Meta ha presentado una nueva serie de mejoras en su infraestructura publicitaria basadas en inteligencia artificial, con la incorporación de LLMs y una actualización de sus sistemas Andromeda y GEM. El objetivo es mejorar la capacidad de Facebook e Instagram para seleccionar qué anuncios mostrar a cada usuario, reducir el tiempo de aprendizaje de las nuevas campañas y automatizar parte de las decisiones de segmentación que tradicionalmente gestionaban los anunciantes y sus agencias. La compañía anunció estas novedades el 28 de octubre de 2026. Según los datos facilitados por Meta, las mejoras de sus modelos de ranking contribuyeron a incrementar un 8,3% los clicks publicitarios y un 15,7% las conversiones en Facebook durante el segundo trimestre de 2026.
Las cifras corresponden a resultados comunicados por la propia plataforma y no deben interpretarse como incrementos garantizados para cada anunciante. Las novedades afectan a tres componentes de la infraestructura publicitaria: GenRecs, un nuevo sistema de recomendaciones generativas que utiliza LLMs para comprender el contenido de los anuncios; Andromeda, responsable de seleccionar los anuncios candidatos a mostrarse; y GEM, el modelo fundacional que alimenta los sistemas encargados de determinar qué anuncio resulta más relevante para cada usuario.
Matt Steiner, vicepresidente de Ads Infrastructure, Ranking and AI Foundations de Meta, explicó a AdExchanger que los tres sistemas trabajan de manera coordinada. Cada uno interviene en una etapa distinta del proceso de selección publicitaria, desde la interpretación de los datos hasta la decisión final sobre qué anuncio mostrar.
Una de las novedades más relevantes es GenRecs (Generative Recommenders), el nuevo sistema de recomendaciones que incorpora capacidades propias de los modelos de lenguaje. Hasta ahora, buena parte de los sistemas de recomendación publicitaria aprendían a partir de identificadores asociados a anunciantes, campañas, creatividades o productos. Esos identificadores permitían relacionar los resultados obtenidos por un anuncio con determinados comportamientos e intereses de los usuarios. El problema es que las campañas cambian constantemente y los nuevos anuncios no disponen de un historial suficiente para que los algoritmos puedan predecir su performance.
GenRecs introduce una forma diferente de representar la información. En lugar de depender exclusivamente de identificadores específicos, utiliza LLMs para interpretar el contenido de los anuncios y describir sus características mediante unidades de información denominadas semantic tokens. Por ejemplo, el sistema puede analizar el texto y las imágenes de un anuncio de ropa e identificar atributos como la marca, el color, el estilo o el tipo de producto. Estas características se representan mediante un vocabulario semántico compartido, lo que permite que los modelos relacionen productos y anuncios diferentes aunque no hayan acumulado los mismos datos de interacción. De esta manera, si un anunciante incorpora un producto nuevo, el sistema puede identificar similitudes con otros artículos y utilizar el conocimiento acumulado sobre las preferencias de los usuarios.
La principal aplicación es reducir el llamado cold-start problem, una limitación habitual de los sistemas publicitarios cuando deben optimizar anuncios que todavía no han generado suficientes impresiones, clicks o conversiones. Steiner explicó que el nuevo enfoque permite acortar esa fase inicial de aprendizaje. No obstante, reconoció que la tecnología no elimina la necesidad de obtener datos reales sobre el comportamiento de los usuarios. Para los anunciantes que renuevan sus creatividades con frecuencia o comercializan catálogos amplios, esta capacidad podría facilitar que los nuevos anuncios encuentren antes audiencias relevantes.
Meta también ha actualizado Andromeda, su sistema de recuperación y selección inicial de anuncios, mediante cambios en la arquitectura tecnológica y una colaboración con Nvidia. Cuando un usuario accede a Facebook o Instagram, la plataforma debe elegir entre decenas de millones de anuncios potenciales. El proceso tiene que completarse en una fracción de segundo. Andromeda interviene en la primera fase, reduciendo el número de anuncios candidatos antes de que modelos de ranking más complejos determinen cuáles tienen mayor probabilidad de generar una respuesta relevante. La nueva arquitectura permite evaluar más de 1.000 millones de anuncios por segundo, según los datos técnicos publicados por Meta. Para conseguirlo, la compañía ha reorganizado el procesamiento de información en sus GPU, los chips encargados de ejecutar buena parte de los cálculos necesarios para el funcionamiento de estos modelos.
Anteriormente, una parte importante de los datos de los anuncios debía transferirse entre diferentes componentes de la infraestructura antes de ser procesada. Ese movimiento generaba retrasos y limitaba el aprovechamiento de la capacidad de cálculo. Meta ha reducido estos intercambios al concentrar más operaciones en las propias GPU. También ha incorporado una arquitectura de modelos especializados, conocida como Mixture of Experts, que dirige cada anuncio hacia los componentes más adecuados para evaluarlo. La compañía sostiene que esta reorganización permite analizar un mayor volumen de candidatos y utilizar modelos más complejos sin incrementar proporcionalmente los tiempos de respuesta. La actualización se complementa con un nuevo modelo de recuperación generativa impulsado por GenRecs.
Este sistema analiza las interacciones del usuario con anuncios y contenidos orgánicos para predecir qué anuncios podrían resultarle relevantes. Sus recomendaciones se incorporan a las generadas por el sistema de recuperación tradicional, que continúa funcionando en paralelo. La intención es ampliar la calidad de los anuncios candidatos que llegan a la fase final de ranking.
La tercera actualización afecta a GEM (Generative Ads Model), el modelo fundacional de Meta para sus sistemas de recomendación publicitaria. A diferencia de Andromeda, GEM no selecciona directamente el anuncio que verá cada usuario. Su función es aprender a partir de grandes volúmenes de información y trasladar ese conocimiento a modelos especializados que operan en diferentes superficies publicitarias, desde Facebook hasta Instagram Reels.
La nueva versión incorpora una arquitectura de mayor capacidad y puede analizar un historial de interacciones de cada usuario dos veces más largo que el utilizado anteriormente. Con ello, Meta busca mejorar la comprensión de los intereses y comportamientos de las personas, así como identificar relaciones entre señales procedentes de diferentes productos y formatos. Según la compañía, las mejoras acumuladas en GEM desde 2025 han contribuido a un incremento aproximado del 19% en las conversiones y del 12% en la tasa de clics publicitarios en el conjunto de superficies y objetivos analizados.
Estos resultados no son directamente comparables con el aumento del 15,7% de conversiones en Facebook correspondiente al segundo trimestre, ya que se refieren a periodos y ámbitos de medición diferentes. La evolución de GEM también permite transferir conocimiento entre campañas. Por ejemplo, las señales obtenidas en anuncios que generan muchos clics pueden ayudar a mejorar las predicciones de campañas que reciben menos conversiones y, por tanto, disponen de menos datos para su optimización.
Más allá de las mejoras tecnológicas, el anuncio plantea una consecuencia relevante para anunciantes y agencias: Meta considera que la selección manual de audiencias está perdiendo peso como herramienta de optimización publicitaria. Tradicionalmente, una parte importante del trabajo de planificación en las plataformas sociales consistía en identificar segmentos de usuarios, dividirlos en diferentes grupos y analizar cuáles respondían mejor a las campañas. La evolución de los modelos de recomendación permite automatizar progresivamente estas decisiones. En declaraciones a AdExchanger, Matt Steiner explicó que los algoritmos pueden realizar este trabajo con una precisión y una velocidad difíciles de igualar mediante los procesos habituales de análisis y segmentación manual. A su juicio, cuanto mejores sean los modelos de ranking para identificar qué anuncios resultan relevantes para cada usuario, menor será la necesidad de que los anunciantes definan audiencias muy específicas. Esto no significa que desaparezcan las opciones de segmentación ni que las marcas deban renunciar a decidir a quién quieren dirigirse.
Los anunciantes siguen estableciendo objetivos comerciales, presupuestos, creatividades y condiciones de entrega. Lo que cambia es el peso de las decisiones que toma automáticamente la plataforma dentro de esos parámetros. Además, la capacidad de GenRecs para interpretar los atributos de productos y anuncios permite utilizar señales semánticas que no dependen exclusivamente del historial de clicks de una creatividad concreta. Meta avanza así hacia un modelo en el que la relevancia publicitaria se determina cada vez más mediante la interpretación automatizada de contenidos y comportamientos, en lugar de depender principalmente de segmentos construidos de forma manual.
Steiner aseguró que los anunciantes no necesitan modificar sus configuraciones para beneficiarse de estas actualizaciones. Las mejoras se incorporan directamente a los sistemas de entrega de Meta. La compañía también recomienda aprovechar las capacidades de automatización disponibles, en lugar de dedicar recursos a intentar reproducir manualmente decisiones que los modelos pueden ejecutar a gran escala. El cambio tiene implicaciones para las agencias que gestionan campañas en Facebook e Instagram. Si la plataforma asume una parte creciente de la selección de audiencias y la optimización de la entrega, el trabajo de los equipos especializados tendrá que concentrarse en aquellas decisiones que siguen fuera del alcance de estos modelos.
Entre ellas se encuentran la definición de objetivos comerciales, la estrategia de comunicación, el desarrollo de creatividades, la distribución de presupuestos entre plataformas y la evaluación del impacto real de la publicidad en el negocio. La evolución también introduce una cuestión relacionada con la transparencia. Cuantas más decisiones de selección y entrega se automatizan dentro de los sistemas propietarios de Meta, menor es la intervención directa del anunciante sobre determinados criterios que influyen en el rendimiento de sus campañas. Por tanto, la mejora de las métricas comunicadas por la plataforma no elimina la necesidad de analizar la incrementalidad, la rentabilidad y la contribución de la inversión publicitaria a los resultados comerciales.
La automatización puede mejorar la selección de anuncios dentro de Facebook e Instagram, pero no determina por sí sola si ese presupuesto genera mejores resultados que otras alternativas disponibles para la marca. Este matiz cobra importancia a medida que Meta incorpora modelos más complejos cuyo funcionamiento resulta difícil de reproducir o auditar externamente.
La introducción de GenRecs también modifica la relación entre creatividad y segmentación. Hasta ahora, las plataformas ya utilizaban señales procedentes del contenido publicitario para mejorar sus recomendaciones. La novedad es que Meta está ampliando esa capacidad mediante modelos capaces de identificar relaciones semánticas entre anuncios y productos. En la práctica, el propio contenido de una creatividad se convierte en una fuente de información para determinar a qué usuarios puede interesarles. Esto puede reducir la dependencia de las etiquetas utilizadas para organizar campañas y facilitar que los modelos reconozcan similitudes entre productos nuevos y otros que ya conocen.
Sin embargo, comprender mejor el contenido de un anuncio no garantiza que ese anuncio sea eficaz. La calidad del mensaje, la propuesta comercial y su capacidad para generar una respuesta continúan dependiendo de las decisiones del anunciante. Las actualizaciones de Andromeda, GEM y GenRecs muestran hasta qué punto Meta está concentrando el desarrollo de su negocio publicitario en modelos capaces de tomar decisiones con menos intervención manual.
Para agencias y anunciantes, la cuestión ya no es únicamente cuánto pueden automatizar sus campañas. También tendrán que decidir qué información necesitan para evaluar sistemas que seleccionan las audiencias, interpretan las creatividades y optimizan la entrega mediante modelos cuyo funcionamiento interno controla la propia plataforma.
Puntos clave:
Meta incorpora modelos LLMs a su sistema publicitario con GenRecs, una tecnología que interpreta el contenido de los anuncios y permite identificar audiencias relevantes incluso cuando las campañas todavía no tienen suficientes datos de performance.
Las mejoras de Andromeda y GEM aumentan la capacidad de selección y optimización de anuncios. Meta ya evalúa más de 1.000 millones de anuncios por segundo y asegura que sus avances en ranking elevaron un 15,7% las conversiones en Facebook durante el Q2 de 2026.
La automatización reduce la importancia de la segmentación manual para anunciantes y agencias. Meta apuesta por modelos de IA que seleccionan automáticamente las audiencias, desplazando el trabajo de los equipos hacia la estrategia, la creatividad y la medición de resultados de negocio.
Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.
