Meta ha svelato come funziona il suo nuovo algoritmo per gli annunci
Meta ha svelato i dettagli del suo nuovo algoritmo Adaptive Ranking Model per Instagram, che aumenta del 3% le conversioni e del 5% i clic degli annunci target.
L’algoritmo ha aumentato del 3% le conversioni e del 5% i clic, muovendo miliardi di dollari nel settore pubblicitario.
Immagina di scorrere il feed di Instagram e trovare un annuncio che sembra costruito apposta per te — non nel senso vagamente inquietante del solito retargeting, ma davvero pertinente, utile, quasi tempestivo. Non è una coincidenza, e non è nemmeno magia. È il risultato del Meta Adaptive Ranking Model, lanciato su Instagram nell’ultimo trimestre del 2025 e di cui, nei giorni scorsi, Meta ha finalmente svelato i dettagli tecnici e i numeri. I risultati sono più concreti di quanto si potesse immaginare.
La magia invisibile dello scroll
Da quando il modello è attivo, Meta ha registrato un aumento del 3% nelle conversioni pubblicitarie e del 5% nel tasso di clic per gli utenti target. Sembrano percentuali modeste, scritte così. Ma quando si parla di miliardi di interazioni utente-annuncio ogni giorno sulle piattaforme Meta, anche una variazione di pochi punti percentuali si traduce in decine di milioni di azioni in più — acquisti, iscrizioni, download — ogni singolo giorno. Per gli inserzionisti, è come trovare un moltiplicatore nascosto. Per gli utenti, significa vedere meno annunci a caso e più annunci che hanno senso.
Come funziona nella pratica? Pensa al modello come a un sommelier che ha assaggiato tutto il catalogo e conosce i tuoi gusti meglio di te. L’Adaptive Ranking Model non si limita a incrociare interessi dichiarati con categorie di prodotto: elabora segnali complessi in tempo reale, decidendo quale annuncio mostrarti in una finestra di circa 100 millisecondi — un ordine di grandezza più veloce rispetto ai sistemi basati su modelli linguistici di grandi dimensioni standard. E lo fa con un’efficienza computazionale misurata: l’utilizzo dei FLOP del modello è stato portato al 35% su diversi tipi di hardware, un risultato tecnico non banale in un settore dove la potenza di calcolo costa moltissimo. Ma questi numeri non sono solo statistiche interne di un team di ingegneri: stanno muovendo miliardi di dollari e stanno accelerando una corsa che coinvolge le più grandi aziende tech del pianeta.
Numeri e concorrenza: la partita si fa serrata
Per capire quanto conti questo salto tecnologico per Meta, basta guardare i conti. Le entrate pubblicitarie dell’azienda sono cresciute del 24% anno su anno, raggiungendo 58,1 miliardi di dollari nell’ultimo trimestre disponibile. Una cifra che ha pochi precedenti nell’industria e che non si spiega solo con la crescita degli utenti: Meta stessa ha indicato che fornire maggiore potenza di calcolo ai propri modelli di intelligenza artificiale per alimentare annunci e raccomandazioni di ranking è una delle sue priorità strategiche principali. In parole semplici: più il modello è bravo, più gli annunci funzionano, più entrano soldi.
Il problema, per Meta, è che non è l’unica a saperlo. Amazon ha sviluppato RecMind, un agente di raccomandazione autonomo alimentato da un grande modello linguistico, capace di fornire raccomandazioni “zero-shot” — cioè anche su prodotti o contesti che non ha mai visto esplicitamente in fase di addestramento — sfruttando conoscenze esterne, pianificazione e strumenti aggiuntivi. Dall’altra parte, ByteDance — la società madre di TikTok — ha costruito HLLM, un framework gerarchico basato su LLM pensato specificamente per le raccomandazioni sequenziali: il tipo di raccomandazione che serve quando devi prevedere cosa vorrà vedere un utente dopo aver guardato dieci video di fila. Non è un caso che TikTok sia considerato il benchmark in fatto di engagement: dietro quel feed ipnotico c’è un lavoro ingegneristico serissimo.
Il punto di contrasto è interessante: Meta gioca in casa su una sfida che le altre non hanno nella stessa misura. Ogni giorno avvengono miliardi di interazioni utente-annuncio sulle sue piattaforme, ma i segnali davvero utili — clic, conversioni, acquisti — sono sparsi in modo molto rado in tutta quella massa di dati. È come cercare pepite d’oro in un fiume lunghissimo. Il modello Adaptive Ranking è stato costruito proprio per setacciare meglio quel fiume, estraendo valore da segnali debolissimi che i sistemi precedenti ignoravano. La concorrenza avanza, ma la domanda che rimane aperta è: su quale tecnologia si fonda tutto questo?
Dietro le quinte: come l’AI sta cambiando le regole
Per capire l’Adaptive Ranking Model bisogna partire da dove ha iniziato Meta: dalla fatica artigianale. I primi sistemi pubblicitari dell’azienda erano costruiti con ingegneria manuale delle feature — ingegneri umani che decidevano quali variabili considerare, una per una. Poi, gradualmente, si è passati a costruire centinaia di modelli di reti neurali profonde con trilioni di parametri. Un progresso enorme, ma ancora basato su un’architettura frammentata: tanti modelli specializzati che lavorano in parallelo, ognuno bravo in un compito specifico.
L’approccio più recente è diverso. Al centro c’è il Generative Ads Recommendation Model (GEM), descritto da Meta come il più grande modello di base per sistemi di raccomandazione nell’intera industria, addestrato alla scala dei grandi modelli linguistici e su migliaia di GPU. GEM è costruito su un’architettura ispirata agli LLM — gli stessi motori che stanno dietro a ChatGPT, per intendersi — ma specializzato per capire il rapporto tra utenti e annunci, non tra parole e frasi. L’Adaptive Ranking Model si inserisce in questa architettura come il livello che porta l’intelligenza di GEM dentro il feed in tempo reale, rispettando i vincoli di latenza che uno scroll su Instagram impone.
È un’analogia utile pensare a GEM come al cervello e all’Adaptive Ranking come ai riflessi: il primo ha tutto il sapere, il secondo deve agire in frazioni di secondo. Tenerli sincronizzati senza perdere né velocità né qualità è la vera sfida ingegneristica che Meta dice di aver risolto — almeno per ora. Mentre l’AI continua a evolversi, la sfida per piattaforme come Instagram non sarà solo tecnica. Sarà nel bilanciare una personalizzazione sempre più precisa con il diritto degli utenti a capire perché vedono quello che vedono — e a poterlo controllare. Ogni scroll che facciamo alimenta questi modelli. Vale la pena sapere come funzionano.
