Tiga minggu pertama serius posting di X, saya tidak tahu apa yang sedang saya lakukan. Saya posting, kadang ada yang like, kadang sepi total. Saya pikir masalahnya ada di jam posting, atau di panjang teks, atau mungkin memang konten saya yang kurang menarik. Saya tidak tahu. Dan tidak tahu itu yang paling menyiksa.
Baru di minggu keempat, saya coba sesuatu yang berbeda: saya kumpulkan 21 post terakhir, saya paste ke Claude, dan saya tanya satu pertanyaan sederhana — "Berdasarkan pola engagement di sini, mana yang kemungkinan besar memicu percakapan dan kenapa?"
Jawabannya mengubah cara saya posting sampai sekarang.
Kenapa 21 Post — Bukan 10, Bukan 50?
Ada alasan matematis di balik angka ini. Tiga minggu konten, tujuh post per minggu, menghasilkan 21 data poin — cukup untuk melihat pola, tidak terlalu banyak untuk dianalisis manual. Ini bukan angka sakral, tapi cukup untuk memberi AI konteks yang bermakna.
Yang lebih penting: 21 post mencakup variasi hari, waktu, format, dan topik yang memadai. Kalau kamu cuma kasih 5 post, AI hanya bisa menebak. Kalau kamu kasih 100 post, analisisnya jadi terlalu general. Dua puluh satu adalah sweet spot untuk iterasi mingguan.
Tapi sebelum kita bicara cara pakainya, kita perlu paham dulu apa yang sebenarnya dilihat algoritma X. Karena kalau kita tidak tahu cara mesin bekerja, kita hanya akan terus menebak.
Algoritma X Tidak Bekerja Seperti yang Kamu Kira
Pada Mei 2026, xAI merilis kode sumber algoritma For You feed X secara publik di GitHub (xai-org/x-algorithm). Ini bukan pengumuman marketing — ini kode aktual yang menjalankan feed ratusan juta pengguna.
Beberapa temuan yang langsung relevan untuk kreator konten:
Pertama, tidak ada lagi feature engineering manual. Dokumentasi resminya secara eksplisit menyebut: "We have eliminated every single hand-engineered feature and most heuristics from the system." Artinya, tidak ada lagi "trik" seperti hashtag tertentu atau formula panjang karakter yang dijamin bekerja. Model transformer berbasis Grok belajar sendiri dari riwayat engagement kamu.
Kedua, algoritma memprediksi banyak jenis aksi sekaligus. Bukan cuma like. Model memprediksi probabilitas untuk: P(like), P(reply), P(repost), P(quote), P(click), P(follow_author), bahkan P(not_interested), P(block_author), dan P(report). Semuanya digabungkan ke dalam satu skor akhir dengan pembobotan berbeda. Reply punya bobot jauh lebih tinggi dari sekadar like.
Ketiga, ada penalti untuk konten yang memicu mute atau block. Ini yang jarang dibahas. Kalau postmu sering membuat orang menekan "not interested" atau mute, skormu turun — bahkan kalau total like-nya tinggi.
Implikasinya: metrik yang perlu kamu optimalkan bukan like, tapi percakapan yang tulus. Komentar dengan substansi lebih berharga dari seratus jempol diam.
Cara Kerja Review Mingguan dengan AI
Ini bukan proses yang rumit. Tapi konsistensinya yang membuat compounding terjadi.
Langkah 1: Kumpulkan data 21 post terakhir.
Untuk setiap post, catat: teks lengkap, tanggal/jam posting, jumlah like, reply, repost, dan kalau bisa — siapa yang membalas (apakah audiens inti atau orang baru).
Kalau kamu belum punya spreadsheet untuk ini, mulai sekarang. Format paling sederhana: kolom teks post | like | reply | repost | catatan singkat tentang respons yang datang.
Langkah 2: Buat ringkasan untuk AI.
Kamu tidak harus paste 21 post mentah. Buat ringkasan seperti ini:
Post 1 — [tema: sharing pengalaman gagal] — 3 like, 12 reply, mayoritas orang share pengalaman serupa Post 2 — [tema: tips produktivitas dengan angka] — 45 like, 2 reply, tidak ada percakapan bermakna Post 3 — [tema: opini kontroversial tentang industri] — 8 like, 31 reply, debat panas tapi relevan
Langkah 3: Tanya pertanyaan yang tepat.
Ini yang paling kritis. Pertanyaan buruk menghasilkan jawaban generik. Pertanyaan baik menghasilkan insight yang bisa langsung dieksekusi.
Pertanyaan yang terbukti efektif:
- "Berdasarkan pola ini, tipe konten mana yang paling sering memicu reply substantif — bukan sekadar like?"
- "Ada pola dalam topik atau framing yang konsisten underperform? Kenapa menurutmu?"
- "Kalau kamu harus pilih 3 format terbaik dari 21 post ini untuk saya replikasi minggu depan, mana yang kamu pilih dan kenapa?"
- "Dari sisi psikologi pembaca, apa yang membuat post nomor X memicu banyak komentar dibanding post nomor Y?"
Langkah 4: Iterasi — bukan ubah total.
Kesalahan umum: setelah dapat insight dari AI, langsung buang semua strategi lama dan ganti baru. Ini salah. Algoritma perlu waktu untuk mempelajari perubahan perilakumu. Iterasi satu variabel dalam satu minggu: minggu ini tes framing berbeda, minggu depan tes format berbeda.
Apa yang Sebenarnya Membuat Konten Bisa "Compounding"
Ada perbedaan besar antara konten yang viral sekali dan konten yang membangun growth berkelanjutan.
Konten viral sekali biasanya bergantung pada momen — topik trending, reshare dari akun besar, atau keberuntungan. Ini tidak bisa direplikasi secara konsisten.
Konten yang compounding bekerja karena setiap post yang perform baik mengirimkan sinyal ke algoritma tentang siapa audiensmu dan apa yang mereka inginkan. Algoritma X secara eksplisit menggunakan "engagement history" dan "user action sequence" sebagai input utama model Phoenix-nya. Artinya, semakin konsisten kamu menghasilkan konten yang mendapat respons positif dari segmen audiens yang spesifik, semakin baik algoritma memahami untuk siapa kontenmu — dan semakin sering ia mendistribusikannya ke orang yang tepat.
Review mingguan dengan AI menciptakan loop ini: kamu analisis → kamu iterasi → algoritma belajar → distribusinya membaik → kamu dapat lebih banyak data untuk dianalisis.
Ini yang dimaksud growth compounding. Bukan viral, tapi berkelanjutan.
Membaca Hasil AI dengan Kritis
Satu hal yang perlu ditekankan: AI bukan oracle. Ia bekerja berdasarkan pola yang kamu berikan, dan pola itu punya keterbatasan.
Beberapa hal yang perlu kamu cek sendiri, tidak bisa diserahkan ke AI:
- Konteks eksternal. Post yang underperform mungkin kebetulan diposting saat ada kejadian besar yang mengalihkan perhatian semua orang. AI tidak tahu itu kecuali kamu memberitahunya.
- Kualitas komentar vs kuantitas. Dua belas reply bisa berarti diskusi substantif, atau bisa juga spam dan komentar satu kata. Kamu yang tahu bedanya.
- Identitas jangka panjang. AI akan merekomendasikan apa yang "works" berdasarkan data — tapi apa yang works belum tentu selaras dengan siapa yang ingin kamu jadikan sebagai kreator dalam jangka panjang.
Gunakan AI sebagai cermin, bukan sebagai manajer.
Mulai Minggu Ini, Bukan Bulan Depan
Kalau kamu sudah posting selama lebih dari tiga minggu dan belum pernah melakukan review sistematis, kamu sedang membuang sebagian besar value dari kerja kerasmu.
Satu sesi 30 menit dengan AI, menggunakan 21 post terakhirmu, bisa memberikan lebih banyak clarity daripada tiga bulan posting tanpa refleksi.
Mulai sederhana: export atau catat 21 post terakhir. Buat ringkasan singkat per post. Tanya AI satu pertanyaan tentang pola yang kamu lihat. Lalu eksekusi satu perubahan kecil minggu ini.
Ulangi. Setiap minggu.
Yang membedakan kreator yang tumbuh dan yang stagnan bukan bakat atau keberuntungan — tapi kesediaan untuk belajar dari data mereka sendiri, secara konsisten.
Referensi & Resources:
- xAI. (2026). X For You Feed Algorithm — Source Code Repository. GitHub. https://github.com/xai-org/x-algorithm
- xAI. (2026). X Algorithm Updates — May 15th, 2026: End-to-end inference pipeline, Grox content understanding, Ads blending system. GitHub README. https://github.com/xai-org/x-algorithm#updates--may-15th-2026
- Nielsen Norman Group. (2024). How People Read Online: The Eyetracking Evidence. https://www.nngroup.com/reports/how-people-read-web-eyetracking-evidence/