A AI da Meta adiciona memória de conversas e personalização baseada no perfil no Facebook, Messenger, Instagram e WhatsApp

Duas fontes de personalização, não uma

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

Trata-se de pipelines de dados diferentes, com proveniências diferentes. A memória vem daquilo que se escreve na conversa. A personalização das recomendações vem de campos de perfil e do histórico de interação gerado noutras partes da plataforma. A Meta apresenta-os em conjunto como uma única narrativa 'mais personalizada', mas, numa perspetiva de frontend, comportam-se de forma diferente e, note-se, são regidos por regras distintas.

Captação explícita e implícita na mesma caixa de entrada

A Meta descreve duas formas de a memória ser preenchida. É possível instruir diretamente o assistente — o exemplo dado é dizer-lhe que adora viajar e aprender novas línguas — ou o assistente infere detalhes a partir do contexto. O exemplo do veganismo é o mais interessante: menciona-se ser vegan ao rejeitar uma sugestão de omelete, e esse facto passa discretamente de uma mensagem passageira a uma memória duradoura.

Essa distinção é relevante para o design da interface. Os comandos explícitos são deliberados; o utilizador sabe que acabou de criar uma memória. A captação implícita acontece sem um momento claro de consentimento dentro da conversa. O texto original não descreve nenhuma confirmação dentro da conversa quando a Meta AI decide que um detalhe merece ser guardado — apenas que as memórias podem ser eliminadas mais tarde.

Os limites de memória que a Meta optou por definir

A Meta estabeleceu dois limites explícitos: a memória aplica-se apenas a conversas privadas, não a conversas de grupo, e as memórias podem ser eliminadas em qualquer momento. Ambos são compromissos de frontend tanto quanto regras de backend. Excluir as conversas de grupo evita captar afirmações feitas sobre ou por outras pessoas numa conversa partilhada. A opção de eliminação coloca a gestão contínua nas mãos do utilizador.

O que o anúncio não detalha é como funciona a interface de eliminação — se os utilizadores conseguem ver a lista completa do que foi inferido, ou apenas aquilo que pediram explicitamente para ser lembrado. Para uma funcionalidade que capta contexto de forma implícita, a possibilidade de revisar essa lista de memórias é o que determina se 'pode eliminar as suas memórias' tem algum significado prático.

Sinais combinados numa única recomendação

O exemplo mais revelador é o cenário dos planos de fim de semana. A Meta descreve o assistente a combinar três sinais distintos numa única sugestão: a localização de casa indicada no perfil do Facebook, visualizações recentes de Reels com artistas de música country, e uma memória de que a pessoa tem um(a) companheiro(a) e dois filhos pequenos. O resultado são bilhetes para um concerto e uma reserva de brunch.

Com base na localização de casa indicada no seu perfil do Facebook, nas visualizações recentes de Reels com atuações ao vivo de vários artistas de música country e na memória de que tem um(a) companheiro(a) e dois filhos pequenos, a Meta AI pode sugerir bilhetes para o espetáculo de música country desse fim de semana na sua zona e reservas num local de brunch nas proximidades.Montana Labs

Este é o objetivo de design tornado concreto: dados de perfil, interação comportamental e memória extraída de conversas chegam combinados, apresentados como uma única recomendação segura de si. O utilizador vê a resposta, mas não os três dados que a sustentam. Nada no texto original indica que o assistente revele qual o sinal que motivou cada parte da sugestão.

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

A implicação concreta aqui é que a Meta moveu a personalização de um feed ordenado — onde o sinal é implícito e o impacto de qualquer item individual é baixo — para um assistente conversacional que fala na primeira pessoa e faz recomendações diretas. Quando um feed mostra um Reel de música country, isso é ambiente. Quando um assistente diz que está a sugerir precisamente esses bilhetes porque conhece a sua localização, o seu histórico de visualizações e a sua família, a personalização torna-se legível e pessoal de uma forma que um feed nunca é.

Para as equipas que constroem interfaces de assistentes, essa mudança levanta uma questão de design que o anúncio da Meta deixa em aberto: quanto do raciocínio deve ser exposto. Uma recomendação resultante de três sinais combinados parece útil quando está certa e incomodativa quando a inferência está errada ou não é desejada. As escolhas de interface que se seguem — divulgação dos sinais, uma lista de memórias inspecionável, controlos por sinal — são o que separa uma funcionalidade de personalização em que as pessoas confiam de uma que acabam por desativar. Este lançamento, limitado aos EUA e Canadá, é onde esses padrões começam a ser testados em grande escala.