Satu balasan yang kamu jawab balik, dalam logika algoritma For You milik X (dulu Twitter), bisa bernilai sampai 150 kali lipat dari satu like. Ini bukan angka karangan — ini tertulis langsung di kode sumber yang dirilis xAI sendiri lewat repository x-algorithm di GitHub.

Sementara itu, banyak kreator masih membuka analytics setaip pagi cuma untuk cek angka like dan follower baru. Ironisnya, dua metrik itu justru yang paling murah harganya di mata sistem yang menentukan apakah kontenmu muncul di feed orang lain atau cuma nyangkut di akun sendiri.

Saya pernah lihat pola ini di seorang kreator yang konsisten posting setiap hari, refresh notifikasi like tiap beberapa menit, tapi reach-nya stuck di angka yang sama selama dua bulan. Begitu dia berhenti cek like dan mulai nyatat post mana yang reply-nya paling sering dia balas sendiri, baru kelihatan: formatnya bukan yang paling "disukai", tapi yang paling "diributkan". Setelah delapan hari membangun sistem produksi konten, hari ke-9 ini waktunya bicara soal cara mengukur — bukan cara membuat.

Like Itu Sinyal yang Paling Murah

Kalau dibuka, README resmi repository xai-org/x-algorithm menjelaskan bahwa model bernama Phoenix — sebuah transformer berbasis arsitektur Grok — memprediksi probabilitas untuk lima belas jenis tindakan setiap kali sebuah post dipertimbangkan untuk masuk ke feed seseorang. Bukan cuma like. Ada prediksi kemungkinan reply, repost, quote, klik profil, durasi membaca (dwell time), sampai kemungkinan seseorang justru memilih mute, block, atau report akunmu.

Semua probabilitas itu dikalikan dengan bobot masing-masing, lalu dijumlahkan jadi satu skor akhir — tertulis sebagai Final Score = Σ (weight × P(action)). Tindakan positif diberi bobot positif, tindakan negatif menarik skor ke bawah. Yang menarik, repository itu secara eksplisit menyebut bahwa sistem ini "menghilangkan hampir semua fitur yang direkayasa manual" — modelnya belajar murni dari riwayat interaksi pengguna, bukan dari aturan yang disusun manusia.

Versi 2026 ini tidak mempublikasikan angka bobot produksinya secara persis. Tapi versi lama yang dirilis terbuka pada 2023 sempat membuka angkanya, dan menurut analisis yang ditulis ulang oleh beberapa peneliti independen yang membaca kode itu baris demi baris, satu like di sistem itu cuma diberi bobot 0,5 — bobot positif paling rendah dibanding tindakan lain. Satu reply biasa diberi bobot 13,5. Kalau reply itu sampai dibalas lagi oleh si pembuat konten, bobotnya melonjak ke 75 — sekitar 150 kali lipat dari bobot satu like.

Catatan penting di sini: angka 2023 itu bukan angka produksi yang dipakai sekarang, karena arsitekturnya sudah berubah total ke model transformer Phoenix yang bobotnya tidak diumumkan. Tapi pola dasarnya — reply jauh lebih berharga dari like, apalagi kalau dibalas — konsisten muncul di banyak analisis independen terhadap kode 2026, dan memang sejalan dengan desain multi-action prediction yang sengaja dibuat untuk menangkap sinyal percakapan, bukan cuma sinyal persetujuan pasif.

Kenapa Percakapan yang Dibalas Jadi Sinyal Termahal

Like itu gratis. Satu jentik jempol, tanpa risiko, tanpa komitmen waktu. Reply itu beda — orang harus berhenti scroll, mikir sebentar, lalu menulis sesuatu yang minimal nyambung sama isi post. Kalau kamu sebagai pembuat konten sampai membalas reply itu, ada dua orang yang sekarang aktif menghidupkan thread yang sama. Itulah yang disebut conversation depth: bukan jumlah reply yang masuk, tapi seberapa jauh percakapan itu berjalan dan apakah kamu ikut menggerakkannya.

Dari sisi bisnis platform, ini juga rasional. Repository x-algorithm secara terbuka menyebut prediksi dwell time sebagai salah satu dari lima belas sinyal yang dihitung Phoenix. Percakapan yang panjang otomatis memperpanjang waktu orang membuka thread itu — dan semakin lama orang bertahan, semakin besar kemungkinan mereka melihat konten atau iklan lain di feed. Algoritma tidak perlu punya nilai moral untuk menyukai percakapan; cukup ada insentif bisnis yang selaras dengannya.

Ada satu detail teknis kecil yang menguatkan poin ini: di dalam pipeline filtering-nya, ada komponen bernama DedupConversationFilter yang bertugas khusus menghilangkan duplikat dari cabang-cabang percakapan yang sama, supaya satu thread tidak muncul berulang-ulang di feed orang lain. Artinya sistem ini memang dirancang untuk mengenali sebuah thread sebagai satu kesatuan percakapan — bukan kumpulan post yang berdiri sendiri-sendiri.

Early Velocity: Jam Pertama yang Menentukan Nasib Konten

Selain kedalaman percakapan, ada sinyal kedua yang sering diabaikan: kecepatan. Beberapa analis independen yang membongkar pipeline x-algorithm mencatat bahwa engagement — termasuk reply — yang masuk lebih cepat setelah posting punya daya tahan lebih baik melawan time decay, yaitu penurunan skor otomatis yang terjadi pada semua post seiring berjalannya waktu.

Logikanya sederhana: post yang mendapat 10 reply dalam 15-30 menit pertama dianggap sinyal kualitas yang lebih kuat dibanding post yang mendapat 10 like tersebar dalam 6 jam. Yang pertama menunjukkan ada audiens inti yang langsung bereaksi begitu post itu tayang. Yang kedua bisa jadi cuma orang lewat yang nge-like sambil scroll cepat tanpa benar-benar berhenti.

Ini juga menjelaskan kenapa sebagian kreator sengaja membalas komentar dalam beberapa menit pertama setelah posting, bukan menunggu sampai malam. Bukan supaya terlihat rajin — tapi supaya thread itu masih punya momentum tepat ketika sistem sedang menimbang apakah post ini layak didorong ke audiens yang lebih luas atau tidak.

Sistem 3 Konten/Hari + Iterasi Cerdas: Cara Review Mingguan

Kalau kamu sudah jalan dengan sistem 3 konten/hari, jangan ulangi kesalahan paling umum: mengevaluasi performa tiap hari berdasarkan like dan follower baru. Itu metrik yang berisik dan tidak menggambarkan apa yang sebenarnya didorong algoritma. Gantinya, pakai siklus review mingguan berikut:

Tarik semua post seminggu terakhir, urutkan bukan dari like — tapi dari jumlah reply. Ini langkah yang paling sering dilewatkan. Like itu sinyal lemah; mulai dari metrik yang bobotnya lebih berat.
Tandai post yang reply-nya kamu balas sendiri, minimal 3-5 balasan dalam thread yang sama. Inilah daftar pendek konten yang benar-benar memicu conversation depth, bukan cuma reply satu arah yang dibiarkan menggantung.
Cek kapan reply pertama masuk di tiap post pada daftar itu. Kalau reply pertama datang dalam 15-30 menit setelah posting, tandai sebagai sinyal early velocity tinggi — formatnya langsung relevan ke audiens inti, bukan butuh waktu lama untuk "ketemu" orang yang cocok.
Cari pola di format, bukan di topik. Yang sering membuat conversation depth tinggi bukan topiknya, tapi bentuknya — pertanyaan terbuka di akhir, pernyataan yang sengaja agak kontrarian, atau cerita personal yang gampang direlate. Catat pola itu, lalu replikasi di tiga konten berikutnya.
Untuk post yang reply-nya nol atau cuma basa-basi, jangan langsung dihapus — diagnosis dulu. Apakah formatnya tidak mengundang respons? Atau reply yang masuk justru tidak kamu balas, sehingga percakapan mati di tengah jalan? Iterasi cerdas artinya kamu mengubah satu variebel kecil di konten berikutnya, bukan mengganti topik secara acak.

Lakukan siklus ini setiap minggu, bukan setiap hari. Conversation depth dan early velocity butuh data dari beberapa post sebelum polanya kelihatan jelas — kalau dicek harian, kamu cuma akan stres sama noise jangka pendek yang belum berarti apa-apa.

Yang Diukur Algoritma, Itu yang Harus Diukur Kreator

Like dan follower tidak salah untuk dilihat sesekali — tapi kalau itu satu-satunya yang kamu cek setiap pagi, kamu sedang mengukur termometer di ruangan yang salah. Algoritma yang menentukan jangkauan kontenmu sudah secara terbuka memberi tahu prioritasnya: percakapan yang hidup, dan kecepatan audiens inti merespons.

Minggu ini, coba ganti rutinitas cek analytics-mu. Bukan "berapa like hari ini", tapi "post mana minggu ini yang reply-nya paling banyak saya balas, dan seberapa cepat reply pertama itu masuk". Dua angka itu jauh lebih jujur menggambarkan apakah kontenmu benar-benar nyambung ke orang, atau cuma numpang lewat di linimasa.

Key takeaway: Skalakan apa yang memicu percakapan yang kamu ikut hidupkan — bukan apa yang dapat tepuk tangan paling banyak.

Referensi & Resources:

xai-org/x-algorithm — GitHub Repository — sumber utama: arsitektur Phoenix, 15 prediksi engagement, weighted scorer, dan filter percakapan
OpenTweet — "X Open-Sourced Its Algorithm on GitHub: Here's What the Code Actually Says" — analisis bobot legacy 2023 (like 0,5; reply 13,5; reply-dibalas 75)
Conbersa — "How Does the X (Twitter) Algorithm Work in 2026?" — penjelasan engagement velocity dan time decay
Ad Library — "X (Twitter) Algorithm Explained 2026" — data jendela waktu 30-60 menit pertama setelah posting