Meta広告AIの進化とは？4つのアルゴリズムから考える、広告運用で見直すべき前提

Meta広告AIは何が進化しているのか

アルゴリズムの種類と進化の過程について

まずは、Meta広告AIにおける、アルゴリズムの構成要素を、進化の過程とともに紹介します。Meta広告が搭載するAIは、ひとつの仕組みだけで動いているわけではありません。ここ数年で、主に次の4つのアルゴリズムが導入されました。

• 2023年：Lattice
  • 広告ランキングの統合
• 2024年：Andromeda
  • 候補広告の選び方を高度化
• 2025年：GEM
  • 配信全体の学習精度を底上げする基盤モデルの導入
• 2025年12月～：Adaptive Ranking
  • ユーザーごとに最適な深さでランキングする仕組みへ進化

4段階のアルゴリズム進化によってMeta広告は「複数の大規模モデルが、学習・候補選び・ランキングを横断して最適化する世界」へと大きく成長しました。

（図1：Meta広告AIにおける進化の変遷）

各アルゴリズムの概要

次に、前述した4つのアルゴリズムそれぞれの役割と導入前後でどのように変化したのかを整理していきます。

【Lattice】

広告をどう順位づけするか、その土台を担う仕組みです。

• 従来： 配信面ごと、目的ごとに別々の小さなモデルで判断
• 現在： 横断的に学習する統合ランキング基盤へ

つまり、以前よりも

• Feedで学んだことをReelsにも活かす
• クリックの学習をCVにも活かす

といった横断学習がしやすくなっています。

参考：Meta AI Blog｜New AI advancements drive Meta's ads system performance and efficiency(2023/5)
参考：Meta for Business｜AI Innovation in Meta's Ads Ranking(2025/3)

【Andromeda】

大量の広告のなかから、「この人に合いそうな候補」を選ぶ仕組みです。

• 従来： 候補選びは比較的シンプルで一定の基準にもとづいておこなわれていた
• 現在： 数千万件の中から高精度に候補を抽出できるようになった

この変化によって、AIが「誰にどのクリエイティブが合うか」を以前より細かく見分けられるようになったため、ただ数を増やすのではなく、訴求や表現の幅をしっかり持たせることが重要になっています。

参考：Meta Engineering Blog｜Meta Andromeda: Supercharging Advantage+ automation (2024/12)

【GEM】

広告配信全体の学習を支える基盤モデルです。

• 従来： 限られたデータを小さなモデルで学習
• 現在： 大規模な基盤モデルが、配信全体の知能を底上げ

この基盤が強化されたことで、AIに渡すデータの質そのものが成果の差に、よりつながりやすくなったと考えられます。

参考：Meta Engineering Blog｜Meta's Generative Ads Model (GEM)(2025/11)
参考：Meta for Business｜AI Innovation in Meta's Ads Ranking(2025/3)

【Adaptive Ranking】

最終的にどの広告を出すかを、ユーザーごとにより細かく見極める仕組みです。

• 従来： 全ユーザーをほぼ同じ深さで評価
• 現在： ユーザーや状況に応じて、軽い判断と精密な判断を使い分ける

つまり、以前より平均的に強い広告よりも、その人に今、合う広告（シーケンス学習の考え方を踏まえた配信）を選びやすくなっていると見ることができます。

参考：Meta Engineering Blog｜ Meta Adaptive Ranking Model (2026/3)

【シーケンス学習の具体例】

また、Meta広告AIの進化を理解するうえでは、ユーザーの単発行動ではなく、行動の流れを捉える「シーケンス学習」の考え方も重要です。具体例を、ユーザー行動に沿って説明します。

あるユーザーが「デスクチェア → ブルーライトカット眼鏡 → ホットアイマスク」という順で広告を見ていたとします。以前であれば、家具・PC周辺・セルフケアへの個別関心として広告が出やすかった一方、現在のモデルではこうした一連の行動を 「作業環境の改善から疲労ケアへ向かう流れ」として捉え、今の行動文脈に合う広告を選びやすくなっています。

（図2：シーケンス学習モデルの具体イメージ）

参考：Engineering at Meta | Sequence learning: A paradigm shift for personalized ads recommendations (2024/11)

【LatticeとAdaptive Rankingの関係性】

LatticeとAdaptive Rankingについては、導入タイミングは異なるものの、 いずれも広告のランキングに関わる仕組みという点で、同列に語られることが多いです。ただし前述の通り、単純な置き換え関係というより、 統合ランキング基盤の上に、より高度な推論方式が重なった関係として整理されています。 

広告配信フローで見る各仕組みの役割

ここまで進化の過程と役割について、整理してきましたが、個々の役割の整理だとややイメージがつかみにくいかもしれません。各アルゴリズムの役割を広告の配信フローに沿って再度整理すると、より理解しやすくなります。Meta広告の配信は、大きく3ステップに分けられます。

Step1：学習する

このステップを担うのが GEM です。ユーザーの行動や広告への反応をもとに、

• どんな人なのか
• 何に興味がありそうか
• 今どのくらい購買に近いのか

といった理解を深めます。

Step2：候補を選ぶ

このステップを担うのが Andromeda です。Metaには膨大な広告在庫がありますが、そのなかから毎回すべてを最終評価しているわけではありません。まずは 「この人に合いそうな広告候補」 を絞る工程があります。

Step3：順位を決める

このステップを担うのが Lattice と Adaptive Ranking です。候補に残った広告のなかから、

• どの広告が最も合うか
• 今出すならどれを優先すべきか

を最終的に決めます。

たとえるなら、動画配信サービスに近い
この流れは、動画配信サービスで考えるとイメージしやすいです。

• GEM
  • 過去の視聴履歴から「この人の好み」を学ぶ
• Andromeda
  • 膨大な作品のなかから「見そうな候補」を出す
• Lattice / Adaptive Ranking
  • 候補のなかから「今この瞬間に一番見そうな1本」を上位に並べる

（図3：Meta広告の配信フローと紐づくアルゴリズム）

Meta広告も、これに近い考え方で動いています。つまり、配信は単なる一回の判定ではなく、学習 → 候補選び → 最終順位づけ の流れでできている、ということです。重要なのは、この一連の流れの中でAIが判断する範囲が広がるほど、人間の役割が小さくなるわけではないという点です。むしろ、AIが何を学習し、何を候補にし、どう判断しやすい状態にあるかを設計することが、運用上の重要な論点になります。

Meta広告AIの進化で、運用上重要になる4つの視点

これまで述べてきた進化の過程を、広告運用の観点でどう受け止めればよいのでしょうか。重要なのは、AIが賢くなったことそのものではなく、人間が成果に影響を与えるポイントが変わってきていることです。より具体的に言えば、これからの運用では、AIにどのようなデータを学習させるか、どのような条件で探索・判断させるかを設計することが重要になります。以下では、その観点から特に重要な要素を4つに分けて整理します。

1.データの質が以前よりずっと重要になった

GEMのような基盤モデルが強くなるほど、AIに渡すデータの質がそのまま学習精度につながりやすくなります。 そのため、今はこれまで以上に次のような要素が重要になっています。

• CAPI（コンバージョンAPI）が入っているか
• 中間イベントまで送れているか
• EMQ（イベントマッチクオリティ）が十分か
• 計測漏れがないか

以前は「CAPIを入れてもそこまで差が見えない」と感じるケースもありましたが、 今は良いシグナルを渡せるかどうかが、より成果差に直結しやすいと考えた方がよいです。

2.クリエイティブは「量」より「意味のある違い」が重要になった

Andromedaの進化によって、候補選びの精度はかなり上がっています。その結果、今は単純に本数を増やすよりも、次のような意味のある違いを持ったクリエイティブを用意することの価値が上がっています。

• 訴求が違う
• 見せ方が違う
• CTAが違う
• フォーマットが違う

たとえば同じ商品でも、以下のような訴求の差分を持たせることが重要です。

• 課題訴求：悩みや不満に寄り添う
• ベネフィット訴求：得られる価値を見せる
• 実績訴求：導入事例や数値を見せる
• 比較訴求：従来手法や競合との差を見せる

色替えしかしていないなど、類似したクリエイティブを量産するだけでは、以前ほど強い武器にならない可能性があります。

3.広告キャンペーンを分けすぎるデメリットが、以前より大きくなっている

LatticeやAdaptive Rankingの考え方をふまえると、昔よりも次のような過分割のデメリットが目立ちやすくなっています。

• 手動ターゲティングごと(興味関心/類似等)のキャンペーン分割
• 面ごとの細かな分離

分けすぎることで、次のような影響が出やすくなるためです。

• 学習量が分散する
• AIが横断で学びにくくなる
• 配信の自由度が下がる

もちろん、ご予算、商材別のKPI、地域・店舗別の事情など、戦略上分けるべきケースはあります。ただし、明確な理由なく細かく分ける設計は、学習量を分散させ、AIが横断的に判断する余地を狭める可能性があります。分割するリスクを正しく認識したうえで、最適な設計を選択しましょう。

4.人が絞り込むより、AIが選びやすい設計が重要になった

Adaptive Rankingの文脈では、人が先にターゲットや配信面を細かく固定して当てにいくよりも、AIがその人ごとに選べる余地を残した方が成果につながりやすいと考えられます。たとえば、次のような設計はAIの判断余地を広げます。

• Broad配信
• Advantage+ Audience （自動最適ターゲティング）
• Advantage+ Placement （自動最適配信面）
• Advantage+ creative （自動最適クリエイティブ）

今後は「人が細かく当てにいく」より「AIが選びやすい環境を作る」という発想がより大事になります。ここまで挙げた4つの要素は、それぞれ別の論点に見えるかもしれません。しかし共通しているのは、AIにどのようなデータが集まり、どのような条件で学習と判断が進むかを人間側で設計することが重要になっているという点です。

4つの視点に共通する考え方

ここまで、4つの重要視点を整理しましたが、強調したいのは、アルゴリズムの進化によってベストプラクティスそのものがすべて変わったわけではないという点です。次のような方向性は以前から重要でした。

• 良いデータを渡す
• クリエイティブを工夫する
• 構造をシンプルに保つ
• 自動化をうまく使う

ただし、Meta広告AIが進化したことで、やるべきことの方向性は変わらなくても、正しくおこなった時のリターンが以前より大きくなったという違いがあります。今後は、次のような点をそのままにしないことが大事です。

• CAPI未整備のまま放置しない
• 類似クリエイティブの使い回しで済ませない
• 構造を複雑化して安心しない
• 手動制御を増やしすぎない
• AIにとって学習・探索しやすい設計になっているかを見直す

（図4：Meta広告AIを最大限活かした設計とそうでない設計の差分イメージ図）

AIに任せきりではなく、人間の役割が変わる

ここまでの内容はMeta広告のAIが進化しているからといって、運用を単純にAIへ任せればよい、ということではありません。重要なのは、人間が介在すべきポイントがなくなったのではなく、変わってきているということです。従来は、配信の成果を高めるために、ターゲティング条件や配信設定を細かく調整すること自体が運用の中心になりやすい面がありました。しかし、アルゴリズムの進化によって、AI側が担える最適化の範囲は広がっています。その結果、これから広告運用により強く求められるのは、配信の微調整そのものよりも、AIが正しく学習できる環境を設計することです。その本質は、人間側で「どういったデータを収集させるか」を可能な限りコントロールすることにあります。

具体的には、CAPIやイベント設計によって質の高いシグナルを渡すこと、必要以上にオーディエンスを狭めず学習量を確保すること、そして意味のあるクリエイティブ差分を用意することが重要になります。特にクリエイティブ戦略については、今後も人間が大きく関与すべき重要な領域です。Meta広告のAIは「どの広告を、どのユーザーに、どのタイミングで届けるか」の最適化は得意になっていきますが、どのような価値を、どのような切り口で伝えるかまでは、広告運用者やマーケティング担当者の設計次第です。AI活用が進むMeta広告運用においてこれから求められてくるのは、人間の手を減らすことではなく、人間が手を加えるべき場所を見直すことです。

まとめ

ここまで、Meta AIの進化過程や各アルゴリズムの役割、そして従来と比べて何が変わったのかをお伝えしてきました。広告運用においてAIを語る際、議論は「最適化」や「自動化」という言葉に収束しがちで、本来向き合うべき論点まで十分に踏み込めないことも少なくありません。本記事を通じて、アルゴリズムの仕組みやその影響について理解を深める一助となりましたら幸いです。そのうえで、ぜひ自社の広告運用と照らし合わせながら、今「AIの力」を最大限活かすために何を議論すべきかを考えるきっかけとしていただければと思います。

最後に「広告運用で見直すべき前提はなにか」と問われれば、次の一文に集約できます。

細かな操作で配信を“制御する”発想から、AIがより良い判断をしやすくなるように、データの取り方・与え方・学習条件を“設計する”発想へ切り替えること。

これこそが、Meta広告AIの進化によって広告運用に求められる最も大きな変化だと考えています。