Ada satu logic di dalam repository xai-org/x-algorithm yang bikin banyak pengelola akun garuk-garuk kepala: satu rantai balasan dua arah — Anda membalas komentar di postingan Anda sendiri — bisa bernilai setara sekitar 150 like dalam skor ranking. Bukan asumsi, bukan teori marketing. Analisis OpenTweet terhadap kode yang dirilis xAI awal 2026 menyebut angka itu secara eksplisit, dengan menunjukkan bahwa satu balasan yang dibalas penulisnya sendiri memicu sinyal bernilai +75 poin, dan itu bisa terjadi berulang kali dalam satu thread.

Selama ini kita terbiasa mengukur performa konten dari total like di akhir hari. Tapi kode yang sekarang open source justru menunjukkan sesuatu yang lebih penting: algoritma X peduli pada seberapa cepat dan jenis interaksi apa yang terjadi di jam-jam pertama, bukan angka akumulasi di akhir hari. Ini yang disebut engagement velocity — dan ini bukan istilah marketing, ini logic yang benar-benar berjalan di production.

Apa Itu "Velocity" dalam Bahasa Algoritma

Setiap hari, sistem For You di X memproses sekitar 500 juta postingan dan menyaringnya menjadi sekitar 1.500 kandidat per pengguna, semua diproses dalam waktu kurang dari 200 milidetik. Proses ini dijelaskan dalam analisis teknis oleh Singh Ajit yang membongkar arsitektur pipeline ranking X (singhajit.com).

Model ranking utamanya, yang disebut Phoenix, adalah transformer berbasis Grok yang memprediksi kemungkinan seseorang akan menyukai, membalas, atau membagikan sebuah postingan. Dokumentasi resmi repository menyebutkan bahwa sistem ini sudah menghilangkan hampir semua fitur hand-engineered — artinya algoritma belajar pola murni dari riwayat interaksi pengguna, bukan dari aturan manual yang dibuat engineer.

Yang menarik, sinyal negatif punya bobot jauh lebih besar dari sinyal positif. Satu block dihargai -3.0, sementara satu like hanya +0.5. Artinya algoritma jauh lebih waspada terhadap konten yang membuat orang menjauh ketimbang konten yang disukai banyak orang.

Soal waktu, beberapa analisis independen terhadap kode tersebut — termasuk dari AdLibrary — menyebut bahwa algoritma secara eksplisit memberi bobot lebih besar pada interaksi di 30-60 menit pertama dibanding total engagement sepanjang waktu hidup postingan. Window ini yang jadi dasar kenapa "tes 30 menit" itu masuk akal secara teknis, bukan cuma intuisi.

Tiga Format yang Memaksa Algoritma Mengambil Keputusan Cepat

Tidak semua format konten setara di mata algoritma. Tiga format ini secara struktural memaksa terjadinya interaksi cepat dan terukur — pas untuk dipakai sebagai alat tes.

1. Media (foto, screenshot, video pendek). Dokumentasi resmi repository menyebut adanya hydrator khusus untuk deteksi media pada setiap kandidat postingan. Ini berarti sistem secara aktif menandai apakah sebuah postingan punya elemen visual, dan menjadikan itu salah satu sinyal kontekstual saat menghitung skor.

2. Polling. Polling memaksa orang melakukan satu aksi yang jarang dilakukan untuk like biasa: klik, lalu kadang balik lagi melihat hasil. Aksi ini menghasilkan lebih dari satu titik data interaksi dari satu orang yang sama.

3. Pertanyaan langsung di penutup caption. Menurut breakdown dari Conbersa terhadap kode yang dibongkar, reply jadi sinyal baseline dengan bobot sekitar 1x — setara retweet, dan jauh lebih kuat dibanding sekadar like. Bookmark bahkan diperlakukan sebagai sinyal "high-intent" karena sifatnya privat tapi menunjukkan niat untuk kembali ke konten itu nanti.

Praktiknya begini: pakai AI untuk membantu Anda membuat tiga variasi hook dari satu ide konten yang sama — satu versi dibuka dengan data, satu dengan pertanyaan langsung, satu dengan pernyataan kontrarian. Lalu pilih satu yang paling pas dengan audiens, tambahkan media sederhana, dan tutup dengan pertanyaan atau polling supaya orang terdorong membalas, bukan cuma menggeser layar.

Kenapa Membalas Balasan Sendiri Lebih Berharga dari 100 Like

Bagian ini yang paling kontra-intuitif. Praktik interpretasi terhadap kode tersebut menunjukkan bahwa sebuah postingan dengan 100 like bisa punya skor algoritma lebih rendah dibanding postingan yang hanya mendapat 4 balasan — kalau penulisnya membalas balik keempat balasan itu satu per satu, memicu sinyal "author-replies-back" empat kali berturut-turut.

Tapi perlu dicatat dengan jujur: bobot persis (-weight) yang dipakai di produksi tahun 2026 belum dipublikasikan secara lengkap oleh xAI. Yang dirilis publik baru arsitektur model dan satu checkpoint kecil bernama "mini Phoenix". Bobot dari rilis 2023 (proyek twitter/the-algorithm) masih dianggap sebagai acuan arah yang relevan, tapi bukan angka final yang dipakai sistem hari ini. Ini penting disampaikan supaya kita tidak memperlakukan angka-angka ini sebagai kebenaran absolut — melainkan sebagai pola yang konsisten muncul dari beberapa rilis kode berbeda.

Implikasi praktisnya tetap sama: mendapat reply awal dari follower Anda bukan cuma soal validasi sosial. Itu pintu masuk supaya postingan Anda lolos filter "second-degree connection" — syarat yang menentukan apakah konten Anda layak didistribusikan ke orang yang belum pernah mengikuti Anda sama sekali. Tanpa ada yang like, reply, atau retweet dari orang yang terhubung dengan calon pembaca baru, postingan Anda tidak akan pernah masuk ke pertimbangan jalur out-of-network.

Cara Praktis Menjalankan "Tes 30 Menit"

Berikut langkah konkret yang bisa langsung dijalankan hari ini:

Generate 3 variasi hook dengan bantuan AI. Minta tiga sudut pembuka untuk ide konten yang sama: versi data/statistik, versi pertanyaan langsung, versi pernyataan kontrarian.
Pilih satu, lalu tambahkan visual sederhana. Screenshot, foto, atau klip video pendek cukup — yang penting terdeteksi sebagai media, bukan teks polos.
Tutup dengan pertanyaan terbuka atau polling. Hindari caption yang berakhir dengan statement penutup tanpa ruang untuk respons.
Posting, lalu pasang timer 30 menit. Catat siapa yang bereaksi di window itu — bukan cuma jumlahnya, tapi siapa orangnya.
Balas setiap reply yang masuk di 30 menit pertama. Ini langkah yang paling sering diabaikan, padahal di sinilah sinyal "author-replies-back" terpicu.
Jaga frekuensi posting. Algoritma punya penalti diversity yang membatasi berapa banyak postingan dari satu akun yang ditampilkan dalam satu sesi feed pengguna. Sumber yang berbeda memberi angka yang sedikit beda — AdLibrary menyarankan 2-3 postingan berkualitas per hari sebagai titik optimal, sementara analisis independen lain menyarankan kisaran 3-7 postingan asal kualitasnya konsisten. Yang jelas: posting 20 kali sehari dengan kualitas rendah justru bikin postingan Anda saling bersaing dan saling melemahkan satu sama lain.

Satu peringatan jujur dari salah satu sumber yang saya rujuk: meskipun kode algoritmanya terbuka untk publik, mengakalinya ternyata lebih sulit dari yang kelihatan. Sistem Phoenix yang berbasis transformer dirancang belajar dari pola interaksi asli, bukan dari trik yang diulang-ulang secara mekanis. Artinya pendekatan "tes 30 menit" ini paling efektif kalau dipakai untuk memahami audiens Anda sendiri — bukan untuk memancing engagement palsu yang tidak mencerminkan minat nyata.

Algoritma Cuma Alat, Bukan Tujuan

Kode di balik For You feed memang sudah terbuka, dan itu memberi kita peta yang jauh lebih jelas dibanding lima tahun lalu. Tapi peta bukan tujuan akhir. Velocity tinggi di 30 menit pertama hanya berguna kalau konten yang Anda uji memang dalm punya nilai untuk dibaca — bukan sekadar dirancang untuk memicu klik.

Pakai data ini untuk belajar pola audiens Anda, bukan untuk memanipulasi mereka. Balas balasan dengan jawaban yang benar-benar menambah nilai, bukan sekadar "thanks!" untuk mengejar skor.

Key takeaway: algoritma menghargai percakapan nyata yang terjadi cepat — bukan angka yang dikumpulkan pelan-pelan tanpa interaksi dua arah.

Pertanyaan untuk direfleksikan: kalau Anda harus memilih antara postingan dengan 200 like tanpa balasan, atau postingan dengan 10 balasan yang semuanya Anda jawab satu per satu — mana yang sebenarnya membangun audiens jangka panjang?

Referensi & Resources:

xai-org/x-algorithm, dokumentasi resmi repository — https://github.com/xai-org/x-algorithm
"How X's Open Source Recommendation Algorithm Works", Singh Ajit — https://singhajit.com/system-design/x-twitter-for-you-algorithm/
"X (Twitter) Algorithm Explained 2026: How For You Ranks Posts", AdLibrary — https://adlibrary.com/guides/x-twitter-algorithm-explained
"How Does the X (Twitter) Algorithm Work in 2026?", Conbersa — https://www.conbersa.ai/learn/what-is-twitter-algorithm
"X Open-Sourced Its Algorithm on GitHub: Here's What the Code Actually Says", OpenTweet Blog — https://opentweet.io/blog/x-algorithm-open-source-github-2026
"[x-algorithm] How X Decides What 550 Million Users See", Codepointer — https://codepointer.substack.com/p/x-algorithm-how-x-decides-what-550