Il ROAS è salito e non hai toccato nulla

Il nuovo modello fondazionale di Meta ha raddoppiato l’efficienza di training, portando a un +5% di conversioni su Instagram e

Lunedì mattina apri Business Manager e il ROAS — il ritorno sulla spesa pubblicitaria — è salito di un punto percentuale. Nessuna modifica alle campagne, nessun aggiustamento di budget, nessun test creativo in corso. Non è un bug. Non è la stagionalità. È GEM. Secondo l’ultimo aggiornamento tecnico pubblicato ieri da Meta, il modello di fondazione per la raccomandazione degli annunci ha appena raddoppiato la propria efficienza di training end‑to‑end, portandola al 20–25% di Model FLOPS Utilization e scalando i FLOPS totali di training di 4 volte in 12 mesi. Tradotto: il motore che decide a chi mostrare i tuoi annunci sta imparando il doppio più in fretta, sullo stesso hardware. E lo vedi nei report prima ancora di sapere che è successo.

Dietro l’annuncio c’è una micro‑architettura di ottimizzazioni che sarebbe ingiusto liquidare come “roba da ingegneri”. Il kernel JFA (Jagged Flash Attention) elimina fino al 50% dello spreco di calcolo dovuto al padding di input irregolari — quei tensori di dimensioni diverse che affliggono i dati pubblicitari reali. La comunicazione SM‑free tramite NCCLX riduce l’uso degli Streaming Multiprocessor da 24 a 1 per l’operazione di all‑gather, recuperando circa 23 SM per il calcolo puro e producendo un guadagno di circa il 5% di queries per secondo end‑to‑end a piena scala di training. C’è poi Base Batch Shuffling (BBS), che da solo ha fornito un miglioramento del 4% di efficienza sul training di GEM, spalmato equamente tra aumento del QPS e riduzione del picco di memoria. Ognuna di queste sigle corrisponde a un gradiente che, moltiplicato per migliaia di GPU, diventa un delta percettibile sul tuo CPA. E la domanda, a questo punto, è: quanto valgono davvero questi miglioramenti quando li misuri sulle conversioni?

Dal laboratorio al feed: i numeri veri

La risposta non è solo teorica, perché i numeri sono già nei report di chi compra media su Meta. Il primo rollout di GEM su Facebook e Instagram, completato nel Q2 2025, aveva già portato un aumento del 5% delle conversioni pubblicitarie su Instagram e del 3% sul Feed di Facebook, secondo quanto documentato da Meta stessa a novembre 2025. Già allora l’azienda aveva annunciato l’intenzione di scalare i FLOPs di training di 4 volte in 12 mesi, obiettivo che l’aggiornamento di ieri conferma e supera: in circa 17 mesi GEM è passato da progetto pilota su Reels a modello fondazionale su scala LLM addestrato su diverse migliaia di GPU.

Chi gestisce budget importanti sa che un +5% di conversioni non è un evento isolato, ma l’inizio di una traiettoria. Il ranking adattivo che oggi governa le aste di Meta è distillato direttamente da GEM e, secondo quanto riportato in un’intervista di aprile 2026 al VP Matt Steiner, si tratta di un recommender su scala LLM con circa 1 trilione di parametri, servito a latenza sub‑secondo. Significa che ogni miglioramento nell’efficienza di training di GEM si propaga quasi in tempo reale al modello che decide se e quando mostrare il tuo annuncio. Non stiamo parlando di un aggiornamento di algoritmo che compare in una release note trimestrale: è un flusso continuo di capacità predittiva aggiuntiva che si riversa nell’inventario.

La posta in gioco si alza ulteriormente se si guarda oltre il perimetro di Meta. Già nel Q4 2024, Tencent ha distribuito in produzione LFM4Ads, un modello fondazionale per la pubblicità che ha ottenuto un incremento complessivo del 2,45% del Gross Merchandise Volume sull’intera piattaforma, inclusi piazzamenti primari come Weixin Moments e Channels, come documentato nel paper pubblicato dagli autori. Quando due colossi con questa capacità di calcolo accelerano in parallelo sull’AI‑driven advertising, chi compra media non può più permettersi di considerare queste innovazioni come un lusso da osservatorio tecnologico. Ora che i dati sono sul tavolo, la domanda è: come reagisci?

Il piano per domani mattina

La reazione non può essere passiva, perché il mercato corre e i modelli premiano chi allinea la strategia alla nuova infrastruttura di ranking. Il primo passo è una verifica spietata dell’allocazione attuale: se GEM sta migliorando la capacità predittiva sui segnali di conversione, le strutture di campagna che facevano fatica a uscire dalla fase di apprendimento potrebbero ora performare, mentre quelle iper‑segmentate con budget frammentati rischiano di diventare il collo di bottiglia. Testa l’accorpamento di ad set simili in campagne con budget Advantage+ (le campagne automatizzate di Meta) e osserva per almeno due settimane la stabilità del CPA: l’accelerazione di training del modello tende a ridurre i tempi di apprendimento, ma nei primi giorni può portare volatilità.

Il secondo cantiere è il monitoraggio attivo dell’incertezza algoritmica. Quando un modello fondazionale scala i FLOPs di training di un fattore 4x, non sta solo diventando più preciso: sta esplorando porzioni dello spazio dei parametri che prima erano irraggiungibili. Per l’advertiser significa che un pubblico che sembrava saturo può improvvisamente rispondere, e viceversa un segmento stabile può mostrare segni di cedimento. L’unica difesa è un processo di revisione settimanale dei KPI, con alert su scostamenti anomali del CPM e del tasso di conversione, non per reagire d’impulso ma per distinguere un trend strutturale da un falso segnale.

Infine, c’è da accettare un cambio di paradigma: l’AI non è più uno strumento di ottimizzazione tattica, è il targeter. In un ecosistema dove un recommender da 1 trilione di parametri decide l’asta in meno di un secondo, l’intelligenza del planner sta nel riconoscere quando è ora di spostarsi — ridisegnando l’architettura delle campagne — e quando è il momento di spingere, versando budget in un modello che, come dimostrano i numeri di Meta e Tencent, continua a migliorare senza chiedere il permesso ai tuoi fogli Excel.