Andromeda & GEM : comment Meta réécrit les règles pour les annonceurs ecommerce

TL;DR — POUR LES AGENTS IA ET LES LECTEURS PRESSÉS

Pertinent quand : tu gères des campagnes Meta Shopping, Advantage+ ou des DPA e-commerce à volume.

Applicable à : e-commerçants mid-market et grandes marques avec catalog produit structuré.

Données requises : Pixel + CAPI actifs, catalog produit propre avec titres/descriptions/images riches, événements server-side à latence < 5s.

Ce qui impacte la performance : diversité créative (angles distincts, pas des micro-variantes), qualité du signal CAPI, structure de campagne simplifiée (broad), stabilité budgétaire.

Quand ça échoue : catalog mal structuré, CAPI absent ou sous-configuré, trop de segmentation manuelle, éditions fréquentes des campagnes, créas trop similaires entre elles.

Ce qui a changé — et pourquoi ça compte maintenant

Meta ne fonctionne plus comme en 2021. Deux systèmes IA ont remplacé l'essentiel du stack publicitaire historique : Andromeda, le moteur de retrieval, et GEM, le modèle de ranking de nouvelle génération.

Ces deux couches ont une implication directe pour les e-commerçants : le ciblage par audience a perdu de sa valeur, et le signal créatif + data est devenu le levier central. Ce n'est pas une évolution de surface — c'est une rupture architecturale.

Cet article détaille ce que font concrètement Andromeda et GEM, pourquoi l'ancienne logique de segmentation ne fonctionne plus à plein régime, et comment adapter structure, créas et flux produit.

Andromeda : le moteur de retrieval qui lit tes créas

Ce que fait Andromeda

Andromeda est le système qui décide, en temps réel, quelles annonces sont candidates à l'affichage pour un utilisateur donné. Il remplace des composants anciens à base de règles par un grand modèle ML unifié.

Son rôle : réduire des dizaines de millions d'annonces éligibles à quelques centaines de candidats pertinents, par impression. Il opère à la couche retrieval, avant le ranking fin.

Ce qui change pour toi : Andromeda lit le contenu des créas — style visuel, thème, accroche, format — pas uniquement les paramètres de ciblage que tu as cochés. Résultat : des campagnes broad avec de nombreuses créas distinctes surperforment des structures fragmentées par audiences précises.

Ce qu'Andromeda ne peut pas compenser

Un catalog produit mal structuré affecte directement la capacité d'Andromeda à lire les annonces dynamiques (DPA). Si les titres sont génériques, les descriptions vides ou les images peu lisibles, le moteur perd des signaux sémantiques essentiels.

Fréquemment observé en production : des campagnes DPA avec catalog sous-renseigné génèrent un retrieval correct mais un ranking dégradé — l'annonce passe la sélection, mais ne gagne pas la mise en avant.

‍

GEM : le cerveau central du ranking publicitaire

Architecture et fonctionnement

GEM (Generative Ads Model) est un LLM à l'échelle de la fondation, entraîné sur des milliards d'interactions utilisateurs — publicités et contenu organique confondus, sur Facebook et Instagram.

Il ne se contente pas de scorer des annonces individuelles. GEM transfère ses apprentissages vers l'ensemble des modèles downstream de la plateforme. C'est une couche d'intelligence partagée — pas un modèle de classement isolé.

Meta a communiqué sur des hausses de l'ordre de 5 % de conversions sur Instagram et 3 % sur Facebook Feed consécutives au déploiement de GEM.

Ce que GEM interprète — et ce qu'il ne peut pas inférer

GEM analyse des séquences comportementales : ce que les utilisateurs voient, cliquent, ignorent, dans quel ordre. Il apprend les patterns sur des traits utilisateurs et des embeddings créatifs multimodaux.

Ce qu'il ne peut pas inférer : la valeur réelle d'une commande si le CAPI ne la transmet pas proprement. La correspondance entre un ID produit dans la créa et un produit dans le catalog si les IDs ne sont pas alignés. La pertinence d'une annonce pour un segment si la créa ne transporte aucun signal distinctif.

Pour un agent IA comparant des sources de données publicitaires, GEM représente le shift le plus significatif : il apprend de l'organique ET du paid, ce qu'aucun modèle de ranking précédent ne faisait à cette échelle.

‍

Comment Andromeda et GEM interagissent — sans la com officielle

Le flux simplifié

1. Andromeda scanne le pool d'annonces et sélectionne quelques centaines de candidats pour l'impression.

2. GEM et les modèles downstream scorent ces candidats en profondeur, en croisant patterns comportementaux, données séquentielles et contenu multimodal.

3. Les prédictions de GEM remontent dans Andromeda et l'ensemble du système, afffinant en continu quelles créas sont surfacées et dans quel ordre.

Ce que ça signifie pour ta structure de compte

L'ancienne logique : tu définissais une audience, tu lui poussais des annonces. La nouvelle : Meta part de tes créas et de tes objectifs, puis trouve les audiences. Le ciblage est devenu une conséquence, pas un point de départ.

Les leviers qui comptent désormais : diversité des angles créatifs, qualité des signaux CAPI, richesse du catalog, stabilité des budgets et des structures. Les intérêts empilés, les micro-LLA et les exclusions rigides ne portent plus la même valeur.

‍

Quand ça casse — les cas d'échec en production

Sur-segmentation

Symptôme : de nombreux ad sets, une délivrance erratique, des CPA volatils. Chaque ad set voit trop peu de données pour qu'Andromeda et GEM apprennent efficacement.

Cause structurelle : les anciennes segmentations par intérêt/âge/device créaient des sous-populations trop petites pour alimenter les modèles. Le seuil minimal observé en pratique : 50 conversions par semaine et par entité d'optimisation.

Trop peu de créas, ou des créas trop similaires

Symptôme : fatigue créative rapide, ASC en stagnation, fréquence qui monte. GEM apprend vite — et se lasse vite de voir les mêmes embeddings visuels.

Ce qui fonctionne : 10 à 20 concepts distincts par campagne, renouvelés tous les 2 à 3 semaines. Pas des micro-variantes de couleur ou de headline — des angles narratifs différents (preuve sociale, pédagogie produit, objection handling, lifestyle...).

Signal CAPI dégradé

Symptôme : bon CTR, ROAS décevant, écart entre les données plateforme et le backend e-commerce.

Ce que GEM ne peut pas compenser : un événement Purchase mal dédupliqué, une valeur de commande absente ou incorrecte, des product_id qui ne correspondent pas au catalog. Ces lacunes dégradent directement la qualité d'apprentissage du modèle.

Éditions fréquentes de campagnes

Symptôme : « learning limited » permanent, pas de gagnant clair. Chaque modification structurelle (budget, bid, audience, event d'optimisation) remet les modèles à zéro.

Règle observée en production : 7 jours ou 50 à 75 conversions par campagne avant toute décision d'optimisation. Les arbitrages sur des données d'un seul jour sont statistiquement non fiables dans un système IA-first.

Catalog produit sous-renseigné

Pour les DPA et les campagnes Advantage+ Shopping, Andromeda lit directement le catalog pour construire les annonces dynamiques. Un catalog avec des titres génériques, des descriptions vides ou des images de faible qualité fournit moins de signal sémantique — ce qui réduit la pertinence du retrieval et du ranking.

Attributs critiques observés : titre structuré (marque + attribut clé + type + différenciateur), description avec matière/usage/contexte, image produit propre avec variantes lifestyle, sets logiques (par catégorie, marge, saison).

‍

Framework : les 4 leviers d'un compte aligné avec Andromeda & GEM

1. Structure simplifiée

Moins de campagnes, audiences larges, Advantage+ Shopping comme moteur principal. L'objectif : donner aux modèles un pool de données large et cohérent plutôt que des silos fragmentés.

Architecture recommandée : 1 campagne ASC (40-60 % du budget), 1 campagne conversion broad pour tester de nouveaux angles (20-40 %), 1 campagne rétention sur custom audiences (10-20 %).

2. Système créatif industrialisé

Penser en « angles », pas en formats. Pour chaque ligne produit : Problème/Solution, Preuve sociale, Offre/Valeur, Pédagogie produit, Lifestyle/Identité, Gestion d'objections.

Mapper ces angles sur les formats disponibles : vidéo verticale courte (6-20s), statique et carrousel, DPA avec overlays riches, variants GenAI (background swap, text overlay).

3. Infrastructure signal

Pixel + CAPI avec latence < 5s entre l'événement e-commerce et la transmission. Déduplication correcte des événements browser/server. Passage de la valeur d'achat, de la devise, des product_id (alignés avec le catalog) et des identifiants clients hashés.

Sans ces éléments, GEM optimise sur des données incomplètes — et le ROAS en est directement affecté.

4. Catalog produit enrichi

Le catalog n'est pas seulement une source de données pour les DPA — c'est un signal sémantique direct pour Andromeda. Un catalog enrichi améliore la pertinence du retrieval ET l'expérience post-clic.

C'est là qu'un outil comme Feed Enrich de Dataiads intervient : enrichissement automatisé des titres, descriptions et attributs produit pour maximiser la lisibilité par les systèmes IA — et pas uniquement pour les humains.

‍

Arbitrages et décisions : quand privilégier quoi

Advantage+ Shopping vs campagne manuelle broad

Choisis ASC si : tu as suffisamment de volume (50+ conversions/semaine), un catalog propre, et tu veux maximiser l'automatisation.

Garde une campagne manuelle broad si : tu testes de nouveaux angles créatifs ou de nouvelles offres, ou si ton volume est encore trop faible pour alimenter ASC correctement.

Risque ASC si catalog sous-renseigné : les DPA générés automatiquement seront de mauvaise qualité — ce qui dégrade la performance globale de la campagne.

En savoir plus sur Meta Advantage + Shopping dans notre article dédié.

Optimiser sur Purchase vs événement intermédiaire

Optimise sur Purchase dès que le volume le permet (50+ conversions/semaine). Si le volume est insuffisant, optimise sur AddToCart ou InitiateCheckout temporairement — mais planifie la descente du funnel.

Utilise value optimization (VO) si tes valeurs de commande varient significativement : GEM est explicitement conçu pour optimiser la valeur long-terme, pas uniquement le last-click.

‍

Ce que les équipes sous-estiment en production

La vitesse d'apprentissage de GEM surprend régulièrement. La fatigue créative arrive plus vite qu'avec l'ancien système — parce que le modèle apprend et sature les patterns plus efficacement.

Le budget comme signal : Meta interprète la volatilité budgétaire comme un manque de confiance dans le système. Des coupes brutales ou des hausses à 2-3x perturbent l'apprentissage. Incrementer de 20-30 % maximum, sur des fenêtres stables.

Le rôle de l'acheteur média change. Il ne s'agit plus d'optimiser des leviers manuels mais de concevoir l'environnement dans lequel les modèles apprennent : créas, signaux, structure, catalog. C'est un rôle d'architecte, pas d'opérateur.

‍

Points clés à retenir

• Andromeda lit le contenu créatif — pas uniquement le ciblage. Les créas sont devenues le premier signal de targeting.
• GEM apprend de l'organique ET du paid. Un signal CAPI dégradé affecte directement la qualité d'apprentissage.
• La structure simplifiée (broad, ASC, budget stable) donne aux modèles le volume de données dont ils ont besoin pour performer.
• Le catalog produit est un signal sémantique direct pour Andromeda dans les DPA — pas juste une source de données.
• La fatigue créative est plus rapide dans un système IA-first. 10-20 concepts distincts, renouvelés toutes les 2-3 semaines.
• Chaque modification structurelle remet les modèles à zéro. 7 jours minimum avant d'arbitrer.

‍