos a receberem investimento, apenas 1.000 passam para a próxima fase e essa seleção acontece simultaneamente em GPUs (Unidade de Processamento Gráfico), permitindo um nível muito maior de personalização e eficiência na seleção.

Para Ana Clara Javarini, CCO da Nudgy Creative Strategy, é como se estivéssemos pegando emprestado a lógica dos sistemas de recomendação do orgânico.

“Não é porque você tem 1 milhão de seguidores, que vai ter 1 milhão de visualizações. Aqui é parecido: não é porque você quer colocar dinheiro no seu anúncio, que a plataforma vai alocar a verba pra ele.

Agora tem que merecer; ou seja, passar por um filtro de qualificação para entender se aquele anúncio tem ou não o potencial de engajar e converter o usuário - segundo a plataforma.

Claro que você ainda pode forçar esse investimento isolando ele em campanhas a parte, mas isso certamente tem prejudicado a performance”, afirma.

Um sistema integrado: Andromeda não funciona sozinho

Em uma analogia, o Andromeda é como se fosse um assistente pessoal que seleciona para o usuário dos anúncios que existem na plataforma, quais têm a maior probabilidade de serem atrativos.

E depois que o Andromeda filtra os criativos, é aí que os outros novos modelos GEM e Lattice entram em cena, para olhar a probabilidade de performance, a sequência, e o posicionamento (Reels, Stories, Feed etc) em que eles serão mostrados.

O GEM é o motivo pelo qual as campanhas ficaram mais inteligentes e funcionais. É um LLM (Large Foundation Model) que, segundo estudos da plataforma, gerou um aumento de 5% nas conversões do Instagram e de 3% nas conversões do Facebook.

Antes, havia vários modelos de IA menores, cada um especializado em um objetivo específico de campanha, como: previsão de conversões, engajamento via WhatsApp, previsão de cliques, comportamento via Reels, Stories, modelos de interesse, entre outros.

Mas esses especialistas não trocavam informações, logo, essa inteligência ficava isolada.

Agora, existe um único grande modelo fundacional (GEM) que atua como o “cérebro” central desse sistema.

A partir dele, modelos menores especializados herdam o conhecimento do GEM e o utilizam para executar tarefas específicas com muito mais eficiência e precisão.

Dessa maneira, o GEM cruza o comportamento recente de cada usuário: quais reels ele assistiu, em quais publicações parou por mais tempo, quais conteúdos passou rapidamente sem interagir e quais compartilhou com amigos.

A partir desses sinais, ele constrói um retrato em tempo real da intenção e dos interesses daquela pessoa.

Em seguida, o modelo compara esse perfil com cada um daqueles 1.000 anúncios candidatos que falamos, atribuindo uma pontuação para determinar qual tem maior probabilidade de gerar o resultado que você definiu via plataforma.

Uma consequência prática é que a antiga “regra de ouro” dos anúncios online em que eram necessárias cerca de 50 conversões para a campanha aprender e estabilizar, tem caído por terra.

Como o GEM já foi pré-treinado com uma enorme quantidade de dados, ele consegue fazer a fase de aprendizado convergir mesmo quando há poucos dados iniciais.

E quando o GEM aprende algo, esse conhecimento é compartilhado por toda a família de modelos de anúncios da Meta.

Já sobre o Lattice, recebe os anúncios mais bem avaliados pelo GEM e toma a decisão final: qual anúncio, em qual posicionamento (feed, reels, stories ou whatsApp) e em qual momento gera o maior valor para o anunciante, para o usuário e para o ecossistema da Meta.

E essa é uma capacidade que simplesmente não existia antes. Antes, cada estrutura funcionava de forma isolada: o feed não aproveitava plenamente os sinais do Reels; os Stories não utilizavam os aprendizados do WhatsApp.

Agora, todas essas superfícies compartilham um mesmo “cérebro” e migram de Machine Learning para um modelo de Deep Learning.

Com isso, o Lattice consegue decidir, por exemplo, que hoje o usuário deve ver um vídeo de reconhecimento de marca no Reels e amanhã de manhã, esse mesmo usuário deve receber um anúncio de retargeting focado em conversão no Feed.

E essa decisão é tomada com base em uma visão unificada do comportamento do usuário em todas as superfícies da Meta, em vez de análises separadas.

A mudança no mercado: o criativo vira a nova segmentação e a alavanca mais eficiente na mão dos anunciantes

Se os criativos como assets já eram extremamente importantes por muitas vezes serem o primeiro ponto de contato da pessoa na jornada e no funil, agora eles se tornaram um dos pontos de alavancagem mais relevantes ainda na mão do anunciante.

Todas essas mudanças reforçam o discurso que levanto em outras conversas que é “o criativo é a nova segmentação”.

Durante anos o mercado tratou o poder da segmentação de audiências do digital como um dos principais centros de inteligência de mídia.

Tudo girava em torno da estratégia de segmentação, e quem conseguisse combinar algumas peças criativas com um público bem definido, geralmente obtinha os melhores resultados.

Mas os dias de hipersegmentação estão contados. Com as novas atualizações, a alocação desses dados é definida pelos modelos e a segmentação da mensagem de fato passa a acontecer no criativo, e não na plataforma.

Uma pessoa pode responder melhor a uma demonstração do produto. Outra pode preferir imagens de lifestyle. Alguém pode converter apenas depois de ver uma oferta focada em preço ou um depoimento de cliente. Nem todo formato criativo faz sentido para toda audiência.

Um criador pode gerar confiança em uma audiência e parecer deslocado em outra. Nem todo tipo criativo carrega a profundidade necessária para explicar uma oferta.

Os novos sistemas conseguem identificar esses padrões com muito mais rapidez e precisão do que um ser humano.

Mas ele precisa de volume e variedade. O algoritmo só consegue otimizar aquilo que existe. Se você rodar apenas algumas variações quase idênticas de anúncios, está dando ao pouco espaço para encontrar as melhores correspondências.

Por outro lado, se você oferece uma ampla variedade de formatos, ganchos, mensagens e estilos visuais, está criando centenas de caminhos potenciais para que o algoritmo encontre a combinação ideal entre anúncio e usuário.

No final das contas, o impacto nas operações é gigantesco, porque muda:

(1) a lógica de como os criativos são briefados e produzidos, já que agora buscam segmentar a audiência e alimentar uma máquina que lê uma pluralidade de metadados;

(2) muda como estruturamos nossas campanhas em mídia, já que a parte pesada de segmentação fica na mão da plataforma;

(3) e muda a forma que lidamos com creators, já que esses dados cruzados começam a fazer as parcerias potencializarem não só a confiança dos assets, mas também a arquitetura de dados das nossas contas de anúncio - e a Meta sabe disso, por isso cada vez mais investindo em ferramentas como Partnership Ads e os updates no Creator Marketplace.

*Danilo Nunes, professor, pesquisador da Creator Economy, fundador e CEO da Nudgy, primeira consultoria brasileira especializada em construir e operar sistemas criativos orientados à performance, integrando frameworks de criação, alavancas de growth e inteligência artificial para marcas que buscam escalar operações em mídia paga online nos canais DTC.