AI меняет алгоритмы соцсетей: как Meta использует LLM для персонализации рекомендаций

Алгоритмы социальных сетей становятся сложнее. Еще несколько лет назад обсуждение рекомендаций Instagram и Facebook в основном сводилось к лайкам, комментариям, сохранениям, времени просмотра и другим понятным сигналам. В 2026 году этого объяснения уже недостаточно.

Meta* активно масштабирует искусственный интеллект в системах рекомендаций. Компания использует сотни и тысячи ML-моделей, развивает sequence learning, foundation models и рекомендательные модели уровня LLM-scale. Их задача — точнее определять интересы и намерения конкретного человека и выбирать контент, который с большей вероятностью окажется для него релевантным.

Для SMM это важный сдвиг. Алгоритму необходимо не просто зафиксировать реакцию на публикацию. Современные рекомендательные системы пытаются получить значительно больше контекста о пользователе и контенте.

Как раньше работали рекомендации Instagram и Facebook

Классические алгоритмы рекомендаций строились вокруг большого количества сигналов. Система анализировала действия пользователя и на их основе прогнозировала вероятность следующего взаимодействия.

К важным сигналам относятся:

• просмотры публикаций и видео;
• время просмотра;
• лайки и комментарии;
• сохранения;
• репосты;
• подписки;
• предыдущие взаимодействия с автором;
• история интереса к похожему контенту.

Эти сигналы никуда не исчезли. Ошибочно считать, что AI полностью отменяет привычную механику социальных сетей. Скорее происходит другое: система учится анализировать больше данных и находить между ними более сложные связи.

Масштаб хорошо показывает техническая инфраструктура Instagram. По данным Meta Engineering, система рекомендаций Instagram выросла до более чем 1000 ML-моделей. Они работают с разными продуктами, целями и этапами формирования рекомендаций.

Что AI меняет в алгоритмах Meta

Главное изменение заключается в переходе от относительно изолированных сигналов к более глубокому анализу последовательности действий и интересов пользователя.

Представим простой пример. Человек несколько раз посмотрел Reels о подготовке к марафону, сохранил пост о беговых кроссовках, заинтересовался материалом о восстановлении после тренировок и начал чаще взаимодействовать с контентом о беге.

Для простой системы это набор отдельных событий. Для более развитой AI-модели это последовательность, за которой может стоять устойчивый интерес: человек занимается бегом или готовится к соревнованиям.

Meta развивает именно такое направление. В материале о sequence learning в рекомендательных системах инженеры компании объясняют, как последовательность пользовательского опыта позволяет моделям извлекать информацию, которую сложно получить только с помощью вручную созданных признаков.

Для маркетолога смысл достаточно простой: значение имеет не только отдельный лайк. Важен общий контекст поведения.

Где в алгоритмах Meta используются LLM

Здесь важно избежать популярного упрощения. Нельзя сказать, что Instagram заменил алгоритм рекомендаций обычной языковой моделью вроде ChatGPT или Llama.

LLM и recommendation models решают разные задачи. Большая языковая модель работает прежде всего с языком и контекстом. Рекомендательная модель прогнозирует интерес пользователя к конкретным объектам: публикациям, Reels, рекламе и другому контенту.

Однако граница между этими направлениями становится интереснее. Meta переносит в рекомендательные системы принципы масштабирования и архитектурные идеи, получившие развитие благодаря современным foundation models.

Хороший пример — Generative Ads Recommendation Model, или GEM. Meta называет GEM foundation-моделью для рекламных рекомендаций, построенной на LLM-inspired подходе и обучаемой в масштабе больших языковых моделей. Подробнее архитектура описана в техническом материале Meta о GEM.

В 2026 году компания продолжила это направление. Meta сообщила о масштабировании Ads Recommender runtime models до уровня сложности LLM-scale, чтобы глубже моделировать интересы и намерения пользователей.

Поэтому корректнее говорить не о том, что «Instagram теперь работает на LLM», а о сближении современных рекомендательных систем с некоторыми принципами и масштабом foundation-моделей.

AI пытается глубже понимать интерес пользователя

Персонализация постепенно выходит за пределы простой формулы «посмотрел видео — покажем еще десять похожих».

Хороший пример дала сама Meta. Компания сообщила, что взаимодействия пользователей с Meta AI могут использоваться как дополнительный сигнал для персонализации контента и рекламы. Если пользователь обсуждает с AI походы, это может стать сигналом интереса к соответствующим публикациям, Reels, группам или рекламе.

Таким образом, источником данных об интересах становится не только привычное взаимодействие с лентой.

В июне 2026 года Meta также анонсировала дальнейшие изменения персонализации: информация об активности, которой бизнесы уже делятся с Meta, может использоваться не только для рекламы, но и для персонализации контента в Feed и ответов AI.

Получается более широкая модель интересов. AI сопоставляет различные сигналы и пытается спрогнозировать, какой контент будет релевантен человеку именно сейчас.

Что новые алгоритмы Meta меняют для SMM

Для SMM-специалистов развитие AI-рекомендаций означает, что контент должен давать алгоритму понятный тематический контекст. При этом вовлеченность, удержание и реакции реальных пользователей по-прежнему важны.

1. Тематика аккаунта должна легко считываться

Если профиль регулярно публикует материалы вокруг одной группы взаимосвязанных тем, системе потенциально проще определить аудиторию такого контента.

Например, фитнес-блог может последовательно раскрывать тренировки, питание, восстановление, экипировку и подготовку к соревнованиям. Это связанные сущности внутри одной тематической области.

Хаотичный аккаунт, где сегодня публикуют обзор смартфона, завтра рецепт, а послезавтра советы по инвестициям, дает значительно менее очевидный контекст.

2. Семантика контента становится важнее

SEO и SMM постепенно сближаются. Это не означает, что в описание Reels нужно вставлять десятки ключевых запросов. Речь идет о другом: тема публикации должна быть выражена ясно.

Заголовок, текст, речь в видео, визуальная составляющая и описание должны поддерживать общий смысл материала. Если публикация посвящена продвижению Reels, это желательно показать непосредственно в контенте, а не пытаться передать тему исключительно набором хештегов.

3. Engagement bait становится менее надежной стратегией

Призывы вроде «поставьте + в комментариях» способны генерировать реакции, но сами по себе не делают публикацию полезной.

Чем лучше рекомендательные системы моделируют реальные интересы аудитории, тем сложнее строить долгосрочную стратегию только на механическом стимулировании активности.

Гораздо ценнее сочетание сигналов: человек остановился на публикации, посмотрел видео, сохранил его, отправил знакомому, перешел в профиль или продолжил смотреть материалы на ту же тему.

4. Серии публикаций дают больше тематического контекста

Вместо десяти несвязанных постов имеет смысл тестировать контентные кластеры.

Например, маркетинговый блог может сделать серию:

• как работает алгоритм Instagram;
• как Reels попадает в рекомендации;
• какие метрики удержания анализировать;
• как выбирать темы для коротких видео;
• почему ролик перестает получать просмотры.

Каждая публикация решает отдельную задачу, но все они связаны общей семантикой.

5. Контент создается не только для подписчиков

Рекомендательная модель способна находить потенциально заинтересованную аудиторию за пределами текущей базы подписчиков. Поэтому вопрос «понравится ли это нашим подписчикам?» стоит дополнить другим: «сможет ли новый пользователь быстро понять ценность публикации?»

Это особенно важно для Reels и другого рекомендательного контента, который часто показывается людям без предварительного знакомства с автором.

Как оптимизировать контент под AI-рекомендации

Универсальной кнопки для попадания в рекомендации не существует. Но контентную стратегию можно строить так, чтобы и человеку, и алгоритму было проще определить тему и ценность публикации.

Практическая последовательность выглядит так:

Тема → контекст → интент → удержание → реакция аудитории → следующий связанный материал.

Допустим, интернет-магазин продает товары для путешествий. Вместо общего ролика «Наши новинки» можно создать видео «5 вещей для ручной клади в длительном перелете». Интент пользователя становится конкретнее. Следующий материал можно посвятить выбору рюкзака, организации багажа или полезным аксессуарам для самолета.

В результате формируется тематический кластер. Пользователь получает последовательный контент, а система — больше связанных сигналов.

При подготовке публикаций полезно проверить пять вопросов:

• Можно ли понять тему контента за несколько секунд?
• Соответствует ли публикация общей тематике аккаунта?
• Решает ли она конкретный вопрос или потребность аудитории?
• Есть ли причина досмотреть, сохранить или отправить материал?
• Можно ли продолжить тему следующей публикацией?

Классические алгоритмы и AI-рекомендации: в чем разница

При этом противопоставлять два подхода полностью неправильно. Современная система Meta не выбрасывает старые сигналы. Она использует их внутри более сложной инфраструктуры машинного обучения.

Что изменится дальше

Главный тренд уже заметен: Meta увеличивает масштаб и сложность AI-моделей, используемых для персонализации.

В 2026 году компания сообщала о дальнейшем развитии AI-ранжирования Facebook и Instagram. Параллельно развиваются новые архитектуры retrieval-систем и LLM-scale модели для рекламы.

Для создателей контента это означает постепенный переход от попыток найти один «секретный фактор алгоритма» к комплексной работе с интересом аудитории.

Лайки останутся сигналом. Удержание останется сигналом. Сохранения и репосты тоже будут иметь значение. Но каждый из них существует не изолированно, а становится частью гораздо большей модели поведения пользователя.

Поэтому выигрышная стратегия выглядит довольно консервативно: четкая тематика, оригинальный контент, понятный интент, хорошее удержание и настоящая реакция целевой аудитории.