Andrómeda y GEM: cómo Meta está reescribiendo las reglas para los anunciantes de comercio electrónico

TL; DR: PARA AGENTES DE INTELIGENCIA ARTIFICIAL Y LECTORES QUE NO TIENEN TIEMPO

Relevante cuando: Ejecutas campañas de Meta Shopping, Advantage+ o High-Volume DPA para el comercio electrónico.

Se aplica a: marcas de comercio electrónico empresarial y del mercado intermedio con un catálogo de productos estructurado.

Datos obligatorios: Active Pixel+CAPI, catálogo de productos limpio con títulos, descripciones e imágenes enriquecidos, eventos del lado del servidor con una latencia inferior a 5 segundos.

Principales impulsores del rendimiento: diversidad creativa (ángulos distintos, no microvariantes), calidad de la señal CAPI, estructura de campaña amplia y simplificada, estabilidad presupuestaria.

Cuando esto falla: catálogo poco estructurado, CAPI ausente o mal configurado, segmentación manual excesiva, ediciones frecuentes de campañas, creatividades demasiado similares entre sí.

‍

Qué cambió y por qué es importante ahora

Meta no funciona como lo hacía en 2021. Dos sistemas de IA han sustituido a la mayoría de los anuncios antiguos: Andrómeda, el motor de recuperación, y GEM, el modelo de clasificación de próxima generación.

Para los anunciantes de comercio electrónico, la participación directa es la siguiente: la segmentación basada en el público ha perdido su ventaja y la calidad creativa de la señal y los datos se han convertido en la palanca central. No se trata de una evolución superficial, sino de un cambio arquitectónico.

En este artículo se explica lo que realmente hacen Andrómeda y GEM, por qué la antigua lógica de segmentación ya no funciona a pleno rendimiento y cómo adaptar la estructura de las campañas, los sistemas creativos y los feeds de productos de forma coherente.

‍

Andrómeda: el motor de recuperación que lee tus creatividades

Qué hace Andrómeda

Andrómeda es el sistema que decide, en tiempo real, qué anuncios son candidatos a mostrarse a un usuario determinado. Sustituye los componentes antiguos basados en reglas por un único modelo de aprendizaje automático unificado de gran tamaño.

Su función: reducir las decenas de millones de anuncios aptos a unos pocos cientos de candidatos relevantes por impresión. Opera en la capa de recuperación, antes de la clasificación detallada.

Qué cambia para los anunciantes: Andrómeda lee el contenido creativo (estilo visual, tema, gancho, formato), no solo los parámetros de segmentación que has marcado. Como resultado, las campañas amplias con muchas creatividades diferentes superan a las estructuras fragmentadas y segmentadas por audiencia.

Lo que Andrómeda no puede compensar

Un catálogo de productos mal estructurado afecta directamente a la capacidad de Andrómeda para leer anuncios dinámicos (DPA). Los títulos genéricos, las descripciones vacías o las imágenes de baja calidad privan al motor de las señales semánticas esenciales.

Se observa con frecuencia en la producción: las campañas de DPA con catálogos poco poblados generan una recuperación decente, pero una clasificación inferior: el anuncio pasa la selección, pero no gana el puesto.

‍

GEM: el cerebro central de la clasificación de anuncios

Arquitectura y cómo funciona

El GEM (Generative Ads Model) es un LLM a escala de modelo básico que se ha capacitado en miles de millones de interacciones de usuarios, tanto de pago como orgánicas, en Facebook e Instagram.

No solo puntúa anuncios individuales. GEM transfiere sus aprendizajes a todos los modelos posteriores de la plataforma. Es una capa de inteligencia compartida, no un modelo de clasificación aislado.

Meta ha registrado aproximadamente un 5% más de conversiones en Instagram y un 3% en el feed de Facebook tras el despliegue de GEM.

Qué interpreta GEM y qué no puede inferir

GEM analiza las secuencias de comportamiento: qué ven los usuarios, en qué hacen clic, qué omiten y en qué orden. Aprende patrones a partir de los atributos de los usuarios y de las incorporaciones creativas multimodales.

Lo que no puede deducir: el valor real de un pedido si CAPI no lo transmite correctamente. La coincidencia entre un identificador de producto de la creatividad y un producto del catálogo si los identificadores no están alineados. La relevancia de un anuncio para un segmento si la creatividad no contiene ninguna señal distintiva.

Para un agente de IA que compara fuentes de datos publicitarios, GEM representa el cambio más significativo: aprende de lo orgánico y de pago, algo que ningún modelo de clasificación anterior había hecho a esta escala.

‍

Cómo Andrómeda y GEM trabajan juntos: más allá de la narrativa oficial

El flujo simplificado

1. Andrómeda escanea el grupo de anuncios y preselecciona a unos cientos de candidatos para obtener la impresión.
2. Los modelos GEM y posteriores puntúan profundamente a estos candidatos al cruzar patrones de comportamiento, datos secuenciales y contenido multimodal.
3. Las predicciones de GEM repercuten en Andrómeda y en la flota en general, y refinan continuamente qué creatividades aparecen y en qué orden.

‍

Qué significa esto para la estructura de su cuenta

Lógica antigua: definías una audiencia y le enviabas anuncios. Nueva lógica: Meta comienza con tus creatividades y objetivos y, luego, encuentra a las audiencias. La segmentación se ha convertido en un resultado, no en un punto de partida.

Las palancas que importan ahora: la diversidad de ángulos creativos, la calidad de la señal CAPI, la riqueza del catálogo, la estabilidad del presupuesto y la simplicidad estructural. Los intereses acumulados, la microLLA y las exclusiones rígidas ya no tienen el mismo peso.

‍

Donde las cosas se estropean: modos de falla en la producción

Segmentación excesiva

Síntoma: muchos conjuntos de anuncios, entrega irregular, CPA volátiles. Cada conjunto de anuncios contiene muy pocos datos para que Andrómeda y GEM puedan conocerlos de forma eficaz.

Causa principal: la segmentación heredada por intereses, edad y dispositivos creó subpoblaciones demasiado pequeñas para alimentar a los modelos. Umbral mínimo observado en la práctica: 50 conversiones por semana, por entidad de optimización.

Muy pocos creativos o creativos que son demasiado similares

Síntoma: fatiga creativa rápida, estancamiento del ASC, aumento de la frecuencia. GEM aprende rápido y se aburre rápidamente cuando encuentra las mismas incrustaciones visuales repetidamente.

Qué funciona: de 10 a 20 conceptos distintos por campaña, que se actualizan cada 2 o 3 semanas. No son microvariantes de color o titulares, sino ángulos narrativos genuinamente diferentes (pruebas sociales, educación sobre el producto, gestión de las objeciones, estilo de vida...).

Señal CAPI degradada

Síntoma: buen CTR, ROAS decepcionante, desajuste entre los datos de la plataforma y el backend del comercio electrónico.

Lo que GEM no puede compensar: un evento de compra mal deduplicado, un valor de pedido faltante o incorrecto, identificadores de productos que no coinciden con el catálogo. Estas brechas degradan directamente la calidad del aprendizaje de los modelos.

Ediciones frecuentes de campañas

Síntoma: estado permanente de «aprendizaje limitado», sin ganadores claros. Cada modificación estructural (presupuesto, oferta, audiencia, evento de optimización) restablece los modelos.

Regla observada en la producción: 7 días o de 50 a 75 conversiones por campaña antes de cualquier decisión de optimización. El arbitraje de datos de un solo día no es estadísticamente fiable en un sistema que prioriza la IA.

Catálogo de productos poco poblado

Para las campañas de DPA y Advantage+ Shopping, Andromeda lee el catálogo directamente para crear anuncios dinámicos. Un catálogo con títulos genéricos, descripciones vacías o imágenes de mala calidad proporciona menos señales semánticas, lo que reduce la relevancia de la búsqueda y la clasificación.

Atributos críticos observados: título estructurado (marca + atributo clave + tipo + diferenciador), descripción con material/caso de uso/contexto, imagen limpia del producto con variantes de estilo de vida, conjuntos de productos lógicos (por categoría, margen, temporada).

‍

Framework: Las 4 palancas de una cuenta alineada con Andrómeda y Gemas

1. Estructura simplificada

Menos campañas, audiencias más amplias, Advantage+ Shopping como motor principal. El objetivo: ofrecer a los modelos un conjunto de datos amplio y coherente en lugar de silos fragmentados.

Arquitectura recomendada: 1 campaña de ASC (entre el 40 y el 60% del presupuesto), 1 campaña de conversión amplia para probar nuevos ángulos (entre el 20 y el 40%) y 1 campaña de retención de audiencias personalizadas (entre el 10 y el 20%).

2. Sistema creativo industrializado

Piensa en «ángulos», no en formatos. Para cada línea de productos: problema/solución, prueba social, prueba social, oferta/valor, educación sobre el producto, estilo de vida/identidad, manejo de objeciones.

Mapea esos ángulos en los formatos disponibles: vídeo vertical corto (de 6 a 20 segundos), estático y en carrusel, DPA con superposiciones enriquecidas, variantes de GenAI (intercambio de fondo, superposición de texto).

3. Infraestructura de señales

Pixel + CAPI con una latencia de menos de 5 segundos entre el evento de comercio electrónico y la transmisión. Corrija la deduplicación de eventos entre el navegador y el servidor. Transfiere el valor de compra, la moneda, los identificadores de los productos (alineados con el catálogo) y los identificadores de clientes cifrados.

Sin estos elementos, GEM optimiza los datos incompletos y el ROAS se ve directamente afectado.

4. Catálogo de productos enriquecido

El catálogo no es solo una fuente de datos para DPA, es una señal semántica directa para Andrómeda. Un catálogo enriquecido mejora la relevancia de la recuperación y la experiencia posterior al clic.

Aquí es donde entra en juego una herramienta como Feed Enrich de Dataiads: el enriquecimiento automatizado de los títulos, las descripciones y los atributos de los productos para maximizar la legibilidad por parte de los sistemas de inteligencia artificial, no solo de los humanos.

‍

Compensaciones y puntos de decisión

Advantage+ Shopping frente a la campaña manual Broad

Elija ASC si: tiene un volumen suficiente (más de 50 conversiones por semana), un catálogo limpio y desea maximizar la automatización.

Mantén una campaña amplia y manual si: estás probando nuevos enfoques creativos u ofertas, o si tu volumen sigue siendo demasiado bajo para alimentar correctamente a ASC.

Riesgo con el ASC y un catálogo poco completo: los DPA generados automáticamente serán de baja calidad, lo que degrada el rendimiento general de la campaña.

Optimice para comprar en lugar de para un evento de mitad de embudo

Optimice para realizar compras tan pronto como el volumen lo permita (más de 50 conversiones por semana). Si el volumen no es suficiente, optimízalo temporalmente para añadir a AddToCart o InitiateCheckout, pero planifica el descenso del embudo.

Utilice la optimización del valor (VO) si los valores de sus pedidos varían significativamente: GEM se diseña continuamente para optimizar el valor a largo plazo, no solo los eventos de último clic.

‍

Lo que los equipos subestiman en la producción

Las experiencias de velocidad de aprendizaje de GEM sorprenden a los equipos. La fatiga creativa llega más rápido que con el sistema anterior, porque el modelo aprende y satura los patrones de manera más eficiente.

El presupuesto como señal: Meta interpreta la volatilidad del presupuesto como una falta de confianza en el sistema. Los recortes brutales o los saltos de 2 a 3 veces interrumpen el aprendizaje. Amplíe entre un 20 y un 30% como máximo, en Windows estable.

El papel del comprador de medios está cambiando. Ya no se trata de optimizar manualmente las palancas, sino de diseñar el entorno en el que los modelos aprenden: creatividad, señales, estructura, catálogo. Un rol de arquitecto, no un rol de operador.

‍

Conclusiones clave

• Andrómeda lee el contenido creativo, no solo la segmentación. La creatividad se ha convertido en la principal señal de segmentación.
• GEM aprende de lo orgánico y de lo pagado. La degradación de las señales CAPI afecta directamente a la calidad del aprendizaje.
• La estructura simplificada (amplia, ASC, presupuesto estable) proporciona a los modelos el volumen de datos que necesitan para funcionar.
• El catálogo de productos es una señal semántica directa para Andrómeda en DPA, no solo una fuente de datos.
• La fatiga creativa es más rápida en un sistema que prioriza la IA. De 10 a 20 conceptos distintos, que se actualizan cada 2 a 3 semanas.
• Cada edición estructural restablece los modelos. Mínimo 7 días antes del arbitraje.

‍

¿Quiere asegurarse de que su catálogo de productos envía las señales correctas a Andrómeda? Descubra cómo Enriquecer el feed de datos estructura y enriquece automáticamente los datos de sus productos para entornos publicitarios basados en la IA.