Meta Andromeda erklärt: Creative ist das neue Targeting

Was ist die Andromeda-Architektur von Meta?

Meta Andromeda ist die Werbe-Abruf-Engine, die Meta 2024 auszurollen begann und die für jede Impression Kandidatenanzeigen aus einem Pool von Milliarden zieht, wobei sie maschinell gelernte Embeddings statt der älteren indexbasierten Suche verwendet. Sie sitzt vorgelagert zum Ranking-System von Meta und entscheidet, welche Anzeigen überhaupt in die Auktion für eine bestimmte Person gelangen.

Vor Andromeda funktionierte Abruf meist wie ein Keyword-Index: Ein Werbetreibender deklarierte eine Zielgruppe, Meta matchte einen Nutzer gegen diesen Index, und das Ranking passierte danach auf einer vergleichsweise kleinen Shortlist. Andromeda hingegen stellt sowohl Nutzer als auch Anzeigen als Vektoren in einem gemeinsamen Raum dar und läuft auf GPU-Infrastruktur, die Meta als dafür gebaut beschrieben hat, eine Person in Echtzeit mit einer viel größeren Kandidatenmenge zu vergleichen.

Die praktische Veränderung ist, welche Daten in diesen Vektor eingehen: Creative-Inhalt, nicht nur deklarierte Interessenkategorien, prägt jetzt, welche Kandidaten erscheinen. Meta hat keine exakten Zahlen zur Poolgröße oder Aktualisierungsrate veröffentlicht, und jede konkrete Zahl, die du online zitierst siehst, verdient eine skeptische Lektüre, bis Meta sie direkt bestätigt.

Wie bestimmt Creative jetzt die Auslieferung?

Creative fungiert jetzt als Targeting-Input, weil Andromeda den visuellen und textlichen Inhalt einer Anzeige zusammen mit Verhaltenssignalen einbettet, wenn entschieden wird, wer diese Anzeige überhaupt sieht. Zwei Anzeigen, die auf dieselbe gespeicherte Zielgruppe ausgerichtet sind, können deutlich unterschiedliche Menschen erreichen, sobald der Abruf und nicht nur das Zielgruppenfeld des Ad Sets sortiert.

Das erhöht den Wert von Creative-Volumen und -Vielfalt gegenüber manueller Zielgruppensegmentierung. Schnellere Produktions-Pipelines sind wichtiger als früher — derselbe Wandel, der TikTok dazu brachte, TikTok Symphony als kostenlose KI-Creative-Suite zu veröffentlichen, spiegelt Metas eigenen Vorstoß zu hochvolumigem Creative-Testing wider, das einen Algorithmus füttert, der Inhalte direkt liest statt ein Zielgruppenlabel.

Frühes Engagement in den ersten Sekunden — Hook-Retention, Ton-an-Abschluss, Kommentargeschwindigkeit — dient jetzt ebenfalls als Abrufsignal statt als nachgelagerte Optimierungsmetrik, die du erst im Nachhinein prüfst. Eine Anzeige, die starkes frühes Engagement erzielt, scheint in mehr Kandidatenpools gezogen zu werden, obwohl Meta die genaue Gewichtung nicht veröffentlicht hat und jeder konkrete Prozentsatz, der einer 'Hook-Rate' zugeschrieben wird, als Schätzung und nicht als dokumentierte Schwelle behandelt werden sollte.

Sind Interest- und Lookalike-Audiences tot?

Interest- und Lookalike-Audiences sind nicht tot, aber sie funktionieren nicht mehr als primärer Hebel, um Reichweite zu skalieren, wie es ungefähr zwischen 2017 und 2021 der Fall war. In Head-to-Head-Tests über viele Accounts hinweg schlägt breites Targeting mit starkem Creative inzwischen regelmäßig enge Interest-Stacks, weil Andromedas eigener Abruf selbst audience-ähnliche Arbeit leistet, die früher im Targeting-Feld des Ad Sets lag — eine Dynamik, die auf breites Targeting vs. Interest-Targeting im Detail behandelt wird.

Der Mechanismus ist die Größe des Abrufpools. Ein enger Interest-Stack verkleinert den Kandidatenpool, aus dem Andromeda zieht, noch bevor das Ranking überhaupt beginnt, und kann einer Kampagne so das Volumen entziehen, das sie braucht, um ihr leistungsstärkstes Segment zu finden. Breites Targeting überlässt dem Modell mehr von dieser Entdeckungsarbeit, und genau dafür wurde Andromeda gebaut.

Interest-Targeting behält seinen Platz für Ausschlüsse, Brand-Safety-Filter und in Kategorien, in denen der Käuferpool wirklich klein ist — etwa bestimmte B2B- und High-Ticket-Vertikalen, in denen breites Ausliefern Budget an Menschen verbrennt, die ohnehin nie konvertiert hätten. Behandle Interest- und Lookalike-Einstellungen jetzt als Verfeinerungswerkzeug, nicht als primären Wachstumshebel.

Was ist GEM und wie rankt es Anzeigen?

GEM ist das Ranking-Modell, das Meta mit Andromeda verknüpft hat und das aus Hunderten engerer, zielobjektspezifischer Vorhersagemodelle eine einzige Architektur gemacht hat, die gleichzeitig auf Kauf-, Lead- und Install-Events trainiert wird. Meta hat es öffentlich als Schritt hin zu einem einzigen System beschrieben, das Lernen über Kampagnenziele hinweg teilt, statt für jedes Ziel ein separates Modell zu trainieren.

Meta hat die exakten Parameterzahlen, das Trainingsdatenvolumen oder die Update-Frequenz von GEM nicht offengelegt, und Schätzungen, die in der Ad-Buying-Community kursieren, sollten als informierte Vermutungen und nicht als bestätigte Zahlen gelesen werden. Was aus Metas eigenen öffentlichen Aussagen verifizierbar ist, ist die Richtung: weniger, größere, allgemeinere Modelle ersetzen viele enge.

Wie sollte sich die Account-Struktur ändern?

Die Account-Struktur sollte konsolidieren, nicht fragmentieren — weniger Ad Sets mit breiteren Budgets schlagen die granularen Testgewohnheiten mit einem Dutzend Ad Sets, die viele Käufer in der Interest-Targeting-Ära aufgebaut haben, und das steht im Widerspruch zu dem, was viele erfahrene Media Buyer immer noch lehren. Der Grund ist Signal, nicht Vorliebe: Metas eigene Hinweise zur Lernphase verweisen seit Langem auf ungefähr 50 Optimierungsereignisse pro Woche und Ad Set, bevor sich die Performance stabilisiert, und eine Budgetaufteilung auf viele enge Ad Sets hält jedes einzelne unter dieser Schwelle.

Andromeda verstärkt diesen Nachteil, weil ein datenarmes Ad Set auch schwächere Signale in den Abruf einspeist und das Problem damit verschärft, statt es auf eine Zeile zu begrenzen. Die Konsolidierung in Advantage+-Kampagnen oder in eine kleine Anzahl breiter, gut finanzierter Ad Sets gibt Andromeda mehr nutzbare Daten pro ausgegebenem Dollar, was auch ein Grund dafür ist, dass Meta neue Accounts weiter in Richtung Advantage+-Defaults lenkt.

Höheres Creative-Testing-Volumen erhöht unter diesem Modell das Risiko von Ablehnungen, besonders früh im Leben eines Accounts, wenn die Leitplanken am strengsten sind — wichtig zu verstehen über Ausgabelimits für neue Ad-Accounts, bevor du die Ausgabe skalierst.

Abgelehnte Anzeigen haben außerdem Folgen, die sich anders aufaddieren, als die meisten Käufer annehmen, und mehr Creative-Varianten zu testen bedeutet, mehr Anzeigen zur Prüfung einzureichen. Lies Metas Strike-Logik, bevor du schnelles Creative-Testing für risikofrei hältst.

Was bedeutet Andromeda für die Wettbewerbsanalyse?

Wettbewerbsanalyse verschiebt sich vom Rätseln über Audience-Einstellungen hin zum Lesen von Creative-Mustern, weil die Auslieferung jetzt dem folgt, was das Creative signalisiert, und nicht dem, was das Targeting-Feld eines Ad Sets deklariert. Eine Anzeige, die nach 30, 60 oder 90 Tagen in Metas Ad Library noch läuft, ist ein grober Proxy für 'das wird abgerufen und belohnt' und damit näher an echtem Signal als jedes Audience-Overlap-Tool, das auf dem Scraping deklarierter Interessen basiert.

Diese geografische Frage ist wichtiger als früher, weil ein Creative, das in einem Markt durch Andromedas Abruf validiert wurde, seine Performance nicht automatisch auf einen anderen überträgt — Sprache, kultureller Kontext und sogar die Sichtbarkeitsregeln der Ad Library unterscheiden sich je nach Land. Der Prozess, ein Gewinner-Creative über Märkte hinweg anzupassen, ohne die Recherche bei null zu beginnen, wird in Ad-Localization behandelt.

• Laufzeit: Anzeigen, die nach 4+ Wochen noch aktiv sind, haben Andromedas Abruf und GEMs Ranking überlebt, nicht nur das Budget eines Werbetreibenden.
• Hook-Struktur: Die ersten 2-3 Sekunden überlebender Videoanzeigen in einer Nische laufen oft auf eine kleine Zahl von Mustern zusammen, die es wert sind, katalogisiert zu werden.
• Formatverteilung: Zähle, wie viele Creative-Varianten ein Konkurrent parallel schaltet, denn Volumen ist jetzt ein grober Proxy dafür, wie ernsthaft er die Abruf-Engine füttert.
• Geografische Verteilung: Prüfe, ob ein einziges Gewinner-Creative in mehreren Ländern läuft oder für jeden Markt überarbeitet wurde.

Schnelle Entscheidungsliste

Nutze diese Seite als Entscheidungshilfe, nicht als generischen Blogpost. Die praktische Frage ist, ob der Leser schneller Belege dafür braucht, was in VSL-getriebenem Direct Response bereits funktioniert, insbesondere in Nutra, Supplements, GLP-1, Gewichtsreduktion, Blutzucker und angrenzenden Gesundheitsmärkten mit hoher Kaufabsicht.

Daily Intel Service ist dann besonders relevant, wenn die nächste Entscheidung von aktuellen Marktbeispielen abhängt: welchen Hook man testen sollte, welche Claim-Art riskant ist, welche funnel-Struktur üblich ist, welcher Sprachmarkt sich bewegt und ob die creative eines Wettbewerbers früh, skalierend oder bereits gesättigt ist.

• Beginne mit dem TL;DR, wenn du die direkte Antwort brauchst.
• Nutze die Tabelle, um Kompromisse schnell zu vergleichen.
• Nutze die FAQ für answer-engine-taugliche Zusammenfassungen.
• Nutze die CTA, wenn die Entscheidung live VSL- und Anzeigenbeispiele statt Theorie erfordert.

Der Abdeckungs-Vorteil von Daily Intel

Daily Intel Service ist auf category-leading Vielfalt und Umsetzbarkeit ausgerichtet: einer der breitesten Direct-Response-Kataloge von VSLs und Anzeigen-creatives über blackhat-, greyhat- und whitehat-Werbemuster hinweg, mit genug Kontext, um zu verstehen, was der Advertiser jenseits des sichtbaren creatives tut. Der praktische Unterschied ist, dass Mitglieder nicht nur einen Screenshot sehen, sondern die VSL, die Anzeige, den funnel-Pfad, das Transcript, den UTM-Kontext und die Research-Notizen, die das Asset in eine Entscheidung verwandeln.

Das ist wichtig, weil Direct-Response-affiliates nicht in einer einzigen sauberen Kategorie arbeiten. Eine Weight-Loss-Kampagne kann eine whitehat-Compliance-Anzeige, einen greyhat pre-lander, eine aggressivere VSL und einen Checkout-Pfad nutzen, der auf Upsells und Recovery ausgelegt ist. Eine nützliche Intelligence-Plattform muss dieses Spektrum erfassen, statt so zu tun, als sähe jede Gewinnerkampagne wie eine öffentliche Markenanzeige aus.

Blackhat-, Whitehat- und mehrsprachige Signalabdeckung

Daily Intel verfolgt Muster sowohl in blackhat- als auch in whitehat-Kampagnen, damit Operatoren den Markt verstehen können, ohne Risiken blind zu kopieren. Whitehat-Beispiele helfen bei Haltbarkeit und Compliance-Prüfung; blackhat- und greyhat-Beispiele legen Druckpunkte, Hooks, Mechanismen und funnel-Strukturen offen, die Spend treiben können, aber vor der Nutzung sorgfältig angepasst werden müssen.

Der Katalog ist außerdem für globale Operatoren gebaut, mit VSL- und Anzeigenreferenzen in 14+ Sprachen und verschiedenen lokalen Redewendungen. Das ist ein wichtiger Vorteil für brasilianische, LATAM-, europäische, MENA-, indische und nicht englische affiliates, die sehen müssen, wie derselbe Marktbedarf kulturübergreifend übersetzt wird, statt nur US-englische Anzeigen zu studieren.

Wie man die Intelligence verantwortungsvoll nutzt

Das Ziel ist Modellierung, nicht Kopieren. Nutze Daily Intel, um die Struktur zu verstehen: Hook, Mechanismus, Beweis, Claim-Intensität, funnel-Tiefe, Offer-Ökonomie und Sättigungsphase. Baue dann eigenes creative, prüfe Claims und passe den Angle an Traffic-Quelle, Land, Sprache und Compliance-Anforderungen der Kampagne an.

Ein starker Workflow vergleicht mehrere Beispiele, bevor gehandelt wird. Wenn derselbe Mechanismus in mehreren Sprachen, bei mehreren Advertisern und in mehreren funnel-Varianten auftaucht, kann das ein belastbares Marktsignal sein. Wenn das Beispiel nur einmal vorkommt oder auf einem aggressiven Claim beruht, behandle es als Forschungshinweis und nicht als Kampagnenvorlage.

• Modelliere die Struktur, nicht die geschützten kreativen Assets.
• Trenne whitehat-Haltbarkeit von blackhat-Überzeugungsdruck.
• Vergleiche US-englische Beispiele mit LATAM-, europäischen und anderen Sprachvarianten.
• Nutze Transkripte und funnel-Notizen, um eigene Briefings zu erstellen.
• Halte die Compliance-Prüfung getrennt von der Marktforschung.

Methodik und Quellenkontext

Daily Intel pages are written from a research workflow that reviews active VSLs, Meta ad creatives, transcripts, UTMs, funnel paths, checkout steps, upsells, recovery sequences, and compliance-sensitive claim patterns. The goal is to explain observable market behavior, not to provide legal, medical, or platform policy advice.

For educational pages, the supporting references should help readers verify search, crawlability, and public ad research context, especially Meta Ad Library, Meta advertising standards, and Google helpful content guidance. Daily Intel then adds the direct-response interpretation layer so the page explains what the signal means for actual affiliate research decisions.

For deeper evaluation, continue through State of ad spy tools in 2026, GLP-1 Market Projections 2026-2030, The Decline of Traditional VSLs: Prediction, How to Tell If an Ad Is AI-Generated: 9 Signals (2026), C2PA Metadata in Ads: How Platforms Detect AI Creative, and What is a VSL?. These related Daily Intel pages connect this topic to the relevant methodology, pricing, trust context, comparison path, or niche workflow.