X abre el código de Phoenix y prueba ‘Under the Hood’ para explicar cómo se recomienda y limita contenido

X convirtió una discusión abstracta sobre alcance en un sistema parcialmente inspeccionable. La compañía publicó el código fuente de la lógica que participa en la recomendación del feed “For You” y presentó un piloto llamado “Under the Hood”. Según Business Insider, el objetivo declarado es que las personas puedan entender mejor por qué ven determinado contenido y si ciertas señales están limitando su alcance. Para marcas y equipos de contenido, el cambio es relevante porque sustituye parte de la especulación por componentes observables, aunque abrir código no significa que cualquier usuario pueda predecir exactamente qué ocurrirá con cada publicación.

Phoenix no ordena publicaciones por una sola métrica de engagement. El sistema analiza el historial reciente de visualización de una persona y estima cómo podría reaccionar ante una publicación de una cuenta que no sigue. Esas probabilidades se combinan con pesos distintos para construir un puntaje de ranking. La consecuencia práctica es importante: dos acciones visualmente parecidas dentro de un panel de métricas pueden tener un valor muy diferente para el sistema de recomendación. Por eso, optimizar contenido únicamente para “más interacciones” puede esconder qué tipo de interacción está generando realmente distribución.

Las acciones que implican intención de compartir reciben un peso especialmente alto. Business Insider reporta que una predicción de compartir copiando la URL pesa alrededor de cuarenta veces una predicción de “like”. Respuestas, citas y compartidos por mensaje directo tienen peso 5 frente a 0,5 para un like; un follow equivale aproximadamente a ocho likes y un repost a dos. No conviene convertir estos números en una receta mecánica para “hackear” el feed: Phoenix primero estima la probabilidad individual de cada acción y después aplica los pesos. La señal útil es otra: X valora comportamientos que sugieren mayor intención que un toque rápido.

Las señales negativas pueden neutralizar con fuerza el beneficio de la interacción positiva. En el código revisado por Business Insider, una predicción de reporte tiene un peso negativo unas 468 veces mayor que el peso positivo de un like; un mute ronda 118 veces, “not interested” unas 86 y un bloqueo unas 62. Eso cuestiona la idea de que cualquier reacción intensa beneficia al creador. El contenido diseñado para provocar enojo puede conseguir respuestas y, al mismo tiempo, elevar señales negativas que reduzcan su distribución. La estrategia de crecimiento necesita observar calidad de respuesta, no solo volumen bruto.

Under the Hood añade una capa de transparencia sobre etiquetas que también afectan visibilidad. El piloto muestra información agregada sobre etiquetas aplicadas a cuentas y publicaciones, incluyendo clasificaciones como spam o contenido adulto, que pueden ser utilizadas por otros sistemas al decidir si una pieza se muestra. X indicó que la función está activa únicamente para un grupo aleatorizado de cuentas elegibles y que una ampliación dependerá del feedback. Esto importa porque separa dos problemas que suelen confundirse: el ranking por interés y las restricciones o clasificaciones que pueden limitar la elegibilidad de una publicación.

Para una marca, la nueva información sirve mejor como instrumento de diagnóstico que como manual de trucos. El código permite formular hipótesis más precisas: si una pieza obtiene likes pero casi nunca se comparte, quizá produce aprobación ligera pero poco valor de transmisión; si recibe muchas respuestas acompañadas de bloqueos o reportes, el engagement aparente puede estar ocultando rechazo. La mejor práctica es comparar formatos, temas y llamados a la acción con métricas de intención más profundas. También conviene documentar cambios en el algoritmo, porque una ponderación publicada hoy no debe asumirse como regla permanente.

La oportunidad está en diseñar contenido que una persona quiera mover fuera de su propio feed. Un equipo puede probar series con información guardable, enlaces realmente útiles, argumentos que merezcan ser citados y piezas que faciliten una conversación privada, y después comparar shares, follows y señales negativas con el alcance obtenido. La apertura de Phoenix no elimina la incertidumbre, pero mejora la calidad de las preguntas. En lugar de preguntar “¿por qué el algoritmo me castiga?”, la empresa puede preguntar qué comportamiento está prediciendo el sistema, qué señales está provocando su contenido y cuál de esas señales representa valor real para su audiencia.