Lattice, Andromeda, Sequence Learning, GEM och Adaptive Ranking

- Så fungerar Metas AI-system 2026

Har din Meta-annonsering betett sig konstigt det senaste året? Kampanjer som fungerade i åratal slutade plötsligt leverera. Kreativ tröttnade snabbare. Kostnaderna steg utan förklaring.

Du gjorde inget fel. Meta bytte motor.

Under det senaste året har Meta rullat ut fem sammanlänkade AI-system som helt gjort om hur annonser hämtas, rankas och levereras. De heter GEM, Lattice, Sequence Learning, Andromeda och Adaptive Ranking Model. Nästan alla annonsörer har känt av symptomen. Väldigt få har förstått orsaken.

Jag har nördat ner mig ordentligt i det här, för det påverkar varenda kampanj jag kör åt mina kunder. Och nu tänkte jag lära dig hela systemet, på svenska.

Vad är Metas nya AI-system för annonsering?

Kort svar: Metas nya AI-system för annonsering är fem samverkande modeller som tillsammans bestämmer vilken annons du ser. GEM är grundmodellen som lär upp de andra. Lattice är den samlade rankningsarkitekturen. Sequence Learning läser användarens beteendekedja. Andromeda hämtar fram kandidatannonser. Adaptive Ranking Model är infrastrukturen som gör att allt hinner ske på under en tiondels sekund.

Det viktigaste att förstå: det här är ingen kedja där annonsen åker från station till station. Det är en lärare-elev-hierarki. GEM sitter överst och undervisar. De andra är eleverna som faktiskt utför jobbet.

Nu tar vi dem en och en.

GEM är läraren som ser allt

GEM står för Generative Ads Model. Och nej, “generative” betyder inte att den skapar dina annonser. Det betyder att den genererar förutsägelser om vad som kommer hända.

GEM levererar aldrig en enda annons själv. Den är helt enkelt för tung och dyr för att köras vid varje visning. Istället tränar den på hela Metas ekosystem: både annonser och organiskt innehåll, på alla ytor (Feed, Stories, Reels, Messenger, WhatsApp) och för alla målsättningar.

Sen skickar den vidare det den lärt sig till de andra modellerna genom något som kallas knowledge distillation (kunskapsdestillation). Läraren komprimerar sin insikt och ger den till eleverna.

Det innebär att när någon någonstans i systemet hittar något som fungerar, ser GEM det. Och sprider det. Ibland på dagar, ibland på timmar.

Och här är den obekväma sanningen: det är därför gamla hacks slutade fungera. Det gamla systemet var regelbaserat. Hittade du en lucka kunde du utnyttja den i månader. Nu täpps luckan igen innan du hunnit skala. Det nya spelet belönar den som faktiskt gör bra marknadsföring.

Lattice är arkitekturen som slog ihop hundra modeller till en

Tidigare hade Meta ett hundratal separata annonsmodeller. En för klick, en för konverteringar, en för olika ytor. Fragmenterat, långsamt och oförmöget att lära över gränserna.

Lattice slår ihop dem till ett gemensamt lager. Nu kan Meta överföra lärdomar mellan ytor: det systemet lär sig om konvertering i Reels förbättrar direkt leveransen i Feed.

Meta rapporterar att konsolideringen inte bara sänkte kostnaderna, den höjde faktiskt prestandan. En enda modell tränad på flera olika mål presterade bättre än de specialiserade modellerna gjorde var för sig.

Det innebär för dig: fragmentering straffar sig. Delar du upp ditt konto i tjugo kampanjer med trettio annonsuppsättningar svälter du varenda en på data. Lattice behöver koncentrerad konverteringsdata för att kunna lära sig. Tumregeln på cirka 50 konverteringar per vecka och annonsuppsättning gäller fortfarande.

Färre, större annonsuppsättningar. Inte fler, mindre.

Sequence Learning är systemet som förstår kundresan

Här vill jag att du läser långsamt, för det här förändrade min syn på hela funnelsbegreppet.

Sequence Learning är egentligen inte ett fristående system, det är en förmåga inuti Lattice. Och den gör något som gamla modeller inte klarade: den läser ordningen på det en person gör, inte bara enskilda händelser.

Tidigare såg systemet isolerade signaler. Klick här. Visning där. Nu ser det kedjan: någon köpte en telefon, tittar nu på skal, då kan nästa naturliga steg kan vara hörlurar. Och det förstår att om du precis konverterade på en skidresa, ja då ska du inte spammas med fler skidresor.

Det viktigaste för dig som annonsör: systemet ser numera värdet i mellansteget. En vd kanske behöver se din auktoritetsvideo fyra gånger innan hon bokar ett möte. Förr straffades den videon för att den inte gav klick idag. Nu känner Lattice igen dess roll i sekvensen.

Det innebär två saker. Ett: du behöver inte längre dela upp allt manuellt i TOFU, MOFU och BOFU för systemet förutspår själv var i resan personen är. Två: 7 dagars inlärningsperiod är på riktigt. Systemet behöver tid att observera sekvenser, inte bara enskilda events. Peta inte och absolut inte för tidigt. Tålamod is key.

Andromeda är hämtaren som väljer ut kandidaterna

Andromeda är det första steget i själva leveransen. Dess jobb är att skanna miljontals annonser och plocka fram en lista med kandidater för just den här personen, just nu —och innan auktionen ens börjar.

Systemet lanserades 2024 och bygger på specialdesignad hårdvara: Metas egen MTIA-accelerator tillsammans med NVIDIAs Grace Hopper Superchip. Det gjorde det möjligt att öka modellkomplexiteten i annonshämtningen upp till 10 000 gånger. Meta rapporterar att Andromeda gett en 8% ökning i annonskvalitet.

Och Andromeda tittar inte bara på texten. Den använder datorseende och AI-ljudanalys för att faktiskt förstå ditt kreativ och vad som syns i bilden eller vad som sägs i videon.

Det innebär att varje visuellt distinkt kreativ får sin egen ingång i hämtningen. Fler visuellt olika kreativ = fler biljetter i lotteriet = fler chanser att nå olika segment.

Så: visuell variation är inte längre en smaksak. Det är en teknisk nödvändighet! Fem varianter av samma bild med olika text hjälper dig inte. Fem verkligt olika vinklar gör det.

Adaptive Ranking Model är motorn som gör allt möjligt

Det här är det nyaste tillskottet. Meta publicerade det i mars 2026, och det är egentligen inte en marknadsföringsfunktion alls, det är infrastrukturen som gör resten körbar på riktigt.

Problemet Meta löste heter latens. En modell med biljoner parametrar är normalt alldeles för tung för att köras vid varje enskild annonsvisning, miljardtals gånger om dagen, på under 100 millisekunder.

Lösningen var att sluta räkna om användaren för varje annons. Istället beräknas de täta användarsignalerna en gång per sidladdning, och sen utvärderas alla kandidatannonser mot den profilen parallellt. Modellen anpassar dessutom sin egen komplexitet efter hur mycket kontext den har om personen.

Resultatet? Sen lanseringen på Instagram under Q4 2025 rapporterar Meta 3 % fler konverteringar och 5 % högre klickfrekvens.

Det innebär i praktiken: Metas annonssystem “tänker” numera på samma komplexitetsnivå som en stor språkmodell när det avgör vilken annons just du ska se.

Vad betyder allt det här för dig som annonsör?

Nu kommer den viktigaste delen. Här är vad jag faktiskt ändrar i kontona:

1. Bredda målgruppen.
Andromeda och GEM hittar köparna bättre än dina intressefilter gör. Broad och Advantage+ är inte lathet, det är att ge systemet utrymme att jobba.

2. Konsolidera kontostrukturen.
Lattice behöver datatäthet. Färre annonsuppsättningar med mer data slår många små och svältande.

3. Satsa allt på visuell bredd i kreativet.
Olika format, olika vinklar, olika medvetenhetsnivåer. GEM kan inte sekvensera det du inte gett den.

4. Ha rent event-data.
Pixel och Conversions API korrekt uppsatta, och mät den handling som faktiskt betyder något för affären. Sequence Learning belönar den som matar in rena signaler.

5. Ha tålamod.
Inlärningen är inte en artighetsfras. Systemet behöver dagar för att observera sekvenser. Varje större ändring nollställer den observationen.

Och den övergripande poängen:
Du kan inte längre överlista Meta. Du kan bara mata Meta bättre. Din hävstång sitter i kreativet, erbjudandet och datan. Inte i inställningarna.

Vanliga frågor om Metas AI-system

Är Andromeda och GEM samma sak?

Nej. GEM är grundmodellen som tränar de andra och levererar aldrig annonser själv. Andromeda är hämtningsmotorn som väljer ut kandidatannonser till en specifik användare.

Är Sequence Learning ett eget system?

Inte riktigt. Det är en förmåga inuti Lattice som läser ordningen på användarens handlingar över tid.

Behöver jag ändra mina kampanjer på grund av det här?

Om du fortfarande kör smala målgrupper, många små annonsuppsättningar och få kreativa varianter - ja. Den strukturen svälter systemet.

Hur många kreativ behöver jag?

Fokusera på visuellt distinkta varianter snarare än ett exakt antal. Olika bildvärld, olika vinkel, olika budskap.

Fungerar hacks och genvägar fortfarande?

Nej. GEM sprider insikter genom hela systemet på dagar. Luckor täpps igen innan du hinner skala.

Sammanfattning

Meta justerade inte sitt leveranssystem. De bytte ut det. GEM undervisar, Lattice rankar, Sequence Learning läser resan, Andromeda hämtar och Adaptive Ranking Model gör att allt hinner ske i realtid.

Ditt jobb i det nya systemet är enkelt att beskriva och svårt att göra bra: ge algoritmen ren data och rikligt med riktigt olika kreativ och låt den sen få jobba i fred.

Vill du att jag tittar på hur ditt konto står sig mot det här? Hör av dig, så går vi igenom det tillsammans. 💜

Följ för fler djupdykningar i hur Meta-annonsering faktiskt fungerar under huven.

Källor: Meta for Business (AI Innovation in Meta’s Ads Ranking), Engineering at Meta (Adaptive Ranking Model, mars 2026), Triple Whale, Foxwell Digital, GrowthMarketer.