Ce que le code open-source de l'algorithme X révèle sur la portée des publications
Le code de recommandation publié par X montre les pondérations exactes appliquées aux réponses, au temps de lecture et aux signaux négatifs — des enseignements concrets pour optimiser votre présence sur la plateforme.
Pourquoi X a publié son code de recommandation
En mars 2023, X (anciennement Twitter) a publié une partie du code source de son algorithme de recommandation sur GitHub. Cette démarche rare dans l'industrie des réseaux sociaux permet d'examiner directement comment la plateforme décide quels tweets apparaissent dans le fil « Pour vous » de chaque utilisateur.
Le dépôt GitHub contient les pondérations numériques appliquées à différents signaux d'engagement, les pénalités pour certains comportements, et la logique qui transforme ces données en score de pertinence. Pour les créateurs qui publient régulièrement sur X, ces informations remplacent les suppositions par des faits vérifiables.
Les pondérations d'engagement dans le code
Le fichier de configuration révèle les multiplicateurs exacts appliqués à chaque type d'interaction. Un « j'aime » (fav) reçoit une pondération de base de 0,5, tandis qu'un retweet obtient 1,0 — soit le double. Une réponse (reply) vaut 13,5, ce qui en fait de loin le signal le plus puissant pour l'algorithme.
Cette hiérarchie s'explique par le coût d'effort : liker demande un clic, retweeter engage votre propre audience, mais rédiger une réponse nécessite du temps et de la réflexion. X interprète ce niveau d'investissement comme un indicateur de qualité du contenu original.
Le temps de lecture (dwell time) apparaît également dans le code avec une pondération significative. Lorsqu'un utilisateur reste sur un tweet sans scroller immédiatement, l'algorithme enregistre ce signal et augmente la probabilité que ce contenu soit montré à d'autres.
Les signaux négatifs et leurs pénalités
Le code documente aussi les actions qui réduisent la portée. Masquer un tweet (« show less often ») applique une pénalité sévère, tout comme signaler du contenu ou bloquer l'auteur. Ces signaux négatifs pèsent plus lourd que les positifs : une seule action de masquage peut annuler plusieurs dizaines de likes.
Les tweets contenant des liens externes subissent une légère réduction de portée par rapport au contenu natif. Cette pratique, commune à la plupart des plateformes sociales, vise à maintenir les utilisateurs sur X plutôt que de les diriger ailleurs. Le code ne bloque pas les liens, mais leur attribue un score de pertinence inférieur à effort d'engagement égal.
Les comptes récemment créés ou peu actifs voient leurs publications pondérées à la baisse. L'algorithme utilise l'âge du compte, le nombre de followers, et l'historique d'engagement comme facteurs de confiance avant d'amplifier largement un contenu.
Ce que cela signifie pour votre stratégie de contenu
Privilégiez les formats qui génèrent des réponses. Poser une question directe, partager une observation qui invite au débat, ou publier un avis tranché sur un sujet d'actualité dans votre secteur augmente mécaniquement la probabilité de réponses — et donc votre portée algorithmique.
Optimisez pour le temps de lecture. Les threads bien structurés, les analyses denses mais lisibles, et les visuels qui nécessitent quelques secondes d'attention fonctionnent mieux que les one-liners rapides. L'algorithme mesure combien de temps l'utilisateur reste sur votre tweet avant de continuer à scroller.
Limitez les liens externes dans vos tweets principaux. Si vous devez partager un lien, envisagez de publier d'abord un tweet d'analyse ou de contexte sans lien, puis d'ajouter l'URL dans une réponse à votre propre tweet. Le premier tweet bénéficie de la portée algorithmique complète, tandis que la réponse reste accessible à ceux qui veulent approfondir.
Évitez les comportements qui déclenchent des signaux négatifs. Publier trop fréquemment, utiliser des hashtags non pertinents, ou adopter un ton agressif augmente la probabilité que les utilisateurs masquent votre contenu — une pénalité difficile à compenser.
Les limites de cette transparence
Le code publié ne représente qu'une partie du système de recommandation. X utilise également des modèles d'apprentissage automatique dont les pondérations évoluent en continu, et qui ne sont pas documentés dans le dépôt GitHub. Les facteurs liés à la sécurité, à la modération et à la détection de spam restent confidentiels pour des raisons évidentes.
La plateforme met à jour son algorithme régulièrement. Les pondérations observées dans le code en 2023 ont probablement évolué depuis, même si les principes généraux — favoriser l'engagement profond, pénaliser les signaux négatifs — restent constants.
Enfin, l'algorithme ne contrôle que le fil « Pour vous ». Le fil chronologique (« Abonnements ») affiche simplement les tweets des comptes que vous suivez, dans l'ordre de publication. Les créateurs qui construisent une audience fidèle bénéficient de cette visibilité directe, indépendamment des pondérations algorithmiques.
Application pratique : un exemple concret
Prenons un créateur qui publie une analyse de marché. Deux approches possibles :
Version A : « Nouvelle étude sur les tendances e-commerce 2024 [lien] »
Version B : « Les trois changements de comportement d'achat que je vois dans les données cette année : [thread avec analyse détaillée, lien dans la dernière réponse] »
La version B génère plus de réponses (débat sur les tendances), plus de temps de lecture (thread structuré), et évite la pénalité de lien externe sur le tweet principal. D'après les pondérations du code, elle obtiendra une portée algorithmique significativement supérieure.
Pour les créateurs qui cherchent à accélérer leur croissance initiale sur X tout en appliquant ces optimisations de contenu, Fanovera propose des campagnes de visibilité ciblées qui complètent l'effet des bonnes pratiques algorithmiques par une exposition auprès d'audiences pertinentes.
Ressources officielles
X documente certains aspects de son algorithme dans son centre d'aide, bien que de manière moins détaillée que le code source. Le dépôt GitHub « twitter-algorithm » reste la source la plus précise pour comprendre les mécaniques de pondération, même si les mises à jour ne sont pas systématiquement synchronisées avec les changements en production.
Les créateurs sérieux sur X gagnent à consulter périodiquement le dépôt et à comparer les pondérations documentées avec leurs propres données d'engagement pour identifier les leviers les plus efficaces dans leur niche spécifique.