Algoritmo Andromeda de Meta Ads Explicado: Cómo Cambia Tu Estrategia de Campañas en 2026

Qué Cambió Andromeda Realmente

Antes de Andromeda, el sistema publicitario de Meta usaba un modelo de subasta relativamente simple: los anunciantes definían audiencias, Meta emparejaba esos segmentos con grupos de anuncios y el mejor postor con relevancia aceptable ganaba la impresión. El sistema evaluaba aproximadamente 1.000 anuncios candidatos por usuario por subasta [1].

Andromeda expandió esa evaluación a aproximadamente 10.000.000 de anuncios candidatos por subasta, un aumento de 10.000x en la capacidad del modelo. Más importante aún, la lógica de emparejamiento pasó de audiencia-a-grupo-de-anuncios a usuario-individual-a-anuncio-individual [1] [2].

Según Manel Gomez (Crece sin Limite, 3,3M EUR en gasto de Meta), este cambio tiene cuatro componentes operativos que los anunciantes necesitan entender [1]:

1. GEM (Generalized Embedding Model): Procesa el comportamiento del usuario en embeddings vectoriales densos
2. Lattice: Unifica el ranking en todas las ubicaciones en un solo modelo
3. Recuperación Andromeda: Gestiona la entrega de anuncios a escala 10.000x
4. Sequence Learning: Rastrea los journeys del usuario a través de múltiples interacciones con anuncios

El consenso multi-experto (Gomez, Dara Denney, Charley T de Disruptor School) confirma la conclusión práctica: con Andromeda, la configuración de segmentación de audiencias importa menos y la diversidad creativa importa más [1] [2] [3].

GEM: Por Qué el Comportamiento Supera a la Segmentación por Intereses

GEM (Generalized Embedding Model) es la capa de procesamiento de comportamiento. Convierte las acciones del usuario en todas las superficies de Meta (Facebook, Instagram, Messenger, WhatsApp) en representaciones vectoriales densas de intención comportamental [1].

Qué procesa GEM:

Tipo de Señal	Ejemplos	Peso
Engagement directo	Clics, envíos de formulario, compras	Máximo
Consumo de contenido	Tiempo de visualización de video, profundidad de scroll, tiempo en publicación	Alto
Señales sociales	Compartir, guardar, comentarios, reacciones	Medio
Comportamiento cross-platform	Aperturas de WhatsApp, interacciones en Messenger	Medio
Patrones históricos	Historial de compras, comportamiento estacional, valor de vida	Capa de contexto

Antes de GEM, Meta dependía en gran medida de intereses autodeclarados y modelos lookalike construidos a partir de audiencias semilla. GEM reemplaza esto con emparejamiento comportamental en tiempo real. Un usuario que vio 3 videos de demos SaaS, guardó 2 publicaciones de marketing B2B y pasó 45 segundos leyendo un caso de estudio genera un embedding comportamental que GEM puede emparejar con tu anuncio, independientemente de si ese usuario cae dentro de tus categorías de interés seleccionadas [1].

La consecuencia práctica para anunciantes: La segmentación por intereses se convierte en un obstáculo, no en un acelerador. Según Charley T (Disruptor School, gestionando cuentas de más de 100K EUR/día), “targeting amplio con la creatividad haciendo la segmentación” es ahora el enfoque operativo estándar. GEM identifica usuarios de alta intención más rápido y con mayor precisión que cualquier stack de intereses que un anunciante pueda construir manualmente [3].

Cuándo la segmentación por intereses todavía ayuda: Cuentas nuevas con menos de 50 conversiones de píxel se benefician de orientación por intereses durante el periodo de arranque en frío. Una vez que el píxel acumula suficientes datos (típicamente 50-200 conversiones), GEM tiene señal comportamental suficiente para superar las selecciones manuales de intereses [3] [4].

Lattice: Ranking Unificado en Todas las Ubicaciones

Antes de Lattice, cada ubicación de Meta (Feed, Stories, Reels, Explorar, Messenger, Audience Network) ejecutaba su propio modelo de ranking. Un anuncio que funcionaba bien en Feed no tenía impacto en su rendimiento en Reels porque los sistemas eran separados [1].

Lattice consolida todo el ranking de ubicaciones en un solo modelo. Los datos de rendimiento de una ubicación informan directamente las decisiones de entrega en todas las demás [1] [2].

Qué significa operativamente:

Antes de Lattice	Después de Lattice
Ranking separado por ubicación	Ranking unificado en todas las ubicaciones
La selección manual de ubicaciones podía superar auto	Las ubicaciones Advantage+ superan a manual en la mayoría de casos
Creatividad optimizada para un formato dominaba	La diversidad creativa entre formatos se recompensa
Curvas de aprendizaje específicas por ubicación	Aceleración de aprendizaje cross-placement

Según Dara Denney, Lattice es la razón por la que el mix de formatos creativos recomendado es ahora 30-40% imágenes estáticas, 30-40% video, 10-15% carrusel y el resto formatos experimentales (UGC, texto pesado, generado por IA). Cada formato rinde diferente en cada ubicación, y Lattice optimiza la combinación formato-ubicación por usuario individual [2] [5].

El efecto de aprendizaje cross-placement: Si tu imagen estática convierte bien en Feed pero tu video convierte bien en Reels, Lattice no trata estos como datos separados. Sintetiza ambos en una comprensión unificada de qué usuarios responden a qué tipos de creatividad en qué contextos. Esto se acumula con el tiempo, haciendo que las cuentas con formatos creativos diversos sean cada vez más eficientes [1] [2].

Recomendación de Baker: Usa ubicaciones Advantage+ como configuración predeterminada. La selección manual de ubicaciones solo se justifica en dos escenarios: industrias reguladas que requieren controles específicos de ubicación, o cuando necesitas aislar el rendimiento creativo de ubicaciones específicas para testing [3].

Recuperación Andromeda: El Motor de Escala 10.000x

La capa de recuperación es el mecanismo central de entrega de Andromeda. Evalúa aproximadamente 10 millones de anuncios candidatos por subasta (frente a aproximadamente 1.000 en el sistema pre-Andromeda) y selecciona el anuncio óptimo para cada usuario individual en cada momento [1].

La diferencia de escala no es incremental. Es arquitectónica. Pre-Andromeda, Meta solo podía evaluar una pequeña fracción de anuncios elegibles por subasta, lo que significaba que la segmentación de audiencias era necesaria para reducir el pool de candidatos. Post-Andromeda, el sistema puede evaluar esencialmente todos los anuncios elegibles simultáneamente, haciendo que las definiciones estrechas de audiencia sean redundantes [1] [2].

Qué significa para la estructura de campañas:

• Menos campañas, targeting más amplio. El algoritmo ya no necesita segmentación de audiencias para funcionar. Según Charley T, las cuentas que gastan 20K-50K EUR/mes deberían operar con 2-5 campañas, no 20-30 [3]
• La diversidad creativa es la nueva segmentación. En lugar de 5 campañas dirigidas a 5 audiencias con el mismo anuncio, ejecuta 1-2 campañas con 16+ creatividades distintas. Andromeda empareja la creatividad correcta con el usuario correcto automáticamente [2] [5]
• La consolidación acelera el aprendizaje. Más datos fluyendo a través de menos campañas significa salidas más rápidas de la fase de aprendizaje. El umbral de 50 conversiones por semana se vuelve más fácil de alcanzar cuando el presupuesto no se divide entre docenas de ad sets [3] [4]

Entity ID: Cómo Andromeda Mide la Variación Creativa

Un concepto técnico crítico bajo Andromeda es el Entity ID. Según Ryan de Leadbase (más de 1.000M USD en gasto de Meta analizado), Andromeda no mide la variación creativa por Creative ID (el anuncio individual). La mide por Entity ID, que representa el concepto visual subyacente [6].

Ejemplo práctico:

Escenario	Entity IDs	Creative IDs	Evaluación de Andromeda
10 anuncios, mismo video con diferentes textos superpuestos	1	10	Baja variación
10 anuncios, misma foto de producto con diferente copy	1	10	Baja variación
10 anuncios, 10 conceptos visuales completamente diferentes	10	10	Alta variación
50 anuncios, 5 conceptos visuales con 10 variaciones cada uno	5	50	Variación moderada

El mínimo para que Andromeda optimice eficazmente es 6 Entity IDs distintos. El objetivo para cuentas a escala es 6-10 Entity IDs distintos, cada uno con 3-5 variaciones, totalizando 20-50 anuncios activos [6].

La regla de “16 diferentes supera a 50 similares”: Ejecutar 16 creatividades visualmente distintas supera a 50 variaciones del mismo concepto. Cada Entity ID distinto desbloquea un segmento de audiencia diferente dentro del sistema de recuperación de Andromeda. Las variaciones del mismo concepto compiten por el mismo segmento de audiencia, creando rendimientos decrecientes [2] [6].

Sequence Learning: El Multiplicador Full-Funnel

Sequence Learning es el componente de seguimiento del journey del usuario de Andromeda. Mapea la secuencia de interacciones publicitarias que cada usuario tiene a lo largo del tiempo y aprende qué secuencias creativas impulsan conversiones [1].

Cómo funciona Sequence Learning:

1. El usuario ve un video publicitario educativo (concienciación)
2. El usuario luego ve un anuncio de testimonio (consideración)
3. El usuario luego ve un anuncio de producto/oferta (conversión)
4. Sequence Learning registra este journey e identifica qué secuencias convierten

El algoritmo no solo optimiza anuncios individuales. Optimiza la secuencia de anuncios que un usuario encuentra. Por eso las estrategias creativas full-funnel superan a las campañas de mensaje único bajo Andromeda [1] [7].

Qué recompensa Sequence Learning:

• Diversidad creativa entre etapas de concienciación. Cuentas con creatividad educativa, prueba social y respuesta directa dan a Sequence Learning más permutaciones para probar
• Ventanas de atribución más largas. Sequence Learning rastrea journeys a lo largo de días y semanas, no solo sesiones individuales
• Señales de marca consistentes. El algoritmo puede identificar cuándo la consistencia de marca a lo largo de la secuencia mejora las tasas de conversión

Según Manel Gomez, por eso su enfoque de portfolio (un CBO por nivel de concienciación: educativo, autoridad, comparación) supera las estructuras de un solo CBO a escala. Cada CBO alimenta creatividad diferente en la optimización de journey de Sequence Learning [1] [7].

Observación de Baker en cuentas de clientes: Las cuentas B2B SaaS que ejecutan creatividad full-funnel (problema-consciente, solución-consciente, producto-consciente, comparación) ven un ENCAC 25-40% inferior que las cuentas que ejecutan solo creatividad de respuesta directa bottom-funnel. Sequence Learning necesita creatividad diversa a lo largo del proceso de compra para optimizar eficazmente.

Framework de Adaptación Andromeda de Baker

Basado en los cuatro componentes de Andromeda, el Framework de Adaptación Andromeda de Baker mapea cinco cambios operativos que toda cuenta de Meta Ads debería implementar [1] [2] [3].

Cambio 1: Trasladar Presupuesto de Testing de Audiencias a Testing Creativo

Enfoque Pre-Andromeda	Enfoque Post-Andromeda
70% del esfuerzo en investigación y testing de audiencias	70% del esfuerzo en producción y testing creativo
5 audiencias con 2 creatividades cada una	2 audiencias amplias con 10+ creatividades cada una
Testear intereses, lookalikes, audiencias personalizadas	Testear hooks, formatos, conceptos, ángulos
La audiencia es la palanca de segmentación	La creatividad es la palanca de segmentación

La razón es mecánica: GEM ya identifica usuarios de alta intención mejor que las selecciones manuales de audiencias. Tu trabajo es dar a Andromeda creatividad diversa para que pueda emparejar el mensaje correcto con el usuario correcto [2] [3].

Cambio 2: Consolidar Campañas (Menos Es Mejor)

La capacidad de recuperación 10.000x de Andromeda significa que la segmentación estrecha de audiencias ya no es necesaria para que el algoritmo funcione. La consolidación de campañas mejora directamente el rendimiento [3] [4].

Presupuesto Mensual	Campañas Pre-Andromeda	Campañas Post-Andromeda
Menos de 3K EUR	3-5 campañas	1 campaña (ABO, amplia)
3-10K EUR	5-10 campañas	2 campañas (Test ABO + Scale CBO)
10-30K EUR	8-15 campañas	3 campañas (Test + Scale + Retargeting)
30K+ EUR	10-20+ campañas	3-5 campañas (portfolio CBOs por nivel de concienciación)

El consenso multi-experto (Charley T, Dara Denney, Manel Gomez) confirma: las cuentas que consolidaron de 15+ campañas a 3-5 campañas consistentemente vieron mejor rendimiento, CPAs inferiores y salidas más rápidas de la fase de aprendizaje [3] [2] [1].

Cambio 3: Diversificar Formatos Creativos (Alimentar el Lattice)

El ranking unificado de Lattice recompensa las cuentas que proporcionan creatividad en múltiples formatos. El mix recomendado [2] [5]:

Formato	Porcentaje del Total Creativo	Propósito
Imágenes estáticas	30-40%	Rápidas de producir, fuertes para tests de mensajes
Video (15-60 segundos)	30-40%	Mayor engagement, entrega en Reels y Stories
Carrusel	10-15%	Comparaciones de producto, educación paso a paso
Experimental (UGC, texto pesado, IA)	10-15%	Desbloquear ubicaciones y audiencias subatendidas

Según el Meta Creative Benchmarks Report (500K+ anuncios analizados), solo el 5-8% de los anuncios se convierten en ganadores (definidos como los que ganan 10x el gasto promedio por anuncio de la cuenta). Esta tasa de éxito es consistente en todos los tramos de presupuesto. Los principales gastadores no tienen mejores ideas. Tienen una máquina de producción que constantemente genera variaciones diversas [5].

Tramo de Cuenta	Producción Creativa Semanal	Ganadores Esperados
Menos de 15K EUR/mes	3-5 nuevos anuncios	0-1
15-50K EUR/mes	10-15 nuevos anuncios	1-2
50K+ EUR/mes	15-25+ nuevos anuncios	1-3

Cambio 4: Construir Secuencias Creativas Full-Funnel

Sequence Learning optimiza el journey, no solo anuncios individuales. Las cuentas necesitan creatividad en cada etapa de concienciación [1] [7].

Secuencia Creativa Andromeda de Baker:

Etapa	Tipo de Creatividad	Objetivo	Ejemplo
Problema-Consciente	Contenido educativo, datos del sector	Generar reconocimiento	”El 78% de las empresas B2B SaaS gastan de más en Meta Ads”
Solución-Consciente	Explicaciones de frameworks, tutoriales	Construir consideración	”El enfoque de 3 Capas para estructura de Meta Ads”
Producto-Consciente	Casos de estudio, testimonios, demos	Impulsar evaluación	”Cómo [cliente] redujo ENCAC un 74%“
Comparación	Comparativas de características, prueba social	Convertir	”Baker vs. in-house: los números”

Cada etapa alimenta a Sequence Learning con creatividad diferente, permitiendo al algoritmo orquestar el journey óptimo para cada usuario [1].

Cambio 5: Usar Cost Caps para Controlar el Gasto Marginal

Con la recuperación expandida de Andromeda, el algoritmo puede gastar agresivamente en impresiones de alta confianza y de manera derrochadora en las de baja confianza. Los cost caps previenen el gasto excesivo en la cola marginal [8].

Según Andrew Faris (AJF Growth), la mayoría de marcas gastan de más porque el ROAS combinado oculta rendimientos marginales decrecientes. Los cost caps cortan la cola no rentable del gasto sin requerir gestión diaria [8].

Implementación:

• Empieza el cost cap a 1,25x-1,5x tu CPA objetivo para no ahogar la entrega
• Ejemplo: CPA objetivo de 50 EUR = cost cap inicial de 62,50-75 EUR
• Reduce el cap gradualmente según el algoritmo aprende
• Evalúa semanal o mensualmente, no diariamente [8]

Lista de Diagnóstico Andromeda

Usa esta lista para evaluar si tu cuenta está adaptada para Andromeda [1] [2] [3]:

Diagnóstico	Preparada para Andromeda	Necesita Reestructuración
Entity IDs activos	6+ conceptos visuales distintos	Menos de 6 conceptos distintos
Cantidad de campañas	2-5 campañas	10+ campañas
Segmentación de audiencias	Amplia o Advantage+	Interest stacking con 5+ capas
Mix de formatos creativos	3+ formatos (estática, video, carrusel)	Dominancia de formato único
Cobertura de funnel	Creatividad en 3+ etapas de concienciación	Solo respuesta directa bottom-funnel
Estrategia de ubicaciones	Ubicaciones Advantage+	Restricciones manuales de ubicación
Estado fase de aprendizaje	Menos del 20% del presupuesto en Learning Limited	Más del 50% en Learning Limited
Cadencia de refresco creativo	3-5+ nuevos anuncios por semana	Menos de 3 nuevos anuncios por mes

Si más de 3 elementos caen en la columna “Necesita Reestructuración”, la estructura de tu cuenta es pre-Andromeda y probablemente rinde por debajo de su potencial para su presupuesto.

Guía de Implementación por Tramo de Presupuesto

El Framework de Adaptación Andromeda de Baker ajusta la implementación por tramo de presupuesto, porque la capacidad de producción creativa escala con el gasto [3] [4].

Menos de 3K EUR/Mes

• 1 campaña ABO, 3-5 ad sets, targeting amplio
• Mínimo 6 creatividades distintas (priorizar imágenes estáticas para producción rápida)
• Añadir 1-2 nuevas creatividades semanalmente
• No separar prospección y retargeting
• Enfoque: encontrar 1 concepto creativo ganador antes de escalar

3K-10K EUR/Mes

• ABO de testeo (20% del presupuesto) + CBO de escalado (80%)
• 10+ creatividades distintas en 2-3 formatos
• Añadir 3-5 nuevas creatividades semanalmente
• Graduar ganadores de testeo a escalado con más de 900 EUR de gasto con 10+ conversiones al CPA objetivo
• Ubicaciones Advantage+ en CBO de escalado

10K-30K EUR/Mes

• ABO de testeo (15%) + CBO TOFU (60%) + CBO retargeting (25%)
• 15+ creatividades distintas en 3+ formatos
• Secuencia creativa full-funnel (etapas de problema, solución, producto)
• Refresco creativo semanal obligatorio
• Comenzar a construir Sequence Learning con creatividad diversa por etapa de concienciación

30K+ EUR/Mes

• Enfoque portfolio: múltiples CBOs por nivel de concienciación
• 20-50 anuncios activos con 6-10 Entity IDs distintos
• 15-25 nuevas creatividades por semana
• Cost caps en CBOs de escalado para controlar gasto marginal
• ENCAC como métrica norte, evaluada semanalmente [9]

Errores Comunes con Andromeda

Error 1: Tratar el Targeting Amplio como “Sin Targeting”

El targeting amplio bajo Andromeda no es la ausencia de segmentación. Es delegar la segmentación a GEM, que tiene 10.000x más capacidad de señal que tus selecciones manuales. La creatividad misma se convierte en el mecanismo de segmentación. Un video sobre “métricas SaaS para CFOs” atrae naturalmente a CFOs en empresas SaaS, independientemente de si seleccionaste esos intereses manualmente [2] [3].

Error 2: Ejecutar 50 Variaciones del Mismo Concepto

Andromeda agrupa creatividades por Entity ID. Cincuenta variaciones de la misma foto de producto con diferente copy cuentan como un Entity ID. El algoritmo necesita diversidad conceptual, no diversidad de copy. Dieciséis conceptos visuales distintos superan a cincuenta variaciones del mismo concepto [6].

Error 3: Restricción Manual de Ubicaciones

El ranking unificado de Lattice casi siempre supera a la selección manual de ubicaciones. Restringir solo a Feed o solo a Stories impide el aprendizaje cross-placement y reduce el pool de audiencia al que Andromeda puede acceder. Usa ubicaciones Advantage+ a menos que los requisitos regulatorios indiquen lo contrario [1] [2].

Error 4: Ignorar Sequence Learning

Ejecutar solo anuncios de respuesta directa bottom-funnel no da nada con lo que Sequence Learning pueda trabajar. El algoritmo no puede optimizar un journey si la única creatividad disponible es “compra ahora.” Creatividad educativa, de prueba social y de comparación en diferentes etapas de concienciación permite a Sequence Learning orquestar journeys de mayor conversión [1] [7].

---

Fuentes

1. Manel Gomez, Crece sin Limite. “Arquitectura Andromeda: Componentes GEM, Lattice, Recuperación y Sequence Learning.” Análisis de 3,3M EUR en Gasto y Framework de Portfolio, 2026.
2. Dara Denney. “Diversidad Creativa Bajo Andromeda: Mix de Formatos, Agrupación por Persona y Variación de Entity ID.” Estrategia Creativa Post-Andromeda, 2026.
3. Charley T, Disruptor School (graduado Meta MBA). “Targeting Amplio, Consolidación de Campañas y el Modelo de Dos Campañas Bajo Andromeda.” Framework de Gestión de Cuentas de 100K+ EUR/Día, 2026.
4. Documentación de Meta Platform, Análisis Multi-Experto. “Requisitos de Fase de Aprendizaje: 50 Conversiones Semanales, Umbrales de Presupuesto y Triggers de Reinicio.” Framework de Optimización Meta Ads, 2026.
5. Meta Creative Benchmarks Report. “500K+ Anuncios Analizados: Tasa de Éxito del 5-8%, Volumen Creativo vs Calidad y Mix de Formatos.” Análisis de Benchmarks de la Industria, 2026.
6. Ryan, Leadbase. “Concepto Entity ID y Requisitos de Variación Creativa Bajo Andromeda.” Análisis de más de 1.000M USD en Gasto de Meta, 2026.
7. Thomas Owen. “Framework TPS (Test, Prove, Scale) y Secuenciación Creativa Full-Funnel.” Operaciones de Campañas en Era Andromeda, 2026.
8. Andrew Faris, AJF Growth. “Mitos de Cost Cap, Pujas Manuales como Herramienta de Escala y Gestión de Gasto Marginal.” Estrategia de Pujas Post-Andromeda, 2026.
9. John Moran, Tier 11. “ENCAC como Métrica Norte y Atribución CAPI First-Click.” Caso de Estudio Beauty Account, 2026.