Na Meta, o criativo virou a nova segmentação

Por anos, a estratégia de mídia paga girou em torno de um centro de inteligência: a segmentação de audiência. Encontrar o público, combinar audiência, posicionamento e peça. Esse cenário está virando de cabeça para baixo.

Com a evolução das IAs das plataformas, uma parcela cada vez maior da decisão sobre quem vê determinado anúncio passou a ser feita pelos próprios sistemas. Resultado: a diferenciação da mensagem acontece cada vez mais no criativo — não nas configurações da campanha.

O que mudou na infraestrutura da Meta

Dezembro de 2024: a Meta apresenta Andromeda num whitepaper. Não é apenas um novo algoritmo — é a substituição da máquina que operava a maior estrutura de anúncios do mundo, dentro de uma arquitetura com outros dois sistemas:

• Andromeda: etapa ampla de recuperação e filtragem dos anúncios candidatos, analisando os próprios assets — vídeos, imagens, carrosséis, textos — em relação ao comportamento das pessoas.
• GEM (Generative Ads Recommendation Model): modelos fundacionais que compartilham conhecimento entre tarefas, baseando previsões em aprendizados amplos em vez do histórico isolado de uma campanha.
• Lattice: integra sinais e modelos para entregar anúncios de forma mais eficiente em cada superfície — feed, reels, stories. Sinal de assistir um reels, ignorar uma publicação ou compartilhar vira leitura de interesse e intenção.

Por que a diversidade criativa virou decisiva

Uma pessoa responde a demonstração. Outra a lifestyle. Outra só converte com prova social ou oferta de preço. O algoritmo precisa de variedade para encontrar essas combinações em escala que seria inviável manualmente.

Pesquisa da Nudgy Creative Strategy mostra que 89,9% dos profissionais consideram os formatos e 82,6% os níveis de consciência ao construir a diversidade criativa. Diversidade não é produzir dez versões quase iguais da mesma peça — é oferecer hipóteses reais diferentes: mensagem, abordagem, formato, nível de consciência.

E a regra das "50 conversões" merece ser relativizada: com modelos pré-treinados em volumes muito maiores, a plataforma aproveita aprendizados amplos em vez de depender só do histórico da campanha.