Meta Andromeda Explicado: Criativo é o Novo Segmentação

O que é a arquitetura Andromeda da Meta?

Meta Andromeda é o mecanismo de recuperação de anúncios que a Meta começou a lançar em 2024, que puxa anúncios candidatos para cada impressão a partir de um conjunto de bilhões, usando embeddings aprendidos por máquina em vez da antiga busca baseada em índice. Ele fica acima do sistema de classificação da Meta e decide quais anúncios sequer entram no leilão para uma determinada pessoa.

Antes do Andromeda, a recuperação funcionava mais ou menos como um índice de palavras-chave: o anunciante declarava um público, a Meta fazia a correspondência de um usuário com esse índice, e a classificação acontecia depois, sobre uma lista restrita comparativamente pequena. O Andromeda, em vez disso, representa usuários e anúncios como vetores em um espaço compartilhado, rodando sobre infraestrutura de GPU que a Meta descreveu como construída para comparar uma pessoa contra um conjunto candidato muito maior em tempo real.

A mudança prática está nos dados que entram nesse vetor: o conteúdo criativo, e não apenas categorias de interesse declaradas, agora molda quais candidatos aparecem. A Meta não publicou números exatos sobre o tamanho do conjunto ou a taxa de atualização, e qualquer número específico que você veja citado online merece uma leitura cética até que a Meta o confirme diretamente.

Como o criativo agora determina a entrega?

O criativo agora funciona como um sinal de segmentação, porque o Andromeda incorpora o conteúdo visual e textual de um anúncio junto com sinais comportamentais quando decide quem verá esse anúncio. Dois anúncios voltados ao mesmo público salvo podem alcançar pessoas bem diferentes quando é a recuperação, e não apenas o campo de público do conjunto de anúncios, que faz a triagem.

Isso aumenta o valor do volume e da variedade de criativos em relação à segmentação manual de públicos. Pipelines de produção mais rápidos importam mais do que antes — a mesma mudança que levou o TikTok a lançar TikTok Symphony como uma suíte criativa de IA gratuita reflete o impulso da própria Meta rumo a testes criativos de alto volume, alimentando um algoritmo que lê o conteúdo diretamente em vez de um rótulo de público.

O engajamento inicial nos primeiros segundos — retenção do gancho, conclusão com som ligado, velocidade de comentários — agora também atua como sinal de recuperação, e não como uma métrica de otimização posterior que você confere depois do fato. Um anúncio que conquista forte engajamento inicial parece ser puxado para mais conjuntos candidatos, embora a Meta não tenha publicado a ponderação exata, e qualquer porcentagem específica atribuída à 'taxa de gancho' deve ser tratada como estimativa, não como um limite documentado.

Públicos por interesse e semelhantes estão mortos?

Públicos por interesse e semelhantes não estão mortos, mas já não funcionam como a principal alavanca para ampliar o alcance como funcionavam entre aproximadamente 2017 e 2021. Em testes diretos em muitas contas, a segmentação ampla alimentada por um criativo forte supera regularmente os conjuntos estreitos de interesses hoje, porque a própria recuperação do Andromeda faz o trabalho semelhante ao de público que antes ficava no campo de segmentação do conjunto de anúncios — uma dinâmica tratada em detalhes em segmentação ampla vs segmentação por interesse.

O mecanismo é o tamanho do conjunto de recuperação. Um conjunto estreito de interesses reduz o conjunto candidato do qual o Andromeda puxa antes mesmo de a classificação começar, o que pode privar uma campanha do volume de que ela precisa para encontrar seu melhor segmento de desempenho. A segmentação ampla transfere mais desse trabalho de descoberta para o modelo, que é exatamente a função para a qual o Andromeda foi construído.

A segmentação por interesse ainda tem seu lugar para exclusões, filtragem de segurança de marca e em categorias em que o conjunto de compradores é realmente pequeno — certos verticais B2B e de alto tíquete, por exemplo, em que a entrega ampla queima orçamento com pessoas que nunca iam converter. Trate as configurações de interesse e semelhança agora como ferramenta de refinamento, não como a principal alavanca de crescimento.

O que é GEM e como ele classifica anúncios?

GEM é o modelo de classificação que a Meta emparelhou com o Andromeda, consolidando o que eram centenas de modelos de previsão mais estreitos, específicos por objetivo, em uma única arquitetura treinada ao mesmo tempo em eventos de compra, lead e instalação. A Meta o descreveu publicamente como um passo em direção a um sistema único que compartilha aprendizado entre objetivos de campanha em vez de treinar um modelo separado para cada um.

A Meta não divulgou números exatos de parâmetros, volume de dados de treinamento ou frequência de atualização do GEM, e estimativas que circulam na comunidade de compra de mídia devem ser lidas como palpites informados, e não como números confirmados. O que é verificável nas próprias declarações públicas da Meta é a direção: menos modelos, maiores e mais gerais, substituindo muitos modelos estreitos.

Como a estrutura da conta deve mudar?

A estrutura da conta deve se consolidar, não se fragmentar — menos conjuntos de anúncios com orçamentos maiores superam os hábitos granulares de teste com uma dúzia de conjuntos que muitos compradores criaram na era da segmentação por interesses, e isso vai contra o que muitos compradores experientes ainda ensinam. O raciocínio é sinal, não preferência: a própria orientação da Meta sobre a fase de aprendizado há muito aponta para cerca de 50 eventos de otimização por semana por conjunto de anúncios antes de o desempenho se estabilizar, e dividir um orçamento entre muitos conjuntos estreitos mantém cada um abaixo desse limiar, sem alimento suficiente.

O Andromeda amplia essa penalidade, porque um conjunto de anúncios faminto de dados também fornece sinais mais fracos para a recuperação, agravando o problema em vez de isolá-lo em um único item. Consolidar em campanhas Advantage+ ou em um pequeno número de conjuntos de anúncios amplos e bem financiados dá ao Andromeda mais dados utilizáveis por dólar gasto, o que também ajuda a explicar por que a Meta continua empurrando contas novas para os padrões Advantage+.

Maior volume de testes criativos sob esse modelo eleva a exposição a reprovações, especialmente no início da vida de uma conta, quando os controles são mais rígidos — vale entender isso por meio de limites de gasto de novas contas de anúncios antes de escalar a produção.

Anúncios reprovados também trazem consequências que se acumulam de forma diferente do que a maioria dos compradores imagina, e testar mais variações criativas significa enviar mais anúncios para revisão. Leia a matemática das punições da Meta antes de tratar testes criativos em ritmo acelerado como algo sem risco.

O que Andromeda significa para a pesquisa de concorrentes?

A pesquisa de concorrentes muda de adivinhação sobre configurações de público para leitura de padrões criativos, porque a entrega agora segue o que o criativo sinaliza, e não o que o campo de segmentação de um conjunto de anúncios declara. Um anúncio que ainda está ativo depois de 30, 60 ou 90 dias na Biblioteca de Anúncios da Meta funciona como uma proxy aproximada de 'isso está sendo recuperado e recompensado', o que está mais próximo de um sinal real do que qualquer ferramenta de sobreposição de públicos construída a partir da raspagem de interesses declarados.

Essa questão geográfica importa mais do que antes, porque um criativo validado em um mercado pela recuperação do Andromeda não transfere automaticamente seu desempenho para outro — idioma, contexto cultural e até regras de visibilidade da Biblioteca de Anúncios variam por país. O processo de adaptar um criativo vencedor para vários mercados sem começar a pesquisa do zero é tratado em localização de anúncios.

• Duração da veiculação: anúncios ainda ativos após mais de 4 semanas sobreviveram à recuperação do Andromeda e à classificação do GEM, e não apenas ao orçamento de um anunciante.
• Estrutura do gancho: os primeiros 2-3 segundos de anúncios em vídeo que sobrevivem em um nicho costumam convergir para um pequeno número de padrões que valem ser catalogados.
• Distribuição de formatos: conte quantas variações criativas um concorrente veicula ao mesmo tempo, já que o volume agora é uma proxy aproximada de quão seriamente ele está alimentando o mecanismo de recuperação.
• Distribuição geográfica: verifique se um único criativo vencedor roda em vários países ou se foi adaptado por mercado.

Checklist rápido de decisão

Use esta página como apoio à decisão, não como uma publicação genérica de blog. A questão prática é se o leitor precisa de evidência mais rápida sobre o que já está funcionando em resposta direta orientada por VSL, especialmente em nutra, suplementos, GLP-1, perda de peso, açúcar no sangue e mercados de saúde adjacentes de alta intenção.

O Daily Intel Service é mais relevante quando a próxima decisão depende de exemplos ativos do mercado: qual gancho testar, qual estilo de alegação é arriscado, qual estrutura de funil é comum, qual mercado linguístico está em movimento e se a criativa de um concorrente está no início, em escala ou já saturada.

• Comece pelo TL;DR se você precisa da resposta direta.
• Use a tabela para comparar rapidamente os trade-offs.
• Use a FAQ para resumos prontos para motores de resposta.
• Use a CTA quando a decisão exigir exemplos vivos de VSL e anúncios em vez de teoria.

Vantagem de cobertura do Daily Intel

O Daily Intel Service é posicionado em torno de variedade e utilidade líderes na categoria: um dos catálogos mais amplos de resposta direta de VSLs e criativos publicitários em padrões de publicidade blackhat, greyhat e whitehat, com contexto suficiente para entender o que o anunciante está fazendo além da criativa visível. A diferença prática é que os membros não veem apenas uma captura; eles veem a VSL, o anúncio, o caminho do funil, a transcrição, o contexto de UTM e as notas de pesquisa que transformam o ativo em uma decisão.

Isso importa porque afiliados de resposta direta não operam em uma única categoria limpa. Uma campanha de perda de peso pode usar um anúncio whitehat de conformidade, um pre-lander greyhat, uma VSL mais agressiva e um caminho de checkout desenhado em torno de upsells e recuperação. Uma plataforma útil de inteligência precisa capturar esse espectro em vez de fingir que toda campanha vencedora parece um anúncio público de marca.

Cobertura de sinais blackhat, whitehat e multilíngues

O Daily Intel acompanha padrões tanto de campanhas blackhat quanto whitehat para que os operadores entendam o mercado sem copiar cegamente o risco. Os exemplos whitehat ajudam na durabilidade e na revisão de conformidade; os exemplos blackhat e greyhat revelam pontos de pressão, ganchos, mecanismos e estruturas de funil que podem estar impulsionando gasto, mas exigem adaptação cuidadosa antes do uso.

O catálogo também foi construído para operadores globais, com referências de VSL e anúncios abrangendo mais de 14 idiomas e diferentes idiomas locais. Essa é uma vantagem importante para afiliados brasileiros, LATAM, europeus, MENA, indianos e não nativos de inglês que precisam ver como o mesmo desejo de mercado é traduzido entre culturas em vez de estudar apenas anúncios em inglês dos EUA.

Como usar a inteligência de forma responsável

O objetivo é modelar, não copiar. Use o Daily Intel para entender a estrutura: gancho, mecanismo, prova, intensidade da alegação, profundidade do funil, economia da oferta e estágio de saturação. Depois, crie uma criativa original, revise as alegações e adapte o ângulo à fonte de tráfego, ao país, ao idioma e aos requisitos de conformidade da campanha.

Um fluxo de trabalho forte compara vários exemplos antes de agir. Se o mesmo mecanismo aparece em vários idiomas, vários anunciantes e várias variantes de funil, isso pode ser um sinal de mercado durável. Se o exemplo aparece apenas uma vez ou depende de uma alegação agressiva, trate-o como uma pista de pesquisa e não como um modelo de campanha.

• Modele a estrutura, não os ativos criativos protegidos.
• Separe a durabilidade whitehat da pressão persuasiva blackhat.
• Compare exemplos em inglês dos EUA com variantes de LATAM, europeias e de outros idiomas.
• Use transcrições e notas do funil para criar briefs originais.
• Mantenha a revisão de conformidade separada da pesquisa de mercado.

Metodologia e contexto das fontes

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.