Xの推薦アルゴリズムを基本から理解する

Xの推薦アルゴリズムを基本から考える

Grok/Phoenix時代のFor You、リプ・いいね・リポスト、そして「なぜ無名のネタツイが爆発するのか」

Xで投稿が伸びるかどうかは、以前よりも分かりにくくなっています。

昔からある事ですがフォロワーが多くても伸びない投稿がある一方で、普段は数百インプレッションしかないようなアカウントの何気ない日常ポストやネタツイが、突然ランキング上位に入ることがあります。

一方で、専門性の高い投稿、たとえばAIデータセンター、半導体、MLCC、HBM、PCB、電源部材、投資仮説のような投稿は、全体ランキングでは見えにくくても、特定の興味クラスタのFor Youでは強く出ることがあります。

では、現在のXの推薦は何を見ているのでしょうか。

この記事では、Xの推薦アルゴリズムを基本から整理します。投稿本文、画像、動画、リンク、作者情報などがどのようにインデックス化・分類・埋め込み化されるのか。Grok系のPhoenixとは何なのか。チャットのGrokとは何が違うのか。旧来のXアルゴリズムと比べて何が変わったのか。そして、リプ、いいね、リポストがPhoenix型推薦でどのような意味を持つのか。

最後に、無名アカウントのネタツイや共感ポストが突然爆発する仕組みと、Xで最低限やれる実用的なことについて考えます。

\1. Xの推薦は「投稿単体の点数」ではなく「ユーザーごとの相性」で動く

まず一番大事なのは、Xのおすすめは投稿ごとに固定の点数が1つだけ付く仕組みではない、ということです。

同じ投稿でも、AI半導体をよく見る人には表示されやすく、音楽やイラストをよく見る人には表示されにくい。逆に、日常の笑える投稿や共感できるネタツイは、多くの人に文脈が通じるため、複数のクラスタを横断して広がることがあります。

つまり、Xの推薦は、

「この投稿は全体で良い投稿か」

だけではなく、

「このユーザーにとって、この投稿は関係があるか」

を見ています。

投稿者目線で言うと、投稿は全員に一斉配信されるのではなく、各ユーザーの興味、行動履歴、フォロー関係、直近の閲覧傾向、ミュートやブロックなどと照合されます。

そのため、Xでは「万人に向けて書く」だけでなく、「どの興味クラスタに届く投稿なのか」を明確にすることが重要になります。

\2. 投稿直後に起きること：保存、分類、インデックス化、埋め込み化

投稿が作られると、X側では単にタイムラインに置かれるだけではありません。推薦や検索に使える形に加工されます。

投稿は、内部的には次のような情報のかたまりとして扱われます。

• 投稿本文
• 画像や動画の有無
• 動画の長さや視聴されやすさ
• 外部リンクの有無
• 投稿言語
• 投稿カテゴリ
• 返信、引用、リポストとの関係
• 作者情報
• 作者の過去投稿
• 作者のフォロー関係
• 作者への過去の反応
• スパム判定
• ポリシー判定
• ブランドセーフティ
• エンゲージメント履歴
• 投稿や作者の埋め込みベクトル

ここで特に重要なのが、分類と埋め込み化です。

分類とは、投稿を「AI」「スポーツ」「芸能」「政治」「金融」「ゲーム」「イラスト」「成人向け」「スパム疑い」などのカテゴリに近づける処理です。

埋め込み化とは、投稿やユーザーの意味を数値ベクトルに変換することです。

たとえば、

「AIデータセンター向けMLCC需要が伸びる中で、MLCC本体だけでなく離型膜やPET基材も供給制約になる可能性がある」

という投稿は、人間が読むと、

• AIデータセンター
• MLCC
• 電子部品
• 離型膜
• PET基材
• 材料企業
• サプライチェーン
• 投資仮説

といった文脈を持つ投稿だと分かります。

推薦システムでは、これに近い意味が数値ベクトルとして扱われます。これにより、単なるキーワード一致ではなく、「意味的に近い投稿」や「似た興味を持つユーザー」を探しやすくなります。

逆に、

「これ、来てる」

だけの投稿は、既存フォロワーには文脈が分かっても、推薦システムにとっては意味が曖昧になりやすいです。

現在のXでは、本文だけで何の話なのかが分かることがかなり重要です。

\3. 投稿画像・動画・リンクはどう見られるのか

Xでは本文だけでなく、画像、動画、リンクも推薦に影響します。

画像や動画は、人間にとっては一瞬で伝わりますが、推薦システムにとっては、本文で補足されていた方が文脈を取りやすくなります。

たとえば、図解画像を投稿する場合でも、

「AIラックの電源インフラを、48V給電、VRM、MLCC、インダクタ、バスバーの流れで図解しました」

と本文に書いておく方が、推薦システムにも人間にも分かりやすくなります。

動画も同じです。

動画の中身だけに意味を閉じ込めるよりも、本文で、

• 何の動画か
• 誰に向けた動画か
• 何が分かるのか
• どの話題に属するのか

を書いた方がよいです。

リンクについては少し注意が必要です。

外部リンク付き投稿が必ず機械的に罰されるとは断定できません。ただし、リンクだけの投稿はX内での滞在、返信、いいね、会話が生まれにくくなりがちです。

「記事を書きました。リンクはこちら」

だけだと、X上の投稿本文自体に価値が少ないため、ユーザーが反応せずに流れてしまう可能性があります。

一方で、

「Xの推薦は、投稿単体の人気ではなく、そのユーザーの興味ベクトルと投稿内容の近さで決まる比重が大きくなっています。この記事ではPhoenix RetrievalとPhoenix Rankingの仕組みを整理しました」

と本文だけでも意味が分かるようにしておけば、リンク先に飛ばなくても反応が起きやすくなります。

\4. For Youはどのように候補を集めるのか

For Youに表示される投稿は、いきなり全投稿から重いAIで1件ずつ熟読されるわけではありません。

大きく分けると、まず候補を集める段階があります。

現在の公開情報では、主に次の2系統で候補を集める構造が説明されています。

1つ目は、フォロー内投稿を扱うThunderです。

2つ目は、フォロー外投稿を扱うPhoenix Retrievalです。

Thunder：フォロー内投稿を拾う仕組み

Thunderは、フォローしているアカウントの最近の投稿を候補として拾う仕組みです。

ユーザーがFor Youを開いた時、そのユーザーがフォローしているアカウントの最近の投稿を取り出します。

つまり、あなたのフォロワーに対しては、まずThunder経由で候補に入りやすいということです。

ただし、フォローされているから必ず見られるわけではありません。

すでに見た投稿、古すぎる投稿、ミュートされた投稿、ブロック関係にある投稿、重複投稿などは落とされます。また、フォロー中タブではなくFor Youを見ているユーザーの場合、フォロー内投稿も他の候補と競争することになります。

Phoenix Retrieval：フォロー外から似た投稿を探す仕組み

Phoenix Retrievalは、フォロー外投稿を探す仕組みです。

ここでは、ユーザー側の興味ベクトルと、投稿側のベクトルを比較します。

仕組みとしてはTwo-Towerモデルに近い形です。

User Towerは、ユーザーの過去のいいね、返信、リポスト、閲覧、滞在、フォロー関係などから、そのユーザーの興味ベクトルを作ります。

Candidate Towerは、投稿や作者情報をもとに投稿側のベクトルを作ります。

そして、ユーザーベクトルと投稿ベクトルが近いものを候補として取り出します。

つまり、あなたの投稿がフォロワー外に出るには、

「この投稿は、このユーザーが過去に反応した内容と近い」

と判断される必要があります。

\5. Hydrationとは何か

候補に入った投稿は、その後Hydrationと呼ばれる補強処理を受けます。

Hydrationとは、候補投稿IDに対して、詳細情報を付け足す処理です。

候補入りの段階では、まず投稿IDだけが集められることがあります。その後、本文、画像、動画、作者情報、言語、メディア情報、エンゲージメント数、ブランドセーフティ、引用元情報、サブスク状態などを補強します。

つまり、順番としては、

候補になる  
↓  
Hydrationされる  
↓  
フィルタされる  
↓  
スコアリングされる  
↓  
表示される

という流れです。

重要なのは、Hydrationされるから候補になるのではなく、候補になったものがHydrationされるということです。

その前段で働くのが、ThunderやPhoenix Retrievalのような候補生成アルゴリズムです。

\6. フィルタ：候補に入っても落ちる投稿がある

候補に入った投稿が、そのまま表示されるわけではありません。

次のような条件で落ちる可能性があります。

• すでに見た投稿
• 直近で表示済みの投稿
• 古すぎる投稿
• 重複投稿
• 自分自身の投稿
• ブロックした相手の投稿
• ミュートした相手の投稿
• ミュートキーワードを含む投稿
• 削除済み投稿
• スパム判定された投稿
• ポリシー上表示しにくい投稿
• アクセスできないサブスク投稿
• 同じ会話スレッドの重複

つまり、Xの推薦は「良い投稿なら必ず出る」わけではありません。

候補に入ること、フィルタを通ること、スコアリングで上位になること、そして実際に表示されることは、それぞれ別の段階です。

\7. Phoenix Ranking：Grok系Transformerで順位付けする

候補が集まり、必要な情報が補強され、フィルタを通ると、Phoenix Rankingのようなスコアリングに進みます。

Phoenixは、Grok-1由来のTransformerアーキテクチャを推薦用途に適応したものと説明されています。

ただし、これはチャット画面のGrokが投稿を1件ずつ読み、「これは良い投稿です」と感想を書くようなものではありません。

Phoenix Rankingは、ユーザーの行動履歴と候補投稿を入力し、

• このユーザーはこの投稿にいいねしそうか
• 返信しそうか
• リポストしそうか
• 引用しそうか
• クリックしそうか
• 長く滞在しそうか
• 動画を見そうか
• 画像を開きそうか
• 作者をフォローしそうか
• 興味なしを押しそうか
• ミュートしそうか
• ブロックしそうか
• 報告しそうか

といった複数の反応確率を予測します。

そして、それぞれの確率に重みをかけ、最終スコアを作ります。

つまり、Xの推薦は単に「いいねが増えそうか」だけを見ているのではありません。ポジティブ反応だけでなく、ネガティブ反応も予測しています。

ここが非常に重要です。

炎上によってリプライや引用が増えても、同時にミュート、ブロック、報告、興味なしが増えるなら、長期的には不利になる可能性があります。

\8. チャットのGrokとPhoenixは何が違うのか

「Grokが投稿を読んでいる」と言うと、チャットのGrokが全投稿を読んで、おすすめするかどうかを判断しているように聞こえます。

しかし、正確には違います。

チャットのGrokは、ユーザーの質問に自然文で答える会話AIです。

一方、Phoenixは、For Youに出す候補投稿の順位を決める推薦モデルです。

チャットのGrokは「答えるAI」です。

Phoenixは「選ぶAI」です。

チャットのGrokは文章を生成します。

Phoenixは、候補投稿ごとにユーザーがどう反応しそうかを確率として出します。

同じGrok系Transformerの流れを持っていても、目的が違います。

そのため、「Grokに読まれる」という表現は分かりやすい一方で、少し擬人化されています。

より正確には、

「Grok系Transformerを使った推薦モデルが、ユーザー履歴と投稿内容の相性を数値化している」

と考えるべきです。

\9. 旧来のXアルゴリズムとの違い

旧来のTwitter/Xにも、推薦アルゴリズムはありました。

2023年に公開された旧Twitterの推薦アルゴリズムでは、For Youは大きく次のような構造でした。

1. 候補投稿を集める
2. 特徴量を補強する
3. 機械学習モデルでランキングする
4. ヒューリスティックやフィルタを適用する
5. 会話、作者多様性、コンテンツバランスなどを調整する

候補生成では、フォロー関係、ソーシャルグラフ、似た興味の人が反応した投稿、検索インデックス、コミュニティ埋め込みなどが使われていました。

旧来型でも、すでにかなり高度な機械学習推薦でした。

ただし、旧来型では人間が設計した特徴量やルールの比重が大きかったと言えます。

たとえば、

• この投稿は何件いいねされたか
• 誰がリポストしたか
• フォローしている人が反応したか
• 自分と似た人が反応したか
• 作者との関係はあるか
• この会話スレッドは文脈があるか
• 似たクラスタで伸びているか

といった情報を特徴量として扱っていました。

Phoenix型では、それらをよりTransformer中心に扱います。

ユーザーの行動履歴シーケンスと候補投稿をまとめて入力し、「このユーザーが次にどう反応しそうか」を直接予測する方向に寄っています。

簡単に言えば、

旧来型は「特徴量とルールの組み合わせ」。

Phoenix型は「ユーザー履歴と投稿候補をTransformerで読んで、反応確率を予測する」。

この違いです。

\10. いいね・リポスト・リプはどう扱われるのか

Xの推薦を考えるうえで、いいね、リポスト、リプライは非常に重要です。

ただし、それらは単純に数が多ければ良いというものではありません。

現在のXでは、

• 誰がいいねしたのか
• どのクラスタでリポストされたのか
• どんなリプライがついたのか
• その後に滞在やフォローにつながったのか
• 逆にミュートやブロックを生んだのか

が重要になります。

\11. いいね：軽いが広いポジティブ信号

いいねは、もっとも分かりやすいポジティブ反応です。

ユーザーがいいねするということは、

「この投稿、この話題、この作者に一定の好意を示した」

ということです。

ただし、いいねは比較的軽い行動です。文章を書く必要もなく、自分のフォロワーに公開拡散する必要もありません。

そのため、いいねは広く発生しやすい一方で、単独では深い関心とは限りません。

Phoenix型では、いいねはユーザーの興味履歴を作る材料になります。

AIデータセンター、MLCC、HBM、PCB、電源部材の投稿に継続的にいいねしているユーザーは、その分野に近い興味ベクトルを持つようになります。

投稿者目線では、いいねは重要です。

ただし、いいねだけを狙うと浅く消費される投稿になりやすい。滞在、リプ、リポスト、プロフィールクリック、フォローなど、より深い行動につながる方が強くなります。

\12. リポスト：拡散と社会的証明の信号

リポスト、旧Twitterでいうリツイートは、いいねよりも強い公開行動です。

リポストは、

「この投稿を自分のフォロワーにも見せたい」

という行動です。

そのため、リポストはクラスタをまたいで投稿を広げる力があります。

旧来のXでは、リポストはソーシャルグラフ上の拡散として非常に分かりやすい信号でした。

誰がリポストしたか、その人のフォロワーがどう反応したか、どのクラスタへ広がったかが重要でした。

Phoenix型でも、リポストは明示的な予測対象になります。

つまり、モデルは、

「このユーザーは、この投稿をリポストしそうか」

を予測します。

良いリポストは、近い興味クラスタへ投稿を運びます。

たとえば、半導体分析をしている人がMLCCやAIDCの投稿をリポストすると、その人のフォロワーにも近い興味を持つ人が多い可能性があり、投稿が自然に広がりやすくなります。

一方で、晒しや炎上目的のリポストは危険です。リポスト数は増えても、ミュート、ブロック、報告、興味なしが増えると、長期的には不利になる可能性があります。

\13. リプライ：会話と関係性を作る強い信号

リプライは、いいねやリポストとは違う意味を持ちます。

いいねは軽い肯定。

リポストは公開拡散。

リプライは会話参加です。

リプライは、ユーザーが時間を使って文字を入力する行動なので、かなり強い関与です。

Phoenix型では、リプライは次のような意味を持ちます。

1つ目は、投稿への深い関与です。

ユーザーが返信するということは、その投稿に何か言いたいことがあったということです。

2つ目は、作者との関係性です。

あるユーザーが特定の作者に何度も返信している場合、そのユーザーと作者の間には継続的な関係があると見なされやすくなります。

3つ目は、話題クラスタの形成です。

同じテーマで複数人がリプライし合うと、その会話は特定の興味クラスタ内で意味を持ちます。

たとえば、AI半導体やMLCCの話題で質の高いリプライが集まると、その会話自体が同じ関心を持つ人にとって価値あるものになります。

ただし、リプライにも良いリプライと悪いリプライがあります。

良いリプライは、会話を深めます。

「この材料はMLCC本体よりも離型膜側がボトルネックになる可能性がありますか？」

「HBMと比較して、AIDC向けMLCC需要はどの程度の規模になり得ると思いますか？」

このようなリプライは、投稿の価値を高めます。

一方で、煽り、人格攻撃、雑な反論、炎上狙いのリプライは、短期的に数を増やしても、ミュート、ブロック、報告を増やす可能性があります。

Phoenix型では、返信されそうかだけでなく、ミュートされそうか、ブロックされそうか、報告されそうかも予測されます。

つまり、単純なリプ稼ぎは危険です。

\14. 旧来とPhoenixで、リプ・いいね・リポストはどう変わったのか

旧来のXでは、いいね、リポスト、リプライは、主に特徴量やソーシャルグラフの材料でした。

この投稿は何件いいねされたか。

誰がリポストしたか。

フォローしている人が反応したか。

似たユーザーが返信したか。

会話スレッドとして文脈があるか。

こうした情報を使って、候補生成やランキングをしていました。

Phoenix型では、それらはより強く、ユーザーの行動履歴シーケンスとして扱われます。

つまり、

「あなたは過去にどんな投稿にいいねしたか」

「どんな投稿をリポストしたか」

「誰に返信したか」

「どの話題で会話したか」

「どの投稿に長く滞在したか」

「どの作者をフォローしたか」

という履歴が、次に出す投稿を決める材料になります。

旧来型は、エンゲージメントを特徴量として分解する傾向が強かった。

Phoenix型は、エンゲージメント履歴全体から次の反応確率を予測する傾向が強い。

この違いです。

\15. なぜ無名のネタツイが突然爆発するのか

X Premiumのランキングを見ると、芸能人本人、公式アカウント、大手メディア、誰でも分かる投稿が多く見えます。

これは自然です。

ランキングは基本的に絶対量の勝負になりやすいからです。

芸能人の投稿、公式発表、スポーツ、ニュース、かわいい画像、笑える一言、共感できる日常ポストは、前提知識なしで反応できます。

一方、専門投稿は理解できる人が限られます。

MLCC離型膜やHBM4やPCB材料の投稿は、刺さる人には深く刺さりますが、母集団は限られます。

しかし、ネタツイや日常の笑える投稿は、クラスタを横断しやすい。

たとえば、

• 仕事でのちょっとした失敗
• 家族との会話
• 電車内で見た不思議な出来事
• コンビニでの小さな事件
• ペットや子どもの予想外の行動
• 自分の情けない勘違い
• あるあるネタ
• 生活の中の小さなズレ

こうした投稿は、専門知識がなくても分かります。

そして、「分かる」「笑える」「自分も同じ」「誰かに見せたい」と思われやすい。

そのため、普段フォロワーが少ないアカウントでも、たまたまその投稿だけが多くの人に通じる構造を持っていると、一気に広がります。

\16. バズはアルゴリズムだけでは説明できない

バズは、旧来のTwitterでも、Phoenix型でも、さらに言えばネット以前の口コミや流行語でも起きていました。

何かが突然流行する現象は、アルゴリズム以前から存在します。

バズの本質は、アルゴリズムそのものというより、人間の反応の連鎖です。

小さな初期露出がある。

一部の人が強く反応する。

近いクラスタに広がる。

別のクラスタにも意味が通じる。

引用やリポストで文脈が増える。

さらに広い層に試される。

そこでまた反応が良いと、ランキング上位に入る。

この流れです。

Phoenixのような推薦システムは、この連鎖を検知し、加速させる装置です。

しかし、最初の「なぜその投稿が人間に刺さったのか」は、完全には予測できません。

投稿タイミング、その日の空気、社会的文脈、最初に反応した人、引用のされ方、偶然の誤読、ツッコミやすさ、文章のリズム、短さ、ミームとの接続、画像の見え方。

こうした要素が複雑に絡みます。

だから、アルゴリズムを理解しても、「次に何が1位になるか」は分かりません。

\17. ネタツイの才能とは何か

誰にでも分かる日常ネタや共感ポストでバズるのは、一見簡単そうに見えます。

しかし実際にはかなり難しいです。

なぜなら、誰にでも分かる投稿は、誰でも書けそうに見えて、実は高度な圧縮が必要だからです。

短い文章で状況を伝える。

読み手に情景を想像させる。

オチを置く。

共感を作る。

不快になりすぎない。

説明しすぎない。

でも意味は分かる。

このバランスは非常に難しいです。

たとえば、面白い日常ポストは、単に出来事が面白いだけでは足りません。

それをどう切り取るか。

どの順番で書くか。

どこを省略するか。

どこで読者の予想を裏切るか。

どの言葉を選ぶか。

どのくらい自虐するか。

どこまで一般化するか。

ここにセンスが出ます。

専門投稿は、知識と構造化の力が重要です。

ネタツイは、観察力、言語感覚、間、共感の取り方、社会の空気を読む力が重要です。

どちらも才能です。

そして、どちらも訓練できますが、完全に再現可能な公式はありません。

\18. 専門投稿はどう伸ばすべきか

専門投稿は、全体ランキングでは不利です。

理由は母集団が小さいからです。

しかし、Phoenix型のFor Youでは、専門投稿にも大きな可能性があります。

全員に見せる必要はありません。

その話題に関心がある人にだけ深く刺さればよいからです。

専門投稿の理想は、

入口は誰でも分かる。

中身は濃い。

最後に議論点がある。

という形です。

悪い例は、

「MLCC離型膜のPET基材需給がAIDCのBOMに与える影響は過小評価されている」

だけの投稿です。

専門的ですが、入口が狭い。

良い例は、

「AIサーバーで足りなくなるのはGPUだけではありません。実は、電圧を安定させる小さなコンデンサ部品、MLCCも大量に必要になります。そして、そのMLCCを作る工程で使われる離型膜にも需要が波及する可能性があります」

この方が、一般読者にも入り口があります。

そのうえで、次の投稿で深くすればよい。

「MLCCはセラミックグリーンシートを何百層も積むため、各層の成形に離型膜が必要になります。AIサーバー向けでは高容量・高信頼性品が増えるため、工程材料側にも負荷がかかる可能性があります」

このように、入口を広げてから深くする方が、専門クラスタにも一般読者にも届きやすくなります。

\19. Xで最低限やれる実用的なこと

ここからは実用面です。

アルゴリズムは完全には読めません。バズは予測できません。

それでも、最低限やれることはあります。

\1. 本文だけで何の投稿か分かるようにする

画像や動画だけに頼らず、本文に文脈を書く。

「これヤバい」だけではなく、何が、なぜ、誰にとって重要なのかを書く。

\2. 固有名詞と関係性を書く

「東洋紡」「MLCC」「AIデータセンター」だけでなく、

「東洋紡はMLCC離型膜を通じて、AIデータセンター向け電子部品需要の裏側に関わる可能性がある」

のように、関係性まで書く。

\3. 入口を広くする

専門投稿でも、最初の1文は一般の人が分かる言葉にする。

「AIサーバーで足りなくなるのはGPUだけではない」

のような入口を作る。

\4. 質の高いリプを送る

自分の投稿だけでなく、他人の投稿へのリプも重要です。

質の高いリプは、相手に認識されるだけでなく、その会話を見ている周辺ユーザーにも届きます。

良いリプとは、

• 相手の投稿をちゃんと読んでいる
• 論点を深めている
• 補足情報がある
• 質問が具体的
• 喧嘩ではなく会話になっている
• 読んだ第三者にも価値がある

リプは単なる反応ではなく、自分の小さな投稿でもあります。

質の高いリプを継続すると、その分野の人との関係性ができ、プロフィールを見られ、フォローされ、次の投稿の初期反応にもつながりやすくなります。

\5. 交流を軽視しない

Xは投稿倉庫ではなく、会話の場です。

一方的に投稿するだけより、同じ分野の人と自然に会話した方が強いです。

ただし、無理な相互リプや機械的な挨拶ではなく、話題に対して意味のある反応をすることが大事です。

\6. 投稿テーマをある程度一貫させる

毎回まったく違うジャンルだと、推薦システムにも人間にも「このアカウントは何の人か」が伝わりにくくなります。

複数テーマを扱う場合でも、投稿ごとに文脈をはっきり分けるとよいです。

半導体投稿なら半導体として明確に書く。

創作投稿ならキャラ名や世界観を明確にする。

音楽投稿ならジャンルや音色の特徴を書く。

\7. 外部リンクだけで終わらせない

noteやYouTubeに誘導したい場合でも、X本文だけで価値がある形にする。

リンクは補足にし、本文に要点を書く。

\8. 画像・動画には説明文を添える

サムネ、図解、イラスト、動画を投稿する時は、本文に「何の画像か」「何の動画か」を書く。

これにより、人間にも推薦システムにも伝わりやすくなります。

\9. 炎上リプ稼ぎを狙いすぎない

リプ数は増えても、ミュート、ブロック、報告が増えると長期的に不利になる可能性があります。

特に専門アカウントや創作アカウントでは、信頼性を失う方が痛いです。

\10. 当たり投稿を分析する

自分の投稿で伸びたものがあれば、

• 冒頭の書き方
• テーマ
• 投稿時間
• 画像の有無
• どのクラスタが反応したか
• どんなリプがついたか
• 誰がリポストしたか

を見る。

伸びた投稿を完全再現することはできませんが、傾向は分かります。

\20. X Premium課金の意義

X Premiumに課金すれば必ず伸びる、というものではありません。

しかし、意義はあります。

主に次の点です。

1つ目は、機能面です。

長文投稿、編集、長尺動画、分析系の機能、ランキングや詳細な表示、Grok利用など、投稿や分析に使える道具が増えます。

2つ目は、信頼性です。

認証や課金状態が、ユーザーから見た安心感につながる場合があります。特に長文分析、投資、技術、創作活動では、アカウントの継続性を示す意味があります。

3つ目は、検証力です。

ランキングやアナリティクス的な情報を見られると、何が伸びているのか、どんな投稿が今反応されているのかを観察しやすくなります。

4つ目は、リプライをした際に先に表示されやすくなる事です。

これは交流する上で重要になります。

ただし、課金は魔法ではありません。

課金よりも大事なのは、投稿の質、文脈の明確さ、継続、交流、リプの質、テーマの一貫性です。

Premiumは土台を強化する道具であって、それだけでバズを作るものではありません。

\21. 交流と質の高いリプの重要性

Xでは、自分の投稿だけを磨くよりも、良いリプを送ることがかなり重要です。

なぜなら、リプは相手の投稿の下に表示され、相手の読者にも見られるからです。

特に専門分野では、良いリプが名刺になります。

たとえば、AIデータセンターや半導体材料の投稿に対して、

「この観点だとMLCC本体だけでなく、離型膜やPET基材側の供給制約も見る必要がありそうです」

とリプすれば、その投稿を見ている同じ関心層に自分の視点を届けられます。

これは自分のフォロワーが少なくてもできます。

リプは、小さな露出面です。

質の高いリプを継続すると、

• 相手に覚えられる
• 同じクラスタの人に見られる
• プロフィールを見られる
• フォローされる
• 自分の投稿にも初期反応がつきやすくなる
• 会話の中で専門性が伝わる

という効果があります。

これはアルゴリズム以前に、人間関係としても重要です。

\22. 実用的な投稿テンプレート

専門投稿では、次の形が使いやすいです。

一般入口型

「AIサーバーで足りなくなるのはGPUだけではありません。 実は、電圧を安定させる小さな部品、MLCCも大量に必要になります。 さらに、そのMLCCを作る工程で使われる離型膜にも需要が波及する可能性があります。」

仮説提示型

「AIDC向け電子部品需要を見る時、MLCC本体だけでなく、工程材料側を見る必要があると思います。 特に離型膜やPET基材は、需要増の裏側にある見落とされやすいボトルネックになり得ます。」

問いかけ型

「AIサーバー需要で次に不足しやすい部材は何だと思いますか？ GPUやHBMだけでなく、MLCC、インダクタ、PCB、電源部材、光通信部材にも波及していく可能性があります。」

リプ向け補足型

「この視点はかなり重要だと思います。 AIDCではGPUやHBMが注目されがちですが、電源安定化のためのMLCCやインダクタも大量に必要になります。 部材側のボトルネックを見ると、別の企業群が見えてきます。」

\23. 結論：Xは「意味」と「反応」と「人間関係」のゲームになっている

現在のX推薦は、単純な時系列でも、単純なフォロワー数勝負でもありません。

投稿本文、画像、動画、リンク、作者情報、分類、埋め込み、ユーザー履歴、フォロー関係、いいね、リポスト、リプライ、滞在、ミュート、ブロック、報告などが組み合わされます。

Phoenix型推薦では、Grok系Transformerがユーザー履歴と候補投稿の関係を見て、次にどう反応しそうかを予測します。

ただし、アルゴリズムがどれだけ高度になっても、何が突然バズるかは完全には分かりません。

無名のネタツイや日常の笑えるポストが爆発するのは、人間の反応の連鎖が起きるからです。そこには文章のセンス、観察力、タイミング、社会の空気、偶然が絡みます。

だから、Xでできることは二つです。

一つは、推薦システムに伝わりやすい投稿を作ること。

何の話かを明確にする。 入口を広くする。 本文だけで価値を出す。 画像や動画に説明を添える。 外部リンクだけにしない。 質の良いリプを送る。 交流を大事にする。 テーマを継続する。

もう一つは、偶然を受け入れること。

どれだけ考えても、何が爆発するかは分かりません。

しかし、質の高い投稿と質の高い交流を積み重ねておけば、ある日その中の一つが、偶然の連鎖に乗る可能性があります。

Xの推薦アルゴリズムとは、人気を完全に作る機械ではありません。

人間の反応を検知し、増幅する装置です。

だからこそ、最後に重要なのは、アルゴリズム攻略だけではなく、人間が読んで面白い、役に立つ、話したくなる、誰かに見せたくなる投稿を作ることです。

アルゴリズムが変わる以前から、本質は変わっていないです

交流するのが苦手過ぎて、自分はXとか向いてないなと思います

リプ欄で交流する自信がないですし、自分が好き過ぎて、他人に嫌われたり失望されて自分に価値がないのだと思う事がこわいです

投稿した後に間違ってるなとかと思って消したり、投稿する度に疲弊して、Xを開いて眺める度に色々と考えて疲れます

それに目立つのが余り好きではないですし、自分の投稿が広がって大人数の前で自分の至らなさを披露し失望されブロックリスト入りされる事を嫌にも感じます

それだったら生半可な事を言うべきではないなとか思ってしまうのです

とはいえ、Xには有益な情報が集まっているなあと思います

本当は、引用リツをしたりリプを送って交流したいなと思ったりしています それが私には出来ないです

サムネはPixAIsunflowerモデルとGPTImage2.0