Welche Posts landen im „For You“-Feed und welche verschwinden praktisch unsichtbar? X gibt aktuell ungewöhnlich detaillierte Einblicke in die Funktionsweise seines Empfehlungssystems. Der offengelegte X Algorithmus zeigt, welche Reaktionen das System prognostiziert, wie Beiträge bewertet werden und welche Inhalte ausgefiltert werden können. Interessant sind die Erkenntnisse auch über X hinaus. Denn einige Grundprinzipien finden sich bei LinkedIn, Instagram und TikTok wieder.
Wer Social Media professionell betreibt, kennt das Problem: Ein Beitrag funktioniert hervorragend, der nächste erreicht trotz ähnlichem Thema nur einen Bruchteil der Nutzer:innen. Schnell fällt dann der Satz: „Der Algorithmus hat den Post wohl nicht gemocht.“ Was genau hinter der Entscheidung steckt, bleibt bei den meisten Plattformen weitgehend verborgen.
X geht derzeit einen anderen Weg. Am 13. August 2026 veröffentlichte die Plattform weitere Bestandteile des Codes hinter ihrem „For You“-Feed. Neben Modellkonfigurationen wurden Informationen zu Filtersystemen, Gewichtungen und dem zentralen Ranking-System zugänglich gemacht. X ergänzt die Offenlegung zudem durch das Transparenzwerkzeug „Under the Hood“, über das ausgewählte Nutzer:innen mehr über Labels erfahren können, die die Sichtbarkeit ihrer Accounts und Posts beeinflussen.
So funktioniert der X Algorithmus
Vereinfacht gesagt versucht X vorherzusagen, was Du mit einem bestimmten Post wahrscheinlich tun wirst. Das System Phoenix analysiert dafür unter anderem Deine bisherige Aktivität und bewertet mögliche Beiträge individuell. Dabei geht es um mehr als Likes. Der veröffentlichte Code nennt beispielsweise Replies, Reposts, Quotes, Shares per Direktnachricht, kopierte Links, Profilklicks, Linkklicks, Videoaufrufe, Verweildauer und neue Follows. Auch negative Aktionen fließen ein. Dazu zählen etwa „Nicht interessiert“, das Stummschalten oder Blockieren eines Accounts sowie Reports.
Aus diesen vorhergesagten Aktionen berechnet das System einen Score für jeden möglichen Beitrag. Posts mit höheren Scores haben bessere Chancen auf eine prominente Position im Feed.
An dieser Stelle entstand nach der Veröffentlichung allerdings schnell ein Missverständnis. Im Code lassen sich unterschiedliche Gewichtungen der Aktionen erkennen. Daraus wurde teilweise abgeleitet, eine negative Aktion könne rechnerisch eine bestimmte Anzahl Likes ausgleichen. X stellte am 14. August klar, dass diese Interpretation falsch ist. Die Gewichtungen werden auf die vorhergesagte Wahrscheinlichkeit einer Handlung angewendet und nicht auf die tatsächliche Zahl der Likes, Reports oder Shares eines Posts.
Deshalb geht es weniger um die Jagd nach einzelnen Zahlen. Wichtiger ist das dahinterstehende Prinzip: Der Feed soll Beiträge nach der Wahrscheinlichkeit sortieren, dass ein bestimmter Mensch mit ihnen interagiert oder sich intensiver damit beschäftigt.
Warum Reichweite mehr bedeutet als möglichst viele Likes
Die Offenlegung zeigt sehr schön, warum eine einzelne Engagement-Kennzahl kaum ausreicht, um die Performance eines Posts zu beurteilen.
Ein Beitrag kann beispielsweise vergleichsweise wenige Likes erhalten und trotzdem interessant für das Empfehlungssystem sein, wenn Menschen länger daran hängen bleiben, das Profil besuchen, den Beitrag per Direktnachricht verschicken oder anschließend dem Account folgen.
Auch die Auswahl der potenziellen Beiträge ist interessant. Der X Feed kombiniert Inhalte von Accounts, denen Nutzer:innen bereits folgen, mit Posts aus dem weiteren Netzwerk. Für diese Empfehlungen analysiert das System unter anderem Ähnlichkeiten zwischen Nutzer:innen, Posts und bisherigen Interaktionen. Bereits gesehene Beiträge, blockierte Accounts, bestimmte ausgefilterte Inhalte sowie Posts, die älter als 48 Stunden sind, können bereits vor der eigentlichen Bewertung herausfallen.
Der X Algorithmus berücksichtigt außerdem Vielfalt im Feed. Folgen mehrere Posts desselben Accounts aufeinander, wird deren Bewertung schrittweise reduziert. Auch Beiträge außerhalb des bestehenden Netzwerks können anders gewichtet werden. Das zeigt: Selbst ein sehr erfolgreicher Account bekommt nicht automatisch unbegrenzt Platz im Feed.
Der Blick auf LinkedIn zeigt eine ähnliche Richtung
Spannend wird die Offenlegung vor allem dann, wenn man sie mit den Entwicklungen anderer Plattformen vergleicht.
LinkedIn hat im März 2026 erklärt, den eigenen Feed verstärkt mit sogenannten Generative Recommenders und Large Language Models zu personalisieren. Die Systeme sollen besser verstehen, worum es in einem Beitrag tatsächlich geht und wie sich die beruflichen Interessen einzelner Nutzer:innen entwickeln. Dabei fließen beispielsweise Branche, Fähigkeiten, berufliche Erfahrung, Standort und bisheriges Nutzungsverhalten ein.
LinkedIn betont außerdem, generische Inhalte, Engagement Bait, automatisierte Kommentare und Engagement Pods stärker begrenzen zu wollen. Die Plattform formuliert ihr Ziel bemerkenswert deutlich: Der Feed soll relevanter für die jeweiligen Interessen werden und weniger wie ein Popularitätswettbewerb funktionieren.
Auch TikTok und Instagram setzen auf individuelle Relevanz
TikTok beschreibt seinen „For You“-Feed schon seit Jahren als stark personalisiertes Empfehlungssystem. Zu den Signalen gehören unter anderem Likes, Shares, Kommentare, gefolgte Accounts und Informationen zum Video. Auch die Betrachtungsdauer spielt eine Rolle. Wer ein Video vollständig ansieht, liefert dem System ein stärkeres Interessenssignal als jemand, der sofort weiterscrollt – klar.
Bei Instagram lässt sich ebenfalls beobachten, wie stark Empfehlungen an individuellen Interessen und der Qualität des Ausgangsmaterials ausgerichtet werden. Meta führte 2026 weitere Möglichkeiten ein, mit denen Nutzer:innen ihre Interessen für Empfehlungen aktiv beeinflussen können. Zudem meldete das Unternehmen Anfang des Jahres, dass in den USA im vierten Quartal 2025 bereits 75 Prozent der Instagram-Empfehlungen aus Original-Posts stammten.
Die Algorithmen der Plattformen funktionieren deshalb keineswegs identisch. Ihre konkreten Gewichtungen lassen sich auch nicht von X auf LinkedIn oder Instagram übertragen. Trotzdem wird eine gemeinsame Entwicklung sichtbar: Empfehlungssysteme versuchen immer genauer zu verstehen, welcher Inhalt zu welcher Person passt und welche Reaktion dieser Inhalt wahrscheinlich auslösen wird.
Was Unternehmen daraus für ihre Social-Media-Strategie lernen können
Statt ausschließlich zu fragen, wie sich mehr Likes erzeugen lassen, lohnt sich eine andere Perspektive. Warum sollte jemand bei diesem Beitrag stoppen? Warum sollte die Person weiterlesen, auf das Profil klicken, den Post teilen oder eine Antwort schreiben?
Ein Fachbeitrag kann beispielsweise durch eine klare These Diskussionen auslösen. Eine kompakte Anleitung wird eher gespeichert oder intern weitergeleitet. Eine gute Grafik verlängert möglicherweise die Betrachtungsdauer. Ein Beitrag mit konkretem Praxiswissen kann dazu führen, dass Nutzer:innen anschließend das Unternehmensprofil besuchen.
Auch künstliche Engagement-Tricks wirken vor diesem Hintergrund immer kurzsichtiger. Wenn Empfehlungssysteme mehr Kontext verstehen, Nutzerverhalten über längere Zeiträume auswerten und negative Signale berücksichtigen, wird es schwieriger, Reichweite mit simplen Mechaniken dauerhaft zu erzwingen.
Fazit: Der X Algorithmus liefert einen Blick auf die Zukunft der Feeds
Die aktuelle Offenlegung des X Algorithmus ist vor allem deshalb spannend, weil sie ein Empfehlungssystem ungewöhnlich detailliert sichtbar macht. Ein Blick auf die dahinterliegende Logik lohnt sich. Social-Media-Feeds entwickeln sich zu immer stärker personalisierten Empfehlungssystemen. Likes bleiben relevant, stehen aber neben vielen anderen Signalen. Verweildauer, Shares, Diskussionen, Profilbesuche, Follows und negative Reaktionen helfen Plattformen dabei einzuschätzen, ob ein Inhalt für eine bestimmte Person interessant ist.
Die wichtigste Frage für Social-Media-Verantwortliche lautet deshalb zunehmend: Ist dieser Beitrag wirklich relevant genug, damit jemand mehr damit macht als kurz auf den Like-Button zu tippen?
Bildquellen
- X Algorithmus: Generiert von KI
No Comment