Meta Andromeda e GEM: por que o targeting manual morreu no Meta Ads

Voltar para o blog

Andromeda e GEM são os dois sistemas de IA que controlam a entrega de anúncios no Meta Ads. Andromeda é a camada de retrieval — decide quais anúncios entram na fila de candidatos para cada usuário. GEM (Generative Ads Recommendation Model) é a camada de ranking — decide qual anúncio vence o leilão e para quem ele aparece. Juntos, tornaram obsoleto o playbook de targeting manual que os gestores de tráfego usavam até 2024: audiências lookalike, segmentações por interesse empilhadas, ad sets fechados. O resultado prático: quem ainda opera com o antigo modelo está pagando mais para alcançar menos.

O que são Andromeda e GEM

Andromeda foi desenvolvido por Meta para escalar a capacidade de recuperação de anúncios em tempo real. Antes dele, o sistema de ads só conseguia avaliar alguns milhares de candidatos por leilão. Com Andromeda, esse número chegou a centenas de milhares — o que significa que o algoritmo tem muito mais opções para decidir qual anúncio entregar para cada pessoa em cada momento.

GEM (Generative Ads Recommendation Model) foi revelado em novembro de 2025, quando a equipe de engenharia da Meta publicou o paper técnico descrevendo-o como o maior modelo fundacional já construído para sistemas de recomendação — treinado na escala do GPT-4 e distribuído em milhares de GPUs. GEM atua acima do Andromeda: enquanto Andromeda monta a prateleira de candidatos, GEM aprende o que os usuários compram, como se comportam e o que engaja — e usa esse aprendizado para moldar quais anúncios aparecem no próximo ciclo.

Em termos práticos: Andromeda decide quem vê o anúncio. GEM decide qual anúncio vale a pena mostrar para qual pessoa, com base em todo o histórico de comportamento da plataforma.

Por que o targeting manual virou um obstáculo

O sistema de anúncios da Meta foi construído, por anos, em cima de um pressuposto: o gestor sabe melhor do que o algoritmo quem é o cliente ideal. Daí vieram as práticas consolidadas de audiências lookalike por 1%, interesses empilhados, exclusão de públicos já convertidos e ad sets segmentados por estágio de funil.

GEM inverte esse pressuposto. O modelo foi treinado em uma quantidade de dados comportamentais que nenhum gestor humano consegue processar — padrões de compra cruzados entre milhões de usuários, em centenas de categorias, em diferentes dispositivos e horários. Quando um gestor define uma audiência lookalike de 1%, ele está, na prática, restringindo o campo de atuação de um sistema que teria encontrado compradores em públicos que ele nunca consideraria.

Os dados confirmam isso: em abril de 2026, a Meta reportou que campanhas rodando com targeting amplo, alimentadas pelo GEM, entregaram +3% em conversões e +5% em CTR no Instagram comparado ao mês anterior — ganhos atribuídos diretamente à melhoria das predições do modelo.

Outro sinal claro: campanhas Advantage+ Shopping rodando com restrições mínimas de targeting consistentemente superam versões com segmentação manual nas mesmas contas. A audiência lookalike perdeu a função de sinal diferenciador — hoje ela apenas limita.

O novo playbook: o criativo é o targeting

Se GEM e Andromeda substituíram o targeting manual, o que os gestores devem fazer com as variáveis que ainda controlam?

A resposta é: o criativo.

No sistema antigo, o gestor definia para quem o anúncio aparecia. No sistema atual, o criativo define para quem o anúncio aparece — porque o algoritmo aprende com os padrões de engajamento e conversão de cada criativo qual perfil de usuário responde melhor a ele. Um vídeo de resposta direta com testemunho de cliente vai encontrar naturalmente compradores por decisão. Um vídeo de produto com contexto de lifestyle vai encontrar compradores por aspiração. Você não precisa mais segmentar para isso: o GEM faz esse trabalho.

As implicações práticas são diretas:

Volume de criativos importa mais do que nunca. Contas que testam 20 ou mais criativos por mês estão reportando ROAS 65% maior do que contas que testam menos de 10. Cada criativo novo dá ao GEM mais dados sobre quais sinais convertem — e o modelo aprende mais rápido.

Variedade de formato é sinal para o algoritmo. Um criativo estático, um vídeo curto, um carrossel sobre o mesmo produto não são redundâncias — são versões que o GEM vai testar em públicos diferentes, com contextos diferentes, e vai descobrir qual performa melhor para qual segmento sem você precisar criar um ad set para cada um.

A mensagem precisa ser específica. Como o GEM distribui o anúncio para quem mais propende a responder ao gatilho específico daquele criativo, anúncios com mensagem genérica ("Qualidade e preço justo") competem em território de ninguém. Anúncios com mensagem precisa ("Para quem perdeu clientes bons porque a precificação estava errada") encontram exatamente a pessoa que tem esse problema.

Como o GEM interage com o Advantage+

O Meta Advantage+ Shopping Campaign (ASC) é o produto mais exposto ao GEM. Quando você roda uma ASC, está explicitamente dizendo para o Meta: "deixa o algoritmo decidir tudo — público, placement, criativo vencedor". O GEM é o motor dessa decisão.

O que muda na prática para gestores que migram para ASC:

Budget consolidado: em vez de múltiplos ad sets por funil, um orçamento único que o GEM aloca dinamicamente para os públicos que estão convertendo mais naquele momento
Sem lookalike: o ASC pode aceitar um público de clientes existentes como sinal inicial, mas não como restrição — é um dado de calibração, não um limite
Creative testing nativo: o ASC roda múltiplos criativos ao mesmo tempo e aprende qual funciona melhor para qual usuário; remover criativos com performance ruim é a principal tarefa manual do gestor

GEM, Andromeda e o impacto da atribuição pós-iOS 26

Um fator que complica a leitura dos resultados é a degradação de sinal causada pelo iOS 26. Usuários de iPhone representam parcela significativa do tráfego em muitas contas brasileiras, e a atribuição no Meta Ads para esse público está cada vez menos confiável.

O GEM opera melhor com mais sinal. Quando o Pixel não consegue registrar conversões de iOS (por limitação do ATT), o modelo tem menos dados para aprender — o que pode distorcer a otimização para públicos com alta proporção de iPhone.

A resposta operacional para isso é a Conversions API (CAPI) server-side, que envia dados de conversão diretamente do servidor do anunciante para a Meta, contornando as restrições do navegador e do app. Contas que implementaram CAPI com match rate acima de 80% estão reportando melhoria direta na eficiência das campanhas, porque o GEM recebe sinal mais limpo e otimiza com mais precisão.

Para entender o contexto mais amplo das mudanças de infraestrutura do Meta Ads, incluindo a integração com ferramentas de IA via protocolo MCP, leia também Meta AI Connectors: como gerenciar anúncios com IA pelo protocolo MCP.

Checklist operacional para o Meta Ads pós-GEM

Para adaptar a operação ao novo sistema:

Migrar campanhas de conversão para Advantage+ Shopping Campaign (ASC) quando o objetivo for vendas diretas
Eliminar lookalike audiences como targeting primário; usar como sinal opcional de calibração
Criar mínimo de 10–15 criativos diferentes por produto antes de escalar budget
Testar pelo menos 3 formatos distintos (vídeo, estático, carrossel) para o mesmo produto
Implementar Conversions API (CAPI) com match rate acima de 80% para recuperar sinal de iOS
Monitorar Cost per Result e ROAS no nível de criativo, não de ad set
Pausar criativos com CTR abaixo do benchmark da conta após 3–5 dias de dados

Perguntas frequentes

As audiências lookalike ainda têm alguma utilidade?
Sim, como dado de calibração inicial. Você pode incluir uma lista de clientes no ASC como "audience hint" para que o GEM comece com um sinal sobre o perfil de quem compra. Mas não como restrição — se você forçar o targeting a ficar dentro daquele público, você elimina o benefício do modelo.

O broad targeting funciona para todos os produtos?
Funciona melhor quando o produto tem apelo amplo e o criativo é específico o suficiente para o GEM encontrar o perfil certo. Para produtos muito nichados (B2B, saúde restrita, alto ticket), o broad targeting ainda pode funcionar, mas vale começar com públicos um pouco mais definidos e abrir progressivamente conforme o GEM aprende.

Como saber se o GEM está aprendendo bem na minha conta?
O sinal mais claro é a evolução do custo por resultado nas primeiras 2–3 semanas de uma campanha nova. Se o CPR está caindo progressivamente, o modelo está aprendendo. Se estiver estagnado ou subindo, geralmente é problema de sinal (atribuição ruim), criativo fraco ou budget muito baixo para o algoritmo sair da fase de aprendizado.