Nach LLM kommt GEM: Metas Generative Ads Recommendation Model soll eine bessere Ad Performance und einen höheren ROI liefern. Dabei skaliert das KI-basierte System, inspiriert von Metas LLM-Muster und mithilfe von tausenden GPUs, im Rahmen einer neuen Modellarchitektur die Performance dank immer mehr Parametern, die für die ideale Ansprache zum Einsatz kommen können. Metas Verbesserung der Grundlagen für die Werbekampagnen auf Facebook und Instagram zielt auf die Entwicklung hin zur automatisierten Kampagnengestaltung ab, auf noch mehr Werbeumsätze und langfristig gesicherte Relevanz im digitalen Werbemarkt. Dabei werden einige Bedenken ausgeblendet.

Zäsur im Online Marketing:
Meta will Ad-Kreation 2026 mit KI komplett automatisieren

Metas Werbegoldmine: Milliarden Datenpunkte plus AI sorgen für ertragreiche Ad-Wellen

Metas Umsatz im dritten Quartal 2025 lag bei 51,2 Milliarden US-Dollar. Das ist ein Wachstum von 26 Prozent im Vorjahresvergleich und untermauert, wie beständig Metas Umsatz sich steigert. Vor allem mit Werbung verdient der Tech-Konzern immer mehr Geld. Die Zahl der Ad Impressions war in Q3 2025 um 14 Prozent höher als im gleichen Zeitraum im Vorjahr. Während Meta immer neue Werbeformate einführt und beispielsweise seit 2025 auch Werbung auf Threads – mit immerhin schon über 400 Millionen monatlich aktiven Usern – ausspielt, kann der Konzern die Einnahmen steigern.

Doch neben einem zusehends facettenreichen Werbeformatangebot bietet Meta Performance Boosts, die zum einen auf dem immensen Datenreichtum des Social-Media-Primus basieren; immerhin haben WhatsApp, Facebook und Instagram je über drei Milliarden User, die oft viel Zeit auf diesen Plattformen verbringen, auf Instagram sind es im Schnitt eine Stunde und 13 Minuten pro Tag (bei Android Usern, wie der Digital 2026 Global Overview Report von We Are Social und Meltwater angibt). Zum anderen sollen diese Boosts durch KI-Support bedient werden.

Nun möchte die Instagram-Mutter schon bald ganze Kampagnen mithilfe von KI-Systemen umsetzen, sodass Advertiser nur noch Ziele, Budgets, Asset-Vorgaben und Kampagnentitel liefern müssten. Das soll die Leistung der Kampagnen steigern, da Meta basierend auf dem immensen Umfang der User-Daten und Interaktionsmuster die passenden Creatives, Texte, Ausspielungsmomente etc. liefern soll. Und inzwischen unterstützt dabei das Generative Ads Model (GEM), das für Empfehlungen bereitsteht, die mehr Conversions versprechen. Schon im Laufe des Jahres führte Meta das Modell ein und konnte ein Wachstum von fünf Prozent bei den Ad Conversions auf Instagram und von drei Prozent im Facebook Feed erreichen.

Mehr und mehr User-Daten für KI-gestützte Ad-Optimierung

Künftig sollen noch mehr Daten und Verarbeitungskapazitäten im Computing bereitgestellt werden, die die Skalierung weiter steigern könnten. Mit der sogenannten Post-Training-Technik samt Wissenstransfer und einer verbesserten Trainingsstruktur werden die Empfehlungssystem Metas optimiert. Insgesamt soll das die Ad Performance um das Vierfache verbessert werden, meint Meta.

GEM is trained on ad content and user engagement data from both ads and organic interactions […],

erklärt das Engineering Team. Aus diesen Daten werden schließlich leistungsfähige Personalisierungsmechanismen abgeleitet, die letztlich den Advertisern zugutekommen können. Auch die User könnten bei hochpersonalisierter Werbung eher zur Interaktion oder Conversion bereit sein. Dass Meta dabei immer tiefer in den Nutzungsalltag der User eingreift und zahlreiche Daten übernimmt, etwa auch fürs KI-Training, ist eine Voraussetzung für solche Entwicklungen. Gerade im KI-Zeitalter wird es für User indes immer schwieriger, zu ermitteln, für welche Zwecke die Daten letztlich genau eingesetzt werden – in der EU haben Nutzer:innen dabei mehr Transparenzrechte als etwa in den USA.

Understanding how user attributes interact with ad characteristics is crucial for accurate recommendations […],

heißt es im Meta-Text weiter. Und so erklärt das Team von Meta in einem Blog Post in aller Ausführlichkeit, wie die technologischen Grundlagen für GEM und die parallel arbeitenden Systeme wie die Ad Library Lattice und das Personalisierungsmodell Andromeda im Detail fungieren und schließt:

We will continue to scale GEM and train on even larger clusters by advancing its architecture and advancing training recipes on the latest AI hardware, enabling it to learn efficiently from more data with diverse modalities to deliver precise predictions. We will also evolve GEM to reason with inference-time scaling to optimize compute allocation, power intent-centric user journeys, and enable agentic, insight-driven advertiser automation that drive higher ROAS.

Möglicherweise kann GEM zukünftig auch dabei unterstützen, Usern weniger Scam Ads auszuspielen. Denn dieses Problem beschäftigt die Plattformen wie Instagram und Facebook zusehends – allerdings nicht, ohne dass Meta davon massiv profitiert.

Meta verdient Milliarden mit Ads für Scams und Verbotenes