Meta parou de confiar em likes para medir interesse real. O que muda para seus anúncios.

A Meta mudou silenciosamente como o algoritmo decide o que mostrar para cada usuário. Não foi uma atualização de produto. Foi um paper de pesquisa publicado sem alarde em janeiro de 2026, detalhando a maior mudança no sistema de recomendação desde o Andromeda.

O problema que tentaram resolver: o sistema antigo de identificação de interesses tinha 48,3% de precisão. Menos que um cara ou coroa.

A solução foi surpreendentemente simples. Pararam de inferir interesse por engajamento e começaram a perguntar diretamente.

O sistema antigo não funcionava

Sistemas de recomendação tradicionais usam sinais como likes, compartilhamentos e tempo de visualização para inferir o que você quer ver. A lógica parece sólida: se alguém assistiu 90% de um vídeo, provavelmente gostou.

Só que esses sinais são ruidosos. Você já ficou preso num vídeo por 45 segundos só para descobrir se o final era tão ruim quanto parecia? O algoritmo registrou isso como interesse genuíno.

A pesquisa da Meta mostrou que interesse real vai além de tópico. Inclui estilo de produção, áudio, mood e motivação. Um usuário pode adorar vídeos sobre carros, mas só os com edição cinematográfica. Outro quer o mesmo tema, mas em formato tutorial rápido.

Engagement sozinho não captura essa nuance.

A solução: perguntar diretamente

A Meta começou a exibir surveys randomizados no feed do Reels. Uma pergunta simples: "Em que medida esse vídeo corresponde aos seus interesses?" Escala de 1 a 5.

Milhares de respostas por dia, coletadas em contexto real de consumo. Com esses dados, treinaram um modelo chamado UTIS (User True Interest Survey) que prevê a probabilidade de um usuário realmente se interessar por um vídeo.

O resultado foi brutal em termos de melhoria:

• Precisão saltou de 48,3% para 63,2%
• Recall subiu de 45,4% para 66,1%
• Avaliações positivas aumentaram 5,4%
• Avaliações negativas caíram 6,84%

Como funciona na prática

O modelo UTIS não substituiu o sistema de ranking. Ele adiciona uma camada de "percepção" sobre as previsões existentes.

O sistema tradicional continua prevendo probabilidade de like, tempo de visualização e compartilhamento. Mas agora existe uma camada extra que usa essas previsões como input para estimar algo diferente: se o conteúdo realmente combina com os interesses específicos daquela pessoa.

Vídeos com alta probabilidade de interesse ganham boost. Vídeos com baixa probabilidade são rebaixados, mesmo que tenham métricas de engajamento fortes.

O efeito prático? Conteúdo viral genérico perde força. Conteúdo nichado e relevante ganha distribuição.

O que muda para anunciantes

Se o algoritmo mudou de "o que gera engajamento de qualquer forma" para "o que combina com interesses específicos", sua estratégia de criativos precisa acompanhar.

O que perde força:

• Hooks genéricos que funcionam para todo mundo
• Trend-jacking forçado
• Conteúdo broad appeal que busca viralização
• Criativos "um tamanho serve todos"

O que ganha força:

• Criativos que parecem feitos para uma pessoa específica
• Linguagem de nicho que seu público reconhece
• Referências visuais que só quem está no assunto entende
• Especificidade extrema no problema que você resolve

Veja na prática: um criativo de suplemento que abre com "Quer ganhar massa muscular?" é broad appeal. Um que abre com "Se você treina às 5h da manhã e ainda sente que não recupera direito..." fala com uma pessoa específica.

O segundo ganha no novo sistema.

Implicações para estrutura de campanha

Essa mudança favorece estruturas com mais variação de criativo por segmento. Se o algoritmo está priorizando match de interesse específico, faz sentido ter criativos diferentes para diferentes perfis dentro do seu público.

Uma loja de roupas femininas falando "moda para mulheres" perde para criativos separados: um para quem busca looks de escritório, outro para mães que querem praticidade, outro para quem está montando guarda-roupa cápsula.

Não significa que você precisa de 50 conjuntos. Significa que seus 3-5 criativos principais devem falar com segmentos distintos ao invés de tentar agradar todo mundo com a mesma mensagem.

O contexto maior

A Meta está claramente investindo em personalização profunda como diferencial competitivo contra TikTok. O paper menciona que estão explorando LLMs e representações mais granulares de usuários para próximas iterações.

Traduzindo: a tendência é o algoritmo ficar ainda mais sofisticado em identificar micro-interesses. Conteúdo genérico vai continuar perdendo espaço.

Para quem gerencia tráfego, o recado é claro: especificidade deixou de ser opcional.

Fonte: "Improve the Personalization of Large-Scale Ranking Systems by Integrating User Survey Feedback" - Meta Engineering Blog, janeiro de 2026.