Meta mejora la selección de anuncios con sistemas que combinan recuperación rápida, aprendizaje compartido y análisis del contenido. Explicamos qué hace cada tecnología y qué significa para anunciantes y usuarios.
Tres tecnologías con funciones diferentes
Meta ha detallado durante octubre de 2026 nuevas mejoras en los sistemas que seleccionan y ordenan anuncios en Facebook e Instagram. Entre sus componentes destacan Andromeda, GEM y GenRecs.
No son tres herramientas completamente nuevas presentadas de golpe: Andromeda se dio a conocer en 2024 y GEM en 2025. Las publicaciones actuales explican su evolución y el papel de las recomendaciones generativas.
La idea central es mejorar la predicción de qué anuncio puede resultar relevante para cada persona, dentro de las condiciones de una campaña. Eso requiere encontrar candidatos, evaluar sus posibilidades y aprovechar lo aprendido de otras interacciones.
Estas tecnologías colaboran, pero no forman una cadena simple en la que Andromeda entrega exactamente 500 anuncios a GEM y GenRecs elige al ganador.
Andromeda: encontrar candidatos entre millones de opciones
Andromeda se ocupa de la recuperación de anuncios, una fase inicial del sistema. Su tarea es reducir un conjunto muy amplio de candidatos a una selección que otros modelos puedan evaluar con mayor detalle.
Una comparación útil sería un proceso de selección: antes de examinar a fondo cada candidatura, hay que localizar las que cumplen las condiciones y parecen más adecuadas. Si esa primera selección falla, las fases posteriores no pueden recuperar una buena opción que ya quedó fuera.
En su actualización del 28 de octubre, Meta describe una arquitectura que combina modelos especializados y procesamiento en GPU. La compañía afirma que el sistema completo supera los mil millones de evaluaciones de anuncios por segundo en un servidor GPU.
Ese dato expresa capacidad de procesamiento, no el número de anuncios que compiten necesariamente por cada impresión. Tampoco significa que toda la aplicación cargue más rápido: Meta plantea evaluar mejor dentro del mismo presupuesto de latencia.
GEM: aprendizaje que alimenta otros modelos
GEM significa Generative Ads Model. Es un modelo fundacional publicitario que aprende de señales de distintas superficies y objetivos de Meta, y transfiere parte de ese aprendizaje a los modelos que operan en la entrega de anuncios.
La distinción importa porque ejecutar un modelo enorme sobre cada candidato en tiempo real sería costoso. Meta utiliza técnicas para trasladar sus representaciones y conocimientos a sistemas posteriores.
Por ejemplo, puede aprovechar información abundante sobre clics para mejorar tareas con señales menos frecuentes, como determinadas conversiones. Esto busca reducir el aislamiento entre modelos que antes aprendían de objetivos o espacios diferentes.
No es un sistema que conozca con certeza el estado de ánimo de una persona. Estima probabilidades a partir de las señales disponibles, y esas estimaciones pueden equivocarse.
GenRecs: aprender qué representa un anuncio
GenRecs, abreviatura de Generative Recommenders, incorpora métodos inspirados en los modelos de lenguaje a la recomendación. Una de sus bases es representar anuncios y productos mediante un vocabulario compartido de tokens semánticos.
En lugar de depender únicamente del identificador particular de un anuncio, el sistema puede aprovechar características de su contenido y relaciones con otros elementos.
Meta utiliza el ejemplo de unas nuevas zapatillas de trail: aunque todavía tengan poco historial de interacción, pueden beneficiarse de lo aprendido sobre productos relacionados. La representación combina información del contenido con señales de comportamiento.
Esto aborda un problema habitual de los recomendadores: cómo evaluar algo nuevo cuando aún no existen suficientes datos propios.
La tecnología puede contribuir tanto a la recuperación como a la clasificación de anuncios. No debe describirse exclusivamente como un último juez que razona como una persona y elimina toda recomendación repetitiva.
Cómo encajan las piezas
La arquitectura se entiende mejor distinguiendo funciones que imaginando tres pasos rígidos:
- Andromeda: recupera candidatos para que el sistema pueda concentrar el análisis posterior en una selección relevante.
- GEM: aprende de múltiples señales y transfiere capacidades a los modelos publicitarios que realizan predicciones.
- GenRecs: aporta representaciones y métodos generativos que relacionan contenido, productos y preferencias.
Estas mejoras forman parte de un sistema más amplio. No convierten la entrega publicitaria en una recomendación neutral: sigue existiendo un objetivo comercial definido por la campaña.
Qué significan las cifras de mejora
Meta atribuye a GEM mejoras del 18,9 % en conversiones y del 12 % en la tasa de clics dentro de los resultados que presenta. También comunica avances específicos para otros componentes.
Son cifras del fabricante sobre sus evaluaciones y despliegues. No significan que cualquier anunciante vaya a conseguir esos mismos porcentajes al día siguiente ni que su rentabilidad aumente en idéntica proporción.
Tampoco conviene sumar las mejoras anunciadas para distintas tecnologías: pueden corresponder a periodos, grupos y condiciones diferentes, o incluir efectos relacionados.
Para una empresa, el resultado relevante sigue siendo el que obtiene en su propia actividad: ventas rentables, contactos cualificados o el objetivo que realmente justifica la inversión.
Qué cambia para quienes anuncian su negocio
La evolución descrita apunta a una mayor capacidad del sistema para relacionar el contenido de los anuncios con las personas que podrían responder. Nuestra lectura práctica es que la calidad de los materiales y de la medición merece tanta atención como la configuración de audiencias.
Un anuncio debe comunicar bien qué ofrece, a quién puede servir y por qué resulta interesante. Si el mensaje es confuso, una predicción más sofisticada no resuelve necesariamente el problema.
También importa qué se considera un éxito. Un formulario enviado y un cliente potencial válido no son equivalentes; una compra con escaso margen puede aportar menos valor que otra de importe inferior.
La automatización puede reducir trabajo operativo, pero no decide por sí sola la propuesta comercial, el presupuesto sostenible o la calidad de la experiencia después del clic.
Más capacidad predictiva no garantiza mejores anuncios para todos
Para el usuario, estas mejoras pueden traducirse en recomendaciones más relacionadas con sus intereses. Sin embargo, el anuncio no demuestra que vaya a disminuir la cantidad de publicidad o que desaparezcan la repetición y los mensajes molestos.
Una probabilidad alta de clic tampoco equivale necesariamente a una necesidad real. El sistema optimiza resultados medibles y puede encontrar patrones que funcionan comercialmente sin interpretar correctamente cada situación personal.
Además, utilizar representaciones más sofisticadas no implica prescindir de datos de comportamiento. La documentación de Meta describe precisamente cómo combina contenido e historial de interacción.
La lectura de SombraRadio
El cambio relevante está en cómo los sistemas comparten y reutilizan aprendizaje. Un anuncio nuevo puede beneficiarse de lo aprendido sobre productos similares, mientras modelos más grandes ayudan a mejorar predicciones que deben ejecutarse rápidamente.
Para los profesionales del marketing, esto desplaza parte del trabajo hacia definir buenos objetivos, producir mensajes distintos y comprobar resultados de negocio. La estrategia sigue necesitando decisiones que no se resuelven aumentando la capacidad de cálculo.
La prueba de una publicidad mejor será su utilidad y su rendimiento medido, no la complejidad del sistema que la selecciona.
Una IA puede mejorar la selección de anuncios. La propuesta, la medición y la experiencia del cliente siguen determinando si esa selección aporta valor.
Fuentes consultadas
- Engineering at Meta: nueva generación de Andromeda
- Engineering at Meta: arquitectura, transferencia de aprendizaje y resultados de GEM
- Engineering at Meta: tokenización semántica y recomendaciones GenRecs
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
