Cómo funciona el algoritmo de recomendación de Twitter

A principios de 2026, la plataforma X hizo lo que desarrolladores y creadores de contenido habían estado pidiendo durante años: abrió el código fuente del algoritmo que forma el feed "Para ti". Este es un caso raro en el que, en lugar de conjeturas y observaciones indirectas, se puede confiar en la arquitectura real del sistema de clasificación. Comprender cómo funciona el algoritmo de recomendación de Twitter ahora se puede hacer no por rumores, sino por la propia documentación de la compañía.

Cómo funciona internamente el feed "Para ti"

El sistema que gestiona las recomendaciones se llama Home Mixer y combina dos fuentes de contenido: publicaciones de cuentas que el usuario sigue y materiales encontrados fuera del círculo de suscripción mediante búsqueda automática en toda la plataforma. Esto significa que incluso una cuenta sin una gran audiencia de seguidores puede entrar en las recomendaciones de Twitter si el contenido coincide con los intereses de un espectador específico.

El papel del modelo Phoenix en la clasificación

En el centro de la evaluación de publicaciones se encuentra el modelo transformador Phoenix, que predice la probabilidad de que un usuario específico interactúe con una publicación, como darle "me gusta", dejar un comentario o republicarla. Los desarrolladores abandonaron la mayoría de las reglas preescritas en favor de un modelo que aprende del historial de interacción real de cada usuario, lo que hace que el sistema sea más flexible y personalizado.

Filtrado de candidatos en varias etapas

Antes de que una publicación aparezca en el feed, pasa por varias etapas: generación de candidatos, enriquecimiento de datos y evaluación final a través de una fórmula ponderada. Un componente separado, Author Diversity Scorer, asegura que el feed no esté sobrecargado con publicaciones de los mismos autores, proporcionando diversidad de contenido para el usuario final.

Qué afecta el alcance de las publicaciones en Twitter

El algoritmo de clasificación de publicaciones de X considera señales específicas, no una "popularidad" abstracta de una cuenta. Comprender estas señales ayuda a construir una estrategia de contenido de forma consciente, no al azar.

Diálogos en comentarios y alcance

Uno de los factores clave de clasificación es la participación en forma de respuestas y diálogos significativos debajo de una publicación, en lugar de solo el número de "me gusta". Los diálogos en los comentarios de Twitter aumentan el alcance de manera más significativa que las reacciones pasivas, porque el algoritmo interpreta la discusión activa como un signo de contenido valioso.

Contenido de video y prioridad en el feed

El contenido de video en Twitter obtiene un alcance superior al promedio en comparación con las publicaciones de texto, ya que el tiempo de visualización es una fuerte señal de participación para el modelo Phoenix. Las publicaciones con videos tienen más probabilidades de pasar el filtrado de candidatos y aparecer en la parte fuera de la red del feed, disponible para usuarios fuera del círculo de suscriptores del autor.

Velocidad de reacción inicial a una publicación

Las publicaciones que reciben actividad en los primeros minutos después de la publicación son más a menudo reconocidas por el algoritmo como relevantes y se promocionan más abajo en el embudo de clasificación. Esto crea un efecto similar a la mecánica de los chats de audio y las encuestas: el impulso inicial determina el destino posterior de la publicación en el feed.

Cómo aumentar el alcance en Twitter en la práctica

Conociendo la lógica del algoritmo, se pueden construir tácticas específicas para aumentar las posibilidades de aparecer en el feed "Para ti".

Formato de publicación para alcance fuera de la red

Las publicaciones que provocan una discusión significativa, en lugar de solo una reacción emocional, tienen más probabilidades de salir del círculo estrecho de suscriptores y entrar en las recomendaciones fuera de la red a través de la búsqueda de ML. Las preguntas a la audiencia, las declaraciones controvertidas pero correctas y los temas de discusión funcionan mejor que las declaraciones fácticas neutrales.

Regularidad de las publicaciones

El modelo Phoenix aprende del historial de interacción del usuario con un autor específico, por lo que las publicaciones regulares ayudan al algoritmo a formar rápidamente un perfil de participación estable alrededor de la cuenta.

Uso de la mejora de la participación en Twitter al principio

Promocionar una publicación en el feed de X es especialmente difícil para las cuentas nuevas que aún no tienen un historial de interacción acumulado para el entrenamiento del modelo. Aumentar la participación en Twitter en una etapa temprana ayuda al algoritmo a recopilar rápidamente las primeras señales de interés en el contenido, lo que aumenta las posibilidades de entrar en la etapa de recomendación fuera de la red.

Aumentar el alcance de Twitter como herramienta de prueba social

Aumentar el alcance de Twitter funciona de manera similar a otros formatos de plataforma: la actividad visible en los primeros minutos de publicación indica no solo al algoritmo, sino también a los usuarios reales que la publicación merece atención.

Comparación de enfoques para aumentar el alcance

El crecimiento orgánico a través de contenido de calidad y publicaciones regulares produce los resultados más sostenibles a largo plazo, porque el algoritmo forma gradualmente un perfil de participación preciso alrededor de la cuenta basado en datos reales. La publicidad pagada a través de herramientas integradas de redes sociales amplía el alcance más rápido que la orgánica, pero requiere una inversión constante y no garantiza la retención de la audiencia después de que finaliza la campaña publicitaria. El uso de servicios para aumentar las vistas, los "me gusta" y los seguidores al principio ayuda a superar la barrera del arranque en frío cuando una cuenta nueva aún no tiene suficientes datos para que el algoritmo evalúe la relevancia del contenido. El resultado más equilibrado es una combinación de los tres enfoques: refuerzo dirigido al principio, transición gradual al crecimiento orgánico y uso dirigido de publicidad pagada para publicaciones clave.