Meta ha rilasciato nell'ultimo anno quattro modelli AI che hanno ridisegnato come funziona il sistema pubblicitario. Non sono aggiornamenti di interfaccia. Sono cambiamenti nel modo in cui gli annunci vengono abbinati agli utenti, ottimizzati, e rankati. Capire cosa fa ognuno di questi modelli, e soprattutto cosa chiedono al sistema che stai costruendo, è il punto di partenza per una strategia che funziona nel 2026.
In questo articolo spiego come funziona il sistema, cosa cambia in pratica per chi fa advertising su e-commerce, e dove, nella mia esperienza, si decide davvero il risultato.
I quattro modelli che guidano il sistema Meta
Da circa un anno, l'infrastruttura pubblicitaria di Meta è organizzata attorno a quattro sistemi AI distinti. Ognuno ha un ruolo specifico nella catena che porta dall'annuncio al risultato.
GEM (Generative Ads Model)
GEM gestisce la generazione e l'adattamento delle creatività. Prende gli asset che carichi (video, immagini, copy) e li ricombina per ogni placement e ogni profilo utente. Meta riporta un miglioramento del 12% nella qualità degli annunci mostrati attraverso questo modello.
In pratica: la stessa immagine viene mostrata in formato 1:1 nel Feed, ritagliata in 9:16 per Reels, con headline variati per segmenti diversi. Il modello combina gli elementi (visual, titolo, testo) in modo diverso per ogni utente, testando quale combinazione genera la risposta più alta.
La conseguenza diretta per chi fa advertising è che gli asset che carichi diventano materia prima. GEM lavora su quella materia prima: più è differenziata e di qualità, più il modello ha margine per trovare combinazioni efficaci.
Andromeda (candidate retrieval)
Andromeda determina chi vede il tuo annuncio tra tutti gli utenti potenzialmente raggiungibili. Non si tratta di targeting nel senso classico. Andromeda incrocia segnali comportamentali per stimare la probabilità di conversione di ogni utente e porta in primo piano i candidati più promettenti. Meta dichiara un +6% nella qualità dei match e un +8% nella gestione di scenari multi-obiettivo.
La novità rilevante: Andromeda lavora su un sistema di indicizzazione che considera i comportamenti su tutte le superfici Meta (Feed, Reels, Stories, Marketplace, Shop). Non solo le interazioni con le ads, ma l'intero comportamento dell'utente nel sistema. Questo significa che il sistema ha accesso a un segnale molto più ricco di quello che qualsiasi targeting manuale potrebbe replicare.
Lattice (ottimizzazione multi-obiettivo)
Lattice gestisce la coesistenza di obiettivi diversi nella stessa asta pubblicitaria. In termini concreti: Meta deve ottimizzare contemporaneamente per migliaia di inserzionisti con obiettivi diversi (awareness, traffico, conversioni, lead) senza che un obiettivo sacrifichi l'efficienza complessiva dell'asta. Lattice ha prodotto un +5% nelle conversioni e un miglioramento nell'efficienza dell'allocazione del budget.
Per un e-commerce, il cambiamento è nella qualità dell'asta: il sistema stima in modo più preciso il valore reale di ogni impression. Questo si traduce in costi più allineati alla rilevanza reale dell'annuncio per ogni utente.
Sequence Learning (ranking sequenziale)
I modelli sequenziali analizzano il comportamento dell'utente nel tempo: non la singola interazione, ma la sequenza di azioni che precedono una conversione. Meta riporta un +12% nel ranking attraverso questi modelli. Il sistema riconosce pattern come: utente che ha guardato un video di un prodotto, poi visitato il sito, poi aperto l'app, e stima con più precisione dove si trova nel suo percorso di acquisto.
Il cambio di prospettiva importante: il retargeting non è più una lista statica di chi ha visitato il sito. È una stima probabilistica, aggiornata in tempo reale, di chi in questo momento è più vicino alla conversione.
Questi quattro modelli lavorano insieme, non in isolamento. GEM si occupa dell'adattamento creativo, Andromeda del matching utente-annuncio, Lattice dell'ottimizzazione degli obiettivi nell'asta, Sequence Learning del ranking nel tempo. Il sistema funziona meglio quando tutti e quattro ricevono segnali di qualità. Se uno dei layer è alimentato con dati incompleti, la performance dell'intero sistema degrada.
Cosa chiedono questi modelli al tuo setup
Il punto non è conoscere il nome dei modelli. Il punto è capire cosa richiedono al sistema che hai costruito.
Andromeda ha bisogno di segnali di alta qualità per fare match precisi. GEM ha bisogno di asset differenziati per trovare combinazioni efficaci. I modelli sequenziali funzionano meglio quando il journey dell'utente è tracciato correttamente dal primo touchpoint all'acquisto.
La domanda giusta da porsi non è "come imposto la campagna". La domanda è: il sistema che ho costruito (sito, tracking, offerta, creatività) è all'altezza di quello che questi modelli possono fare?
Nella maggior parte degli account che analizzo, la risposta è parzialmente no. E il problema non è nell'account.
Il tracking: la condizione preliminare
Prima di qualsiasi ragionamento strategico, c'è un punto tecnico che non è negoziabile: il sistema di misurazione deve essere preciso e completo.
Pixel + Conversions API. Con iOS 14+ e i browser privacy-first, il Pixel da solo perde in media tra il 20 e il 30% degli eventi di conversione. La CAPI invia gli stessi eventi server-side, indipendente dal browser e dalle restrizioni di tracciamento lato client. Senza CAPI, il sistema ottimizza su dati incompleti, e lo fa in silenzio, senza che questo sia visibile nei report standard.
Il benchmark che considero il minimo accettabile: copertura CAPI sopra il 75% degli eventi Purchase. Sotto quella soglia, Andromeda lavora con un segnale degradato e il costo di ottimizzazione sale.
Corrispondenza tra evento di ottimizzazione e obiettivo reale. Se la campagna ottimizza su AddToCart, il sistema trova persone che aggiungono al carrello. Non persone che acquistano. Il gap tra questi due eventi è dove si perde budget in campagne che sembrano funzionare ma non generano margine: in media tra il 60 e il 75% degli utenti che aggiungono al carrello non conclude l'acquisto.
Event Match Quality Score. È una metrica disponibile negli Events Manager che misura quanto i dati che invii a Meta corrispondono ai profili utente nel sistema. Al di sotto di 6/10, il matching è degradato. Il modo più diretto per migliorarlo è inviare parametri identificativi (email hash, phone hash) con ogni evento di conversione.
Finestre di attribuzione. Meta di default usa 7-day click + 1-day view. La componente view-through attribuisce conversioni a utenti che hanno visto l'annuncio senza cliccare. Per capire il ROAS reale, confronto sempre 7-day click vs 1-day click. La differenza è il volume di acquisti view-through, che per prodotti di acquisto d'impulso tende a essere sovrastimato e porta a decisioni di scaling basate su numeri che non riflettono la realtà del funnel.
Il sito e l'offerta: il fattore che determina il tetto del risultato
Questo è il punto che richiede più attenzione nelle conversazioni con i clienti, perché sposta il focus dall'account a elementi del business che sono più difficili da modificare nel breve termine.
Il sistema Meta porta traffico qualificato. Quello che succede dopo il click determina se quel traffico genera fatturato o meno. E l'algoritmo (Andromeda, GEM, i modelli sequenziali) raccoglie dati su quello che succede dopo il click per calibrare chi targeting in futuro.
Se il sito ha frizioni nel checkout, il sistema raccoglie dati su utenti che iniziano ma non completano l'acquisto. Se l'offerta non è allineata alle aspettative create dall'annuncio, il conversion rate è basso e il CPA sale indipendentemente dalla qualità della campagna.
Prima di intervenire su un account, nella mia analisi guardo sempre questi dati:
Conversion rate per device. Se il gap tra desktop e mobile è sopra il 2x, c'è un problema di UX mobile che nessuna campagna può compensare. Il traffico da ads è prevalentemente mobile, e un sito che converte bene su desktop ma male su mobile sta sprecando la maggior parte del budget.
Abbandono nel funnel post-click. Dove si perde il traffico: alla pagina prodotto, nell'aggiunta al carrello, nel checkout? Ogni punto di abbandono identifica un problema specifico. Non una campagna da ottimizzare, ma un elemento da correggere nel sito.
AOV e frequenza d'acquisto. Determinano il CPA massimo sostenibile reale. Con un AOV di €60 e margine del 35%, il CPA massimo per non perdere sull'advertising è €21. Se la campagna porta un CPA di €35, il problema non è la campagna: il prodotto o l'offerta non reggono il costo di acquisizione attuale.
Return rate per categoria prodotto. ROAS alto su una categoria con alto tasso di reso può significare perdita netta una volta considerati i costi del reso. È un dato che tende a non essere integrato nell'analisi delle ads, ma cambia completamente la valutazione di quali campagne stanno effettivamente performando.
Se nel tuo account stai vedendo ROAS piatto, CPA che non scende, traffico che non converte, scrivimi per approfondire.
Le creative: segnali differenziati, non volume
La narrativa che più creative equivalgono a performance migliori è parzialmente vera. La parte che manca è quale tipo di differenziazione conta.
GEM non ha bisogno di volume per il volume. Ha bisogno di angoli di comunicazione genuinamente diversi. Tre creatività che mostrano lo stesso prodotto con tre inquadrature diverse non danno al sistema segnali differenziati. Tre creatività che comunicano il prodotto da angoli diversi (il problema che risolve, la prova sociale, il confronto con l'alternativa, il contesto d'uso) danno al sistema variabili reali su cui ottimizzare.
Nel lavoro pratico, identifico prima gli angoli di comunicazione, di solito 3-4 per campagna, e poi i formati per ciascuno. Per un e-commerce di abbigliamento, ad esempio: angolo aspirazionale (come ti fa sentire), angolo funzionale (qualità e materiali), angolo sociale (chi lo indossa, contesti reali), angolo promozionale (offerta o vantaggio specifico). Per ogni angolo, 2-3 formati diversi. Questo dà al sistema variabili reali, non varianti cosmetiche.
Un aspetto che spesso viene sottovalutato: il copy del prodotto nel catalogo è parte della creatività per le Dynamic Ads. Un titolo prodotto generico limita quello che GEM può fare con quelle inserzioni. Titoli ottimizzati che includono caratteristica principale, use case e attributo differenziante migliorano la qualità dell'output del modello su quelle inserzioni senza richiedere nessun asset aggiuntivo.
La struttura che uso in pratica
La struttura campagna che adotto per e-commerce nel 2026 è intenzionalmente semplice: una campagna ASC (Advantage+ Shopping) per cluster di prodotto omogeneo, con budget giornaliero dimensionato per raggiungere almeno 50 conversioni in 7 giorni. Campaign Budget Optimization attivo. Creatività variegate per angolo, non per formato.
Nessuna segmentazione per placement: il sistema gestisce meglio la distribuzione senza vincoli manuali. Audience hints per aiutare il sistema nella fase di apprendimento, senza esclusioni eccessive che limitano la libertà di ottimizzazione di Andromeda.
Il learning phase richiede disciplina: nessuna modifica superiore al 20% del budget, nessuna modifica alle creatività o all'obiettivo prima che la campagna abbia raggiunto le 50 conversioni ottimizzazione. Ogni modifica significativa prima di quel punto resetta l'apprendimento e prolunga il periodo in cui il sistema lavora con stime non calibrate.
Come leggo i dati e cosa ottimizo
Le metriche che monitoro con più attenzione, con il loro utilizzo pratico:
ROAS 1-day click. Il dato più vicino alla realtà per e-commerce con ciclo di acquisto breve. Non il 7-day view che include i view-through. Se il divario tra le due finestre è ampio, indica che il sistema sta attribuendo molte conversioni a utenti che hanno solo visto l'annuncio. È un segnale di saturazione dell'audience, non di performance reale.
CPA per cluster di prodotto vs. margine operativo. Il ROAS aggregato può mascherare categorie in perdita. Guardo il CPA per gruppo di prodotto e lo confronto con il margine reale, non con quello lordo nominale. In molti casi, il 20-30% del budget va su prodotti che non reggono il costo di acquisizione.
CPM settimanale. Se sale sopra il 20% su base week-over-week a parità di audience, c'è saturazione creativa. Il segnale arriva nel CPM prima di arrivare nel ROAS: è un indicatore anticipatore, non una conseguenza.
Hook Rate sui video. Percentuale di utenti che guardano oltre i 3 secondi. Il benchmark minimo è 30%. Sotto quella soglia, il problema è nell'apertura del video: non nel prodotto, non nell'audience, ma nei primi secondi di contenuto. È il punto di intervento più rapido quando le performance calano.
Il ritmo di analisi che seguo: settimanale su 7 giorni rolling, con confronto sui 7 giorni precedenti. Nessuna decisione su finestre sotto i 5 giorni: le fluttuazioni giornaliere non portano informazione utile per le decisioni di ottimizzazione.
Quello che cambia davvero nel modo di lavorare
I quattro modelli AI che Meta ha introdotto rendono il sistema più preciso, più efficiente nella distribuzione, più capace di trovare la domanda latente che un targeting manuale non avrebbe mai intercettato. Questo è reale e misurabile.
Ma il cambio di prospettiva che porta a risultati diversi non è tecnico. È capire che un sistema più sofisticato richiede una base più solida su cui lavorare.
Il tracking deve essere preciso perché il sistema ottimizza su quello che riceve, non su quello che vorresti che ricevesse. Il sito deve convertire perché il traffico qualificato che Andromeda porta non produce fatturato se l'esperienza post-click lo disperde. L'offerta deve funzionare perché nessun modello AI risolve un problema di product-market fit.
Quando queste condizioni ci sono, i modelli AI di Meta diventano un moltiplicatore reale. Quando non ci sono, anche la campagna più ben strutturata lavora contro un tetto che non si sposta.
Nella pratica, il primo passo è sempre capire dov'è il collo di bottiglia reale. Spesso non è nell'account.