Pada 15 Mei 2026, xAI mendorong kode lengkap algoritma For You milik X ke repository publik di GitHub. Ini bukan dokumen whitepaper atau diagram simplifikasi — ini kode produksi yang benar-benar dipakai untuk memutuskan apa yang dilihat ratusan juta pengguna setiap hari. Dan di dalam kode itu ada satu detail yang membantah asumsi yang dipegang banyak content creator selama ini: posting sesering mungkin bukan jalan tercepat menuju reach besar.

Banyak orang masih percaya rumus lama — makin sering posting, makin sering muncul di feed orang. Tapi begitu kita lihat bagaimana sistemnya benar-benar bekerja, polanya ternyata lebih sederhana dan lebih masuk akal: bukan jumlah post yang dihitung, tapi apa yang terjadi setelah post itu naik. Inilah yang dimaksud dengan growth loop — siklus kecil yang, kalau diulang dengan benar, bisa menggulung jadi jutaan impresi.

Yang Terjadi di Balik Layar Saat Kamu Klik "Post"

Menurut README resmi di repository xai-org/x-algorithm, sistem For You feed menggabungkan dua sumber konten. Yang pertama disebut Thunder, yaitu post dari akun-akun yang sudah kamu follow. Yang kedua disebut Phoenix Retrieval, yaitu post dari luar jaringanmu yang ditemukan lewat pencarian berbasis machine learning. Kedua sumber ini lalu digabung dan diranking oleh satu model transformer berbasis arsitektur Grok — model bahasa besar milik xAI yang sama yang dipakai untuk chatbot Grok.

Skalanya besar. Beberapa analisis teknis independen yang membongkar kode ini — termasuk tulisan di singhajit.com dan Glitchwire — mencatat bahwa sekitar 500 juta post per hari disaring menjadi sekitar 1.500 kandidat per pengguna, dan seluruh proses ranking ini selesai dalam waktu kurang dari 200 milidetik. Semua sinyal interaksimu diproses dalm hitungan sepersekian detik itu untuk memutuskan apa yang muncul di layar.

Hal yang menarik, tim di balik sistem ini secara terbuka menyebut bahwa mereka sudah meninggalkan pendekatan lama yang mengandalkan fitur buatan tangan manusia — seperti skor reputasi manual atau aturan if-else. Sebagai gantinya, satu model transformer mempelajari sendiri pola relevansi dari riwayat interaksimu: apa yang kamu like, apa yang kamu balas, apa yang kamu share. Implikasinya penting — tidak ada "tombol rahasia" di kode yang bisa dipencet untuk dapat reach instan. Yang ada adalah pola perilaku yang dipelajari dari waktu ke waktu.

Conversation Ditimbang Lebih Berat dari Sekadar Like

Di sinilah pokok pikiran growth loop mulai masuk akal secara teknis. Model Phoenix tidak hanya memprediksi satu skor "relevan atau tidak". Berdasarkan dokumentasi resminya, model ini memprediksi probabilitas untuk lebih dari selusin jenis aksi secara terpisah — mulai dari like, reply, repost, quote, klik profil, sampai kemungkinan kamu memutuskan untuk follow penulisnya. Setiap aksi punya bobotnya sendiri dalam skor akhir, dan aksi negatif seperti block, mute, atau report justru mengurangi skor.

Reply dan quote diperlakukan sebagai sinyal yang berbeda dari like, bukan kategori yang sama. Bahkan ada filter khusus bernama DedupConversationFilter yang tugasnya menjaga satu utas percakapan tetap dianggap satu kesatuan, bukan dipecah-pecah jadi post-post lepas. Ini menunjukan bahwa secara struktural, sistem ini memang dirancang untuk "membaca" percakapan sebagai satu objek, bukan sekadar kumpulan post yang numpang lewat.

Beberapa analis growth marketing, salah satunya tulisan di explainx.ai, menyimpulkan bahwa urutan kekuatan sinyal di algoritma 2026 ini kira-kira reply lebih besar dari repost, repost lebih besar dari like, dan like lebih besar dari sekadar klik link eksternal. Perlu jujur disampaikan: angka bobot pasti dari model ini tidak dipublikasikan — repository resminya hanya membuka arsitektur dan jenis sinyalnya, bukan koefisien numerik hasil training produksi. Jadi urutan di atas adalah hasil pengamatan dan inferensi dari luar, bukan angka resmi dari xAI. Tapi arah besarnya konsisten di berbagai analisis independen: percakapan yang hidup memang diberi ruang lebih besar dibanding interaksi pasif.

Cluster Serupa: Cara Kontenmu Ditemukan Orang Baru

Bagian "discovery" dari growth loop ini bersumber dari komponen bernama Phoenix Retrieval, yang memakai pendekatan two-tower model. Cara kerjanya begini: satu "menara" mengubah riwayat interaksi dan preferensi seorang pengguna jadi satu rangkaian angka (embedding). Menara lain mengubah setiap post yang ada di platform jadi rangkaian angka serupa. Sistem lalu mencari post mana yang representasi angkanya paling mirip dengan representasi angka penggunamu — itulah yang disebut pencarian berbasis kemiripan.

Konsep "cluster orang serupa" yang sering disebut-sebut praktisi growth sebenarnya adalah cara sederhana untuk menjelaskan mekanisme ini. Orang-orang yang riwayat engagement-nya menghasilkan embedding yang berdekatan secara matematis akan saling "ditawari" konten yang sama. Kalau kontenmu mendapat reply dan follow dari sekelompok orang dengan minat tertentu, embedding-mu — dan embedding mereka — bergeser sedikit ke arah yang lebih dekat. Putaran berikutnya, sistem akan lebih mudah menawarkan postmu ke orang lain yang embedding-nya berada di area yang sama. Inilah dasar teknis dari klaim "algoritma mulai dorong kontenmu ke cluster serupa" — bukan magic, tapi efek kumulatif dari sinyal yang terus diperbarui.

Penting dicatat, repository ini tidak punya fitur yang secara eksplisit dinamai "author reputation score". Yang ada adalah representasi embedding yang terus diperbarui dari riwayat interaksi. Jadi kalau ada yang bilang "algoritma mulai percaya sama kamu", itu sebenarnya cara naratif untuk menjelaskan pergeseran embedding tadi — bukan ada baris kode literal bertuliskan "trust score".

Hati-Hati dengan Mitos "Makin Sering Posting, Makin Didorong"

Ada satu komponen yang sering dilewatkan saat orang membaca growth loop ini secara optimis: Author Diversity Scorer. Tugas komponen ini justru sebaliknya dari yang dibayangkan banyak orang — dia melemahkan skor dari penulis yang sama kalau muncul berulang-ulang dalam satu sesi feed, demi menjaga keragaman konten yang dilihat satu pengguna.

Artinya, asumsi "kalau saya posting 10 kali dalam satu jam, salah satunya pasti nyangkut" justru bisa kontraproduktif. Beberapa praktisi yang membongkar kode ini, termasuk analisis di Postory, secara spesifik menyarankan untuk berhenti melakukan burst-posting dalam satu jam yang sama. Ini perspektif yang perlu ditimbang berdampingan dengan klaim growth loop di atas — sistemnya tidak menghukum frekuensi posting secara langsung, tapi juga tidak memberi bonus untuk volume semata. Yang dihargai adalah jeda yang cukup antar post plus kualitas percakapan di tiap post.

Growth Loop yang Realistis: Disiplin Kecil, Bukan Trik

Kalau digabungkan, urutannya jadi jelas. Kamu posting sesuatu yang mengundang respons. Orang membalas, dan balasan itu sendiri dibaca sebagai sinyal terpisah oleh model — bukan disamakan dengan like. Percakapan yang hidup memicu sinyal follow dan profile click dari orang-orang yang embedding-nya mirip satu sama lain. Embedding-mu ikut bergeser, dan ronde berikutnya sistem lebih percaya diri menawarkan postmu ke kelompok serupa itu. Itulah loop-nya — dan dia menguat lewat pengulangan, bukan lewat satu post viral yang kebetulan.

Tiga langkah praktis yang konsisten dengan mekanisme di atas:

Balas reply di post-mu sendiri dalam satu jam pertama. Beberapa analisis kode menunjukkan balasan dari penulis asli diproses sebagai sinyal terpisah, dan jendela waktu di awal adalah saat post masih aktif disirkulasikan untuk dinilai ulang.
Tulis post yang secara sengaja mengundang reply, bukan cuma pernyataan tertutup. Ajukan pertanyaan, ambil posisi yang spesifik, beri ruang orang untuk menambahkan perspektif.
Sebar 3 sesi posting per hari dengan jeda, bukan menumpuk dalam satu jam. Ini selaras dengan cara Author Diversity Scorer bekerja — jeda memberi waktu untuk setiap post dinilai dan disirkulasikan secara penuh sebelum post berikutnya "bersaing" dengan dirinya sendiri.

Key takeaway: Reach besar di X bukan hasil dari rajin posting, tapi dari percakapan yang kamu rawat di kolom balasanmu sendiri.

Satu hal yang perlu diingat: repository ini membuka arsitektur dan jenis sinyal, tapi bobot numerik pasti dari model produksi tidak ikut dipublikasikan. Jadi strategi apa pun yang ditarik dari sini — termasuk yang ditulis di artikel ini — tetap inferensi yang masuk akal dari struktur kode, bukan jaminan matematis. Yang paling realistis dilakukan adalah mengulangi loop kecil ini secara konsisten, dan membiarkan datamu sendiri membuktikan apa yang berhasil untuk audiensmu.

Ingat: algoritma tidak mendorong akun yang paling rajin posting — dia mendorong percakapan yang paling hidup.

Referensi & Resources: