Januari 2026, xAI merilis sesuatu yang belum pernah dilakukan platform media sosial manapun: kode sumber lengkap algoritma rekomendasinya, terbuka untuk publik di GitHub. Bukan whitepaper, bukan dokumentasi yang disederhanakan — tapi kode produksi aktual yang menentukan apa yang dilihat 500 juta pengguna aktif harian di feed mereka.
Repo itu bernama xai-org/x-algorithm. Dan di dalamnya, tersembunyi sebuah fakta yang mengubah cara kita harus berpikir soal konten di X: tidak semua metrik punya bobot yang sama. Likes, yang selama ini jadi patokan "performa bagus", ternyata ada di tumpukan terbawah sinyal positif. Sementara tiga sinyal lain — replies, bookmarks, dan profile clicks — bekerja jauh lebih keras untuk mendorong distribusi kontenmu.
Kalau kamu masih optimasi untuk likes, kamu sedang main game yang salah.
Apa yang Sebenarnya Dibaca Algoritma X
Ini bukan soal "kata orang". Ini dari kode.
Algoritma For You X menggunakan model transformer berbasis Grok yang disebut Phoenix, yang memprediksi probabilitas berbagai jenis engagement untuk setiap postingan. Model ini bukan hanya menghitung angka — ia mempelajari pola perilaku dari seluruh riwayat interaksimu.
Phoenix memprediksi probabilitas untuk 15 jenis aksi berbeda, dari P(favorite), P(reply), P(repost), hingga P(profile_click), P(follow_author), sampai sinyal negatif seperti P(block_author) dan P(report).
Setiap probabilitas itu kemudian dikalikan dengan bobot tertentu, lalu dijumlahkan menjadi satu skor akhir. Aksi positif seperti like, repost, dan share punya bobot positif, sementara aksi negatif seperti block, mute, dan report punya bobot negatif yang menekan distribusi konten.
Yang menarik: bobot pastinya tidak dipublikasikan dalam rilis open-source ini. Nilai bobot spesifik ada di modul crate::params yang tidak disertakan dalam rilis. Kita tahu arah dan urutan sinyalnya, tapi bukan rasio pastinya. Namun dari struktur kodenya dan analisis rilis 2023 yang masih dianggap relevan secara direktional, gambarannya cukup jelas: replies, bookmarks, dan profile clicks berada jauh di atas likes dalam hierarki sinyal.
Kenapa Replies Adalah Raja
Formula skor yang banyak dikutip dari kode ini: Likes × 1 + Retweets × 20 + Replies × 13.5 + Profile Clicks × 12 + Link Clicks × 11 + Bookmarks × 10.
Tapi angka-angka itu belum cerita lengkapnya.
Reply yang mendapat balasan dari penulis konten membawa bobot ekstra. Kualitas reply dinilai secara terpisah oleh Grok dalam reply_ranking.py dengan skala 0–3, dengan prompt khusus untuk reply ke akun-akun besar.
Artinya: satu thread diskusi di mana kamu aktif membalas komentar audiens bisa bernilai puluhan kali lebih tinggi daripada ratusan likes pasif. Postingan yang dapat 100 likes punya skor algoritmik lebih rendah dibanding postingan yang dapat 4 replies — jika kamu membalas keempat reply tersebut, memicu sinyal "author-replies-back" sebanyak empat kali.
Ini bukan tentang membuat konten yang viral. Ini tentang membuat konten yang memicu percakapan. Ada perbedaan fundamental di sana.
Apa yang bisa kamu lakukan sekarang:
- Akhiri setiap postingan dengan pertanyaan spesifik yang mudah dijawab (bukan "apa pendapatmu?", tapi "mana yang lebih kamu pilih, X atau Y?")
- Blokir waktu 30–60 menit setelah posting untuk aktif membalas komentar pertama yang masuk
- Prioritaskan reply yang substantif — reply berupa "this" atau emoji saja mendapat skor mendekati nol terlepas dari berapa banyak yang suka
Bookmarks: Sinyal "Terlalu Berharga untuk Discroll"
Bookmark adalah sinyal yang paling sering diremehkan. Orang nggak nge-bookmark sesuatu secara impulsif — mereka melakukannya karena kontennya punya nilai yang ingin mereka simpan. Dan algoritma X tahu itu.
Bookmark bernilai 10x lipat like dalam formula scoring. Ini bukan angka kecil. Satu bookmark setara dengan sepuluh likes dalam kalkulasi distribusi kontenmu.
Dari sudut pandang sinyal kualitas, bookmark adalah "vote of confidence" yang paling murni. Tidak ada tekanan sosial untuk me-bookmark sesuatu. Tidak ada "terpaksa nge-like karena kenal orangnya." Bookmark adalah penilaian murni bahwa kontenmu cukup berharga untuk dikunjungi lagi.
Untuk kreator konten, ini mengubah framing pertanyaan dari "apakah ini menarik?" menjadi "apakah ini berguna?" Konten yang menarik biasanya mendapat likes. Konten yang berguna mendapat bookmarks. Dan algoritma lebih tertarik pada yang kedua.
Tipe konten yang cenderung mendapat banyak bookmark:
- Framework atau cara pandang yang bisa langsung diaplikasikan
- Data atau statistik yang mengejutkan dan ingin disimpan sebagai referensi
- Thread panjang yang memerlukan lebih dari satu kali baca
- Tips teknis yang spesifik dan actionable
Cara mengeceknya: buka X Analytics, lihat bookmark rate per postingan, bukan hanya impression. Konten dengan bookmark rate tinggi tapi like rate biasa-biasa saja adalah konten yang sebenarnya bekerja keras untuk kamu.
Profile Clicks: Gerbang Menuju Discovery
Profile clicks adalah sinyal kelas satu. Setiap klik profile punya bobotnya sendiri. Bio yang memancing rasa ingin tahu adalah input ranking, bukan sekadar vanity metric.
Ini adalah dimensi yang paling sering diabaikan. Ketika seseorang membaca postinganmu lalu mengklik profilmu, algoritma membaca itu sebagai sinyal kuat: konten ini cukup menarik sampai orang ingin tahu lebih tentang penulisnya. Itu adalah threshold yang jauh lebih tinggi dari sekadar like atau bahkan repost.
Profile click adalah awal dari loop pertumbuhan: konten bagus → profile click → follow → distribusi in-network yang lebih luas → jangkauan lebih besar → lebih banyak konten bagus yang didistribusikan.
Setiap akun X punya TweepCred score dari 0–100 yang dihitung menggunakan pendekatan weighted PageRank, mencakup usia akun, rasio follower-to-following, kualitas engagement, dan pola interaksi dengan pengguna berkualitas tinggi.
Profile click yang berujung pada follow adalah multiplier terbesar dalam sistem ini. Dan follow yang lahir dari konten spesifik cenderung lebih "engaged" dibanding follow acak — karena mereka tahu persis apa yang membuat mereka memfollow kamu.
Cara mengoptimalkan untuk profile clicks:
- Bio harus menjawab pertanyaan "apa manfaatnya bagi saya jika saya follow akun ini?"
- Konsistensi topik — profil yang jelas topiknya lebih mengundang follow
- Pastikan beberapa postingan teratas di profilmu merepresentasikan kualitas terbaikmu
Bagaimana AI Membantu Mengukur dan Mengoptimasi Tiga Sinyal Ini
Sampai di sini, kamu sudah tahu apa yang harus dioptimasi. Pertanyaan berikutnya: bagaimana mengukur dan memperbaikinya secara sistematis?
Algoritma X sepenuhnya mengandalkan transformer Grok untuk mempelajari relevansi dari urutan engagement pengguna, tanpa rekayasa fitur manual. Artinya sistem ini adaptif — ia belajar dari pola perilakumu, bukan hanya snapshot metrik sesaat.
Di sinilah AI bisa jadi asisten yang sangat berguna:
1. Analisis pola konten yang mendapat replies tinggi Minta AI untuk menganalisis 20–30 postinganmu terakhir dan identifikasi pola: apakah postingan dengan pertanyaan di akhir mendapat lebih banyak replies? Apakah konten opini atau konten data yang lebih memancing diskusi? AI bisa menemukan korelasi yang sulit dilihat secara manual.
2. Generate variasi CTA (call-to-action) yang mendorong interaksi bermakna Alih-alih selalu pakai "apa pendapatmu?", minta AI untuk menghasilkan 5–10 variasi pertanyaan penutup yang spesifik untuk topikmu. Pertanyaan yang spesifik menghasilkan replies yang lebih panjang dan substantif — dan itu yang algoritma inginkan.
3. Audit konten untuk "bookmark-worthiness" Sebelum posting, tanyakan ke AI: "apakah konten ini cukup berguna sampai seseorang ingin menyimpannya untuk dibaca lagi?" Kalau jawabannya tidak, minta AI untuk menambahkan satu elemen konkret — data, framework, atau takeaway spesifik — yang meningkatkan nilai simpannya.
4. Monitor anomali dengan spreadsheet sederhana Buat tabel mingguan: tanggal posting, jenis konten, replies, bookmarks, profile clicks, follows baru. Tren biasanya terlihat dalam 2–3 minggu. AI bisa membacakan polanya untukmu kalau kamu paste tabel tersebut.
Satu Perangkap yang Harus Dihindari
Author diversity scorer menekan skor untuk postingan dari penulis yang sama dalam satu sesi pengguna, untuk memastikan keberagaman feed. Artinya, memposting terlalu banyak dalam satu hari bisa menyebabkan postinganmu bersaing dengan dirimu sendiri.
Post 3–5 postingan mandiri per hari, tidak lebih. Author-diversity decay menghukum burst-posting dalam satu sesi pengguna yang sama. Sebarkan postingan agar sesi yang berbeda menangkap postingan yang berbeda.
Kualitas 3 postingan per hari yang masing-masing mendapat replies, bookmarks, dan profle clicks akan selalu mengalahkan 10 postingan per hari yang semuanya hanya mengundang likes pasif.
Sistemnya Sederhana, Eksekusinya yang Susah
Dari ribuan baris kode yang dirilis xAI, prinsipnya bisa diringkas dalam satu kalimat: algoritma X menghargai konten yang membuktikan bahwa manusia benar-benar berinteraksi dengannya secara bermakna.
Replies membuktikan konten memicu percakapan. Bookmarks membuktikan konten cukup berharga untuk disimpan. Profile clicks membuktikan konten cukup menarik untuk memancing rasa ingin tahu lebih.
Likes? Itu hanya bukti bahwa seseorang sempat berhenti scrolling selama setengah detik.
Audit metrikmu hari ini. Bukan dari dashboard vanity-metrics, tapi dari tiga angka ini: berapa rata-rata replies per postingan, berapa bookmark rate-nya, dan berapa profile clicks yang dihasilkan per postingan. Dari situ, kamu akan tahu dengan jelas area mana yang harus diperbaiki.
Ingat: algoritma tidak bisa dibohongi dalam jangka panjang — ia belajar dari perilaku nyata audiens. Satu-satunya cara menang adalah membuat konten yang benar-benar berguna bagi manusia, bukan yang didesain khusus untuk menipu mesin.
Referensi & Resources:
- xAI. (2026). X For You Feed Algorithm — Source code. GitHub. https://github.com/xai-org/x-algorithm
- xAI. (2026). Phoenix Recommendation System — Architecture documentation. GitHub. https://github.com/xai-org/x-algorithm/blob/main/phoenix/README.md
- Postory. (2026, Juni). The X Algorithm in 2026: What xAI Just Open-Sourced, and How to Actually Grow on X. https://postory.io/blog/x-algorithm-2026
- OpenTweet Blog. (2026, Mei 16). X Open-Sourced Its Algorithm on GitHub: Here's What the Code Actually Says. https://opentweet.io/blog/x-algorithm-open-source-github-2026
- PostEverywhere. (2026). How the Twitter/X Algorithm Works in 2026 (Source Code). https://posteverywhere.ai/blog/how-the-x-twitter-algorithm-works
- Singh, A. (2026, April 8). How X's Open Source Recommendation Algorithm Works. https://singhajit.com/system-design/x-twitter-for-you-algorithm/