Meta’s Generative Ads Model (GEM) und Meta Andromeda: Was steckt dahinter?
Meta GEM und Andromeda bestimmen, welche Facebook‑ und Instagram‑Ads ausgespielt werden. Hier lesen Sie, wie das KI‑System funktioniert und welche Hebel wirklich zählen.
Inhaltsverzeichnis
Meta setzt im Hintergrund auf das Generative Ads Model (GEM) und das Andromeda‑System, um Facebook‑ und Instagram‑Ads auszuspielen. Für Social‑Media‑Experten stellt sich damit vor allem die Frage: Was genau machen diese Modelle, wie greifen sie ineinander – und an welchen Stellschrauben lohnt sich Performance‑Optimierung noch wirklich?
Meta GEM: Grundlagen des KI‑Werbesystems
GEM („Generative Ads Model“) ist ein großskaliges KI‑Grundlagenmodell, das die Auslieferung von Anzeigen über alle Meta‑Plattformen hinweg optimiert. Es lernt aus Milliarden Interaktionen, welche Anzeigen mit welcher Wahrscheinlichkeit zu Klicks, Conversions oder langfristigem Wert führen.
„Generativ“ bedeutet hier vor allem, dass GEM interne Repräsentationen von Nutzern, Creatives und Kontext erzeugt und kombiniert, um bessere Vorhersagen zu treffen, nicht zwingend neue Anzeigenmotive zu bauen.
Als „Foundation Model“ dient GEM als zentrales Basismodell, dessen Wissen in nachgelagerte Ads‑Modelle eingespeist wird.
Keyfact: GEM wird in einer Größenordnung trainiert, die mit modernen Large Language Models vergleichbar ist, und gilt als eines der größten Recommendation‑Modelle im Werbe‑Ökosystem.
Wie GEM technisch arbeitet
GEM verarbeitet eine große Vielfalt an Signalen aus Nutzer‑, Anzeigen‑ und Kontextdaten. Dazu gehören unter anderem Klicks, Views, Watchtime, Käufe, Kampagnenziele, Anzeigenformate sowie Platzierungen und Devices.
Die Eingangsdaten werden in Sequenz‑Features (Interaktionshistorien) und Nicht‑Sequenz‑Features (z. B. demografische Merkmale, Creative‑Eigenschaften) getrennt.
Attention‑Mechanismen bestimmen dynamisch, welche Signale für eine bestimmte Ausspielentscheidung besonders wichtig sind.
Wichtige Innovationspunkte sind eine Architektur, die lange Nutzer‑Sequenzen und sehr viele Features effizient handhaben kann, sowie ein Trainings‑Stack, der die Rechenressourcen deutlich besser ausnutzt. Meta spricht von bis zu 23‑facher Verbesserung der Trainingseffizienz gegenüber früheren Systemen.
Tipp: Für Marketer heißt das: Datenqualität (Events, Conversions, Kontextsignale) ist mindestens so wichtig wie klassische Gebotsstrategien, weil sie direkt beeinflusst, woraus GEM lernt.
GEM und Andromeda: Rollen im Zusammenspiel
GEM und Andromeda bilden gemeinsam das Kernsystem der Auslieferungslogik.
Andromeda ist das Retrieval‑System, das aus Millionen potenzieller Anzeigen eine Shortlist relevanter Kandidaten für einen Nutzer und einen Moment erstellt.
GEM ist das Ranking‑Modell, das diese Shortlist bewertet und die finale Reihenfolge der Ausspielung nach KPIs wie Klick‑, Conversion‑Wahrscheinlichkeit oder Value bestimmt.
Andromeda nutzt zunehmend semantische Informationen aus Creatives (Bild‑, Video‑ und Textinhalte), um passende Anzeigen in die Vorauswahl zu holen. GEM optimiert darauf aufbauend entlang von Performance‑Zielen und langfristigen Wertmetriken und entscheidet, welche Anzeige letztlich den Impression‑Slot bekommt. Praktisch gesagt: Creative‑Vielfalt und -Semantik helfen Andromeda, während saubere Conversion‑Signale GEM erlauben, das Ranking treffsicher zu steuern.
Keyfact: Mehr „gute“ Creatives steigern nicht nur die Chance, dass Andromeda sie überhaupt in die Shortlist holt, sondern liefern GEM auch mehr Vergleichsdaten für robuste Performance‑Entscheidungen.
Performance‑Effekte in der Praxis
GEM läuft bereits im Hintergrund und beeinflusst Facebook‑ und Instagram‑Kampagnen ohne zusätzliche Schalter in der Oberfläche.
Gemeldete Ergebnisverbesserungen
Im Schnitt etwa 5 % mehr Conversions auf Instagram Ads.
Rund 3 % mehr Conversions im Facebook Feed im gleichen Zeitraum.
Deutlich besserer „Return on Compute“ – mehr zusätzliche Performance pro Rechenaufwand und Datennutzung.
Die Effekte sind accountabhängig: Strukturell saubere Setups mit stabilen Conversion‑Signalen profitieren üblicherweise stärker als fragmentierte Konten mit schwachem Tracking.
Pre‑GEM vs. GEM‑System
Aspekt | Vor GEM | Mit GEM |
Modellaufbau | Mehrere kleinere Modelle je Placement. | Zentrales Foundation‑Modell + nachgelagerte Modelle. |
Datenbasis | Eher placementspezifische Signale. | Gemeinsames Lernen aus Paid‑ und Organic‑Signalen. |
Hebel im Account | Targeting‑Feintuning, Gebotsstrategien. | Struktur, Events, Creative‑Strategie. |
Transparenz | Mehr sichtbare Steuerungsmöglichkeiten. | Mehr Black‑Box‑Logik, höherer KI‑Anteil. |
Tipp: Reporting und Testing‑Framework sollten stärker auf Hypothesen zu Struktur, Signalen und Creatives ausgerichtet werden, weniger auf Mikro‑Targetings.
Handlungsempfehlungen für Ihre Ads-Kampagnen
Kontostruktur und Signale optimieren
Anzeigengruppen mit ähnlichem Ziel und Audience konsolidieren, um mehr Daten pro Setup zu generieren und GEM stabilere Muster zu liefern.
Pixel und Conversions API technisch sauber aufsetzen, Events priorisieren und deduplizieren, um verlässliche Optimierungssignale zu sichern.
Creative‑Strategie auf GEM & Andromeda zuschneiden
Creative‑Sets mit klar differenzierten Hooks, Formaten und Botschaftswinkeln planen, damit Andromeda relevante Varianten in die Shortlist holen kann.
Deutliche Produktbotschaften und Call‑to‑Actions einsetzen, um GEM eindeutige Performance‑Signale je Creative zu liefern.
Advantage+ Creative dort nutzen, wo skalierbare Anpassungen (Formate, Variationen) sinnvoll sind, aber Brand‑Vorgaben klar definieren.
Testing‑Ansatz an das KI‑System anpassen
Längere Lernphasen (mindestens 7 Tage ohne große Eingriffe) einplanen und weniger parallele Tests je Zielgruppe fahren.
Pro Test nur eine zentrale Variable ändern (z. B. Struktur ODER Creative‑Strategie), um Effekte trotz Black‑Box‑Charakter sauberer interpretieren zu können.
