Il feed non è una lista: come gli algoritmi scelgono cosa vediamo

Quando apriamo un social network non vediamo “i contenuti disponibili”. Vediamo una selezione ordinata costruita per noi. Il feed è quindi il risultato di una catena di sistemi che scelgono quali contenuti considerare, stimano quanto potrebbero interessarci e decidono in quale ordine mostrarli.

Parlare dell’“algoritmo di Instagram” o dell’“algoritmo di TikTok” è comodo, ma impreciso. Le piattaforme usano più modelli e regole per superfici diverse: home, Reels, Shorts, ricerca, notifiche e contenuti suggeriti possono avere obiettivi e segnali differenti.

Non esiste un solo algoritmo del social

Un sistema di raccomandazione moderno combina più fasi. Una parte recupera i contenuti potenzialmente rilevanti; un’altra li classifica; altre ancora applicano regole di sicurezza, diversità, freschezza o eleggibilità.

È utile distinguere questa architettura dall’idea di un’unica formula segreta. La nostra pagina sugli algoritmi di ranking spiega il problema generale: ordinare una grande quantità di candidati in base a un obiettivo.

Prima fase: scegliere i candidati

La piattaforma non può confrontare ogni post esistente ogni volta che apriamo l’app. Deve costruire un insieme più piccolo di contenuti candidati. Possono provenire dagli account seguiti, da creator sconosciuti, da temi già apprezzati, da contenuti popolari o da ciò che utenti con comportamenti simili hanno guardato.

Questa fase determina già una parte importante di ciò che vedremo: un contenuto che non entra nel set dei candidati non può essere premiato dal ranking successivo.

Seconda fase: assegnare un punteggio

Il sistema stima la probabilità di diverse azioni: fermarsi sul contenuto, guardarlo fino alla fine, mettere like, commentare, condividere, nascondere o abbandonare. Ogni piattaforma combina questi segnali in modo diverso e può assegnare pesi diversi in base alla superficie.

Meta ha spiegato che i sistemi di Facebook e Instagram utilizzano numerose previsioni combinate per stimare il valore di un contenuto per l’utente, invece di affidarsi a un singolo indicatore. La società descrive il processo nelle proprie system card e pagine di trasparenza sul ranking.

Terza fase: ordinare e filtrare

Dopo aver assegnato punteggi, il sistema costruisce il feed. Ma il valore previsto non è l’unico criterio: possono entrare regole che limitano contenuti ripetitivi, materiale problematico, post non idonei alla raccomandazione o eccessiva presenza dello stesso autore.

Questo spiega perché ranking, raccomandazione e moderazione non siano la stessa cosa. Un contenuto può essere consentito sulla piattaforma ma ricevere una distribuzione più limitata; può essere eleggibile ma classificato in basso; oppure non entrare affatto in una superficie di raccomandazione.

I segnali: cosa osserva la piattaforma

I segnali possono riguardare l’utente, il contenuto, la relazione tra autore e spettatore e il contesto della sessione. Cronologia, tempo di visione, ricerche, like, condivisioni, feedback negativi e interessi inferiti contribuiscono a costruire una previsione.

YouTube, per esempio, dichiara di usare cronologia di visione e ricerca, iscrizioni, like, dislike, feedback “non mi interessa” e sondaggi di soddisfazione. La piattaforma sottolinea inoltre che superfici diverse usano segnali diversi: l’homepage si affida molto alla storia dell’utente, mentre “Up next” parte anche dal video attualmente in riproduzione. Lo spiega nella guida ufficiale su come funzionano i contenuti consigliati.

Il feedback loop: il feed legge anche noi

Il sistema non classifica soltanto contenuti: osserva le nostre reazioni ai contenuti che ci ha appena mostrato. Una sequenza di visualizzazioni lunghe, skip rapidi, ricerche e interazioni diventa nuovo input per le raccomandazioni successive.

È un feedback loop. Il feed influenza il comportamento e il comportamento aggiorna il feed. Per questo piccole differenze nelle prime interazioni possono produrre percorsi informativi molto diversi nel tempo.

Perché alcuni contenuti diventano virali

La viralità non dipende da una singola metrica. Un contenuto può ottenere una prima distribuzione, generare segnali positivi e venire proposto a pubblici progressivamente più ampi. Se continua a performare, la distribuzione cresce.

La nostra guida su perché alcuni contenuti diventano virali approfondisce proprio la relazione tra segnali iniziali, reti sociali e meccanismi di amplificazione.

TikTok: scoperta prima della relazione

TikTok ha reso popolare un modello in cui la relazione con gli account seguiti pesa meno rispetto alla scoperta algoritmica. Il feed “Per Te” costruisce rapidamente un profilo di interesse dalle interazioni e continua ad aggiornarlo.

La piattaforma descrive ufficialmente l’uso di interazioni, informazioni sul contenuto e dati relativi all’utente nel proprio documento su come TikTok raccomanda i contenuti. Per il dettaglio abbiamo una guida specifica sull’algoritmo di TikTok.

Instagram: Feed, Reels ed Explore non sono la stessa superficie

Instagram deve bilanciare contenuti degli account seguiti e scoperta. Feed, Reels ed Explore non rispondono allo stesso intento: una superficie può privilegiare la relazione, un’altra la scoperta, un’altra ancora la probabilità di interazione con formati brevi.

Per questo conviene parlare di sistemi di ranking distinti. La pagina sull’algoritmo di Instagram entra nei segnali specifici senza confonderli con la logica generale descritta qui.

YouTube: soddisfazione, non solo watch time

YouTube dichiara che il proprio obiettivo è aiutare ogni spettatore a trovare video che voglia guardare e massimizzare la soddisfazione nel lungo periodo. Non considera quindi soltanto il tempo di visione: usa anche segnali espliciti e sondaggi.

La guida sull’algoritmo di YouTube mostra come homepage, ricerca e suggeriti rispondano a logiche differenti.

Filter bubble e percezione della realtà

La personalizzazione può ridurre l’esposizione casuale a contenuti lontani dalle nostre abitudini. Non significa che ogni utente viva in una bolla perfettamente chiusa, ma il ranking modifica le probabilità di incontro con idee, temi e persone.

È il problema discusso nella nostra guida sulla filter bubble: il punto non è che l’algoritmo “decida cosa pensare”, ma che controlli una parte importante delle condizioni di visibilità.

Shadow banning, eleggibilità e distribuzione

Quando un contenuto riceve meno distribuzione è facile attribuirlo a uno “shadow ban”. In realtà bisogna distinguere violazione delle regole, eleggibilità alla raccomandazione, ranking e semplice risposta del pubblico.

La nostra pagina sullo shadow banning affronta questa distinzione evitando l’idea di un unico interruttore invisibile.

Engagement: la metrica diventa un obiettivo

Like, commenti e condivisioni sono segnali utili, ma diventano anche incentivi. Quando un sistema ottimizza ciò che aumenta l’engagement, creator e piattaforme imparano a produrre contenuti capaci di generare quelle reazioni.

Qui il problema tecnico si incontra con quello economico: più tempo e interazioni possono significare più opportunità di monetizzazione. È il ponte naturale verso l’economia dell’attenzione.

L’obiettivo del ranking cambia il comportamento dei creator

Quando una piattaforma premia certe reazioni, chi pubblica impara rapidamente ad adattarsi. Titoli, durata, montaggio, apertura del video e frequenza di pubblicazione vengono ottimizzati sulla base dei segnali che sembrano favorire la distribuzione.

Il ranking non influenza quindi soltanto ciò che vediamo: può modificare ciò che viene prodotto. È un effetto di secondo livello importante, perché trasforma una scelta tecnica della piattaforma in una pressione culturale sull’intero ecosistema dei creator.

Un feed cronologico è davvero neutrale?

Ordinare per tempo elimina una parte della personalizzazione, ma non crea un ambiente neutro. Restano le scelte su chi seguiamo, su quali contenuti vengono ammessi, su come funzionano notifiche e ricerca e su quali account hanno costruito maggiore visibilità nel tempo.

Il feed cronologico offre però una proprietà diversa: rende più prevedibile la regola di ordinamento. Per questo può essere utile quando vogliamo ridurre l’intervento del ranking e recuperare un rapporto più diretto con le fonti scelte.

Cosa può controllare davvero l’utente

Gli utenti non sono completamente passivi. Cronologia, follow, feedback negativi, preferenze e scelte di feed possono modificare la personalizzazione. Ma il controllo avviene dentro un sistema progettato e ottimizzato dalla piattaforma.

Capire gli algoritmi social non serve quindi a trovare il “trucco per battere l’algoritmo”. Serve a vedere che il feed è una macchina di selezione: decide cosa entra in competizione per la nostra attenzione, misura la risposta e usa quella risposta per costruire la selezione successiva.