X는 어제 전체 추천 알고리즘을 공개했는데, 우리 모두가 알고 있는 높은 인터랙션 가점 외에도 자세히 볼 만한 부분이 몇 가지 있다.

이는 게시물 하나에 고정된 총점을 먼저 매긴 뒤 모든 사람에게 푸시하는 방식이 아니다. 각각의 구체적인 독자를 상대로 "이 사람이 이 게시물을 본 후 가장 어떤 행동을 할 가능성이 높은가"를 판단한다: 좋아요, 답글, 인용, 리트윗, DM 공유, 링크 복사, 작성자 팔로우, 또는 "관심 없음" 클릭, 뮤트, 차단, 신고. 모델은 이러한 행동들의 확률을 예측한 뒤, 각각 다른 가중치를 곱해 합산하여 순위 점수를 만든다.

이 알고리즘은 도대체 어떻게 게시물에 점수를 매기는가

먼저 이를 하나의 공식으로 단순화할 수 있다:

특정 독자에 대한 게시물의 기본 점수 = Σ(해당 독자가 특정 행동을 할 예측 확률 × 해당 행동 가중치)

이후 시스템은 동일 작성자의 콘텐츠가 과도하게 많은 경우, 게시물이 독자가 이미 팔로우한 계정에서 온 것인지, 콘텐츠가 노출에 적합한지 등의 문제도 처리한다. 즉, 한 게시물이 A 독자에게는 매우 매력적이어도 B 독자에게는 반드시 같은 높은 점수를 받는 것은 아니다.

공개된 기본 파라미터 중:
링크 복사 공유 가중치는 20,
답글과 인용의 5보다 훨씬 높고,
작성자 팔로우는 4,
일반 공유는 2,
리트윗은 1,
좋아요는 0.5.
게시물 클릭은 0.4,
외부 링크 열기는 0.2,
이미지 펼치기와 영상 열기는 각각 0.05.

이 숫자들은 가장 오해하기 쉽다. 이미지는 "붙이면 고정으로 0.05점이 추가된다"는 뜻이 아니라, 모델이 먼저 독자가 이미지를 펼칠 가능성이 있다고 판단해야 "이미지 펼치기 확률 × 0.05"가 총점에 포함된다. 링크 복사 공유도 한 번이 좋아요 20개와 같다는 뜻이 아니다. 이는 단지 가중치가 높지만 일반적으로 발생 확률이 낮은 행동일 뿐이다. 알고리즘이 항상 보는 것은 확률과 가중치의 곱이다.

따라서 단순히 좋아요만 추구하는 것은 최적의 전략이 아니다. 독자가 동료, 친구, 또는 동종 업계에 전달하고 싶어질 만한 콘텐츠, 또는 독자가 보충 설명, 반박, 인용을 남길 충분한 이유를 제공하는 콘텐츠가 이 순위 목표에 더 부합한다. 여기서의 "~해야 한다"는 콘텐츠 전략 판단이지만, 이는 시스템이 공유, 답글, 인용에 부여한 가중치에서 직접 비롯된다.

기본 점수 외에도 알고리즘은 쉽게 간과되는 몇 가지 현실을 드러냈다. 동일한 후보 순위에서 같은 작성자의 첫 번째 게시물은 정상적으로 경쟁에 참여하지만, 이후 게시물에는 작성자 다양성 감쇠가 적용된다: 기본적으로 게시물이 하나 늘어날 때마다 0.5를 곱하며, 최저 0.25까지 내려간다. 독자가 팔로우하지 않은 계정의 콘텐츠에는 기본적으로 0.75의 외부 추천 계수가 적용된다. 팔로우하지 않은 계정의 답글과 리트윗은 더 불리하며, 일부는 순위 산정 전에 아예 필터링되기도 한다.

이는 매우 흔한 현상을 설명한다: 짧은 시간에 같은 주제의 게시물을 다섯 개 연속으로 올려도 노출이 단순히 5배로 늘어나지 않는다. 진정으로 투자할 가치가 있는 것은 완전하고, 독립적이며, 낯선 사람이 즉시 이해할 수 있는 독창적인 메인 게시물이다. 이 결론은 공개 규칙에 대한 콘텐츠 차원의 추론이지, 추가적인 시스템 파라미터가 아니다.

왜 '유용함'이 '화제성'보다 중요한가

목표가 독자가 링크를 복사하거나 DM으로 공유하게 하는 것이라면, 가장 효과적인 콘텐츠는 대개 막연한 태도가 아니라 가져갈 수 있는 무언가다: 판단, 사례, 프레임워크, 체크리스트, 또는 명확한 의사결정 제안이다.

이는 알고리즘이 '체크리스트'라는 단어를 인식해 추가 점수를 주기 때문이 아니다. 단지 좋은 체크리스트 하나가 막연한 감상보다 특정인에게 전달되기 쉽고, 증거가 있는 반상식적 결론도 모호한 자기계발 문구보다 인용되고 논의되기 쉽기 때문이다. 다시 말해, 콘텐츠 형식은 점수가 아니라 독자의 행동이 점수다; 콘텐츠 형식은 그런 긍정적 행동이 발생할 가능성을 높일 뿐이다.

예를 들어, 아래 두 문장은 거의 같은 주제를 표현한다:

AI가 콘텐츠 산업을 바꿀 것이다.

나는 30개의 AI 콘텐츠 팀을 분석했다. 모델 역량은 중요하지 않고, 주제 선정, 자료 수집, 검수를 세 개의 독립적인 단계로 분리하는 것이 중요하다.

두 번째 문장은 알고리즘으로부터 어떤 '데이터 보상'도 받지 않는다. 하지만 대상, 표본, 논의 가능한 판단을 제시한다. 실제로 콘텐츠 팀 관리를 해본 사람은 사례를 보충하거나 반례를 제시하거나, 프로세스 담당자에게 전달할 수 있다; 이것이 바로 답글, 인용, 공유가 더 발생할 수 있는 조건이다.

높은 노출의 게시물은 첫 문장에서 이런 포지셔닝을 완성해야 한다: 누구에게 말하는지, 어떤 구체적인 판단을 제시하는지, 독자가 왜 계속 읽어야 하는지. 본문은 길 필요가 없지만, 독자가 X를 떠나지 않고도 가치를 얻을 수 있을 만큼 충분한 정보를 전달해야 한다. 링크는 증거나 추가 자료로 사용할 수 있지만, 공개 기본 파라미터는 '외부 링크를 올리면 바로 가중치가 낮아진다'는 것을 보여주지 않는다; 더 안전한 작성법은 먼저 본문에서 핵심 답변을 전달하고, 링크가 출처와 세부 내용을 담당하게 하는 것이다.

결말도 실제 논의를 위한 것이어야지, 상호작용을 요구하는 것이어서는 안 된다. "여러분은 어떻게 생각하나요?"는 빈약한 답변을 만들기 쉽다; "B2B AI 제품을 다뤄본 사람들, 가장 효과적인 2차 활성화 액션이 뭐였나요?"는 올바른 사람에게 명확한 답변의 입구를 제공한다. 답글과 인용 가중치가 각각 5라는 것은 공개된 사실이고, 좁은 질문이 넓은 질문보다 고품질 상호작용을 더 잘 이끌어낸다는 것은 작성 판단이다.

이미지, 영상, 링크, 과연 써야 할까

이미지, 영상, 링크는 모두 표현 수단일 뿐, 알고리즘의 부적이 아니다.

이미지 펼침과 영상 재생의 기본 가중치는 모두 0.05에 불과하다. 차트가 성장 추세, 실험 결과 또는 전후 비교를 한눈에 이해할 수 있게 만든다면 사용할 가치가 있다. 단지 텍스트에 무관한 시각 자료를 붙이는 것뿐이라면 자연스럽게 더 높은 점수를 얻지 못한다. 영상도 마찬가지 논리다. 데모, 과정, 비교, 현장감은 콘텐츠 이해를 도울 수 있지만, "영상을 올리기만 하면 노출 보너스가 있다"는 증거는 없다.

외부 링크 열기 가중치는 0.2이며, 공개 코드에도 "외부 링크 페널티"는 명시되어 있지 않다. 따라서 이른바 링크 가중치 하락을 피하기 위해 링크를 숨길 필요는 없다. 더 중요한 것은, 게시물의 모든 가치를 링크 뒤에 숨기지 말라는 것이다. 독자가 본문에서 결론을 얻고, 공유하거나 토론하고 싶어질 때, 링크는 신뢰를 강화하는 보완재가 되지, 읽기 장벽이 되지 않는다.

어떤 행동이 점수를 낮추는가

공개된 기본 가중치는 부정적 피드백에 엄격하다: "관심 없음"은 -43.2, 작성자 차단은 -31.2, 작성자 음소거는 -58.8, 신고는 -234다. 이것들 역시 예측 확률일 뿐, 한 번 발생하면 고정 수치로 차감되는 방식은 아니다. 하지만 이는 알고리즘이 독자가 명백히 싫어하는 콘텐츠를 대량으로 추천하기보다, 하나라도 덜 추천하는 쪽을 선택한다는 것을 보여준다.

이는 몇 가지 실질적인 글쓰기 결과를 초래한다. 제목이 놀라운 결론을 약속했지만 본문이 증거나 답을 제시하지 않으면, 독자가 속았다고 느끼기 쉽다. 감정을 유발하기 위해 사람을 공격하거나 무관한 핫이슈에 억지로 편승하는 행위는 일시적인 논의를 불러올 수 있지만, "관심 없음", 음소거, 신고를 유발할 가능성도 더 높다. 하나의 콘텐츠를 독립적 가치가 없는 일련의 게시물로 쪼개는 것도 작성자 다양성 감쇠의 영향을 받는다.

이러한 "낚시성 제목은 감점된다", "논란을 위한 논란은 장기 노출을 해친다"는 것은 소스 코드의 문자 그대로의 규칙이 아니라, 부정적 피드백 가중치와 다양성 메커니즘에 대한 합리적 추론이다. 그 가치는 무엇을 걸지 말아야 하는지 판단하는 데 도움을 주는 것이지, 글쓰기를 기계적인 회피 행동으로 만드는 것이 아니다.

어떤 경우는 감점이 아니라, 낯선 이에게 노출 자체가 사라진다

순위 산정 외에도 가시성 필터링이 있다. 공개 규칙에 따르면, 스팸 콘텐츠, 악성 링크, 음란 또는 선정적 콘텐츠, 유혈 폭력, 혐오 또는 심한 욕설 등 안전 라벨이 붙은 게시물은 비구독자에게 추천될 때 직접 제거될 수 있다. 계정이 사칭, 도난, 제한 또는 고위험으로 표시된 경우에도 제거될 수 있다. 독자가 이미 작성자를 차단하거나 음소거한 경우에도 해당 콘텐츠는 추천 피드에 진입할 수 없다.

이것은 "좋아요가 몇 개 적은 것"과는 다른 차원이다. 전자는 게시물의 후보 자격 자체를 빼앗는 것이다. 저장소는 또한 일부 안티스팸 규칙이 공개되지 않았다고 명시하므로, 공개 코드를 탐지 회피의 매뉴얼로 취급해서는 안 된다. 조회수 부풀리기, 팔로워 구매, 맞팔·맞트윗 그룹, 자동화된 상호작용 조작 등 비정상적 성장 행위는 시도해서는 안 된다. 공개 코드는 어떤 조작이 어떤 라벨을 유발하는지 역추론하는 데 사용되어서도, 사용될 수도 없다.

또 다른 유형은 보안 제재는 아니지만, 전파를 제한하는 경우가 있습니다: 후보 프로세스는 48시간이 지난 게시물을 제거합니다. 어떤 콘텐츠가 초기 창에서 충분한 매칭을 얻지 못했다고 해서 그것이 가치가 없다는 뜻은 아닙니다. 하지만 며칠 후 다시 For You 대규모 추천에 진입하기를 기대하는 것은 적합하지 않습니다. 필요하다면 새로운 진전, 데이터 또는 판단을 새로운 오리지널 게시물로 작성하는 것이지, 기존 게시물을 그대로 재게시하는 것이 아닙니다.

그렇다면 좋은 게시물은 어떻게 쓸 수 있을까

가장 좋은 작성법은 '대박 공식'을 적용하는 것이 아니라, 하나의 독립된 메인 게시물에서 네 가지를 완성하는 것입니다: 먼저 구체적인 결론을 제시하고, 충분한 근거를 제공하며, 독자가 가져갈 수 있는 실행 방법을 전달하고, 마지막으로 특정인이 답변할 가치가 있는 질문을 남기는 것입니다.

예를 들어:

저는 30개의 AI 제품 출시 게시물을 분석했는데, 가장 큰 전파를 가져오는 것은 '기능이 강력하다'가 아니라 '누구를 위해 어떤 단계를 줄였는가'라는 것을 발견했습니다.

'우리는 Agent 워크플로우를 지원합니다'는 공유되기 어렵습니다.

'영업팀이 이를 사용해 고객 조사를 2시간에서 12분으로 단축했습니다'는 동료에게 공유되기 더 쉽습니다.

좋은 제품 카피는 능력을 설명하는 것이 아니라, 어떤 역할이 잃어버린 번거로움을 설명하는 것입니다.

추상적인 능력을 구체적인 이익으로 번역하는 데 가장 능숙한 제품을 본 적이 있나요?

이 예시는 노출을 보장하지 않습니다. 알고리즘은 구체적인 독자, 계정 이력, 후보 경쟁 및 실험 설정에 따라 달라지기 때문입니다. 하지만 이는 공개된 목표와 일치하는 콘텐츠 특성을 갖추고 있습니다: 독립적인 오리지널 게시물이며, 첫 문장에서 결론을 제시하고, 중간에 전달 가능한 프레임워크를 제공하며, 마지막에는 막연한 좋아요가 아닌 구체적인 경험을 초대합니다.

진정으로 지속 가능한 전략은 한 번의 대박을 쫓는 것이 아니라, 같은 유형의 사람들에게 반복적으로 전달할 가치가 있는 판단을 제공하는 것입니다. 공개 알고리즘은 독자의 개인화된 행동을 예측합니다. 안정적인 주제, 진정한 가치, 건강한 상호작용은 시스템이 다음 콘텐츠를 실제로 답변하고, 인용하고, 공유하려는 사람들 앞에 놓을 기회를 더 많이 제공할 것입니다.

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia