Algorytm X jest klasycznym systemem predykcji zaangażowania. Jego głównym zadaniem nie jest ocena jakości treści, tylko przewidywanie, które posty wywołają największą interakcję użytkownika. Obejmuje to takie sygnały jak polubienia, odpowiedzi, udostępnienia, czas oglądania czy kliknięcia. Algorytm przypisuje każdemu postowi wynik oparty na przewidywanym prawdopodobieństwie interakcji użytkownika. Następnie mnoży to prawdopodobieństwo przez wagę danego typu interakcji i sumuje całość. W praktyce oznacza to, że każdy rodzaj aktywności ma swoją wartość punktową, a system wybiera te treści, które mają największy potencjał do wygenerowania łącznego wyniku. Z analiz opublikowanego kodu wynika, że nie wszystkie interakcje są równe. Polubienie, czyli najbardziej podstawowa forma reakcji, ma najniższą wagę i stanowi punkt odniesienia. W praktyce jego znaczenie jest marginalne. Znacznie większą wartość mają działania, które angażują użytkownika głębiej. Retweet może być wart około 20-krotności polubienia, zapisanie posta nawet dziesięciokrotność, ale prawdziwa wartość pojawia się dopiero przy odpowiedziach.

Reply, czyli odpowiedź, ma wielokrotnie wyższą wagę niż inne formy interakcji.

W zależności od konfiguracji modelu może być to od kilkudziesięciu do ponad stu razy więcej niż zwykły like. W najbardziej angażujących scenariuszach, kiedy odpowiedź wywołuje kolejną odpowiedź autora lub dalszą dyskusję, pojedynczy wątek może generować wynik rzędu siedemdziesięciu lub więcej punktów, co oznacza nawet ponad stukrotne przebicie wartości pojedynczego polubienia. To prowadzi do kluczowego wniosku. Algorytm nie promuje popularności w klasycznym sensie.

Promuje intensywność interakcji. A intensywność interakcji nie wynika z tego, że treść jest dobra lub wartościowa, lecz z tego, że wywołuje reakcję. Najczęściej emocjonalną.

W praktyce oznacza to, że spokojna, wyważona wypowiedź, która zbiera wiele polubień, może mieć mniejszy zasięg niż kontrowersyjny wpis, który wywoła serię odpowiedzi i sporów. Zgoda jest tania, konflikt jest drogi, a system premiuje to, co droższe w sensie interakcyjnym. Jeśli polubienie ma wartość jeden, a odpowiedź potrafi mieć wartość kilkudziesięciu lub ponad stu punktów, to matematyka jest jednoznaczna.

Opłaca się prowokować.

Dodatkowym problemem jest to, że algorytm nie rozróżnia jakości emocji. Nie odróżnia zainteresowania od oburzenia, ani zgody od gniewu. Udostępnienie treści, która kogoś irytuje, jest dla systemu sygnałem pozytywnym, ponieważ zwiększa zasięg i generuje kolejne interakcje. To oznacza, że nawet negatywne reakcje stają się paliwem wzrostu. W ten sposób powstaje środowisko, które można opisać jako ekonomię napięcia. Najbardziej widoczne treści to nie te, które najlepiej wyjaśniają rzeczywistość, lecz te, które najsilniej ją zaostrzają. Algorytm działa jak wzmacniacz emocji, ponieważ to emocje najskuteczniej zatrzymują użytkownika na platformie, a czas spędzony w aplikacji bezpośrednio przekłada się na przychody reklamowe.

System w sposób matematyczny premiuje konflikt, radykalizację i uproszczenie przekazu.

Treści umiarkowane, zniuansowane i wymagające dłuższej uwagi są systemowo wypychane, ponieważ generują mniej interakcji. W efekcie przestrzeń publiczna zaczyna przypominać nie debatę, lecz ciągłą reakcję łańcuchową, w której kolejne bodźce wywołują kolejne odpowiedzi. Dodatkowo personalizacja feedu powoduje rozpad wspólnej rzeczywistości. Każdy użytkownik widzi inny zestaw treści, dopasowany do jego wcześniejszych reakcji. To utrudnia budowanie wspólnego pola debaty i sprzyja zamykaniu się w bańkach informacyjnych. Badania pokazują też, że sama zmiana sposobu prezentowania treści przez algorytm może wpływać na poglądy użytkowników i ich percepcję świata, jednocześnie zwiększając poziom zaangażowania. W szerszym ujęciu oznacza to, że algorytm nie tylko filtruje debatę, ale aktywnie ją kształtuje. Co więcej, system ten jest strukturalnie powiązany z monetyzacją. Większe zaangażowanie oznacza więcej czasu spędzonego na platformie, a to bezpośrednio przekłada się na przychody reklamowe. Innymi słowy, ekonomiczny model platformy wzmacnia dokładnie te treści, które są najbardziej angażujące, a niekoniecznie najbardziej wartościowe.

To prowadzi do sytuacji, w której logika rynku i logika debaty publicznej zaczynają się rozchodzić. To, co dobre dla przychodów, nie musi być dobre dla jakości dyskusji społecznej.

Jednocześnie trzeba uczciwie podkreślić, że sam fakt publikacji kodu jest czymś wyjątkowym. Żadna inna duża platforma społecznościowa nie posunęła się tak daleko w ujawnianiu mechanizmów działania swojego systemu rekomendacji. Musk sam przyznał, że algorytm nie jest doskonały i wymaga poprawy, ale uznał, że warto pokazać go publicznie. To ważny krok w stronę transparentności, choć niewystarczający. Bo sama publikacja kodu nie oznacza jeszcze realnej kontroli. Bez dostępu do danych, możliwości testowania i pełnej dokumentacji trudno mówić o pełnym zrozumieniu systemu. Najważniejszy wniosek jest jednak szerszy niż sama platforma X. Upublicznienie algorytmu potwierdziło, że problem nie leży w jednej firmie czy jednym produkcie. Problem jest systemowy. Cała architektura współczesnych mediów społecznościowych opiera się na maksymalizacji zaangażowania, a to prowadzi do środowiska informacyjnego, które jest strukturalnie napięciowe, spolaryzowane i podatne na manipulację.