Une création publicitaire qui met trois jours à trouver son public : la scène est familière à quiconque pilote des campagnes sur Facebook ou Instagram. Meta a détaillé le 28 octobre 2026 une refonte de son moteur de diffusion, avec Andromeda retravaillé aux côtés de Nvidia, un GEM plus large et GenRecs, un modèle bâti sur des LLM. Le géant annonce 1,4 % de conversions supplémentaires sur Facebook au troisième trimestre 2026. Un chiffre modeste en apparence, mais qui accompagne un changement de logique profond dans la façon dont une annonce est comprise, classée puis diffusée.
Andromeda, GEM et GenRecs : les trois briques du nouvel algorithme Meta Ads
À chaque ouverture de l’application, Meta doit trier des dizaines de millions d’annonces candidates pour n’en garder qu’une poignée. Ce travail se répartit désormais sur trois systèmes complémentaires, chacun avec un rôle précis dans la chaîne de décision.
Andromeda : la présélection à grande vitesse
Andromeda constitue le premier filtre. Son travail consiste à réduire la pile d’annonces disponibles à une courte liste de candidates crédibles. Refondu avec Nvidia, le système évalue désormais plus d’un milliard d’annonces par seconde, selon les chiffres communiqués par Meta. Cette capacité de calcul intervient en amont des enchères, là où se jouait auparavant l’essentiel de la compétition entre annonceurs.
Concrètement, une annonce écartée à ce stade n’a jamais l’occasion d’être départagée sur son prix. La qualité de la présélection pèse donc directement sur la performance des campagnes, bien avant les arbitrages budgétaires.
GEM : le modèle qui désigne la gagnante
GEM alimente les classements de chaque surface : fil Facebook, Reels, conversions hors Meta. Sa nouvelle version lit un historique deux fois plus long par utilisateur, ce qui affine la lecture des intentions et des habitudes. Ce modèle de base nourrit les décisions finales, celles qui déterminent quelle annonce s’affiche à quel moment.
En mars 2025, Meta présentait déjà cette association comme son « super cerveau », avec à la clé un gain de 5 % de conversions supplémentaires sur les formats Reels. La nouveauté tient moins au principe qu’à la façon dont les modèles apprennent.
GenRecs : des concepts à la place des identifiants
Jusqu’ici, les modèles reliaient la performance à des identifiants : un annonceur, une campagne, une création, un produit. Une nouvelle annonce partait donc sans historique, et Meta la diffusait à l’aveugle pour observer les réactions. GenRecs change la méthode : des modèles multimodaux lisent le texte et l’image de chaque annonce, croisent ce signal avec l’engagement observé et le résument en « jetons sémantiques » communs.
Une nouvelle chaussure de trail hérite ainsi de ce que le système sait des modèles proches, y compris ceux de la saison passée. GenRecs intervient à la fois sur la présélection et sur le classement. Pour en mesurer les effets sur la production créative, un détour par les pratiques de création publicitaire chez Meta aide à situer les enjeux.
Ce que change GenRecs pour vos nouvelles créations publicitaires
Le basculement se lit mieux dans un tableau comparatif. La logique d’apprentissage ne repose plus sur la seule existence d’un historique propre à chaque annonce, mais sur la capacité du modèle à rapprocher des contenus similaires.
| Aspect | Fonctionnement antérieur | Avec GenRecs |
|---|---|---|
| Base d’apprentissage | Identifiants propres : annonceur, campagne, création, produit | Attributs descriptifs : marque, couleur, coupe, style |
| Nouvelle création | Départ sans historique, diffusion exploratoire | Héritage des enseignements d’annonces proches |
| Produit de niche | Données insuffisantes pour un ciblage fiable | Rapprochement avec des références mieux documentées |
| Campagne saisonnière | Reprise à zéro à chaque cycle | Acquis transmis d’une campagne à la suivante |
Cette évolution ne supprime pas la phase d’apprentissage, elle en raccourcit la pente. La nuance compte : les annonceurs qui renouvellent leurs visuels chaque semaine y gagnent surtout du temps, ceux dont le catalogue est large y gagnent de la couverture.
1,4 % de conversions supplémentaires : la mesure exacte des promesses
Meta affiche +1,4 % de conversions sur Facebook pour Andromeda au troisième trimestre 2026. Rappelé seul, ce chiffre paraît faible au regard de l’ampleur technique du chantier. Il faut le lire comme une moyenne, sur un volume publicitaire considérable, et non comme un gain homogène pour chaque compte.
Le contraste avec les 5 % annoncés sur Reels en mars 2025 s’explique en partie par la nature des surfaces mesurées et par l’ancienneté des modèles concernés. Un deuxième point mérite l’attention : aucun réglage n’est à modifier dans le Gestionnaire de publicités, assure Matt Steiner, vice-président de l’infrastructure publicitaire de Meta. Autrement dit, les effets arrivent sans action de l’annonceur, ce qui rend le suivi des écarts de performance d’autant plus utile.
La hausse des coûts observée sur certaines campagnes depuis fin 2025 ne découle pas uniquement de ces modèles. Elle combine souvent des créatifs épuisés et une structure de campagne héritée d’un ancien fonctionnement, un sujet proche des ajustements tarifaires constatés en Europe.
Trois situations concrètes où l’automatisation publicitaire déplace les résultats
Prenons une marque fictive de trail running, Atelier Vertical, qui commercialise quatre modèles et renouvelle ses visuels à chaque saison. Son quotidien Résume assez bien ce que ces modèles modifient.
- Lancement d’une nouvelle création : la chaussure de trail démarre avec les enseignements des autres annonces de trail, y compris celles de concurrents, au lieu de repartir de zéro.
- Vente d’une référence peu diffusée : une couleur rare ou un modèle de niche manquait de données ; il est désormais rapproché de produits similaires disposant d’un historique solide.
- Relance saisonnière : selon Meta, les acquis passent d’une campagne à la suivante, ce qui réduit la phase de tâtonnement au redémarrage.
Ces trois cas partagent un point commun : le modèle a besoin de comprendre ce que vend l’annonce. Un visuel lisible et une catégorie explicite font plus pour le ciblage publicitaire qu’un empilement d’options d’audience.
Adapter son optimisation publicitaire sans toucher aux réglages
La première action se situe du côté de la création. Le modèle lit l’image et le texte : un produit bien visible et une catégorie nommée clairement, « chaussure de trail » plutôt que « notre nouveauté », l’aident à classer l’annonce et à viser les bonnes personnes. Ce travail éditorial relève du marketing digital autant que de la direction artistique.
Meta répète par ailleurs que le ciblage pèse de moins en moins dans l’équation. Avant de fusionner des audiences, mieux vaut opposer une audience large à des segments existants sur une même création, puis comparer. Cette méthode simple évite de perdre le bénéfice des nouveaux modèles en cloisonnant artificiellement la diffusion.
Reste une question de fond : faut-il produire plus ou produire mieux ? Les comptes dotés de gros catalogues et d’un flux créatif régulier profitent davantage de ces mécanismes ; ceux qui publient peu d’annonces verront peu de différence. Pour les annonceurs tentés par la course au volume, la lecture des travers de la publicité automatisée offre un contrepoint utile : un contenu jugé ennuyeux par les modèles se diffuse mal, quel que soit le budget engagé.
La vraie bascule tient dans cette phrase : la publicité numérique récompense désormais les annonces que la machine comprend, pas celles qui crient le plus fort.
