Meta spinge l’acceleratore sull’Intelligenza Artificiale, usandola non solo per i social, ma per rivoluzionare la sua intera ingegneria interna. L’azienda ha svelato quattro innovazioni sorprendenti: un vero e proprio “esercito” di agenti IA in grado di mappare la “conoscenza tribale” dei coder (documentando in automatico regole non scritte e codici complessi abbattendo i tempi di lavoro), il sistema KernelEvolve per ottimizzare l’hardware in poche ore anziché in settimane, un nuovo modello di ranking per potenziare gli annunci pubblicitari e perfino BOxCrete, un’IA che ha formulato una miscela di calcestruzzo super-resistente ed ecosostenibile per accelerare la costruzione dei nuovi data center. Una rivoluzione a 360 gradi che taglia drasticamente i tempi morti e porta le performance e la sostenibilità a livelli record. Meta amplia il raggio d’azione della propria intelligenza artificiale ben oltre i prodotti visibili agli utenti finali e la porta nel cuore dell’ingegneria interna, della pubblicità, dell’ottimizzazione hardware e persino dei materiali da costruzione per i data center. L’azienda ha presentato quattro innovazioni che mostrano come l’IA possa trasformare processi tradizionalmente complessi, manuali e poco documentati in sistemi più rapidi, scalabili e misurabili. Tra i risultati dichiarati spiccano la copertura del contesto dei codebase portata dal 5 al 100 percento, miglioramenti di throughput superiori al 60 percento su GPU NVIDIA e al 25 percento su MTIA, un aumento del 3 percento nelle conversioni pubblicitarie e del 5 percento nel click-through rate, oltre a una riduzione del 43 percento nei tempi necessari per raggiungere la piena resistenza strutturale del calcestruzzo destinato ai data center. Il quadro che emerge è quello di una Meta sempre più concentrata sull’uso dell’IA come motore interno di produttività, efficienza infrastrutturale e sostenibilità industriale.
Cosa leggere
Meta trasforma la conoscenza tribale dei codebase in un layer leggibile dagli agenti AI
Uno dei problemi più difficili da risolvere nei grandi ambienti software non riguarda la potenza di calcolo ma la dispersione della conoscenza. Nei grandi codebase aziendali molte regole operative, dipendenze nascoste e convenzioni di sviluppo non sono scritte in documenti strutturati, ma restano nella memoria degli ingegneri più esperti. Meta ha affrontato questo nodo creando un pre-compute engine basato su oltre 50 agenti AI specializzati, incaricati di leggere in modo sistematico una pipeline dati estremamente complessa composta da quattro repository, tre linguaggi di programmazione e oltre 4.100 file. Il risultato è stato la generazione di 59 file di contesto brevi ma molto densi, progettati per sintetizzare ciò che prima era solo conoscenza tribale diffusa e frammentata. Il sistema non punta a creare enciclopedie tecniche, ma bussole operative che aiutano gli agenti a capire dove intervenire, quali pattern evitare e quali dipendenze considerare.
Gli swarm di agenti portano la copertura del contesto dal 5 al 100 percento
L’aspetto più interessante di questa architettura è il modo in cui gli agenti collaborano. Explorer agents mappano il codebase, module analysts rispondono a domande specifiche su configurazione, pattern di modifica, cause di fallimento e dipendenze, mentre writers trasformano le informazioni raccolte in file sintetici da 25-35 righe. A valle intervengono i critic agents, che eseguono tre cicli indipendenti di revisione qualitativa per identificare lacune e incoerenze.
Con questo approccio Meta dichiara di aver portato la copertura contestuale dei moduli dal 5 percento al 100 percento, documentando oltre 50 pattern non ovvi che prima esistevano solo nella pratica quotidiana dei team. I test preliminari mostrano una riduzione del 40 percento delle chiamate a tool per ogni agente e un abbattimento drastico dei tempi: workflow che richiedevano fino a due giorni di ricerca manuale vengono ridotti a circa 30 minuti. In termini pratici, l’IA non si limita più a generare codice, ma inizia a costruire la mappa cognitiva necessaria per orientarsi nei sistemi reali.
KernelEvolve automatizza il tuning dei kernel per hardware eterogeneo
Il secondo pilastro dell’annuncio riguarda KernelEvolve, un agente AI sviluppato da Meta per affrontare un problema critico dell’infrastruttura moderna: l’ottimizzazione dei kernel su hardware eterogeneo. L’azienda opera infatti su una flotta che include GPU NVIDIA, GPU AMD, chip proprietari MTIA e CPU, e ogni nuova generazione di hardware richiede migliaia di kernel ottimizzati per tradurre operazioni di machine learning in istruzioni realmente efficienti sulla specifica architettura. Il tuning manuale di questo livello non scala più, soprattutto quando la varietà degli operatori e dei modelli cresce in parallelo con il numero di piattaforme da supportare. KernelEvolve trasforma quindi l’ottimizzazione in un processo di ricerca automatizzato: genera centinaia di implementazioni alternative, le testa con un harness dedicato, riceve feedback diagnostico dal modello linguistico e continua a iterare fino a trovare configurazioni spesso superiori a quelle prodotte manualmente dagli esperti.
Meta dichiara oltre il 60 percento di throughput in più su NVIDIA e il 25 percento su MTIA
Il valore di KernelEvolve sta soprattutto nei numeri. Meta afferma che il sistema ha prodotto oltre il 60 percento di miglioramento del throughput di inference per il modello Ads Andromeda su GPU NVIDIA e oltre il 25 percento di miglioramento del throughput di training per un modello pubblicitario su MTIA. L’agente lavora sia con DSL ad alto livello come Triton, Cute DSL e FlyDSL, sia con linguaggi low-level come CUDA, HIP e MTIA C++, e riceve nel prompt documentazione specifica per ciascuna piattaforma.
Questo elimina la necessità di mantenere template rigidi separati per ogni backend e consente al sistema di adattarsi più rapidamente a nuove architetture di modello o nuove famiglie hardware. Il passaggio decisivo è che attività che richiedevano settimane di ottimizzazione manuale vengono compresse in ore, aprendo la strada a un modello di tuning continuo, capace di reagire in tempi compatibili con la velocità di evoluzione dell’AI infrastructure.
L’Adaptive Ranking Model porta gli annunci Meta a complessità LLM-scale
Il terzo fronte è quello della pubblicità, dove Meta continua a spingere verso modelli di ranking sempre più complessi e vicini alla scala dei grandi LLM. Qui il problema non è solo la qualità della previsione, ma il costo computazionale di servire modelli molto grandi in tempo quasi reale, su una base utenti globale e con vincoli di latenza rigidissimi. Il Meta Adaptive Ranking Model nasce proprio per affrontare questo equilibrio. Invece di usare un approccio uniforme per ogni richiesta, il sistema applica un routing intelligente che adatta dinamicamente la complessità computazionale al contesto specifico di ogni richiesta pubblicitaria. In questo modo l’azienda prova a piegare la classica curva lineare dei costi di inference, trasformandola in una dinamica più efficiente e più sostenibile. Secondo Meta, questa architettura ha già prodotto risultati tangibili su Instagram nel quarto trimestre 2025, con un incremento del 3 percento nelle conversioni e del 5 percento nel click-through rate per gli utenti targetizzati.
Co-design tra modello e sistema rende sostenibile il serving di modelli enormi
Il risultato del nuovo ranking model non dipende da un solo fattore, ma da una combinazione di model scaling efficiente, co-design profondo tra modello e sistema e infrastruttura di serving ripensata. Una delle idee centrali è la request-oriented computation sharing, che permette di calcolare segnali utente una sola volta per richiesta invece che ripeterli per ogni candidato pubblicitario. A questo si aggiungono ottimizzazioni architetturali come Wukong Turbo, un approccio no-bias con small parameter delegation per ridurre overhead di rete e problemi di stabilità numerica, e una quantizzazione selettiva FP8 applicata soltanto ai layer più tolleranti.
Meta dichiara anche una Model FLOPs Utilization fino al 35 percento su hardware eterogeneo, grazie a fusione di operatori e specializzazione dei kernel. L’infrastruttura multi-card GPU, inoltre, permette di superare i limiti della memoria fisica e di servire modelli da trilioni di parametri mantenendo una latenza sub-secondo, condizione essenziale per un sistema pubblicitario globale.
BOxCrete applica l’ottimizzazione bayesiana alla produzione di cemento per data center
La quarta innovazione è forse la più sorprendente perché porta l’IA fuori dal software e dentro i materiali fisici. Con BOxCrete, Meta applica l’ottimizzazione bayesiana alla formulazione del calcestruzzo destinato alla costruzione di data center negli Stati Uniti. Il sistema si basa sulla piattaforma Adaptive Experimentation (Ax), già sviluppata da Meta, e lavora esplorando lo spazio delle possibili miscele per proporre formulazioni che rispettino contemporaneamente requisiti tecnici, vincoli ambientali e disponibilità di materiali domestici.
Il punto di partenza è un problema reale: negli Stati Uniti si versano circa 400 milioni di iarde cubiche di calcestruzzo ogni anno, ma quasi un quarto del cemento necessario viene ancora importato. BOxCrete aiuta quindi i produttori a usare più componenti made-in-USA senza compromettere resistenza, lavorabilità o sostenibilità del materiale. Il progetto è stato anche rilasciato in open source su GitHub con licenza MIT, segnale che Meta vuole posizionarlo come strumento riutilizzabile e non solo come vantaggio interno.
Il cemento ottimizzato dall’IA riduce del 43 percento i tempi per la resistenza strutturale
L’esempio più concreto arriva da Rosemount, Minnesota, dove una miscela ottimizzata da BOxCrete per la fondazione di un data center ha raggiunto la piena resistenza strutturale il 43 percento più velocemente rispetto alla formula originale. In parallelo il rischio di crepe è stato ridotto di quasi il 10 percento, un dato importante perché la qualità del calcestruzzo incide direttamente su tempi di costruzione, durabilità e costi di manutenzione. Il progetto coinvolge partner come Amrize e la University of Illinois Urbana-Champaign ed è stato premiato con riconoscimenti come il Building Innovation Award 2025 e lo Slag Cement Award 2025. L’aspetto più rilevante, però, è il messaggio strategico: Meta considera la sostenibilità dei data center una parte integrante della propria infrastruttura AI. Ottimizzare il cemento con algoritmi bayesiani significa ridurre tempi, migliorare la qualità strutturale e sostenere il reshoring della filiera industriale americana in un settore cruciale per l’espansione del calcolo.
Meta usa l’IA come strumento trasversale per produttività, efficienza e sostenibilità
Visti nel loro insieme, i quattro progetti compongono una strategia molto coerente. La mappatura della conoscenza tribale rende i codebase più leggibili per gli agenti e riduce la dipendenza dai silos umani di informazione. KernelEvolve automatizza il tuning dei kernel e accelera l’adattamento dell’infrastruttura AI a nuove architetture hardware. L’Adaptive Ranking Model spinge la pubblicità di Meta verso modelli di complessità LLM senza far esplodere i costi o la latenza. BOxCrete dimostra che la stessa logica di ottimizzazione può essere applicata a problemi materiali e industriali legati alla costruzione dei data center. L’elemento comune è la volontà di usare l’IA non solo come prodotto o interfaccia, ma come motore operativo interno che comprime tempi, riduce inefficienze e genera vantaggi misurabili in domini molto diversi fra loro.
Le innovazioni interne di Meta mostrano come l’IA stia diventando infrastruttura
Il punto più significativo di questi annunci è forse proprio questo: per Meta l’IA non è più soltanto una tecnologia di frontiera da incorporare in chatbot, feed o strumenti per utenti finali, ma una vera e propria infrastruttura cognitiva che entra nei processi aziendali, nell’hardware, nel software e persino nei materiali da costruzione. Dai 59 file di contesto creati dagli agenti per leggere un codebase gigantesco fino al cemento ottimizzato per accelerare la costruzione dei data center, la direzione è la stessa: trasformare attività complesse, lente e dipendenti dall’esperienza umana in pipeline automatizzate, adattive e continuamente migliorabili. Se questi risultati reggeranno anche su scala più ampia, Meta potrà rafforzare non solo l’efficienza interna ma anche il proprio vantaggio competitivo in un momento in cui la corsa globale all’AI si gioca sempre più sulla capacità di ottimizzare l’intera filiera, non solo il modello finale.
Iscriviti alla Newsletter
Non perdere le analisi settimanali: Entra nella Matrice Digitale.
Matrice Digitale partecipa al Programma Affiliazione Amazon EU. In qualità di Affiliato Amazon, ricevo un guadagno dagli acquisti idonei. Questo non influenza i prezzi per te.
