Meta Andromeda: Was das Retrieval-System für deine Account-Entscheidungen ändert

Meta Andromeda ist Metas Machine-Learning-System für die Retrieval-Stufe der Anzeigenauslieferung: Es wählt aus mehreren zehn Millionen möglichen Anzeigen einige Tausend Kandidaten vor, bevor nachgelagerte Ranking-Modelle die finale Auslieferung bestimmen. Du aktivierst Andromeda nicht, es ist Infrastruktur. Die einzige Entscheidung, die du triffst: Wohin investierst du deine begrenzte Operator-Zeit, jetzt wo Retrieval und Ranking stärker automatisiert sind. Antwort: in Signalqualität, echte Creative-Diversität und eine Kontostruktur, die unterschiedliche Economics nicht in eine Lernzelle zwingt.

Was Retrieval ist und wo Meta Andromeda sitzt

Ein Nutzer öffnet Instagram. Sehr viele Anzeigen könnten für diese eine Impression grundsätzlich infrage kommen. Ein Empfehlungssystem kann nicht jede davon mit voller Modellkomplexität bewerten, das wäre rechnerisch nicht tragbar. Deshalb arbeitet Meta mehrstufig.

1. Eligibility: Welche Anzeigen dürfen für diese Impression überhaupt teilnehmen, also Geografie, Ausschlüsse, Special-Ad-Kategorien?
2. Retrieval: Welche Kandidaten erscheinen für diese Person besonders relevant? Hier arbeitet Andromeda.
3. Ranking: Welche Kandidaten erzeugen voraussichtlich den höchsten Gesamtwert? Hier sitzt seit Ende 2025 GEM.
4. Auktion und Delivery: Welche Anzeige wird unter den aktuellen Geboten und Bedingungen ausgeliefert?

Meta beschreibt Andromeda als erste Stufe, die aus mehreren zehn Millionen Anzeigenkandidaten einige Tausend auswählt (Meta Engineering, 02.12.2024). Wichtig für die saubere Einordnung: Andromeda ist nicht das Ranking und nicht die Auktion, sondern die Vorauswahl davor. Wer das verwechselt, zieht falsche operative Schlüsse. Genau diese systemische Klarheit ist der Unterschied zwischen Meta Ads mit System statt Algorithmus-Hoffnung und dem Hinterherlaufen von Trendnamen.

Was Meta offiziell sagt und was wir daraus ableiten

Meta nennt als Treiber des wachsenden Kandidatenvolumens die Advantage+-Automatisierung und generative Creative-Tools: Es entstehen schlicht mehr Anzeigen, die das Retrieval bewältigen muss. Andromeda organisiert die Kandidaten in einer hierarchischen, gemeinsam mit dem Modell trainierten Indexstruktur, damit die Vorauswahl auch bei großem Volumen effizient bleibt. Meta beschreibt zudem eine massiv erhöhte Modellkapazität, gerechnet auf NVIDIA-Grace-Hopper-Hardware, um komplexere Beziehungen zwischen Personen, Interessen, Produkten und Anzeigen zu erfassen.

Die gemeldeten plus 6 Prozent Retrieval Recall und plus 8 Prozent Anzeigenqualität gelten ausdrücklich für ausgewählte Segmente und sind Meta-interne Systemergebnisse. Sie sagen nichts darüber, welchen Uplift dein Account erhält. Alle folgenden operativen Schlussfolgerungen sind RocketAds-Inferenz aus den veröffentlichten Systeminformationen, keine wörtlichen Meta-Versprechen.

GEM: Warum Andromeda nicht das Ende der Geschichte ist

Wer 2026 über Meta-Plattformmechanik schreibt und nur Andromeda kennt, hängt eine Stufe zurück. Meta hat am 10.11.2025 GEM veröffentlicht, das Generative Ads Recommendation Model, nach eigener Darstellung das größte RecSys-Foundation-Model der Branche, in GPT-Größenordnung. Die Arbeitsteilung, soweit aus den Quellen ableitbar: Andromeda macht das Retrieval, GEM sitzt als zentrale Ranking- und Foundation-Schicht darüber und verteilt sein Wissen per Post-Training an die übrige Modell-Flotte. Meta meldet dafür plus 5 Prozent Conversions auf Instagram und plus 3 Prozent im Facebook Feed. Auch das ist eine Meta-Systemmetrik, keine Account-Garantie.

Für deine operativen Schlüsse ändert GEM die Richtung nicht, es verstärkt sie. Mehr Modellkapazität in Retrieval und Ranking heißt: Das System ist noch besser darin, aus deinen Inputs das herauszuholen, worauf du es gepolt hast. Sauberes Business-Signal und semantisch echte Creative-Diversität werden dadurch nicht weniger wert, sondern mehr.

Drei Fragen, die du vor jeder Account-Änderung beantworten musst

Andromeda und GEM nehmen dir Mikrosteuerung ab. Sie nehmen dir keine Entscheidung ab. Diese drei Fragen entscheiden, ob deine nächste Account-Änderung dem System hilft oder nur Komplexität schafft.

Bevor du ...	... frag dich	Falsche Reaktion
Creatives hochlädst	Welche neue Person-Problem-Lösungs-Kombination macht dieses Creative für Markt und System wirklich neu?	Zehn Near-Duplicates mit anderem Intro hochladen und es Diversität nennen
Kampagnen konsolidierst	Teilen diese Kampagnen wirklich Ziel, Economics und Audience-Logik?	Margen, AOV und Sales Cycles in eine Lernzelle zwingen, weil mehr Daten angeblich immer besser sind
auf Andromeda hat meinen CPA gesenkt schließt	Ist dieser Effekt überhaupt sauber kausal messbar?	Account-Vorher-Nachher als Beweis behandeln, obwohl mehrere Systeme parallel wirken

Creative-Diversität muss semantisch sein, nicht numerisch

Aus Andromeda wurde für mehr Creative-Volumen gebaut wird gern je mehr Ads, desto besser. Das ist zu grob. Es gibt keine Regel, dass ein Account exakt 20, 50 oder 100 Ads braucht. Echte Diversität entsteht aus anderen Kaufmotiven, Awareness-Stufen, Problemsituationen, Mechanismen, Proof-Typen, Protagonisten oder Offer-Framings. Keine Diversität entsteht aus derselben Story mit neuem Text-Overlay, identischem UGC mit anderem Intro oder KI-Varianten ohne neue Hypothese. Wenn du an der Grenze rechnen willst, wie viel zusätzliches Creative-Volumen sich überhaupt noch lohnt, hilft die Logik aus der Mengenfrage bei hohem Spend mehr als jede pauschale Zahl.

Das Signal hinter der Conversion entscheidet

Meta hat parallel zu Andromeda den Übergang zu Event- und Sequence-Learning beschrieben (Meta Engineering, 19.11.2024): Das System modelliert Nutzer als Sequenz von Interaktionen und Conversions statt als statischen Snapshot. Sequence Learning ist dabei primär Ranking-Richtung, nicht dasselbe Subsystem wie das Retrieval von Andromeda. Operativ heißt das: Saubere, deduplizierte Events bleiben Pflicht, aber reichere Backend-Signale schlagen viele schlechte Roh-Events. Wie du Event-Qualität und Conversions API so aufsetzt, dass das System auf das richtige Signal lernt, steht in Pixel und Conversions API: Event-Qualität. Und warum die eigentliche Wahrheit über Kundenwert erst im Backend Feedback Loop entsteht, ist hier der schärfste Hebel.

Rechenbeispiel: Warum effizienteres Retrieval ein schwaches Signal verstärkt

Illustratives Rechenbeispiel, alle Zahlen frei gewählt zur Veranschaulichung, keine Benchmarks.

Ein Lead-Gen-Account optimiert auf das Event Lead, also Formular abgeschickt. Angenommen 1.000 Leads pro Monat bei 40 Euro Cost-per-Lead, also 40.000 Euro Spend. Vom System aus betrachtet läuft alles gut. Nur: Im CRM qualifizieren sich 20 Prozent dieser Leads, also 200, und davon werden 25 Prozent zu Kunden, also 50 Neukunden. Der echte Neukunden-CAC liegt bei 800 Euro, nicht bei 40.

Jetzt verbessert ein leistungsfähigeres Retrieval die Effizienz auf dem optimierten Event und drückt den Cost-per-Lead um illustrative 15 Prozent auf 34 Euro. Bei gleichem Spend entstehen rund 1.176 Leads. Aber wenn diese zusätzlichen, billigeren Leads aus weniger kaufbereiten Segmenten stammen und die Qualifizierungsquote auf 16 Prozent fällt, bleiben 188 qualifizierte Leads, also weniger als vorher. Der vermeintliche Effizienzgewinn auf dem Leading Indicator Cost-per-Lead hat den Business-KPI verschlechtert, nämlich qualifizierte Leads und Neukunden-CAC. Genau das ist gemeint, wenn das System effizienter findet, worauf du es optimierst. Hättest du dem Algorithmus über Backend-Signal mitgeteilt, welche Leads wertvoll sind, hätte dieselbe Effizienz in die richtige Richtung gewirkt.

Was Meta Andromeda für dein Testing bedeutet

Ein Meta-A/B-Test beantwortet zuverlässig: Welche Variante funktioniert im realen Delivery-System besser? Er beantwortet nicht zwingend: Welches Element ist kausal für alle Nutzer besser? Der Grund hat einen Namen. Die Forschung nennt ihn Divergent Delivery: Das Auslieferungssystem schickt verschiedene Test-Varianten an verschiedene Audience-Segmente, weil es Delivery ja absichtlich optimiert. Dadurch vermischt sich die Creative-Wirkung mit der Audience-Komposition.

Eine unabhängige Analyse von 3.204 Lift-Tests und 181.890 A/B-Tests zeigt: In A/B-Tests tritt diese Audience-Imbalance klar auf, in Lift-Tests mit echter No-Ad-Kontrollgruppe praktisch nicht (Aufschlag et al., arXiv:2508.21251, 2025). Praktische Konsequenz: A/B-Tests sind für relative Entscheidungen im echten System richtig, aber nicht naiv kausal interpretierbar. Wenn du eine saubere kausale Aussage zur Inkrementalität brauchst, ist der Lift-Test der Hebel. Wie du dein gesamtes Testing daraufhin aufbaust, steht im Meta Ads Testing Framework.

Sinnvolle Testfragen klingen so: Welcher Angle erzeugt bei gleichem Offer den besseren Neukunden-CAC? Welche Creative-Familie bringt mehr qualifizierte Leads? Schwache Testfragen klingen so: Ist Rot oder Blau besser, oder hat Andromeda unseren CPA gesenkt? Letztere ist nicht beantwortbar, weil Andromeda, Sequence Learning, GEM und iOS-Änderungen parallel wirken. Ein Account-Vorher-Nachher-Vergleich ist konfundiert.

Andromeda, Broad Targeting und Advantage+

Andromeda wird oft mit Broad Targeting verknüpft: großer Eligibility-Raum, mehr Kandidaten, mehr algorithmische Freiheit, reichere Creative- und Event-Signale. Broad kann dadurch stark sein, automatisch ist es das nicht. Prüfe Marktgröße, Signalqualität, Creative-Spezifität, Ausschlüsse und Backend-Qualität, bevor du daraus eine Regel machst. Die Abgrenzung im Detail steht in Broad vs. Lookalike vs. Interessen.

Meta verbindet Andromeda kommunikativ mit dem Wachstum der Advantage+-Suite, die je nach Produkt und Kampagnentyp Audience, Budgetallokation, Placements und Creative-Anpassungen automatisiert. Zum Stand der Prüfung berichten Drittquellen für 2026 eine stärkere Vereinheitlichung von Advantage+ als Default für neue Kampagnen, das ist aber nicht Meta-primär verifiziert und UI-abhängig, also ohne Garantie zu behandeln. Deine Aufgabe bleibt: Automatisierung dort zulassen, wo Ziel klar und Signal belastbar ist, Kontrolle dort behalten, wo Economics, Testing oder Compliance eine Trennung erfordern. Wie du diese Grenze ziehst, steht in Advantage+ richtig einsetzen.

Wann diese Regeln nicht gelten

Die Schlussfolgerung, gib dem System mehr und besseres Signal und konsolidiere dann, stimmt im Normalfall. Es gibt klare Ausnahmen, in denen das Gegenteil richtig ist.

• Unterschiedliche Economics: Wenn Länder mit anderer Marge, Produkte mit anderem AOV oder Neukunden und Bestandskunden in einer Kampagne landen, optimiert das System auf einen Mischwert, der für kein Segment stimmt. Hier ist Trennung richtig, nicht Konsolidierung. Wie du diese Linie zwischen Trennen und Zusammenlegen ziehst, steht in Campaign Architecture: konsolidieren oder trennen.
• Strategisch notwendige Exploration: Wenn ein einzelner Winner fast den gesamten Spend trägt, ist der Account fragil. Dann brauchst du geschützte Exploration für neue Konzepte, auch wenn sie kurzfristig die Konto-Effizienz drückt.
• Langer Conversion Delay: Bei langen Kaufzyklen kommt das Business-Signal zu spät, um direkt darauf zu optimieren. Dann ist ein qualifiziertes Proxy-Event die bessere Wahl als das eigentliche Ziel-Event. Mehr dazu unter Conversion Delay.
• Dünnes Signal: In sehr kleinen Märkten oder bei seltenen Conversions kann zu viel Konsolidierung Lernzellen erzeugen, die nie genug Daten sehen. Hier gilt die 50-Events-Heuristik der Lernphase als grobe Orientierung, zum Stand der Prüfung und nicht als Gesetz. Wie die Lernphase wirklich funktioniert, steht in Meta Ads Lernphase.

Was bleibt

Andromeda und GEM verändern die Infrastruktur hinter der Anzeigenvorauswahl und dem Ranking. Daraus folgt nicht, Targeting abschalten und möglichst viele KI-Ads hochladen. Mikrosteuerung und Mikro-Ad-Sets verlieren an Wert. Strategie, Signalqualität, Creative-Research, Economics und sauberes Experimentieren gewinnen. Leading Indicators wie Recall, CTR oder Hook Rate sind Diagnose, die Entscheidung fällt auf dem Business-KPI: Neukunden-CAC, qualifizierte Leads, Deckungsbeitrag nach Retoure und Storno. Gib dem System ein belastbares Business-Signal, echte Creative-Diversität und eine Struktur, die Lernen ermöglicht, ohne unterschiedliche Economics zu vermischen. Andromeda macht starke Inputs besser nutzbar. Schwache Inputs macht es nicht automatisch stark.

Häufige Fragen

Ist Meta Andromeda dasselbe wie der Ranking-Algorithmus?

Nein. Andromeda ist die Retrieval-Stufe, also die Vorauswahl, die aus mehreren zehn Millionen möglichen Anzeigen einige Tausend Kandidaten herausfiltert. Das eigentliche Ranking, das den finalen Gesamtwert pro Kandidat schätzt, ist eine eigene Stufe, in der seit Ende 2025 Metas Foundation-Model GEM sitzt. Wer Retrieval und Ranking verwechselt, zieht falsche operative Schlüsse, weil beide an unterschiedlichen Stellschrauben hängen.

Kann ich Andromeda im Werbekonto einstellen oder optimieren?

Nein, Andromeda ist Infrastruktur und lässt sich nicht aktivieren, einstellen oder gezielt ansteuern. Du beeinflusst das System nur indirekt über die Inputs: die Qualität deiner Conversion-Signale, die semantische Vielfalt deiner Creatives und eine Kontostruktur, die unterschiedliche Economics nicht in eine Lernzelle zwingt. Die operative Arbeit verschiebt sich damit von manuellem Targeting hin zur Qualität dieser Inputs.

Senkt Meta Andromeda automatisch meinen CPA?

Das lässt sich am eigenen Account nicht sauber beweisen, weil Andromeda, Sequence Learning, GEM und Plattform-Änderungen parallel wirken und ein Vorher-Nachher-Vergleich damit konfundiert ist. Die von Meta gemeldeten Verbesserungen sind systeminterne Metriken aus ausgewählten Segmenten, keine Account-Garantie. Effizienteres Retrieval findet zudem nur effizienter genau das, worauf du optimierst, ein schwaches Signal wird dadurch nur schneller schwach skaliert.

Bedeutet mehr Creative-Volumen wegen Andromeda automatisch bessere Ergebnisse?

Nein. Es gibt keine gültige Regel, dass ein Account exakt 20, 50 oder 100 Ads braucht. Was zählt, ist semantische Diversität aus anderen Kaufmotiven, Awareness-Stufen, Mechanismen oder Offer-Framings, nicht zehn Near-Duplicates mit anderem Intro. Identische Storys mit neuem Text-Overlay oder KI-Varianten ohne neue Hypothese erzeugen Volumen, aber keine echte Vielfalt für das System.

Warum sind Meta-A/B-Tests nicht automatisch kausal interpretierbar?

Weil das Auslieferungssystem verschiedene Varianten absichtlich an verschiedene Audience-Segmente schickt, ein Effekt, der in der Forschung als Divergent Delivery beschrieben wird. Dadurch vermischt sich die Creative-Wirkung mit der Audience-Komposition. A/B-Tests sind für relative Entscheidungen im echten Delivery-System richtig, aber für eine saubere kausale Aussage zur Inkrementalität brauchst du einen Lift-Test mit echter No-Ad-Kontrollgruppe.