Empfehlungsalgorithmus: Wie Social Media Algorithmen ranken

Reichweite auf Social Media wird nicht vergeben, sie wird vorhergesagt. Jedes große Netzwerk betreibt ein System, das für jede Kombination aus Nutzer und Beitrag schätzt, wie wahrscheinlich eine bestimmte Handlung ist: ansehen, liken, kommentieren, weiterschicken, wegwischen, melden. Aus diesen Wahrscheinlichkeiten entsteht ein Score, aus dem Score die Reihenfolge im Feed. Was Marketing-Teams als „der Algorithmus hat meinen Post nicht ausgespielt" erleben, ist das Ergebnis genau dieser Rechnung.

Der praktisch wichtigste Befund daraus: Die Plattformen unterscheiden sich in den Gewichten, kaum in der Architektur. Wer die gemeinsame Mechanik verstanden hat, lernt einen Algorithmus und fünf Abweichungen davon.

Wie ein Empfehlungsalgorithmus in vier Stufen arbeitet

Das Grundproblem ist ein Rechenproblem. Zwischen dem Moment, in dem jemand die App öffnet, und dem fertigen Feed liegen Millisekunden, und in dieser Zeit lässt sich nicht jeder verfügbare Beitrag mit einem großen Modell bewerten. Also wird die Menge stufenweise verkleinert und die Bewertung stufenweise teurer. Jede Stufe hat ihr eigenes Ausschlusskriterium, und ein Beitrag, der in Stufe eins nicht auftaucht, kann in Stufe drei nichts mehr gewinnen.

Candidate Generation. Aus dem Gesamtbestand an Beiträgen wird eine Vorauswahl von einigen tausend Kandidaten gezogen. Das passiert nicht durch Durchsehen, sondern über Embeddings: Ein neuronales Netz bildet Nutzer ab, ein zweites Inhalte, beide in denselben Vektorraum (Two-Tower-Architektur). Die Auswahl ist dann eine Nachbarschaftssuche, technisch eine Approximate-Nearest-Neighbour-Abfrage. Diese Stufe entscheidet, ob dein Beitrag überhaupt in die engere Auswahl kommt. Sie ist auch der Grund, warum thematische Klarheit stärker wirkt als Frequenz: Ein Account ohne erkennbares Themenprofil landet in keiner sauberen Nachbarschaft.

Light Ranking. Ein billiges Modell sortiert die Kandidatenmenge grob vor und reduziert sie auf eine Größe, die sich teuer bewerten lässt. Hier zählen wenige, schnell verfügbare Merkmale: bisherige Performance ähnlicher Inhalte, Aktualität, grobe Passung zwischen Nutzerprofil und Beitragsprofil. Diese Stufe ist der Grund, warum ein Beitrag mit schwachem Start selten noch gedreht wird. Er scheidet aus, bevor das genaue Modell ihn überhaupt sieht.

Heavy Ranking. Jetzt läuft das eigentliche Vorhersagemodell. Es bewertet die verbliebenen Kandidaten und sagt mehrere Handlungen gleichzeitig voraus, statt eine einzige Zielgröße zu optimieren (Multi-Task-Prediction). Das Ergebnis ist pro Beitrag ein Bündel von Wahrscheinlichkeiten.

Re-Ranking. Die letzte Stufe korrigiert die reine Score-Reihenfolge: Vielfalt (nicht dreimal derselbe Absender hintereinander), Geschäftsregeln (Anzeigenanteil, Aktualität), Trust und Safety (Moderationsregeln, Reichweitenbegrenzung für Grenzfälle). Was hier herausgefiltert wird, taucht im Feed nicht auf, egal wie hoch der Ranking-Score war.

Die vier Stufen erklären auch, warum sich Reichweiten-Diagnosen so oft widersprechen. Ein Beitrag kann an sehr unterschiedlichen Stellen scheitern: weil er thematisch nirgends andockt (Candidate Generation), weil die ersten Sekunden nichts liefern (Light Ranking), weil er zwar geklickt, aber nicht zu Ende gesehen wird (Heavy Ranking), oder weil eine Moderationsregel greift (Re-Ranking). Von außen sieht jedes dieser vier Szenarien identisch aus, nämlich nach wenig Reichweite. Wer die Ursache nicht trennt, optimiert die falsche Stufe.

Wer aus dem Such- oder KI-Umfeld kommt, erkennt das Muster sofort: billiges Retrieval, teure Nachbewertung. Dieselbe Zweiteilung beschreibt Reranking in RAG-Systemen, nur mit Dokumenten statt mit Posts.

Das Value Model: was „gut" für die Maschine bedeutet

Aus dem Bündel Wahrscheinlichkeiten muss eine einzige Zahl werden, sonst gibt es keine Reihenfolge. Diese Umrechnung übernimmt das Value Model, eine gewichtete Nutzenfunktion über die vorhergesagten Handlungen. Das arXiv-Paper von Milli, Pierson und Garg beschreibt, dass die Aggregation als lineare Kombination der einzelnen Signale erfolgt, und verweist auf die zehn Handlungen, deren Gewichte X 2023 offengelegt hat.

Das ist der Hebel, an dem Plattformen tatsächlich drehen. Wenn ein Netzwerk „den Algorithmus ändert", wird selten die Pipeline umgebaut, sondern es werden Gewichte verschoben oder ein neues Vorhersageziel ergänzt. LinkedIn hat das in seinem Ranking-Paper LiRank dokumentiert: Für den Feed werden sechs Vorhersagen linear kombiniert, darunter ein eigens eingeführtes long-dwell-Signal, das passives Lesen erkennt. Verweildauer ist dort eines von sechs Zielen und wird gegen die anderen fünf verrechnet; die Schwelle dafür ist bewusst kontextabhängig statt als feste Sekundenzahl definiert.

Wie stark einzelne Handlungen zählen, ist von außen kaum messbar. Die Analyse-Plattform AuthoredUp kommt auf Basis eines eigenen Datensatzes von über 621.000 LinkedIn-Beiträgen zu dem Ergebnis, dass Kommentare etwa doppelt so viel zählen wie Likes. Das ist eine Auswertung eines Drittanbieters, keine Angabe von LinkedIn, und entsprechend als Richtwert zu lesen. Deutlich höhere Faktoren, die in Ratgebertexten kursieren, sind nirgends unabhängig reproduziert.

Die ehrliche Grenze: Bis auf den 2023 veröffentlichten Code von X sind exakte Ranking-Gewichte nicht öffentlich, und auch dieser Stand ist teils überholt. Welche Bausteine sich daraus tatsächlich ablesen lassen, steht im Detail im Artikel zum X-Algorithmus und seinem Open-Source-Code.

Die Mechanik dahinter ist alt und unbequem:

„Je populärer ein Beitrag ist, desto mehr Reichweite bekommt er. […] Wer dieses Prinzip versteht, kann es für sich und die eigenen Zwecke ausnutzen."

Björn Tantau, Social-Media-Berater, auf LinkedIn. Der Satz beschreibt die Rückkopplung sauber: Frühe Signale erhöhen den vorhergesagten Wert, der erhöhte Wert bringt mehr Auslieferung, mehr Auslieferung erzeugt weitere Signale.

Vom Social Graph zum Content Graph

Jahrelang war Distribution eine Frage der Verbindung: Du folgst jemandem, du bekommst dessen Beiträge. Dieses Modell ist nicht verschwunden, aber es ist zur zweiten Reihe geworden. Der Regelfall ist heute die interessenbasierte Auslieferung, bei der das System aus dem Verhalten ähnlicher Nutzer ableitet, was passen könnte.

Instagram macht diese Zweiteilung ausdrücklich. Adam Mosseri hat im Januar 2025 die drei zentralen Signale benannt und dabei zwischen Reichweite bei Followern und Reichweite bei Nicht-Followern unterschieden: Watch Time, Likes und Sends sind die wichtigsten Signale, wobei Likes für Inhalte bei bestehenden Followern etwas stärker zählen und Sends für Empfehlungen an Nicht-Follower. Dieselben Signale, andere Gewichte, zwei Reichweiten-Töpfe. Was daraus konkret für Formate und Signale auf Instagram folgt, behandelt der Artikel zum Instagram-Algorithmus 2026.

Strategisch bedeutet der Umbau: Deine Follower-Zahl wirkt nur noch auf der ersten Stufe. Sie liefert dem System eine günstige erste Kandidatenmenge und damit schnelle Signale. Ob ein Beitrag darüber hinaus ausgespielt wird, entscheidet die Qualität dieser Signale, nicht die Größe des Accounts. Praktisch heißt das, dass jeder einzelne Post neu gegen den relevanten Themenpool antritt, statt eine erworbene Basisreichweite zu erben. Nach unserer Einschätzung ist das der wichtigste Grund, warum Redaktionspläne, die auf konstante Reichweite pro Post kalkulieren, regelmäßig danebenliegen.

Eine Nebenwirkung betrifft Zweitverwertung. Instagram schließt Accounts, die zehn oder mehr Mal in 30 Tagen fremde Inhalte ohne eigene Bearbeitung posten, aus den Empfehlungsflächen aus. Wenn Distribution über Empfehlungen läuft, wird Originalität zur Zugangsvoraussetzung.

Foundation-Models lösen die Modell-Sammlungen ab

Bis vor kurzem bestand ein Ranking-Stack aus einer Vielzahl spezialisierter Modelle, je eines pro Aufgabe und Fläche. Dieser Aufbau wird gerade konsolidiert. Meta beschreibt GEM als größtes Foundation-Model für Empfehlungssysteme in der Branche, trainiert über tausende GPUs in der Größenordnung großer Sprachmodelle und 4x effizienter je eingesetzter Daten- und Rechenmenge als die Vorgängergeneration; im initialen Reels-Einsatz nennt Meta 5 Prozent mehr Ad-Conversions auf Instagram.

Bei LinkedIn läuft dieselbe Bewegung. Das Paper zu 360Brew beschreibt ein Decoder-only-Modell mit 150 Milliarden Parametern, das über 30 Vorhersage-Aufgaben löst, die sonst jeweils eigene Modelle bekommen. Die verbreitete Aussage, damit würden tausende Einzelmodelle ersetzt, steht so nicht im Paper.

Für die Praxis folgt daraus weniger, als die Schlagzeilen nahelegen, aber etwas Konkretes: Wenn ein einziges großes Modell semantisch versteht, worum es in einem Beitrag geht, verlieren formale Tricks an Wirkung und inhaltliche Eindeutigkeit gewinnt. Keyword-Stopfen, Hashtag-Wolken und Format-Imitation adressieren eine Systemgeneration, die gerade abgelöst wird.

Was der DSA in der EU verändert

Empfehlungssysteme sind in der EU reguliert, und das wirkt direkt auf die Verfügbarkeit von Reichweite. Artikel 27 des Digital Services Act verpflichtet Anbieter von Online-Plattformen, die Empfehlungssysteme einsetzen, die Hauptparameter dieser Systeme in klarer und verständlicher Sprache in ihren Bedingungen darzulegen. Artikel 38 geht weiter: Sehr große Plattformen und sehr große Suchmaschinen müssen für jedes ihrer Empfehlungssysteme mindestens eine Option anbieten, die nicht auf Profiling beruht. TikTok kündigte am 4. August 2023 an, europäischen Nutzern das Abschalten der Personalisierung zu ermöglichen; For You zeigt dann regional und global populäre Videos.

Die operative Konsequenz ist unspektakulär, aber real: Ein wachsender Teil der Nutzerschaft kann in nicht-personalisierte Feeds wechseln. Für dich verschiebt das den Wert von Inhalten, die auch ohne Personalisierung gefunden werden, also Suchbares und Evergreens gegenüber reinen Timing-Wetten.

Was Mechanik ist und was Folklore

Belegt ist, dass neue Beiträge zunächst an kleinen Zielgruppen getestet werden und dass frühe Signalqualität über die weitere Ausspielung entscheidet. Nicht belegt sind die konkreten Zahlen, die dazu kursieren: feste Testpool-Größen, exakte Schwellen für Completion Rates oder eine Golden Hour mit definierten Grenzwerten. Diese Werte stammen aus Agenturbeiträgen, nicht aus Plattformquellen. Ebenso uneinheitlich ist die Beweislage zu Reichweitenstrafen für externe Links: Bei X ist die Unterdrückung im offengelegten Code dokumentiert, bei anderen Netzwerken wird sie breit berichtet, aber empirisch nicht konsistent bestätigt. Die Abgrenzung zwischen dokumentierter Moderation und dem, was als heimliche Bestrafung erzählt wird, behandelt der Artikel Was ist ein Shadowban.

Daraus ergibt sich eine brauchbare Arbeitsregel: Architekturprinzipien haben eine lange Halbwertszeit, Einzelzahlen eine kurze. Die vierstufige Pipeline, die Multi-Task-Vorhersage und die interessenbasierte Auslieferung waren 2023 gültig und sind es 2026. Prozentgewichte, Schwellenwerte und Format-Boni ändern sich laufend und sind meist ohnehin nur Interpretation. Wer seine Content-Entscheidungen an den Prinzipien ausrichtet und Zahlen nur als Hypothese im eigenen Test verwendet, arbeitet stabiler als jeder, der der nächsten Gewichtungsmeldung hinterherläuft. Welche Plattform an welcher Stelle abweicht und welche Formate darauf einzahlen, ordnet der Themenüberblick zu Social-Media-Algorithmen und Distribution ein. Alle hier genannten Zahlen haben den Stand August 2026.