GEM: il nuovo modello raddoppia le prestazioni grazie all’architettura.

Un miglioramento del 18,9% nelle conversioni e del 12% nel CTR (click-through rate, il tasso di clic) non è un test A/B: è il segnale che l’algoritmo è cambiato. Secondo l’annuncio pubblicato oggi dal team di ingegneria di Meta, GEM — il modello di raccomandazione generativo per gli annunci — ha prodotto questi risultati su tutte le superfici e gli obiettivi pubblicitari.

I numeri complessivi raccontano solo una parte della storia. Negli ultimi dodici mesi GEM ha contribuito ad aumenti delle conversioni del 5,8% su Facebook, del 4,1% su Instagram e dell’1,6% per le conversioni off-site. Dietro questi dati c’è una scala difficile da ignorare: 3,6 miliardi di persone usano almeno una delle app di Meta ogni giorno.

Il benchmark che mette in discussione tutto

Il dato chiave è il primo: +18,9% sulle conversioni e +12% sul CTR non arrivano da un aggiustamento delle offerte o da una nuova segmentazione. Sono miglioramenti trasversali, che toccano tutte le superfici e tutti gli obiettivi. Come è possibile un miglioramento simultaneo di conversioni e CTR su tutte le superfici? La risposta non è nel tuning: è nell’architettura.

La nuova architettura si chiama Kunlun e, rispetto alla versione precedente (Interformer), offre un guadagno di performance 2x con lo stesso scaling computazionale. In parallelo, Meta ha raddoppiato l’efficienza di training end-to-end portandola al 20-25% di MFU (Model FLOPs Utilization, la quota di operazioni in virgola mobile effettivamente utilizzate dal modello) mentre aumentava di 4x i FLOPs totali di training.

Un LLM per decidere cosa vedi

La risposta non è un semplice tuning: è un cambio di architettura. GEM è il più grande modello di fondazione per i sistemi di raccomandazione (RecSys, recommendation systems) del settore, addestrato alla scala dei modelli linguistici di grandi dimensioni (LLM, large language models). In pratica, il ranking pubblicitario smette di essere un insieme di regole e segnali predefiniti e diventa un modello capace di elaborare enormi quantità di dati, così come un LLM elabora il linguaggio.

Secondo un’intervista con Matt Steiner, vicepresidente di Meta riportata da Chipstrat, il modello di ranking adattivo è un raccomandatore su scala LLM di circa 1 trilione di parametri, servito con latenza inferiore al secondo. Ed è distillato da GEM: il modello di fondazione genera un sistema più snello che, per ciascun utente, scala la quantità di calcolo in base alla lunghezza della sua storia di interazione. Se il ranking si adatta alla lunghezza della storia di interazione, la domanda diventa: chi controlla quei segnali?

La scala è impressionante. Già lo scorso novembre Meta descriveva GEM come il più grande modello di fondazione per i sistemi di raccomandazione del settore, addestrato su scala LLM, e il lancio iniziale aveva portato nel secondo trimestre del 2025 un +5% di conversioni su Instagram e un +3% sul Feed di Facebook. Oggi i numeri sono molto più alti, segno che il modello sta diventando il motore centrale del ranking pubblicitario. Nella call sui risultati del terzo trimestre 2025, Meta aveva già previsto che gli investimenti in iniziative pubblicitarie e di engagement organico avrebbero sostenuto una forte crescita dei ricavi nel 2026.

Google risponde con Gemini: la guerra dei modelli pubblicitari

Il vantaggio di Meta non è incontrastato. Google sta usando i modelli Gemini per sperimentare nuove esperienze pubblicitarie progettate per fornire risposte utili che collegano le persone alle aziende, come dichiarato in occasione di Google Marketing Live. Non è una coincidenza: anche la pubblicità passa dai modelli di linguaggio. Chi oggi ottimizza campagne deve smettere di inseguire il clic e iniziare a progettare contenuti e creatività che generano interazioni profonde, perché sono quei segnali — non il semplice click — a determinare cosa il modello mostrerà domani.

Il CTR non è più la metrica regina: GEM premia chi progetta per la conversione e l’engagement, non per il clic. Domani mattina, chi ottimizza campagne deve smettere di inseguire il click e iniziare a nutrire i segnali che il modello usa per decidere.