Il CPA di Meta sta calando da solo

Il calo del CPA su Reels non è un caso, ma il risultato di un aggiornamento infrastrutturale di Meta che

Nelle ultime settimane, senza alcuna modifica manuale alle campagne, i numeri hanno cominciato a muoversi da soli. Su Meta Reels il costo per azione (CPA) ha iniziato a scendere, mentre le conversioni sono salite. È il tipo di anomalia che chi gestisce budget pubblicitari impara a riconoscere subito: qualcosa è cambiato sotto il cofano. Ieri, 3 agosto 2026, Meta ha finalmente spiegato cosa: un miglioramento radicale nell’efficienza di training del modello GEM ha raddoppiato l’efficienza end-to-end al 20-25% MFU scalando i FLOPs di training di 4 volte in soli dodici mesi. Per chi spende budget su Reels, non è una curiosità da ingegneri: è la ragione per cui il CPA sta calando, e la finestra per sfruttarlo è già aperta.

Il collegamento tra annuncio tecnico e performance di campagna non è ipotetico. Già lo scorso anno, durante il lancio iniziale di GEM su Meta Reels, le conversioni pubblicitarie erano aumentate fino al 5%. Senza ottimizzazioni lato advertiser, senza modifiche alle creatività o alle strutture di bidding. Solo il modello che diventava più bravo a prevedere l’azione giusta per l’utente giusto. Ora che l’efficienza computazionale del modello è stata ulteriormente compressa, quell’impatto positivo rischia di amplificarsi, e chi non lo intercetta per primo lascia sul tavolo conversioni a costo inferiore.

Il CPA che scende senza motivo

Chi ha campagne attive su piazzamenti Reels da almeno sei mesi ha probabilmente già notato qualcosa di strano. A parità di budget, il volume di conversioni è cresciuto gradualmente, mentre il CPA medio è sceso di qualche punto percentuale. Nessuna modifica alla strategia di offerta, nessun refresh delle creative, nessun aggiustamento del targeting. Solo numeri che migliorano. È il tipo di segnale che troppi media buyer ignorano perché non trova spiegazione nei cruscotti standard di Ads Manager. Eppure la spiegazione esiste, ed è architetturale.

A novembre 2025 Meta aveva già definito GEM come il più grande modello di fondazione per sistemi di raccomandazione del settore, addestrato alla scala dei grandi modelli linguistici. Non si trattava di un aggiornamento incrementale, ma di un’infrastruttura completamente nuova. Il dato che molti hanno visto ma pochi hanno collegato è che quel modello, già nel 2025, aveva aumentato le conversioni su Reels fino al 5% senza che gli inserzionisti muovessero un dito. Oggi, con un’efficienza di training raddoppiata e una capacità di calcolo quadruplicata in un anno, la domanda non è più «se» il CPA continuerà a scendere, ma di quanto.

Cosa bolle nel motore di Meta

Per capire la portata del cambiamento, bisogna guardare dentro l’infrastruttura di training. Meta ha riscritto le regole del calcolo su tre fronti, e ognuno ha un impatto diretto sulla qualità predittiva del modello — quindi sul costo per conversione che vediamo in piattaforma.

Il primo tassello è il kernel JFA (Jagged Flash Attention), progettato per eliminare lo spreco di calcolo generato dal padding degli input irregolari, che nei sistemi di raccomandazione con sequenze di lunghezza variabile può arrivare a pesare fino al 50%. Tagliare metà del lavoro inutile su ogni passaggio di training significa che la stessa infrastruttura può processare più dati reali nello stesso tempo, aumentando la qualità del segnale che alimenta le predizioni degli annunci. Il secondo è BlockAttention, che riduce il costo computazionale dell’attenzione su lunghe sequenze di cronologia utente da O(L²) a O(L), mantenendo qualità ed efficienza. In pratica, GEM può ora elaborare finestre di comportamento utente molto più estese senza rallentare il training. Il terzo è una tecnica apparentemente minore ma chirurgica: il Base Batch Shuffling (BBS), che ha fornito un guadagno di efficienza del 4% sul training, composto da un miglioramento del 4% in queries per second e una riduzione del 4% del picco di memoria. Da solo, un 4% può sembrare marginale; cumulato agli altri interventi, è parte di un salto di efficienza che — secondo un ex direttore di Tesla intervistato da InfoQ a novembre 2025 — rappresenta «la parte che cambia l’economia», con un incremento effettivo di 23 volte nei FLOPs utili.

Questi numeri non sono solo cifre da white paper. Sono il motivo per cui il modello oggi è in grado di generalizzare meglio, stimare con più precisione la propensione all’acquisto e ridurre l’errore nelle aste pubblicitarie. E Meta non ha intenzione di fermarsi qui. Già nell’ottobre 2025, il CFO Susan Li aveva dichiarato che l’azienda prevede di investire in modo aggressivo in infrastrutture per l’intelligenza artificiale nel 2026, con spese in conto capitale «notevolmente maggiori» rispetto al 2025. Più potenza di calcolo significa modelli più profondi, aggiornamenti più frequenti, e un vantaggio predittivo che si accumula nel tempo. Per chi compra media su Reels, questo surplus di efficienza tecnica si traduce in un costo per conversione strutturalmente più basso — finché la domanda pubblicitaria non lo riassorbe.

Budget 2026: chi si muove prima vince

L’efficienza di training non è fine a se stessa: è un differenziale competitivo che si riflette direttamente nel ritorno sulla spesa pubblicitaria (ROAS). Il meccanismo è semplice. Un modello più efficiente apprende più in fretta, predice meglio, partecipa alle aste con stime più accurate e — a parità di budget — produce più conversioni. Ora che il miglioramento è certificato e documentato da Meta stessa, l’unica domanda operativa è: come si agisce prima che l’aumento della domanda pubblicitaria su Reels faccia risalire i CPM e normalizzi il CPA?

La risposta è testare aggressivamente la quota di budget allocata ai piazzamenti Reels, in particolare per campagne con ottimizzazione per conversione. Chi ha già campagne attive dovrebbe analizzare l’andamento del CPA su Reels negli ultimi 90 giorni: se la tendenza è in calo senza interventi manuali, aumentare la percentuale di investimento su quel piazzamento del 10-15% è una mossa a basso rischio. Per chi non ha ancora testato Reels come piazzamento significativo, questo è il momento di lanciare esperimenti con budget dedicato, monitorando CPA e ROAS su base settimanale. L’obiettivo non è cavalcare un’onda indefinitamente, ma catturare il delta di efficienza prima che il mercato lo prezzì. Già nel 2022, progetti come Persia avevano dimostrato la scalabilità di modelli di raccomandazione fino a 100 trilioni di parametri su infrastruttura Google Cloud: il percorso tecnico era tracciato. Oggi Meta lo ha reso produttivo su scala pubblicitaria, e la finestra per capitalizzarlo è adesso.

Rivedere l’allocazione del budget oggi non è una scommessa, è una conseguenza logica. Il vantaggio competitivo non è eterno: i primi a spostare quote significative su Reels cattureranno l’efficienza generata dal nuovo motore di training prima che l’afflusso di domanda faccia risalire i costi. Per chi lavora sulla performance, lasciare fermo il mix di piazzamento mentre il modello che lo alimenta diventa quattro volte più potente significa semplicemente regalare margine ai concorrenti.