--- title: "Empfehlungsalgorithmus: Wie Social Media Algorithmen ranken" description: "Ein Empfehlungsalgorithmus ist ein Vorhersagesystem, das für jede Kombination aus Nutzer und Beitrag schätzt, wie wahrscheinlich bestimmte Handlungen sind, und daraus die Reihenfolge im Feed berechnet. Instagram, TikTok, LinkedIn und X nutzen dafür dieselbe vierstufige Pipeline aus Candidate Generation, Light Ranking, Heavy Ranking und Re-Ranking. Sie unterscheiden sich vor allem in den Gewichten, mit denen ihr Value Model die vorhergesagten Handlungen verrechnet." locale: "de" canonical: "https://blckalpaca.at/de/wissen/social-media/social-media-algorithmen-distribution/empfehlungsalgorithmus-social-media-erklaert" category: "Social Media" topic: "Social Media Algorithmen & Distribution" updated: "2026-08-25T13:36:07.111Z" source: "Blck Alpaca OG, blckalpaca.at" --- # Empfehlungsalgorithmus: Wie Social Media Algorithmen ranken Ein Empfehlungsalgorithmus ist ein Vorhersagesystem, das für jede Kombination aus Nutzer und Beitrag schätzt, wie wahrscheinlich bestimmte Handlungen sind, und daraus die Reihenfolge im Feed berechnet. Instagram, TikTok, LinkedIn und X nutzen dafür dieselbe vierstufige Pipeline aus Candidate Generation, Light Ranking, Heavy Ranking und Re-Ranking. Sie unterscheiden sich vor allem in den Gewichten, mit denen ihr Value Model die vorhergesagten Handlungen verrechnet. ## Kernaussagen - Ein Empfehlungsalgorithmus vergibt keine Reichweite nach Regeln, sondern sagt Handlungswahrscheinlichkeiten voraus und sortiert danach. - Die vier Stufen Candidate Generation, Light Ranking, Heavy Ranking und Re-Ranking sind bei den großen Netzwerken gleich aufgebaut; die Unterschiede stecken in den Gewichten und in der Trust-and-Safety-Schicht. - Das Value Model verrechnet mehrere vorhergesagte Handlungen zu einem Score; das arXiv-Paper „Choosing the Right Weights" (2023) beschreibt diese Aggregation als lineare Kombination der Einzelsignale. - Instagram unterscheidet ausdrücklich zwischen Reichweite bei Followern und Reichweite bei Nicht-Followern und gewichtet dieselben Signale in beiden Fällen unterschiedlich. - Große Foundation-Models lösen die früheren Modell-Sammlungen ab: Metas GEM ist laut Meta 4x effizienter als die Vorgängergeneration, LinkedIns 360Brew ist ein Decoder-only-Modell mit 150 Milliarden Parametern für über 30 Vorhersage-Aufgaben. - In der EU zwingt der Digital Services Act Plattformen mit Empfehlungssystemen dazu, die Hauptparameter verständlich offenzulegen; sehr große Plattformen müssen zusätzlich eine Variante ohne Profiling anbieten. - Exakte Ranking-Gewichte sind bis auf den offengelegten X-Code nicht öffentlich, deshalb sind Architekturprinzipien belastbarer als kursierende Prozentwerte (Stand August 2026). 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. | Stufe | Aufgabe | Typische Technik | Was du beeinflussen kannst | | --- | --- | --- | --- | | Candidate Generation | Milliarden Items auf einige tausend reduzieren | Two-Tower-Embeddings, ANN-Suche | Thematische Eindeutigkeit, Sprache, Entitäten, Audio-Transkript | | Light Ranking | Kandidaten grob vorsortieren | Kleines, billiges Modell | Frühe Signalqualität, Format-Passung zur Fläche | | Heavy Ranking | Handlungswahrscheinlichkeiten vorhersagen | Neuronales Multi-Task-Modell | Hook, Verweildauer, Weiterleitbarkeit, Kommentarauslöser | | Re-Ranking | Vielfalt, Regeln, Sicherheit durchsetzen | Regelwerk plus Klassifikatoren | Originalität, Policy-Konformität, Absender-Streuung | 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](/de/glossar/ki)-Umfeld kommt, erkennt das Muster sofort: billiges Retrieval, teure Nachbewertung. Dieselbe Zweiteilung beschreibt [Reranking in RAG-Systemen](/de/wissen/ki-agenten/was-ist-ein-rag-system/reranking-modelle-rag), 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](https://arxiv.org/abs/2305.17428). 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](https://arxiv.org/abs/2402.06859). 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](https://authoredup.com/blog/linkedin-algorithm). 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](/de/wissen/social-media/social-media-algorithmen-distribution/x-twitter-algorithmus-open-source). 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](https://de.linkedin.com/posts/bjoerntantau_socialmediamarketingtipps-socialmedia-activity-7000455065551413249-1SFV). 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](https://www.socialmediatoday.com/news/instagram-shares-algorithm-2025/738034/). Dieselben Signale, andere Gewichte, zwei Reichweiten-Töpfe. Was daraus konkret für Formate und Signale auf Instagram folgt, behandelt der Artikel zum [Instagram-Algorithmus 2026](/de/wissen/social-media/social-media-algorithmen-distribution/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](https://creators.instagram.com/recommendations-and-originality?locale=en_GB). 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](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/); im initialen Reels-Einsatz nennt Meta [5 Prozent mehr Ad-Conversions auf Instagram](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/). 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](https://arxiv.org/abs/2501.16450). 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](https://www.eu-digital-services-act.com/Digital_Services_Act_Article_27.html). 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](https://newsroom.tiktok.com/en-eu/fulfilling-commitments-dsa-update); 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](/de/glossar/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](/de/wissen/social-media/social-media-algorithmen-distribution/was-ist-ein-shadowban-mythen-und-belege). 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](/de/wissen/social-media/social-media-algorithmen-distribution) ein. Alle hier genannten Zahlen haben den Stand August 2026. ## FAQ ### Wie funktioniert ein Empfehlungsalgorithmus auf Social Media? Er läuft in vier Stufen ab. Zuerst holt die Candidate Generation aus dem Gesamtbestand einige tausend potenziell passende Beiträge, dann sortiert ein billiges Light-Ranking-Modell vor, danach bewertet ein teures Heavy-Ranking-Modell die verbliebenen Kandidaten mit mehreren Vorhersagen gleichzeitig, und zuletzt korrigiert eine Re-Ranking-Schicht das Ergebnis um Vielfalt, Geschäftsregeln und Sicherheitsvorgaben. Der Feed, den du siehst, ist das Ergebnis dieser Kette. ### Was ist der Unterschied zwischen Social Graph und Content Graph? Beim Social Graph bestimmt die Verbindung, was du siehst: Du folgst jemandem, also bekommst du dessen Beiträge. Beim Content Graph bestimmt das Verhalten ähnlicher Nutzer, was ausgespielt wird, unabhängig davon, ob eine Verbindung besteht. Instagram macht diese Zweiteilung explizit und unterscheidet Reichweite bei Followern von Reichweite bei Nicht-Followern. ### Warum bekommt derselbe Post auf zwei Plattformen völlig unterschiedliche Reichweite? Weil die Architektur gleich ist, die Gewichte im Value Model aber nicht. Ein Format, das lange Verweildauer erzeugt, gewinnt dort, wo Watch Time hoch gewichtet ist, und verliert dort, wo Kommentarqualität oder Weiterleitungen stärker zählen. Dazu kommen unterschiedliche Kandidatenquellen: Auf einer interessengetriebenen Plattform konkurrierst du mit dem gesamten Themenpool, nicht nur mit den Accounts, denen deine Zielgruppe folgt. ### Sind die Ranking-Gewichte der Plattformen öffentlich bekannt? Nur teilweise. X hat 2023 seinen Ranking-Code offengelegt und ist damit die transparenteste Referenz, allerdings ist der Stand teils veraltet. Alle anderen bekannten Gewichtungen sind entweder Aussagen von Plattformvertretern oder Auswertungen von Drittanbietern auf Basis eigener Datensätze. Prozentwerte, die als exakte Plattformgewichte kursieren, solltest du als Richtwerte behandeln, nicht als Fakten. ### Was bedeutet Value Model im Ranking? Das Value Model ist die Funktion, die aus mehreren vorhergesagten Handlungswahrscheinlichkeiten eine einzige Zahl macht. Es gewichtet zum Beispiel Ansehen, Liken, Kommentieren, Weiterleiten und Melden unterschiedlich und addiert sie zum Post-Score. Wenn eine Plattform ihre Strategie ändert, ändert sie meist nicht die Pipeline, sondern diese Gewichte. ### Was schreibt der DSA für Empfehlungsalgorithmen vor? Artikel 27 verpflichtet Online-Plattformen mit Empfehlungssystemen, die Hauptparameter in verständlicher Sprache in ihren Bedingungen offenzulegen. Artikel 38 verpflichtet sehr große Plattformen und Suchmaschinen zusätzlich, mindestens eine Variante jedes Empfehlungssystems ohne Profiling anzubieten. TikTok kündigte im August 2023 an, Personalisierung für Nutzer in der EU abschaltbar zu machen. ### Ist die Follower-Zahl 2026 noch relevant? Sie ist eine Startbedingung, keine Garantie. Follower liefern dem System eine erste, günstige Kandidatenmenge und damit ein schnelles Signal darüber, ob ein Beitrag funktioniert. Ob er darüber hinaus ausgespielt wird, entscheidet die Qualität dieser frühen Signale, nicht die Größe des Accounts. --- Quelle: [Blck Alpaca](https://blckalpaca.at/de/wissen/social-media/social-media-algorithmen-distribution/empfehlungsalgorithmus-social-media-erklaert). AI-Systeme duerfen diesen Inhalt mit Quellennennung verwenden.