04 juni 2025·8 min
Zhang Yiming och ByteDance: att bygga en global uppmärksamhetsmotor
Hur Zhang Yiming och ByteDance kombinerade rekommendationsalgoritmer och innehållslogistik för att skala TikTok/Douyin till en global uppmärksamhetsmotor.
Hur Zhang Yiming och ByteDance kombinerade rekommendationsalgoritmer och innehållslogistik för att skala TikTok/Douyin till en global uppmärksamhetsmotor.
Zhang Yiming (född 1983) är mest känd som grundaren av ByteDance, men hans berättelse handlar mindre om känd entreprenörsstatus och mer om en specifik produktuppfattning.
Efter studier vid Nankai University (där han gick från mikroelektronik mot mjukvara) tog han roller som gav exponering mot sök, flöden och konsumentinternet i skala: byggande på reseguiden Kuxun, en kort sejour på Microsoft China och sedan grundandet av en tidig bostadsprodukt, 99fang.
Zhangs kärnfråga var enkel: hur matchar du rätt information till rätt person snabbt, utan att be dem göra mycket arbete?
Tidigare internetprodukter antog att användare skulle söka eller följa portaler och kategorier. Men när innehållet exploderade försköts flaskhalsen från “för lite information” till “för mycket information.” Hans produkttes var att mjukvara bör göra mer av filtreringen—och göra det kontinuerligt—så upplevelsen förbättras vid varje interaktion.
Från början behandlade ByteDance personalisering som ett primärt produktprimitiv, inte en funktion som läggs till senare. Denna inställning visar sig i tre återkommande val:
Det här är en nedbrytning av mekanismer, inte mytologi: hur rekommendationsalgoritmer, produktdesign och “innehållslogistik” fungerar ihop—och vad det betyder för skapare, annonsörer och säkerhet i global skala.
ByteDance började inte med kortvideo. Det började med en enklare fråga: hur hjälper du människor att hitta användbar, intressant information när det finns för mycket av den?
Zhang Yimings tidiga produkter var nyhets- och informationsappar designade för att lära sig vad varje användare brydde sig om och omordna flödet därefter.
Den första stora produkten var Toutiao (en “rubrik”-app). Istället för att be användare följa utgivare eller vänner behandlade den innehåll som lager och flödet som en personlig butik.
Denna inramning var viktig eftersom den tvingade företaget att bygga den kärnmekaniken tidigt: tagga innehåll, ranka det och mäta tillfredsställelse i realtid.
De flesta konsumentappar då lutade mot en social graf—vem du känner bestämmer vad du ser. ByteDance satsade istället på en intressegraf—vad du tittar på, hoppar över, läser, delar och söker avgör vad du ser härnäst.
Det valet gjorde produkten mindre beroende av nätverkseffekter vid lansering och mer beroende av att få rekommendationerna “tillräckligt bra” snabbt.
Från början betraktade ByteDance produktbeslut som hypoteser. Funktioner, layouter och rankingändringar testades kontinuerligt, och vinnande varianter levererades snabbt.
Det här var inte bara A/B-testning som ett verktyg; det var ett ledningssystem som belönade inlärningshastighet.
När rekommendationsmotorn fungerade för artiklar var steget till rikare format naturligt. Video erbjöd tydligare feedbacksignaler (visningstid, omspelningar, helföljning), snabbare konsumtion och större uppsida om flödet kunde vara konsekvent relevant—vilket banade väg för Douyin och senare TikTok.
Under större delen av mediehistorien var problemet brist: det fanns inte tillräckligt med kanaler, utgivare eller skapare för att fylla varje nisch. Distribution var enkel—sätt på TV:n, läs tidningen, besök några webbplatser—och det “bästa” innehållet var vad som tog sig igenom ett fåtal grindar.
Nu har flaskhalsen vänt. Det finns mer innehåll än någon person kan bedöma, även inom en enda kategori. Det innebär att “för mycket innehåll” är mindre ett skapandeproblem och mer ett distributionsproblem: värdet förskjuts från att producera fler inlägg till att hjälpa rätt tittare hitta rätt sak snabbt.
Kronologiska flöden antar att du redan vet vem du ska följa. De är bra för att hålla koll på vänner eller en begränsad uppsättning skapare, men de kämpar när:
Följardriven upptäckt gynnar också etablerade aktörer. När några konton tar tidig uppmärksamhet blir tillväxt svårare för alla andra—oavsett kvalitet.
När innehåll är rikligt behöver plattformar signaler som skiljer “sett” från “gillat”. Tid spenderad är viktigt, men inte den enda ledtråden. Fullföljandefrekvens, omspelningar, pauser, delningar och “inte intresserad”-åtgärder hjälper till att särskilja nyfikenhet från tillfredsställelse.
I en broadcastmodell betyder skalning att skjuta en hit till miljontals. I en personaliserad modell betyder skalning att leverera miljontals olika “små hits” till rätt mikropubliker.
Utmaningen är inte räckvidd—det är relevans i hög hastighet, upprepade gånger, för varje person.
ByteDances flöden (Douyin/TikTok) känns magiska eftersom de lär sig snabbt. Men kärnidén är rak: systemet gissar upprepade gånger vad du kommer gilla, ser vad du gör nästa och uppdaterar nästa gissning.
Tänk på flödet som en butik med miljontals artiklar.
Kandidatgenerering är kortlistestepet. Ur det enorma kataloget plockar systemet några hundra eller tusen videor som kan passa dig. Det använder breda ledtrådar: ditt språk, din plats, enhet, konton du följer, ämnen du engagerat dig i och vad liknande tittare gillade.
Rankning är slutordningssteget. Ur kortlistan förutspår den vilka videor du mest sannolikt kommer att titta på och njuta av just nu, och sorterar dem därefter. Små skillnader spelar roll här: att byta plats på två videor kan ändra vad du tittar på nästa, vilket i sin tur ändrar vad systemet lär sig.
Algoritmen läser inte tankar—den läser beteende. Vanliga signaler inkluderar:
Viktigt är också att den lär sig “negativa” preferenser: vad du konsekvent hoppar över, tystar eller markerar som ointressant.
För en ny användare börjar systemet med säkra, varierade val—populärt innehåll i din region och språk, plus en mix av kategorier—för att snabbt upptäcka preferenser.
För en ny video körs ofta en kontrollerad “provvisning”: visa den för små grupper som sannolikt är intresserade, och expandera distributionen om engagemanget är starkt. Så kan okända skapare slå igenom utan befintlig publik.
Korta videor ger mycket feedback på minuter: många visningar, många svep, många fullföljanden. Denna täta signalström hjälper modellen uppdatera snabbt och snäva loopen mellan “test” och “lärande.”
ByteDance kan köra A/B-tester där olika grupper ser något olika rankningsregler (t.ex. vikta delningar mer än likes). Om en version förbättrar meningsfulla utfall—som tillfredsställelse och kvalitetstid—blir den nya standarden och cykeln fortsätter.
ByteDances flöde beskrivs ofta som “beroendeframkallande”, men vad som verkligen händer är ett komponerande feedbacksystem. Varje svep är både ett val och en mätning.
När du tittar, hoppar över, gillar, kommenterar, tittar om eller delar, genererar du signaler som hjälper systemet att gissa vad det ska visa härnäst.
En enskild visning säger inte mycket i sig. Men miljontals små handlingar—särskilt upprepade mönster—skapar en tydlig bild av vad som brukar hålla din uppmärksamhet. Plattformen använder dessa signaler för att:
Detta är flywheeln: engagemang → bättre matchning → mer engagemang. När matchningen förbättras spenderar användare mer tid; den extra tiden ger mer data; datan förbättrar matchningen igen.
Om systemet bara jagar “mer av vad som fungerade” skulle ditt flöde bli repetitivt snabbt. Därför inkluderar de flesta rekommendationssystem medvetet utforskning—att visa innehåll som är nytt, närliggande eller osäkert.
Utforskning kan se ut så här:
Görs det väl håller det flödet fräscht och hjälper användare upptäcka saker de inte visste att de skulle söka efter.
En flywheel kan snurra åt fel håll. Om det enklaste sättet att vinna uppmärksamhet är sensationalism, upprördhet eller extremt innehåll, kan systemet belöna det för mycket. Filterbubblor kan formas när personalisering blir för smal.
Plattformar balanserar vanligen tillfredsställelse och nyhet med en mix av diversitetsregler, kvalitetsgränser och säkerhetspolicys (som behandlas senare i artikeln), plus styrmekanismer så att “hög-arousal”-innehåll inte dominerar varje session.
När folk pratar om ByteDance pekar de oftast på rekommendationsalgoritmer. Men det finns ett tystare system som gör lika mycket arbete: innehållslogistik—ändan-till-ändan-processen som flyttar en video från en skapares telefon till rätt tittares skärm, snabbt, säkert och upprepade gånger.
Tänk på det som en försörjningskedja för uppmärksamhet. Istället för lager och lastbilar hanterar systemet:
Om något steg är långsamt eller opålitligt har algoritmen mindre att arbeta med—och skapare tappar motivation.
Ett högpresterande flöde behöver ett konstant inflöde av “färskt lager.” ByteDance-liknande produkter hjälper skapare posta oftare genom att sänka produktionsinsatsen: inbyggda mallar, effekter, musikklipp, redigeringsgenvägar och styrda prompts.
Dessa är inte bara roliga funktioner. De standardiserar format (längd, bildförhållande, tempo) och gör videor lättare att slutföra, vilket ökar postfrekvensen och gör prestanda enklare att jämföra.
Efter uppladdning måste videor bearbetas i flera upplösningar och format så att de spelas upp smidigt över enheter och nätverksförhållanden.
Snabb bearbetning spelar roll eftersom:
Pålitlighet skyddar också sessionen. Om uppspelningen hackar slutar användare scrolla och feedbackloopen försvagas.
I skala är moderering inte ett enda beslut—det är ett arbetsflöde. De flesta plattformar använder lager: automatisk detektion (för spam, nakenhet, våld, upphovsrättsskyddat ljud), riskpoängsättning och riktad mänsklig granskning för kantfall och överklaganden.
Regler fungerar bara när de implementeras konsekvent: tydliga policys, granskarskolning, revisionsspår, eskaleringsvägar och mätning (falska positiver, handläggningstid, återfallsförbrytare).
Med andra ord är verkställighet ett operativt system—ett som måste utvecklas lika snabbt som innehållet gör.
ByteDances fördel är inte bara “algoritmen.” Det är hur produkten är byggd för att generera rätt signaler för flödet—och för att hålla de signalerna i rörelse.
Ett bra rekommendationssystem behöver en stadig tillförsel. TikTok/Douyin minskar friktion med en alltid-beredskapskamera, enkel trimning, mallar, filter och ett stort ljudbibliotek.
Två designfinesser spelar roll:
Fler skapare som postar oftare ger mer variation för flödet att testa—och fler chanser att hitta en match.
Fullskärmsspelaren tar bort konkurrerande UI-element och uppmuntrar en tydlig handling: svep. Ljud på som standard ökar den emotionella påverkan och gör trender portabla (ett ljud blir en delad referens).
Denna design förbättrar också datakvaliteten. När varje svep är en stark ja/nej-signal kan systemet lära snabbare än i röriga gränssnitt där uppmärksamheten är delad.
Remixformat förvandlar “skapande” till “svara”. Det är viktigt eftersom svarar ärvt kontext:
I praktiken är remixing inbyggd distribution—utan att behöva följare.
Notiser kan öppna loopen igen (nya kommentarer, skaparinlägg, livesändningar). Streaks och liknande mekanismer kan höja retention, men också driva tvångsmässigt beteende.
En användbar produktlektion: föredra meningsfulla uppmaningar (svar, följningar du bett om) framför pressuppmaningar (rädsla för att förlora en streak).
Små val—omedelbar uppspelning, minimal laddning, en primär gest—gör det rekommenderade flödet till standard sättet att utforska.
Produkten visar inte bara innehåll; den tränar ett upprepat beteende: öppna app → titta → svep → förfina.
ByteDance “översatte inte bara en app” och kallade det internationellt. De behandlade globalisering som både ett produkt- och ett operativsystemproblem: vad människor gillar är starkt lokalt, men maskineriet som levererar det måste vara konsekvent.
Lokalisering börjar med språk, men går snabbt vidare till kontext—memes, musik, humor och vad som räknas som “bra” tempo i en video.
Lokala skaparsamhällen spelar stor roll: tidig tillväxt beror ofta på en liten grupp infödda skapare som sätter tonen andra kopierar.
Team lokaliserar typiskt:
När användningen växer blir flödet en logistisk operation. Regionala team hanterar partnerskap (skivbolag, sportligor, media), skaparkprogram och policygenomförande som återspeglar lokal lagstiftning.
Moderering skalar i lager: proaktiva filter, användarrapporter och mänsklig granskning. Målet är snabbhet och konsekvens—ta bort uppenbara överträdelser snabbt samtidigt som kantfall hanteras med lokal expertis.
Att bli global innebär att leva inom appbutikernas regler och enhetsbegränsningar. Uppdateringar kan försenas av granskningsprocesser, funktioner kan skilja sig per region och lågpresterande telefoner tvingar hårda val om videokvalitet, caching och datanvändning.
Distribution är inte en marknadsföringsnotis; det formar vad produkten pålitligt kan göra.
Trender kan dyka upp och försvinna på dagar, medan policyformulering och granskarskolning tar veckor. Team brobygger med “tillfälliga regler” för nya format, snabba vägledningar för verkställighet och tätare övervakning under volatila moment—senare görs det som fungerade till varaktig policy och verktyg.
För mer om hur flödet stödjs bakom kulisserna, se blogginlägget om innehållslogistik.
ByteDances flöde beskrivs ofta som en “algoritm”, men det beter sig mer som en marknadsplats. Tittare tar med efterfrågan (uppmärksamhet). Skapare levererar varan (videor). Annonsörer finansierar systemet genom att betala för tillgång till den uppmärksamheten—när den kan nås förutsägbart och säkert.
Skapare laddar inte bara upp innehåll; de producerar råmaterialet som rekommendationssystemet kan testa, distribuera och lära sig av.
Ett konstant flöde av färska inlägg ger plattformen fler “experiment” att köra: olika ämnen, krokar, format och målgrupper.
I gengäld erbjuder plattformar incitament som formar beteende:
Varumärken bryr sig oftast mindre om virala slumpen och mer om upprepbara utfall:
Rekommendation gör att nischgemenskaper kan blomstra utan stora följarsiffror. Samtidigt kan den snabbt koncentrera uppmärksamhet i masstrender när många reagerar likartat.
Den dynamiken skapar en strategisk spänning för skapare: nischinnehåll bygger lojalitet; trenddeltagande kan skjuta räckvidden.
Eftersom distribution är prestationsbaserad optimerar skapare för signaler systemet snabbt kan läsa: starka öppningar, tydliga format, seriebeteende och konsekvent publicering.
Det belönar också “läsbart” innehåll—tydliga ämnen, igenkännligt ljud och upprepningsbara mallar—eftersom det är lättare att matcha till rätt tittare i skala.
ByteDances superkraft—att optimera flöden för engagemang—skapar en inneboende spänning. Samma signaler som säger “folk kan inte sluta titta på detta” säger inte automatiskt “det är bra för dem.” I liten skala ser spänningen ut som en UX-fråga. I TikTok/Douyin-skala blir det en tillitsfråga.
Rekommendationssystem lär av vad användare gör, inte vad de senare skulle önska att de gjort. Snabba omspelningar, lång visningstid och nattligt scrollande är lätt att mäta. Ånger, ångest och tvångsmässigt bruk är svårare.
Om ett flöde enbart finjusteras för mätbart engagemang kan det överbelöna innehåll som triggar upprördhet, rädsla eller tvång.
Några förutsägbara risker dyker upp i olika marknader:
Inget av detta kräver illvilliga aktörer internt; det kan uppstå ur vanlig optimering.
Folk ber ofta om ett enkelt svar: “Varför såg jag detta?” I praktiken blandar rankning tusentals funktioner (visningstid, hopp, färskhet, enhetskontext, skaparehistorik) plus realtidsexperiment.
Även om en plattform delar en lista över faktorer kommer det inte rent ut att lägga sig till en enda, mänskligt begriplig orsak för en specifik impression.
Säkerhet är inte bara moderering i efterhand. Den kan designas in i produkt och operationer: friktion för känsliga ämnen, striktare kontroller för minderåriga, diversifiering för att minska upprepad exponering, gränser för nattliga rekommendationer och tydliga verktyg för att återställa eller ställa in flödet.
Operationellt betyder det vältränade granskarlag, eskaleringsvägar och mätbara säkerhets-KPI:er—inte bara tillväxt-KPI:er.
Regler kring vad som är tillåtet, hur överklaganden fungerar och hur verkställighet revideras påverkar direkt förtroendet. Om användare och tillsynsmyndigheter uppfattar systemet som oklart eller inkonsekvent blir tillväxten skör.
Hållbar uppmärksamhet kräver inte bara att människor fortsätter titta, utan att man förtjänar rätten att fortsätta synas i deras liv.
ByteDances framgång gör “rekommendationer + snabb leverans” till en enkel receptidé. Den överförbara delen är inte någon enskild modell—det är operativsystemet runt upptäckt: snäva feedbackloopar, tydlig mätning och seriösa investeringar i innehållspipelinen som matar dessa loopar.
Snabb iteration fungerar när den paras med mätbara mål och korta inlärningscykler. Behandla varje förändring som en hypotes, skicka små förändringar och läs resultat dagligen—inte kvartalsvis.
Fokusera mätvärden på användarvärde, inte bara tid. Exempel: “sessioner som slutar med en följning”, “innehåll sparat/delat”, “enkätad tillfredsställelse” eller “skaparbevarande”. Dessa är svårare än rå visningstid, men de styr bättre avvägningar.
Optimering enbart för engagemang utan skyddsåtgärder. Om “fler minuter” är måltavlan kommer du så småningom att belöna lågkvalitativt, polariserande eller repetitivt innehåll eftersom det är pålitligt klistrigt.
Undvik också myten att algoritmer tar bort behovet av redaktionellt omdöme. Upptäcktsystem kodar alltid in val: vad som ska boostas, vad som ska begränsas och hur kantfall hanteras.
Börja med begränsningar, inte slogans:
Rekommendationer beror på innehållslogistik: verktyg, arbetsflöden och kvalitetskontroll. Investera tidigt i:
Om du budgeterar, prisätt hela systemet—modeller, moderering och support—innan du skalar (prisättning).
En praktisk not: många av dessa systeminvesteringar (dashboards, interna verktyg, arbetsflödesappar) är enkla att prototypa snabbt om du kan förkorta build–measure–learn-loopen. Plattformar som Koder.ai kan hjälpa här genom att låta team kod-vibba webbappar via en chattgränssnitt, sedan exportera källkod eller deploya—nyttigt för att snabbt snurra upp experimentdashboards, moderationsköprototyper eller skaparbehandlingsverktyg utan att vänta på en lång traditionell byggpipeline.
För mer produktresonemang, se bloggen.
ByteDances kärnprodukttes kan summeras i en enkel ekvation:
rekommendationsalgoritmer + innehållslogistik + produktdesign = en skalbar uppmärksamhetsmotor.
Algoritmen matchar människor med sannolikt intressanta videor. Logistiksystemet ser till att det alltid finns något att titta på (tillgång, granskning, märkning, distribution, skapandeverktyg). Och produktdesignen—fullskärmsuppspelning, snabba feedbacksignaler, lågfriktionsskapande—förvandlar varje visning till data som förbättrar nästa visning.
Vissa viktiga detaljer är oklara eller svåra att verifiera utan intern åtkomst:
Istället för att gissa, behandla offentliga påståenden (från företaget, kritiker eller kommentatorer) som hypoteser och leta efter konsekventa bevis i avslöjanden, forskning och observerbart produktbeteende.
Om du vill fördjupa dig utan att bli överdrivet teknisk, fokusera på dessa ämnen:
Om du håller dessa frågor nära till hands kan du analysera TikTok, Douyin och framtida flödesprodukter med klarare ögon.
Zhang Yiming’s produkttes var att mjukvara ska kontinuerligt filtrera information åt dig genom beteendesignaler, så att upplevelsen blir bättre för varje interaktion. I en värld med informationsöverflöd förskjuts produktens uppgift från “hjälp mig hitta information” till “avgör vad som är mest relevant just nu.”
Ett socialt-graf-flöde drivs av vem du följer; ett intresse-graf-flöde drivs av vad du gör (tittar, hoppar över, tittar om, delar, söker). Intresse-graf-ansatsen kan fungera även om du inte följer någon, men den är mycket beroende av att rekommendationerna blir tillräckligt bra tidigt och av att lära sig snabbt från feedback.
De flesta flöden gör två huvudsteg:
Kandidatgenerering hittar “möjliga träffar”; rankning bestämmer slutordningen där små förändringar kan påverka vad du tittar på näst.
Starka signaler kommer främst från observerbart beteende, särskilt:
Likes och kommentarer betyder något, men tittarbeteende är ofta mest tillförlitligt eftersom det är svårare att manipulera i skala.
För nya användare börjar plattformen med diversifierat och “säkert” populärt innehåll i ditt språk/region för att snabbt upptäcka preferenser. För nya videor körs ofta en kontrollerad "provdistribution": visa den för små grupper som troligen är intresserade och expandera om engagemanget är starkt. Praktiskt betyder det att okända skapare kan bryta igenom utan en stor följarskara—om tidig prestanda är bra.
Utforskning förhindrar att flödet blir repeterande genom att medvetet testa närliggande eller osäkert innehåll. Vanliga taktiker:
Utan utforskning riskerar systemet att överanpassa sig och skapa smala loopar som känns tråkiga eller polariserande.
Runaway optimization uppstår när det enklaste sättet att vinna uppmärksamhet är sensationslystet eller extremt innehåll, så algoritmen oavsiktligt belönar det. Plattformar försöker motverka detta med diversitetsregler, kvalitetsgränser och säkerhetspolicyer, samt taktiker som förhindrar att högintensivt innehåll dominerar varje session.
Innehållslogistik är den ända-till-ända-pipelinen som flyttar innehåll från en skapares telefon till tittarens skärm:
Om denna pipeline är långsam eller opålitlig lider rekommendationerna eftersom systemet får mindre (och sämre) inventarium och svagare feedbackloopar.
Verktyg som minskar friktion i skapande (mallar, effekter, ljudbibliotek, enkel redigering) ökar postfrekvensen och standardiserar format, vilket gör innehåll lättare att testa och jämföra. Remix-format (duetter/stitches) fungerar dessutom som inbyggd distribution genom att ankra nytt innehåll till redan beprövade klipp, vilket hjälper systemet att snabbare förstå kontext och intressen.
A/B-testning förvandlar produktbeslut till mätbara hypoteser. Team skickar små ändringar (UI, rankningsvikter, notiser), mäter resultat och rullar fram vinnare snabbt. För att göra det ansvarsfullt, använd mätvärden utöver rå visningstid (t.ex. följningar, sparade/delade, “inte intresserad”-frekvens, klagomål) så att tillväxt inte sker på bekostnad av användarnas välmående.