Meta AI ganha memória de conversas e personalização baseada em perfil no Facebook, Messenger, Instagram e WhatsApp

Duas fontes de personalização, não uma só

O anúncio junta dois mecanismos que vale a pena separar. O primeiro, chamado Memory Boost, permite que o Meta AI guarde detalhes de conversas individuais no WhatsApp e no Messenger. O segundo estende a máquina de recomendação já existente do Facebook e Instagram — os sistemas que já ranqueiam o conteúdo do feed — para as respostas do assistente.

São pipelines de dados diferentes, com origens diferentes. A memória vem do que você digita no chat. A personalização por recomendação vem de campos de perfil e histórico de engajamento gerados em outros lugares da plataforma. A Meta apresenta os dois juntos como uma única narrativa de 'mais personalização', mas do ponto de vista do frontend eles se comportam de forma diferente e, principalmente, são regidos por regras diferentes.

Captura explícita e implícita na mesma caixa de entrada

A Meta descreve duas formas de a memória ser preenchida. Você pode instruir diretamente — o exemplo dado é dizer que ama viajar e aprender novos idiomas — ou o sistema infere detalhes a partir do contexto. O exemplo do vegano é o mais interessante: você menciona que é vegano ao rejeitar uma sugestão de omelete, e esse fato é silenciosamente promovido de uma mensagem passageira para uma memória duradoura.

Essa distinção importa para o design de interface. Comandos explícitos são deliberados; o usuário sabe que acabou de criar uma memória. A captura implícita acontece sem um momento claro de consentimento dentro da conversa. O texto original não descreve nenhuma confirmação dentro do chat quando o Meta AI decide que um detalhe vale a pena ser lembrado — só que as memórias podem ser excluídas depois.

Os limites de memória que a Meta escolheu definir

A Meta estabeleceu dois limites explícitos: a memória só vale para conversas individuais, não para grupos, e as memórias podem ser excluídas a qualquer momento. Os dois são compromissos de frontend tanto quanto regras de backend. Excluir os grupos evita capturar declarações feitas sobre ou por outras pessoas em uma conversa compartilhada. A opção de excluir coloca a gestão contínua nas mãos do usuário.

O que o anúncio não detalha é como funciona a interface de exclusão — se os usuários conseguem ver a lista completa do que foi inferido, ou só o que pediram explicitamente para ser lembrado. Para um recurso que captura contexto de forma implícita, a possibilidade de revisar essa lista de memórias é o que define se 'você pode excluir suas memórias' é algo relevante na prática.

Sinais combinados em uma única recomendação

O exemplo mais revelador é o cenário de planos de fim de semana. A Meta descreve o assistente combinando três sinais distintos em uma única sugestão: sua localização registrada no perfil do Facebook, visualizações recentes de reels com artistas country e uma memória de que você tem um parceiro e dois filhos pequenos. O resultado são ingressos para um show e uma reserva de brunch.

Com base na localização que você registrou no seu perfil do Facebook, em visualizações recentes de reels com apresentações ao vivo de artistas country e na memória de que você tem um parceiro e dois filhos pequenos, o Meta AI pode sugerir ingressos para o show de música country daquele fim de semana na arena mais próxima e reservas em um brunch local.Montana Labs

Esse é o objetivo de design concretizado: dados de perfil, engajamento comportamental e memória extraída do chat chegam combinados, apresentados como uma única recomendação segura de si. O usuário vê a resposta, mas não os três insumos por trás dela. Não há nenhuma indicação no material original de que o assistente revele qual sinal motivou qual parte da sugestão.

O que o design de sinais combinados exige das equipes de frontend

A implicação específica aqui é que a Meta moveu a personalização de um feed ranqueado — onde o sinal é implícito e o risco de qualquer item isolado é baixo — para um assistente conversacional que fala em primeira pessoa e faz recomendações diretas. Quando um feed mostra um reel de música country, isso é ambiente. Quando um assistente diz que está sugerindo aqueles ingressos exatos porque conhece sua localização, seu histórico de visualização e sua família, a personalização se torna legível e pessoal de um jeito que um feed nunca é.

Para equipes que constroem interfaces de assistentes, essa mudança levanta uma questão de design que o anúncio da Meta deixa em aberto: quanto do raciocínio por trás da recomendação deve ser exposto. Uma recomendação baseada em três sinais combinados parece útil quando está certa e incômoda quando a inferência está errada ou é indesejada. As escolhas de interface que vêm a seguir — divulgação dos sinais, uma lista de memórias inspecionável, controles por sinal — são o que separa um recurso de personalização em que as pessoas confiam de um que elas desligam. Esse lançamento, limitado aos Estados Unidos e ao Canadá, é onde esses padrões começam a ser testados em escala.