Coba scroll For You feed X kamu sekarang. Tiga dari lima konten yang muncul mungkin bukan dari akun yang kamu follow. Entah dari mana. Entah kenapa relevan — atau justru sama sekali tidak. Kamu bertanya-tanya: siapa yang memutuskan ini?

Jawabannya kini bisa dibaca siapa saja.

Pada Mei 2026, xAI — perusahaan AI milik Elon Musk — merilis kode sumber lengkap algoritma For You feed X ke publik melalui GitHub, di repositori xai-org/x-algorithm. Ini bukan ringkasan atau white paper. Ini kode nyata, dalam bahasa pemrograman Rust dan Python, yang bisa diperiksa baris demi baris. Langkah ini langka di industri media sosial — dan isinya membongkar banyak hal tentang bagaimana platform memanipulasi perhatian kita.

Mesin di Balik Scroll: Tiga Komponen Inti

Sistem ini bukan satu algoritma tunggal. Ia adalah pipeline berlapis yang terdiri dari beberapa komponen besar yang bekerja bersamaan dalam milidetik.

Thunder adalah komponen yang menangani konten dari akun yang kamu ikuti (in-network). Sistem ini menyimpan postingan terbaru semua pengguna langsung di memori — bukan di database eksternal — sehingga pencarian konten bisa dilakukan dalam waktu di bawah satu milidetik. Thunder juga memproses setiap postingan baru dan penghapusan secara realtime melalui sistem antrian Kafka.

Phoenix menangani konten di luar jaringan pertemananmu (out-of-network). Ini yang membuat FYP terasa "ajaib" sekaligus misterius: Phoenix menelusuri corpus global jutaan postingan menggunakan model ML berbasis two-tower architecture. Menara pertama mengenkode profilmu menjadi vektor matematis. Menara kedua mengenkode semua postingan yang ada. Keduanya dibandingkan untuk menemukan kecocokan paling relevan.

Home Mixer adalah orkestrator — lapisan yang menyatukan hasil dari Thunder dan Phoenix, lalu menjalankan seluruh proses penyaringan, penilaian, dan pemeringkatan sebelum hasilnya dikirim ke layarmu.

Ketiganya dikombinasikan menggunakan Candidate Pipeline, sebuah kerangka kerja modular yang bisa dijalankan secara paralel dengan penanganan error yang fleksibel.

Bagaimana Sebuah Tweet Dinilai: Matematika di Balik Skormu

Ini bagian paling menarik — dan paling mengungkap tentang insentif platform.

Model transformer Phoenix memprediksi probabilitas berbagai jenis interaksi untuk setiap postingan. Bukan hanya satu skor "relevansi", tapi 15 kemungkinan aksi sekaligus, antara lain:

P(favorite) — kemungkinan kamu suka
P(reply) — kemungkinan kamu membalas
P(repost) — kemungkinan kamu repost
P(click) — kemungkinan kamu mengklik
P(dwell) — kemungkinan kamu berhenti lama di postingan itu
P(not_interested) — kemungkinan kamu menekan "tidak tertarik"
P(block_author) — kemungkinan kamu memblokir akun tersebut
P(report) — kemungkinan kamu melaporkan konten

Skor akhir dihitung dengan rumus: Final Score = Σ (weight × P(action))

Artinya, setiap aksi diberi bobot. Aksi positif seperti like dan repost menambah skor. Aksi negatif seperti mute dan report menguranginya. Konten yang kemungkinan besar membuatmu marah tapi tetap di-reply bisa saja mendapat skor lebih tinggi dari konten yang membuatmu diam-diam puas.

Menurut dokumentasi resmi di repositori tersebut, sistem juga menerapkan Author Diversity Scorer — komponen yang meredam skor jika satu akun muncul terlalu sering berturut-turut, agar feed tidak monoton.

Tidak Ada Lagi Aturan Manual: Grok Memutuskan Segalanya

Salah satu pernyataan paling signifikan dalam dokumentasi repositori ini adalah:

"We have eliminated every single hand-engineered feature and most heuristics from the system. The Grok-based transformer does all the heavy lifting."

Ini pernyataan yang luar biasa. Artinya, tidak ada lagi daftar aturan seperti "postingan dari akun terverifikasi mendapat bonus skor" atau "konten dengan gambar lebih diutamakan." Semua diserahkan pada model transformer berbasis Grok — model yang belajar dari pola interaksimu selama ini.

Keunggulannya: sistem lebih adaptif dan personal. Kelemahannya: lebih sulit diaudit dan lebih rentan terhadap bias tersembunyi yang bahkan pengembangnya sendiri mungkin tidak sepenuhnya pahami.

Ini adalah perdebatan besar dalam dunia AI saat ini. Penelitian dari MIT dan Stanford secara konsisten menunjukkan bahwa sistem black-box berbasis deep learning cenderung memperkuat pola yang sudah ada — termasuk polarisasi, konfirmasi bias, dan amplifikasi emosi negatif — bukan karena sistem tersebut "jahat", tapi karena itulah yang membuat pengguna engage lebih lama (Ribeiro et al., 2020, Auditing Radicalization Pathways on YouTube; serupa diamati pada rekomendasi konten).

Filter yang Bekerja Sebelum Konten Sampai ke Kamu

Sebelum sebuah postingan bahkan mendapat skor, ia melewati serangkaian filter yang berjalan otomatis. Beberapa di antaranya:

AgeFilter — membuang postingan yang terlalu lama
SelfpostFilter — menghapus postingan milikmu sendiri dari FYP
MutedKeywordFilter — menyaring kata kunci yang kamu mute
AuthorSocialgraphFilter — membuang konten dari akun yang kamu blokir atau mute
PreviouslySeenPostsFilter — tidak menampilkan ulang konten yang sudah pernah kamu lihat
IneligibleSubscriptionFilter — membuang konten berbayar yang tidak kamu berlangganan

Setelah pemeringkatan, ada satu lapis filter tambahan: VFFilter, yang menyaring konten yang melanggar kebijakan platform — spam, kekerasan, konten yang dihapus.

Yang menarik adalah keberadaan komponen home-mixer/ads/ — modul khusus untuk injeksi iklan ke dalam feed, termasuk pelacakan brand-safety yang menjaga iklan agar tidak muncul di dekat konten sensitif. Ini konfirmasi bahwa posisi iklan bukan acak, tapi diatur oleh logika tersendiri yang berdampingan dengan konten organik.

Apa Artinya Ini untuk Kamu sebagai Pengguna?

Transparansi ini membuka peluang nyata — tapi juga memunculkan pertanyaan yang lebih besar.

Pertama, sekarang kamu tahu bahwa FYP-mu bukan cerminan "konten terbaik" — melainkan cerminan perilakumu di masa lalu. Model ini belajar dari apa yang kamu dwell lama, apa yang kamu reply, bahkan apa yang kamu baca tapi tidak kamu sukai. Kamu sedang terus-menerus melatih algoritmamu sendiri tanpa sadar.

Kedua, sistem ini tidak tahu apa yang "baik untukmu" — ia hanya tahu apa yang membuatmu stay. Kedua hal itu bisa sangat berbeda.

Ketiga, karena seluruh pipeline bisa dipelajari siapa saja, ada kemungkinan para kreator konten — termasuk yang berniiat buruk — akan semakin fasih mengoptimasi konten mereka untuk mengakali skor Phoenix. Fenomena ini sudah terjadi di platform lain dan kemungkinan akan semakin tajam.

Transparansi yang Setengah-Setengah

Kode sumber ini nyata dan bisa diverifikasi. Tapi ada yang perlu dicatat: kode sumber bukan bobot model (model weights). Kamu bisa membaca resep, tapi tidak bisa mencicipi masakannya. Bobot transformer Phoenix yang menentukan seberapa besar P(reply) lebih diutamakan dari P(dwell) — itu tidak dipublikasikan.

Ini mirip dengan seseorang yang memperlihatkan mesin produksinya, tapi tidak memperlihatkan bahan bakunya. Transparansi yang ada sudah jauh lebih baik dari sebelumnya, tapi belum cukup untuk audit independen yang bermakna.

Para peneliti dari Electronic Frontier Foundation dan beberapa akademisi telah lama berargumen bahwa transparansi algoritmik yang sejati membutuhkan akses ke data pelatihan, bobot model, dan kode sumber secara bersamaan — bukan hanya salah satunya.

Kendalikan Feedmu Sebelum Feed Mengendalikanmu

Dengan pemahaman ini, ada beberapa langkah konkret yang bisa langsung diterapkan:

Audit engagementmu. Perhatikan apa yang kamu reply dan dwell terlama — bukan hanya apa yang kamu like. Itu yang paling menentukan FYP-mu.
Gunakan fitur "Not Interested" secara aktif. Ini memberi sinyal negatif eksplisit ke model Phoenix dan melatih ulang skornya untukmu.
Mute kata kunci, bukan hanya akun. MutedKeywordFilter bekerja di level kata kunci — ini lebih efisien dari memblokir akun satu per satu.
Gunakan tab Following jika kamu ingin feed yang benar-benar terkurasi oleh pilihanmu sendiri, bukan oleh model ML.
Sadari bahwa scrolling pasif adalah data pelatihan. Setiap detik kamu berhenti di suatu konten — bahkan tanpa interaksi — direkam sebagai P(dwell) yang positif.

Algoritma ini bukan konspirasi. Ia adalah sistem optimasi yang bekerja persis seperti yang dirancang: memaksimalkan waktu yang kamu habiskan di platform. Masalahnya bukan pada sistemnya — masalahnya pada apakah kita mau membiarkan sistem itu yang memutuskan apa yang layak kita baca.

Kode sudah terbuka. Pertanyaannya sekarang: apakah kita mau membacanya?

Ingat: Algoritma tidak memiliki agenda — tapi ia mengamplifikasi agenda kita sendiri, baik yang kita sadari maupun yang tidak.

Referensi & Sumber:

xAI / X, X For You Feed Algorithm — Repositori GitHub resmi: https://github.com/xai-org/x-algorithm
Ribeiro, M., et al. (2020). Auditing Radicalization Pathways on YouTube. ACM Conference on Fairness, Accountability, and Transparency: https://dl.acm.org/doi/10.1145/3351095.3372879
Electronic Frontier Foundation, Algorithmic Transparency: https://www.eff.org/issues/algorithmic-transparency
Mozilla Foundation, YouTube Regrets: A Crowdsourced Investigation — konteks komparatif sistem rekomendasi: https://foundation.mozilla.org/en/research/library/youtube-regrets/