Meta Andromeda 2.0: De technische AI-belofte vs. de harde praktijk van de media buyer
Waarom Meta’s Andromeda, GEM en GenRecs indrukwekkend klinken, en waarom je high-ticket funnels zonder kaders alsnog vastlopen op budgetkannibalisatie.
Eind oktober 2026 publiceerde Meta Engineering een reeks diepgaande technische papers over de transformatie van hun advertentie-infrastructuur. In de markt en op vakfora werd de term “Andromeda 2.0” al snel de verzamelnaam voor deze update.
De belofte vanuit Meta for Business klinkt veelbelovend: dankzij geavanceerde AI-modellen en nieuwe hardware-architecturen wordt de veiling slimmer dan ooit. Iedere advertentie in je account krijgt een eerlijke kans, nieuwe uitingen worden sneller begrepen en het systeem voorspelt feilloos welke prospect op welk moment welke boodschap nodig heeft.
Maar wie dagelijks complexe B2B-, high-ticket- of gespecialiseerde leadgeneratiecampagnes beheert, herkent het volgende patroon: je lanceert een doordachte funnel met diepgaande expertvideo’s, informatieve infographics en een afsluitende actie-uiting. Binnen 24 uur heeft het algoritme 95% tot 98% van het dagbudget naar één platte aanbieding gedumpt. De inhoudelijke dragers—die het noodzakelijke vertrouwen moeten wekken—blijven steken op een handvol vertoningen en een paar eurocenten spend.
Hoe verhoudt de indrukwekkende AI-theorie van Meta zich tot de dagelijkse praktijk in Ads Manager? In dit artikel duiken we diep in de techniek achter Andromeda, GEM en GenRecs, leggen we uit waarom de veiling nog steeds geneigd is tot budgetkannibalisatie, en delen we het operationele playbook waarmee wij als agency de regie over het mediabudget terugeisen.
Deel 1: Onder de Motorkap van Meta’s AI-Ranking (De Drie Innovaties)
Om te begrijpen wat er verandert, moet je eerst weten hoe Meta bepaalt welke advertentie een gebruiker op zijn scherm ziet. Dit gebeurt niet in één magische stap, maar in twee opeenvolgende fasen:
Retrieval (Voorselectie): Binnen enkele milliseconden wordt een vijver van tientallen miljoenen potentiële advertenties teruggebracht naar een compacte shortlist van sterke kandidaten.
Ranking (De Veiling): Deze overgebleven kandidaten worden zwaar doorgerekend op bod, kwaliteit en verwachte actieratio, waarna de uiteindelijke winnaar de impressie wint.
De technische updates die Meta heeft doorgevoerd, grijpen in op de volledige breedte van deze pijplijn.
Meta’s personalized ad retrieval-pijplijn: van ads creative via router en gespecialiseerde modellen naar ad candidates: co-designed met Meta MTIA en NVIDIA Grace Hopper.
1. Meta Andromeda (Next-Gen): De Conciërge die Iedere Plank Leest
Andromeda is Meta’s engine voor de eerste fase: Retrieval. Waar Andromeda in 2024 vooral draaide om modeldiepte (het begrijpen van complexe signalen op de NVIDIA Grace Hopper GH200), draait de nieuwste iteratie om slimme breedte.
In de oude situatie moest het systeem shortcuts nemen om binnen de strikte latentie-limieten (milliseconden) te blijven: het sloeg takken van advertenties over die historisch minder relevant leken. Meta gebruikte zelf de metafoor van een hotelconciërge: vroeger keek hij alleen op de populairste planken van de winkel. Nu loopt hij in exact dezelfde tijd de voltallige voorraad langs en leest hij elk individueel etiket.
Andromeda Retrieval MoE: Ad-Aware MoE Router activeert de meest relevante user experts voor een User-Ad Relevance Score.
De Technische Doorbraak
Mixture-of-Experts (MoE) Architectuur: In plaats van één log model dat alles voor iedereen moet berekenen, gebruikt Andromeda nu een ensemble van gespecialiseerde ‘User Towers’ (experts). Een Ad-Aware MoE Router activeert uitsluitend de meest relevante sub-experts per uiting. Dit brengt de expressiviteit van de zware rankingfase naar de retrievalfase, tegen 300x minder rekenkracht (FLOPs).
Single Fused GPU Pipeline: Vroeger communiceerden CPU-hosts (die targetingregels en index matching berekenden) via het netwerk met remote GPU’s (die de scores berekenden). Door het volledige proces—van index matching tot scoring en top-K selectie—samen te smelten in één enkele GPU-kernel op chipniveau, is de netwerklast met een factor 100 gereduceerd.
Doorvoersnelheid: Het systeem scoort in productie meer dan één miljard advertenties per seconde per GPU-server.
Single fused GPU pipeline op NVIDIA Grace Hopper: index matching, scoring en top-K in één kernel.
Wat dit betekent: Vrijwel iedere actieve, goedgekeurde advertentie in je account wordt daadwerkelijk meegenomen en beoordeeld per individuele gebruiker. De tijd dat uitingen technisch werden genegeerd tijdens de eerste filtering, is voorbij.
2. Meta GEM: Het Centrale Brein dat de Hele Klas Onderwijst
GEM staat voor Generative Ads Recommendation Model. Waar traditionele modellen per placement (Feed vs. Reels) of per campagnedoel (Leads vs. Aankopen) geïsoleerd optimaliseerden, fungeert GEM als een fundamenteel fundamentmodel.
GEM fungeert als centraal model dat kennis overdraagt naar real-time rankingmodellen: met beter ad performance als resultaat.
Meta vergelijkt GEM met een professor op LLM-schaal. Het model analyseert honderden miljoenen gebruikerspatronen over álle oppervlakken (Facebook, Instagram, Reels, externe webconversies) en bouwt een diepgaand geheugen op van hoe mensen bewegen van interesse naar transactie.
In plaats van zelf elke impressie live te serveren, past GEM Knowledge Transfer toe. Het leert de gespecialiseerde real-time rankingmodellen hoe ze moeten handelen. Hierdoor profiteren campagnes die van nature minder conversievolume genereren (zoals niche B2B-trajecten of specialistische afspraken) direct van de data die GEM opdoet in high-volume e-commerce funnels. Het model leest een twee keer zo lange engagement-historie via een model dat 2,5 keer complexer is.
3. Meta GenRecs: Semantische Intelligentie en Generatieve Retrieval
Een hardnekkig probleem in machine learning voor advertising is het zogenoemde Cold Start Problem: een gloednieuwe advertentie heeft nog geen historische kliks of conversies opgebouwd, waardoor het algoritme niet weet wie het moet bereiken.
GenRecs (Generative Recommender) lost dit op via GenRecs Tokenization:
GenRecs Tokenization en Generative Retrieval: semantische IDs matchen nieuwe creaties zonder klikhistorie.
Multimodale Semantische Tokens: Large Language Models ontleden de creatie vóórdat er een euro aan is uitgegeven. Beeld, audio, copy en context worden vertaald naar semantische tokens (bijv. stijl, sfeer, getoond probleem, waardepropositie).
Generatieve Retrieval: In plaats van uitsluitend te kijken naar historische patronen (“wie klikte hier gisteren op?”), beredeneert het model wat de ideale advertentie voor een specifieke gebruiker zou moeten zijn. Het genereert een semantisch profiel van de gewenste boodschap en zoekt in de advertentievijver naar de uiting die daar het dichtst bij aansluit.
Nieuwe concepten kunnen hierdoor direct gerichter worden gematcht, zelfs als ze nog nul klikhistorie hebben.
"Een plek op de shortlist (Retrieval) is nog geen impressie (Ranking)."
Deel 2: De Harde Realiteit (Waarom Accounts Nog Steeds Vastlopen)
Als Andromeda élke uiting scoort, GEM de modellen voedt met universele kooppatronen en GenRecs nieuwe uitingen direct begrijpt, waarom zien media buyers in de praktijk dan nog steeds dit gebeuren?
Uiting
Type
Spend
Bereik
Advertentie A: expertvideo
Video
€ 0,67
60
Advertentie B: uitleg / static
Static
€ 0,59
50
Advertentie C: actie-uiting
Static
€ 55,15
2.636
Totaal
€ 56,41
2.746
Voorbeeld uit de praktijk (geanonimiseerd): één actie-uiting kaapt vrijwel het hele dagbudget terwijl inhoudelijke dragers op rantsoen blijven.
Het antwoord ligt in een fundamentele scheiding die analyseplatform Segwise treffend samenvat: een plek op de shortlist (Retrieval) is nog geen impressie (Ranking).
Fase
Wat er gebeurt
Andromeda 2.0: Retrieval
“Ik zet alle drie de uitingen op de shortlist voor de gebruiker.”
De veiling: Ranking
“De actie-uiting pakt in het eerste uur snelle kliks. Ik gooi 98% van het budget daarheen.”
Retrieval ≠ impressie: een plek op de shortlist zegt nog niets over waar het budget naartoe gaat.
1. De Veiling is Opportunistisch en Kortzichtig
Meta’s veilingformule weegt drie componenten:
Totale Waarde = Bod × Geschatte Actieratio + Advertentiekwaliteit
Wanneer je een inhoudelijke video (die vraagt om 45 seconden aandachtsspanne en cognitieve verwerking) in dezelfde advertentieset plaatst als een statische banner met een harde actietrigger of prijsfocus, ontstaat er een oneerlijke dynamiek:
Nieuwsgierige scrollers klikken in de eerste uren snel op de aanbieding om te zien wat het inhoudt.
Het veilingalgoritme ziet de Geschatte Actieratio (doorklikken) op die specifieke uiting pieken.
Omdat Meta streeft naar winstmaximalisatie binnen de veiling, sluis het binnen 12 uur vrijwel het volledige dagbudget naar die specifieke uiting.
2. Het Algoritme Begrijpt Menselijke Besluitvorming Niet
In B2B, zakelijke dienstverlening en medische trajecten converteert niemand koud op basis van een kortingsbanner. Een prospect heeft eerst context nodig:
Wie ben je?
Begrijp je mijn frictie of symptoom?
Waarom ben jij de autoriteit om dit op te lossen?
Meta’s optimalisatie-AI ziet alleen de macro-statistiek: “Veel kliks voor weinig geld.” Dat die bezoekers vervolgens binnen drie seconden afhaken op de landingspagina omdat er nul autoriteit is opgebouwd (met 0 conversies als gevolg), corrigeert het systeem niet uit zichzelf. De inhoudelijke video die dat vertrouwen wél had kunnen bouwen, is door het algoritme al op rantsoen gezet met € 0,67 spend.
Deel 3: Het Agency Playbook: Hoe Wij de Regie Terugpakken
Wie blind vertrouwt op Meta’s automatisering, eindigt met uitgeholde funnels en gefrustreerde klanten. Als media buyers moeten we de AI voeden waar het sterk is, maar softwarematige grenzen stellen waar het tekortschiet.
Dit zijn de drie operationele pijlers die wij in al onze accounts hanteren:
Pijler 1: Dwing Data Af met ‘Pushweergave’ (Push Delivery)
Wanneer een dominante uiting het budget kaapt en je nieuwe, strategische dragers (zoals video’s of diepgaande statics) geen kans krijgen om tractie te bouwen, grijpen we niet in met de handmatige pauzeknop. Het pauzeren van uitingen verstoort de leerfase van de advertentieset.
In plaats daarvan gebruiken we Pushweergave voor deze advertentie op advertentieniveau:
De Instelling: Wijs 20% tot 30% van het dagelijkse campagnebudget toe aan de achterblijvende testadvertenties voor een periode van 7 dagen.
Waarom 7 dagen? Dit matcht exact met de leercyclus van Meta. Na 7 dagen heeft de inhoudelijke uiting honderden tot duizenden vertoningen gekregen en kan het algoritme reële gebruikersinteractie meten. Daarna stopt de push automatisch en kan de CBO-verdeling weer op natuurlijke data sturen.
Waarom niet hoger dan 30%? Je wilt de lopende leadstroom van je overige uitingen niet platleggen; 70% tot 80% van het budget blijft vrij beschikbaar voor de bewezen converters.
Pijler 2: Concept-Diversificatie (Echte Variatie voor de MoE Router)
Omdat Andromeda 2.0 werkt met een Mixture of Experts, is traditioneel A/B-testen op microniveau achterhaald. Tien advertenties uploaden met dezelfde video, maar met een andere kleur knop of een marginaal ander lettertype, voegt voor Meta geen waarde toe. Het algoritme ziet tien keer exact dezelfde semantische token en clustert ze onder één concept.
Wil je dat Meta’s router verschillende typen kopers aanspreekt, dan moet je zorgen voor conceptuele diversiteit:
Hoek A: Pijn
Hoek B: Logica
Hoek C: Autoriteit
Focus op frictie, verlies en urgentie. Spreekt emotionele beslissers aan.
Focus op werkwijze, efficiency en proces. Spreekt rationele beslissers aan.
Focus op reviews, certificering en bewijs. Spreekt risicomijdende beslissers aan.
Concept-diversificatie voor Andromeda: drie fundamenteel verschillende psychologische invalshoeken.
Segwise hanteert hierbij een waardevolle vuistregel voor creative auditing:
Vat iedere actieve advertentie samen in één neutrale zin, zonder kleuren, lettertypes of knoppen te noemen. Krijgen twee advertenties dezelfde zin? Dan zijn het geen twee concepten, maar iteraties van hetzelfde idee.
Pijler 3: Structurele Budgetkaders (De € 150,- / Dag Omslaggrens)
Om te voorkomen dat advertenties binnen een set elkaar kannibaliseren, hanteren we een strikte budgetarchitectuur:
Dagbudget per pilaar
Campagnestructuur
Hoe we testen en roteren
Tot € 150 / dag
Direct CBO
Maximaal 3–4 actieve uitingen tegelijk (1 video + 2 statics). Roteer per batch van 6–8 weken via een nieuwe advertentieset, zodat de leerfase niet reset.
≥ € 150 / dag
ABO-test → CBO-schaal
20–30% van het budget in een dedicated ABO-testomgeving. Winnaars dupliceren naar de schaal-CBO met adset-minimums.
Vuistregel: onder € 150/dag compact houden; daarboven test en schaal scheiden.
Wanneer je binnen een CBO-schaalomgeving werkt met aparte advertentiesets voor de verschillende fasen (Awareness, Consideration, Conversion), stellen we op de Consideration- en Conversion-sets altijd een minimale bestedingslimit in (bijvoorbeeld 20% van het dagbudget). Zo voorkomen we dat de top-of-funnel videocontent al het mediabudget opeist en zorgen we dat de conversielaag gegarandeerd wordt uitgeleverd.
Klaar om Meta- en Google-verkeer om te zetten in klanten?
Strategie, content en ads in één team. Bekijk hoe we werken — of duik in een case met meetbaar resultaat.
Of je klaar bent om te groeien of eerst oriënteert: we laten zien hoe content en ads samen meer leads uit Meta en Google opleveren. 15 min, vrijblijvend.