Meta Andromeda (e “compagnia”): cosa cambia davvero per chi fa Meta Ads nel 2026

Questo è probabilmente il punto che genera più confusione — e più resistenze — tra chi lavora su Meta Ads da anni.
Non perché sia difficile da capire a livello teorico, ma perché ribalta una gerarchia mentale che per molto tempo ha funzionato.

Per anni il flusso implicito è stato:

prima scelgo il pubblico → poi costruisco annunci per quel pubblico → infine ottimizzo

Con Andromeda (e con l’evoluzione dei sistemi di ranking), questo ordine non è più garantito.

Targeting: da “leva” a “vincolo morbido”

Dire che “il targeting non conta più” è falso.
Dire che “il targeting non è più il centro della strategia” è invece estremamente accurato.

Nel sistema pubblicitario di Meta, il targeting manuale oggi viene trattato sempre più come:

• un insieme di vincoli,
• un perimetro di sicurezza,
• una guida iniziale, non una regola rigida.
  

Cosa significa “vincolo morbido” in pratica

Un vincolo morbido è un input che può essere rispettato se coerente con i segnali osservatie può essere aggirato dal sistema se entra in conflitto con pattern di performance più forti.

Ecco perché interessi, lookalike e segmentazioni avanzate, non spariscono, ma perdono priorità decisionale quando il sistema individua segnali comportamentali più affidabili.

Il targeting resta fondamentale per:

• esclusioni strategiche (clienti, dipendenti, mercati non serviti),
• vincoli geografici e normativi,
• brand safety e posizionamento,
• logiche di funnel (prospecting vs retention).
  

Ma non è più il principale motore di scoperta delle persone giuste.

Perché broad e Advantage+ reggono meglio (quando funzionano)

Questo spiega un fenomeno che molti osservano empiricamente: campagne broad o Advantage+ spesso sono più stabili nel tempo rispetto a strutture iper-segmentate.

Non perché il sistema “odia” il targeting, ma perché:

• un pubblico ampio permette più esplorazione,
• l’AI può correlare segnali diversi,
• il modello non viene costretto dentro confini artificiali.
  

Attenzione però al punto chiave (spesso ignorato): broad funziona solo se l’account è nutrito bene.

Senza dati puliti, segnali coerenti e creatività leggibili, un pubblico ampio non è libertà, è rumore.

Creatività: non è “contenuto”, è training data

Qui avviene il vero spostamento di valore.

Con Andromeda e con l’evoluzione dei modelli di ranking, la creatività non è più soltanto:

• ciò che convince l’utente,
• ciò che esprime il brand,
• ciò che migliora il CTR.
  

È anche — e soprattutto — materiale di addestramento per l’AI.

Come la creatività diventa un segnale

Ogni creatività fornisce al sistema informazioni su:

• chi reagisce a quel messaggio,
• in quale contesto,
• con quale intensità,
• in quale fase del percorso.
  

Il sistema non osserva solo se un annuncio funziona, ma per chi funziona e in quali condizioni.

Meta stessa collega esplicitamente:

• retrieval avanzato,
• ranking AI-driven,
• automazione creativa,
  

a un miglioramento della qualità percepita degli annunci e dell’efficienza complessiva del sistema.

Questo significa che la creatività non è più un output finale, ma un input strategico.

Cosa succede quando la creatività è debole

Quando un account presenta:

• poche creatività,
• tutte molto simili,
• scollegate tra loro,
• o incoerenti rispetto al funnel,
  

il sistema reagisce in modo prevedibile:

1. Esplora poco
   Non avendo varietà informativa, l’AI fatica a costruire correlazioni.
   
2. Si ancora a 1–2 asset “stabili”
   Non perché siano i migliori in assoluto, ma perché riducono l’incertezza.
   
3. Diventa volatile al cambio di contesto
   Basta una variazione (stagionalità, concorrenza, saturazione) per rompere l’equilibrio.
   

Da fuori questo comportamento viene spesso interpretato come: “l’algoritmo è impazzito”

In realtà, è il risultato logico di input poveri.

Il nuovo ruolo dell’advertiser

In questo scenario, il lavoro dell’advertiser cambia natura:

• non è più “trovare il pubblico giusto”,
• ma fornire al sistema abbastanza segnali per capire chi è il pubblico giusto.
  

Questo si ottiene non con segmentazioni sempre più complesse, ma con creatività pensate come set di ipotesi, messaggi differenziati ma coerenti e asset che coprono angoli, leve e fasi diverse del funnel.

Uno degli errori più comuni quando si parla di Meta Andromeda è isolarla dal resto del sistema.
È comprensibile: è il nome nuovo, è quello che “si sente di più”, ed è quello che sembra spiegare perché le cose non funzionano più come prima.

In realtà, Andromeda è solo il primo anello di una catena molto più ampia. Ed è proprio questa catena a spiegare perché oggi la sensazione diffusa sia:

“Non ho più il controllo operativo che avevo prima.” Non perché Meta lo abbia tolto arbitrariamente, ma perché la logica di ottimizzazione è cambiata.

Dall’ad platform al recommender system

Per anni Meta Ads è stata vissuta come una piattaforma pubblicitaria classica imposto target, imposto budget, scelgo annunci e ottimizzo metriche.

Nel 2025–2026 il modello di riferimento è un altro.
Meta oggi ottimizza come un recommender system su larga scala, simile a quelli usati per:

• suggerire contenuti,
• ordinare feed,
• raccomandare prodotti.
  

La pubblicità non fa eccezione: è diventata una raccomandazione pagata, inserita in un ecosistema di decisioni automatizzate. Per capirlo davvero, bisogna immaginare la pipeline completa.

La pipeline decisionale: dove avvengono davvero le scelte

Quando un annuncio viene mostrato, non è il risultato di una singola decisione, ma di una sequenza di filtri e modelli che lavorano in cascata.

1. Retrieval → Andromeda

È la fase di selezione dei candidati.

Andromeda decide quali annunci:

• sono eleggibili,
• hanno senso per quell’utente,
• meritano di entrare nella shortlist.
  

Qui non si parla ancora di “performance”, ma di pertinenza potenziale. Se un annuncio non supera questo livello, non esiste per il sistema.

➡️ Implicazione per l’advertiser: essere ammessi alla competizione è già una variabile strategica.

2. Ranking e ottimizzazione → modelli generalisti (direzione Lattice)

Una volta che gli annunci sono stati selezionati, entrano nella fase di ranking:

• quale annuncio mostrare,
• su quale superficie (Feed, Reels, Stories),
• in funzione di obiettivi diversi (engagement, traffico, conversioni).
  

Qui Meta ha progressivamente abbandonato modelli separati e specialistici, andando verso architetture più generaliste, capaci di:

• apprendere da più obiettivi,
• trasferire conoscenza tra superfici,
• ridurre la frammentazione dei dati.
  

Il punto chiave per chi fa advertising è questo: il sistema non ragiona più “campagna per campagna”, ma a livello di ecosistema.

➡️ Implicazione per l’advertiser: ottimizzare micro-strutture isolate produce sempre meno vantaggio.

3. Raccomandazione generativa → GEM

Il passo successivo è ancora più sottile.

Con modelli come GEM, Meta introduce una logica di raccomandazione generativa, dove l’AI:

• non si limita a scegliere tra opzioni statiche,
• ma costruisce rappresentazioni più complesse delle relazioni tra utenti, annunci e contesto.
  

GEM serve a:

• riconoscere pattern trasversali,
• trasferire learnings tra campagne,
• raffinare la pertinenza anche con segnali deboli.
  

Qui la creatività, il messaggio e la risposta dell’utente vengono letti come un linguaggio, non come eventi isolati.

➡️ Implicazione per l’advertiser: i test casuali e disordinati diventano tossici per l’apprendimento.

4. Dimensione temporale → Sequence Learning

L’ultimo strato è quello che più rompe i vecchi modelli mentali.

Con il sequence learning, Meta non valuta più solo che cosa ha funzionato e con chi, ma anche in quale ordine, in quale fase del percorso, dopo quali interazioni.

Il sistema apprende da sequenze di eventi, non da singoli click o conversioni:

• vede cosa succede prima,
• cosa succede dopo,
• e usa questa informazione per personalizzare la raccomandazione futura.
  

➡️ Implicazione per l’advertiser: l’advertising non è più una serie di colpi isolati, ma un percorso progressivo.

Perché “non hai più controllo come prima” (e perché è normale)

Se metti insieme questi quattro livelli, il quadro diventa chiaro.

Non hai perso controllo perché:

• Meta “nasconde cose”,
• l’algoritmo è impazzito,
• Advantage+ è una black box cattiva.
  

Hai perso il controllo diretto sulle singole leve, perché:

• le decisioni vengono prese a più livelli,
• in modo probabilistico,
• su volumi e pattern che nessun umano può gestire manualmente.
  

Ma hai guadagnato — se sai dove guardare — un controllo strategico più alto:

• sui segnali che fornisci,
• sulla qualità dei dati,
• sulla struttura dell’account,
• sulla coerenza creativa e temporale.
  

Cosa cambia davvero nel modo di ottimizzare

In questo ecosistema ottimizzare il singolo ad set conta meno, ottimizzare il sistema nel suo insieme conta di più.

Significa passare da “spostare budget e spegnere ads” a “costruire un ambiente favorevole all’apprendimento”.

In pratica:

• meno interventi impulsivi,
• più progettazione a monte,
• più attenzione alla continuità,
• più disciplina nella lettura dei dati.

Se Andromeda e l’ecosistema AI di Meta hanno cambiato come la piattaforma decide, questi quattro shift spiegano come deve cambiare il lavoro quotidiano di chi gestisce le campagne.
Non sono “best practice da slide”, ma conseguenze dirette del modo in cui oggi i modelli apprendono.

Shift 1 — Struttura: meno frammentazione, più densità di segnali

Il primo errore operativo è continuare a spacchettare l’account come si faceva anni fa.

Quando crei troppe campagne, troppi ad set e troppi micro-pubblici, ottieni tre effetti sistemici negativi:

1. Poco volume per unità
   Ogni campagna raccoglie pochi dati, insufficienti per generare pattern affidabili.
   
2. Apprendimento più lento
   I modelli faticano a convergere perché i segnali sono dispersi.
   
3. Oscillazioni frequenti
   Il sistema trova piccoli “equilibri locali” instabili, che saltano al primo cambio di contesto
   

Non è un problema di “ordine”, è un problema statistico.

Best practice realistica (non dogmatica)

Non esiste una struttura perfetta valida per tutti, ma esistono principi robusti:

• 1 campagna per macro-obiettivo
  (es. sales, lead, retention)
• 1–2 ad set
  (un broad / Advantage+ e, se serve, uno di first-party o retention)
• Creatività in quantità, ma con logica di test
• Cambiamenti misurati e documentati, non continui “aggiustamenti”
  

Il vantaggio non è “controllare di più”, ma dare al sistema abbastanza massa critica per apprendere.

Shift 2 — Creatività: da “testare visual” a “testare ipotesi”

Il secondo cambio è concettuale.

Molti test creativi falliscono non perché siano sbagliati, ma perché non stanno testando nulla.
Cambiare solo il visual, senza un’ipotesi, produce segnali confusi. Oggi serve pensare la creatività come un esperimento strutturato.

La matrice di test (non il carosello di idee)

Una creatività utile al modello risponde a una domanda precisa.
Per questo conviene costruire famiglie di varianti basate su leve chiare:

• Hook
  (prima scena del video / prima riga del copy)
• Prova
  (UGC, recensioni, dimostrazione, dati, numeri)
• Obiezione
  (prezzo, tempi, garanzia, fiducia)
• CTA
  (diretta vs soft, immediata vs informativa)
• Formato
  (9:16, 4:5, 1:1)
  

Ogni famiglia deve essere semanticamente coerente. Se mescoli messaggi scollegati, il modello non riesce a capire perché qualcosa funziona.

Risultato tipico dei test disordinati apprendimento debole, budget che si concentra su un asset “neutro” e difficoltà a replicare o scalare.

Shift 3 — Misurazione: la qualità del dato non è “tecnica”, è performance

Quando la piattaforma prende sempre più decisioni in autonomia, la vera differenza la fa quello che l’AI capisce, non quello che tu pensi di starle dicendo. Qui entrano due elementi concreti e misurabili.

Event Match Quality (EMQ)

L’EMQ è un punteggio (0–10) che indica quanto bene gli eventi vengono collegati agli utenti reali.
Più il match è accurato, più il sistema:

• riconosce pattern,
• attribuisce valore alle azioni,
• migliora le previsioni.
  

Un EMQ basso significa segnali deboli, anche se le conversioni “sembrano” arrivare.

Conversions API / Gateway

L’invio server-side degli eventi non è solo una risposta a cookie, consenso, browser.

È una leva di stabilità del segnale:

• riduce perdite di dati,
• mantiene coerenza temporale,
• aiuta i modelli sequenziali a ricostruire i percorsi utente.
  

Senza una base di tracking solida, stai chiedendo all’AI di: ottimizzare sulla base di ipotesi incomplete.

Ed è esattamente quello che genera risultati erratici.

Shift 4 — Lettura delle performance: meno reattività giornaliera, più controllo statistico

L’ultimo shift è forse il più difficile, perché va contro l’istinto operativo.

Con modelli che esplorano, sfruttano e si adattano in tempo reale,

la performance giorno per giorno è spesso rumore.

Cosa osservare davvero

Per prendere decisioni sensate, conviene spostare lo sguardo su:

• Stabilità su finestre 7–14 giorni
  Le tendenze contano più dei picchi.
  
• Distribuzione del budget per annuncio
  Serve a capire quando e perché il sistema “si ancora”.
  
• Decay creativo
  Quanto dura un asset prima di saturare.
  
• Qualità evento
  EMQ e coerenza della sequenza funnel.
  
• KPI di business
  Margine, LTV, MER, non solo ROAS di piattaforma.
  

Questo tipo di lettura riduce:

• decisioni impulsive,
• spegnimenti prematuri,
• reset continui dell’apprendimento.

Con l’aumento dell’automazione, Meta ha introdotto strumenti pensati per guidare gli inserzionisti verso configurazioni considerate “ottimali” dal sistema.
L’Opportunity Score è il più visibile — e anche il più frainteso.

Cos’è davvero l’Opportunity Score

L’Opportunity Score è un punteggio da 0 a 100 che indica quanto campagne, ad set e annunci risultano allineati alle raccomandazioni della piattaforma.

Non misura:

• ROI,
• ROAS,
• margine,
• crescita di business.
  

Misura una cosa sola:
quanto stai utilizzando (o meno) le impostazioni che Meta ritiene statisticamente favorevoli sulla base dei propri test interni.

Per ogni suggerimento (es. consolidare pubblico, attivare posizionamenti automatici, usare determinate automazioni), Meta stima un potenziale impatto e lo traduce in punti.

Perché è utile (se usato nel modo giusto)

Usato correttamente, l’Opportunity Score è uno strumento diagnostico, non decisionale.

È particolarmente efficace per:

• individuare errori grossolani di setup,
• scoprire frammentazioni inutili,
• evidenziare configurazioni incomplete o incoerenti,
• segnalare opportunità evidenti non sfruttate.
  

In pratica, funziona molto bene come: checklist automatizzata di igiene dell’account

Soprattutto in account nuovi, in strutture cresciute in modo disordinato e in passaggi di consegne tra team o agenzie.

Perché è pericoloso se lo tratti come un KPI

Il problema nasce quando l’Opportunity Score diventa:

• un obiettivo da massimizzare,
• un parametro di valutazione del lavoro,
• una scorciatoia decisionale.
  

In quel momento succedono tre cose tipiche:

1. Uniformazione eccessiva
   Tutte le campagne iniziano a somigliarsi, perché seguono lo stesso set di raccomandazioni.
   
2. Perdita di controllo strategico
   Si accettano suggerimenti che migliorano il punteggio ma non il business.
   
3. Compressione dell’identità del brand
   Automazioni e asset vengono attivati anche quando entrano in conflitto con:
   
   • brand safety,
   • linee guida creative,
   • posizionamento di lungo periodo.
     

Un Opportunity Score alto non garantisce performance. Garantisce solo che stai giocando “secondo le regole del sistema”.

L’errore più comune: confondere allineamento con valore

Meta ottimizza per:

• pertinenza,
• probabilità di risposta,
• efficienza del sistema.
  

Il tuo business ottimizza per:

• margine,
• lifetime value,
• sostenibilità,
• brand equity.
  

Quando questi due piani coincidono, tutto funziona. Quando divergono, l’Opportunity Score non lo segnala.

Ed è qui che molti advertiser “bravi tecnicamente” finiscono per:

• peggiorare la qualità del traffico,
• cannibalizzare audience,
• sacrificare costruzione di valore per risultati apparenti di breve periodo.
  

La regola Stractegy: Check / Plan / Act

Per evitare di farsi “guidare” dall’Opportunity Score invece di usarlo come strumento, in Stractegy adottiamo una regola semplice e replicabile.

Check — Opportunity Score come input diagnostico

Si osserva il punteggio e, soprattutto, le singole raccomandazioni.
Non per applicarle automaticamente, ma per capire:

• cosa il sistema sta segnalando,
• dove vede inefficienze o incoerenze.
  

Plan — Filtrare con obiettivi e vincoli reali

Ogni raccomandazione va letta alla luce di obiettivi di business, budget, fase del funnel e vincoli di brand, legali o di mercato.

Una raccomandazione tecnicamente “corretta” può essere strategicamente sbagliata.

Act — Implementare solo ciò che ha senso (e misurare)

Si applicano solo le azioni coerenti con il piano.
Ogni intervento viene:

• tracciato,
• misurato nel tempo,
• valutato in termini incrementali.
  

Se migliora le performance reali, resta. Se migliora solo il punteggio, va messo in discussione.

Una delle frizioni più forti che gli advertiser sperimentano oggi nasce da qui: comportamenti della piattaforma che sembrano errori, ma che in realtà sono effetti coerenti di un sistema AI complesso.

Se non si comprende questa logica, il rischio è reagire male — e peggiorare le performance.

Budget hogging: perché il budget si concentra su 1–2 ads

Il cosiddetto budget hogging (quando una o due creatività assorbono la maggior parte della spesa) è uno dei fenomeni più contestati.

La lettura superficiale è: “L’algoritmo ha deciso che quella è la migliore.”

La lettura corretta è diversa.

In un sistema che lavora per probabilità, ottimizza sotto incertezza, deve garantire risultati stabili nel breve periodo,

la stabilità predittiva ha un valore enorme.

Spesso l’annuncio su cui il budget si concentra non è:

• quello più performante in assoluto,
• quello più creativo,
• quello più strategico nel lungo periodo.
  

È semplicemente quello che, in quel momento, consente al modello di ridurre la varianza, mantenere un equilibrio, continuare ad apprendere senza “rompersi”.

Questo comportamento è tipico di tutti i sistemi di apprendimento che alternano exploration ed exploitation.

Perché intervenire male peggiora la situazione

Quando si reagisce al budget hogging con:

• spegnimenti immediati,
• duplicazioni continue,
• reset frequenti,
  

si ottiene quasi sempre:

• un azzeramento dell’apprendimento,
• un nuovo ancoraggio su un altro asset “neutro”,
• maggiore volatilità complessiva.
  

Il sistema non “impara meglio”, ricomincia da capo.

Cosa fare davvero (operativamente)

Un approccio coerente con la logica del sistema prevede:

• Non spegnere tutto al day-2
  Le prime preferenze non sono verdetti finali.
  
• Preparare un set creativo che consenta esplorazione reale
  Varianti vere, non micro-modifiche estetiche.
  
• Pianificare refresh programmati
  Inserire nuovi asset con cadenza definita, non in risposta all’ansia.
  

Il budget hogging va gestito, non combattuto.

Black box effect: “non capisco perché è successo”

Il secondo grande “problema” percepito è la sensazione di opacità totale: “Ho fatto X, ma il risultato Y non è spiegabile.”

Con l’introduzione di:

• retrieval avanzato,
• modelli di ranking generalisti,
• raccomandazione generativa,
• sequence learning,
  

questa sensazione è destinata ad aumentare, non a diminuire.

Meta stessa ha dichiarato che sono stati necessari redesign profondi dell’infrastruttura per supportare modelli sequenziali nelle raccomandazioni pubblicitarie, proprio perché l’attribuzione lineare non è più sufficiente.

Il punto chiave è questo: correlazione ≠ causalità

In un sistema che apprende da sequenze e contesti:

• un miglioramento può derivare da più fattori combinati,
• un peggioramento può emergere con ritardo,
• isolare una singola causa diventa difficile.
  

Il rischio cognitivo più grande

Il rischio non è la black box in sé, ma l’illusione di causalità:

• attribuire risultati a un singolo cambiamento,
• trarre conclusioni affrettate,
• replicare “ricette” che funzionavano solo in quel contesto.
  

Questo porta a decisioni sbagliate, non a maggiore controllo.

Cosa fare per non subire la black box

Non si può eliminare la complessità, ma si può governarla.

Le azioni più efficaci sono:

• Introdurre test incrementali quando possibile
  Confronti tra gruppi esposti e non esposti.
  
• Usare holdout o geo test se hai scala sufficiente
  Per misurare l’effetto reale al netto del rumore.
  
• Ragionare per ipotesi, non per certezze
  Ogni modifica deve rispondere a una domanda chiara.
  
• Documentare ogni change log
  Struttura, creatività, tracking, budget: tutto tracciato nel tempo.
  

Questo non rende il sistema “trasparente”, ma rende le decisioni umane più solide.

Settimana 1 — Fondamenta dati

• Audit eventi (pixel + server), verifica coerenza funnel (ViewContent → AddToCart → Purchase o Lead).
  
• Controlla EMQ e dataset quality, migliora i parametri inviati e la consistenza degli eventi. developers.facebook.com+1
• Metti in piedi una dashboard minima (Events Manager + report custom).
  

Settimana 2 — Consolidamento struttura

• Riduci frammentazione (meno campagne, più volume per unità).
• Imposta vincoli veri (geo, esclusioni, frequency logic dove applicabile).
• Allinea naming e governance (per leggere pattern nel tempo).
  

Settimana 3 — Sistema creativo (non “contenuti a caso”)

• Definisci 3–4 famiglie semantiche (beneficio, prova sociale, obiezione, offerta).
• Per ogni famiglia, crea varianti controllate (1 variabile alla volta).
• Pianifica refresh: sostituisci 10–20% asset ogni 10–14 giorni.
  

Settimana 4 — Lettura e ottimizzazione “da sistema”

• Analizza finestre settimanali, non giornaliere.
• Valuta distribuzione budget, stabilità CPA/ROAS, decay creativo.
• Confronta Opportunity Score e raccomandazioni, applica solo quelle coerenti. Facebook+1

Andromeda è “il male” o “il futuro”?

Andromeda è la prova che Meta sta spingendo verso un advertising sempre più automatizzato, dove il vantaggio competitivo non è “saper smanettare”, ma:

• costruire segnali affidabili (tracking),
• progettare creatività come sistema (varianti + ipotesi),
• dare all’AI volume e coerenza (struttura),
• misurare con disciplina (finestre, test, KPI business).

Che cos’è Meta Andromeda in parole semplici?

Meta Andromeda è l’infrastruttura di ads retrieval di Meta: il sistema che seleziona, in pochi millisecondi, quali annunci hanno senso essere presi in considerazione per un utente specifico. Non decide ancora quale annuncio vince, ma stabilisce quali entrano in gara nelle fasi successive di ranking.

Meta Andromeda è un nuovo algoritmo o un semplice aggiornamento?

Non è un aggiornamento incrementale. È un cambio strutturale nel modo in cui la piattaforma gestisce la selezione degli annunci, progettato per funzionare nativamente con automazioni avanzate (come Advantage+) e con volumi enormi di creatività.

Con Andromeda il targeting non serve più?

Il targeting non sparisce, ma cambia funzione. Da leva principale di performance diventa un vincolo strategico (guardrail): utile per esclusioni, limiti geografici, compliance e coerenza, ma meno determinante rispetto a segnali comportamentali e risposta alle creatività.

Perché oggi le campagne broad o Advantage+ funzionano meglio?

Perché permettono al sistema di esplorare liberamente e di apprendere da segnali reali. Strutture troppo rigide o iper-segmentate riducono il volume di dati per unità e rallentano l’apprendimento dell’AI.

Perché la creatività è diventata “il nuovo targeting”?

Ogni creatività è un segnale di apprendimento. L’algoritmo osserva come le persone reagiscono a visual, copy, formato e messaggio e usa queste informazioni per capire a chi mostrare l’annuncio. Senza varietà creativa coerente, il sistema ha poco da imparare.

Quante creatività servono davvero in una campagna?

Non conta il numero in assoluto, ma la varietà strutturata. In media:

• 5–10 creatività per ad set
• suddivise in famiglie semantiche (beneficio, prova sociale, obiezioni, offerta)
• con varianti controllate (una variabile alla volta)

Cos’è  il “budget hogging” e perché succede?

È la tendenza dell’algoritmo a concentrare il budget su 1–2 annunci. Non significa che siano “i migliori in assoluto”, ma che in quel momento rappresentano il punto di maggiore stabilità predittiva. È un comportamento normale in sistemi AI orientati alla riduzione dell’incertezza.

Ogni quanto vanno cambiate le creatività con Andromeda?

Meglio evitare cambiamenti impulsivi. Una buona pratica è:

• refresh del 10–20% degli asset ogni 10–14 giorni
• mantenendo stabile il resto

Questo consente al sistema di apprendere senza azzerare la memoria storica.

Cos’è l’Opportunity Score e va massimizzato a tutti i costi?

L’Opportunity Score è un indicatore di allineamento alle best practice Meta, non un KPI di performance. È utile come checklist diagnostica, ma non va seguito ciecamente se entra in conflitto con brand identity, posizionamento o strategia di lungo periodo.

Meta Andromeda funziona anche senza Conversion API?

Tecnicamente sì, ma molto peggio. Senza segnali server-side:

• la qualità del dato diminuisce
• l’apprendimento è più instabile
• le previsioni sono meno affidabili
  

La Conversion API migliora resilienza, coerenza e qualità dei segnali.

Cos’è l’Event Match Quality (EMQ) e perché è importante?

È un punteggio (0–10) che indica quanto bene gli eventi vengono associati agli utenti. Un EMQ elevato significa miglior capacità predittiva per l’AI. In ottica Andromeda, EMQ basso = segnali deboli = performance instabili.

Andromeda rende inutile l’analisi delle performance?

No, ma richiede un cambio di mentalità. Le metriche giornaliere diventano meno affidabili. Ha più senso osservare:

• finestre settimanali
• stabilità dei risultati
• durata di vita delle creatività
• KPI di business (margine, MER, LTV)

È vero che con Andromeda si perde il controllo?

Si perde il controllo tattico, ma si guadagna la possibilità di esercitare un controllo strategico più alto: dati, struttura, creatività, governance. Chi tenta di micromanagement rallenta il sistema; chi lo guida con metodo ottiene vantaggio.

Meta Andromeda è adatta anche a piccoli budget?

Sì, ma con una condizione: evitare la frammentazione. Con budget ridotti è ancora più importante:

• consolidare le campagne
• limitare il numero di test
• fornire segnali chiari e coerenti

Spendere poco e frammentare equivale spesso a non spendere.

Qual è l’errore più comune con Andromeda?

Pensare che basti “attivare l’automazione”. Senza dati puliti, creatività progettate come sistema e obiettivi stabili
l’AI non può fare miracoli. Andromeda amplifica ciò che trova: ordine o caos.

In sintesi: cosa serve davvero per far funzionare Meta Ads nel 2026?

Tre cose fondamentali:

1. Segnali di qualità (tracking e CAPI ben fatti)
2. Creatività coerenti e varianti intelligenti
3. Strutture semplici e stabili nel tempo

L’AI non sostituisce la strategia: la rende più esigente.

Se i prompt sono istruzioni, i GPT personalizzati sono compagni di lavoro su misura. Con l’evoluzione di ChatGPT, oggi è possibile creare veri e propri modelli personalizzati, capaci di mantenere istruzioni, tono, stile e obiettivi in modo costante. Un salto quantico per chi lavora su più progetti, con clienti e target differenti.

Ma cosa sono esattamente? E come possono aiutare un team strategico a scalare?

Cosa sono i GPT personalizzati?

Un GPT personalizzato è una versione di ChatGPT che:

• segue istruzioni permanenti pre-caricate (ruolo, linguaggio, obiettivi),
• può essere integrato con file, link, documenti di base (es. guide, brand book),
• mantiene un comportamento coerente nel tempo, su uno specifico ambito.

A differenza di un prompt tradizionale, che va riscritto ogni volta, un GPT custom è riutilizzabile da chiunque nel team con un clic, senza dover spiegare nulla.

A cosa serve, concretamente?

Ecco alcuni esempi reali di utilizzo in Stractegy:

✅ GPT Audit SEO

Comportamento: analizza un sito web dato l’URL e genera una checklist tecnica, una valutazione dell’architettura delle pagine e suggerimenti on-page.

✅ GPT Copy Social

Comportamento: scrive caption social per Instagram o LinkedIn in tono coerente con il brand, partendo da una breve descrizione del contenuto.

✅ GPT Content Strategist

Comportamento: propone pillar, rubriche e format editoriali per aziende B2B o B2C, a partire da pochi input su posizionamento e obiettivi.

✅ GPT Naming Expert

Comportamento: genera proposte di naming + verifica dominio + razionalizzazione, seguendo le linee guida di branding di Stractegy.

Come costruirne uno (bene)

Per creare un GPT efficace, serve più di un prompt ben scritto. Ecco cosa non deve mancare:

1. Istruzioni di base dettagliate
   → Chi è, cosa fa, come deve rispondere, cosa evitare.
2. File e materiali allegati
   → Linee guida di brand, esempi già approvati, documentazione tecnica.
3. Esempi di conversazione (facoltativo ma utile)
   → Chat simulate per “allenare” il modello a rispondere nel modo giusto. 
4. Controllo periodico e aggiornamenti
   → Come ogni strumento, anche il tuo GPT va manutenuto.

Perché usarli in un’agenzia o team strategico?

• Standardizzazione: ogni output ha lo stesso stile e la stessa struttura, indipendentemente da chi lo richiede.
• Scalabilità: nuovi membri del team possono iniziare a produrre da subito senza training intensivo.
• Risparmio di tempo: si riducono errori, briefing e revisioni.
• Asset di valore: ogni GPT diventa un modulo riutilizzabile nel processo di delivery.

Nel nostro modello “Check – Plan – Act”, i GPT personalizzati saranno sempre più moduli attivabili, integrati nel nostro software e nei nostri flussi operativi. Non sono solo “bot”, ma strumenti strategici capaci di accelerare fasi chiave del lavoro: ricerca, analisi, produzione, validazione.

In futuro, ogni professionista digitale avrà il suo AI Kit personalizzato. Chi prima costruisce questi strumenti, più facilmente governerà il cambiamento.