Wir haben 324.523 im offenen Web gefundene X-Konten hinzugefügt. Die Blauhaken-Rate fiel von 19 % auf 5 %.

Vor vier Studien beschrieben wir unseren X-Users-Index als 325.553 öffentliche Profile, geseedet aus Wikidata, GitHub, Startup-Gründer:innen und Journalist:innen. Diese Zahl war bereits veraltet, als die dritte Studie veröffentlicht wurde — organisches Crawling hatte die kuratierten Stufen auf 471.437 gebracht. Dann, über vier Tage Ende Juli, sprang der Index erneut: auf 796.611. Nicht weil wir eine fünfte kuratierte Seed-Liste hinzugefügt haben. Sondern weil wir Common Crawl als Entdeckungskanal eingeschaltet haben — X-Konten so zu finden, wie eine Suchmaschine Webseiten findet: indem wir lesen, worauf das offene Web bereits verlinkt und was es bereits erwähnt, statt von einer Relevanzliste auszugehen.

Allein dieser Kanal fügte fast über Nacht 324.523 Konten hinzu. Er ist jetzt die zweitgrößte Stufe im Index, knapp hinter Wikidata und knapp vor allen anderen Quellen zusammen. Das wirft die naheliegende Frage auf: Sieht ein durch Lesen des offenen Webs entdecktes X-Konto aus wie ein Konto, das dadurch entdeckt wurde, dass jemand einen Wikidata-Eintrag hat? Nein.

Die neue Hälfte sieht der alten überhaupt nicht ähnlich

Teile den Index in zwei — die 324.523 Common-Crawl-Profile gegen die 472.088 Profile aus allen anderen Stufen (Wikidata, GitHub, X-Suche, der Following-Graph, Gründer:innen, Journalist:innen und der Rest) — und vergleiche dieselben Signale, um die der Rest dieses Datensatzes gebaut ist:

Blauhaken — Common Crawl4,9 %

Blauhaken — andere Stufen18,9 %

Hat Bio — Common Crawl81,4 %

Hat Bio — andere Stufen91,8 %

Jede dieser Lücken zeigt in dieselbe Richtung: Common Crawl fand eine gewöhnlichere Teilmenge von X. Weniger seiner Konten zahlen für Verifizierung, weniger haben sich die Mühe gemacht, eine Bio auszufüllen, und fast die Hälfte folgt mehr Leuten, als ihr zurückgefolgt wird — die Konten-folgen-Fremden-Form eines alltäglichen Social-Kontos, nicht die Konto-wird-gefolgt-Form eines bekannten. Nur 1,6 % knacken 100.000 Follower, ein Sechstel der Rate in den kuratierten Stufen.

Eine Zahl bricht mit dem Muster, und sie ist es wert, dabei zu verweilen: 63,6 % der Common-Crawl-Konten listen weiterhin einen externen Link, nur 13 Punkte hinter den kuratierten Stufen. Das ist kein Zufall der Entdeckungsmethode — es ist der Mechanismus. Common Crawl findet ein X-Konto weil eine archivierte Webseite darauf verlinkt, und ein überproportionaler Anteil dieser Seiten ist die eigene Website des Kontos, die sich selbst nennt. Der Kanal ist strukturell zu Konten mit einem Link hin verzerrt, auch wenn er nicht zu Konten mit großer Followerschaft hin verzerrt ist.

Das größte Common-Crawl-Konto nach Followern ist @NetflixBrasil, Netflix' brasilianisches Markenkonto, mit 37,5 Millionen Followern — ein Beweis, dass die Stufe nicht nur Kleinfische enthält, sondern nur, dass Kleinfische sie zahlenmäßig dominieren.

Gleiche Form, schärfer am unteren Ende

Der Rest dieses Datensatzes zeigt Verifizierung, die stetig mit der Followerzahl steigt — ein Signal für bezahltes Abo, kein Identitätsmerkmal, das mit der Reichweite skaliert. Dieser Gradient überlebt auch innerhalb von Common Crawl, startet aber von einem deutlich niedrigeren Boden aus:

Ganz oben konvergieren die beiden Populationen — über die Hälfte der Konten mit 100K+ Followern sind in beiden Gruppen verifiziert, weil Xs Politik von 2023, großen Konten kostenlose Haken zu gewähren, sich nicht darum kümmert, welche Seed-Stufe das Profil gefunden hat. Ganz unten driften sie stark auseinander: Ein Konto mit unter 100 Followern ist mehr als fünfzehnmal so wahrscheinlich verifiziert, wenn es aus einer kuratierten Stufe stammt (wo „kuratiert“ bereits eine gewisse Grundlinie an Bekanntheit oder professioneller Präsenz impliziert), als wenn es aus einer zufälligen Web-Erwähnung auftauchte. Der Gradient hat dieselbe Form; Common Crawl startet nur von weiter unten am Hang.

Es sind keine neuen Konten — das offene Web hatte nur noch nicht auf sie verlinkt

Die naheliegende Hypothese für einen Kanal, der Konten über Web-Erwähnungen findet, ist, dass er hauptsächlich aktuelle Aktivität aufgreift — neue Seiten, neue Links, neue Konten. Das stimmt nicht:

Erstellt vor 201578,0 %

Erstellt 2015–201916,3 %

Erstellt 2020 oder später5,8 %

Fast vier von fünf Common-Crawl-Konten stammen aus der Zeit vor 2015. Das sind alte Konten auf alten Webseiten — ein jahrzehntealter Community-Blog, die „Folge uns“-Fußzeile eines Unternehmens, eine Forensignatur —, die ein suchmaschinenartiger Crawl des Web-Archivs irgendwann zutage fördert, und die eine relevanzorientierte Seed-Liste (Wikidata, GitHub, eine Gründer:innen-Datenbank) nie einen Grund hatte aufzugreifen. Die Stufe findet keine neuen Nutzer:innen. Sie findet alte, gewöhnliche, die der Rest des Index nie erfassen sollte.

Was dies zeigt, und was nicht

Was unserer Ansicht nach Bestand hat: Das Hinzufügen eines Entdeckungskanals, der Konten über Erwähnungen im offenen Web statt über Relevanz-Seeding findet, verändert die Zusammensetzung eines X-Profil-Index deutlich — geringere Verifizierung, dünnere Bios, weniger Mega-Konten, mehr alltägliches Follow-Verhalten — ohne dabei zu ändern, wie alt diese Konten sind. Der Reichweite-Verifizierung-Gradient, den dieser Datensatz bereits dokumentiert hatte, wiederholt sich innerhalb der neuen Population, nur von einem niedrigeren Boden aus.

Was das begrenzt:

• Common Crawl hat seine eigene Selektionsverzerrung, nicht keine. Es fördert Konten zutage, auf die zufällig eine archivierte Webseite verlinkte oder die sie erwähnte — was zu Konten mit Website, Presseerwähnung oder Online-Community-Präsenz hin verzerrt und von Konten weg, die nur je innerhalb von X selbst existierten. Es ist eine andere Stichprobe von „anderswo im Web etabliert“, keine Zufallsziehung aus Xs Nutzerbasis.
• Dies sind zwei Momentaufnahmen vier Tage auseinander, kein kontrolliertes Experiment — ein Teil des Wachstums bei „allen anderen Stufen“ im selben Zeitfenster stammt aus gewöhnlichem erneutem Crawlen bestehender Seeds, nicht nur aus der Common-Crawl-Ergänzung, macht aber weniger als 0,2 % des Deltas aus.
• Die Zahl 325.553 in unseren vier früheren X-Studien war schon davor eine veraltete Teilmenge, und beschreibt jetzt 41 % des aktuellen Index. Deren spezifische Prozentsätze (Blauhaken-Raten, Follow-Limit-Grenzen, Bio-Muster) wurden korrekt gegen die Population gemessen, aus der sie stammten; sie sind nicht automatisch die populationsweite Wahrheit des Index, wie er heute dasteht.
• Wir veröffentlichen ausschließlich Aggregate — Kohorten-Zählungen und -Prozentsätze, keine individuellen Profildatensätze über das eine oben genannte öffentliche Konto hinaus.

Nichts davon macht die früheren Studien falsch — es macht sie auf spezifische, überprüfbare Weise veraltet: Sie beschreiben die kuratierte Teilmenge, und die kuratierte Teilmenge hat sich kaum bewegt (ihre eigenen internen Verhältnisse stimmen fast auf den Datensatz genau mit der Momentaufnahme vor Common Crawl überein). Was sich geändert hat, ist, dass der Index jetzt auch die Konten enthält, an deren Seeding niemand gedacht hatte, und bei jedem relevanten Signal antworten sie anders.

Quellen

Methodik

Wir befragten das X-Users-Dataset live, wobei wir jede Metrik auf source_tier=common-crawl beschränkten und sie mit derselben Metrik über den gesamten Index verglichen (Blauhaken-, Bio- und externe-Link-Facetten; Follower-Bänder; das Follow/Follower-Verhältnis; kumulative Gesamtsummen nach Erstellungsjahr). Die „alle anderen Stufen“-Zahlen in diesem Beitrag sind die Gesamtindex-Summe minus der Common-Crawl-beschränkten Summe für jede Metrik, keine separate Abfrage — eine Subtraktion, die exakt aufgeht, da jede boolesche Facette und jedes Follower-Band sich zur Gesamtindex-Summe addiert. Als Konsistenzprüfung stimmen die abgeleiteten „alle anderen Stufen“-Zahlen für Konten ohne Follower, Verifizierung unter 100 Followern und Verifizierung bei 100K+ fast auf den Datensatz genau mit unserer Momentaufnahme vor Common Crawl überein (aufgezeichnet am 21.07.2026), was bestätigt, dass sich die kuratierte Population selbst im Vier-Tage-Fenster, in dem Common Crawl hinzugefügt wurde, kaum bewegt hat.

Die Erstellungsjahr-Kohorten nutzen dieselbe kumulative created_before=YYYY-01-01-Differenzbildung wie unsere anderen X-Studien, da eine direkte kombinierte-Bereich-Abfrage auf diesem Live-Index inkonsistent ist. Alle Zahlen sind live zum Stand des Crawls vom 25.07.2026; der vollständige Index steht jetzt bei 796.611 Profilen, wie auf der X-Users-Dataset-Seite abgebildet.

Willst du deinen eigenen Ausschnitt fahren? Das X-Users-Dataset ist direkt nach source_tier abfragbar, die Anleitung Twitter/X scrapen deckt die Aufrufe ab, und Preise enthält die kostenlose Stufe. Siehe auch die vier Studien, die dieser Beitrag aktualisiert: der produktivste Poster auf X ist eine Maschine, Xs echtes Follow-Limit ist 7.500, ein zufälliger Entwickler hat 5-mal häufiger einen Blauhaken als eine relevante Person, und was X-Bios verraten. Was diese Verschiebung der Zusammensetzung mit Xs Follower-Ungleichheit gemacht hat — sie wurde schlimmer, nicht besser —, siehe Xs Aufmerksamkeitsökonomie ist ungleicher als die Vermögensverteilung jedes Landes. Und für das eine Vollständigkeitssignal, bei dem Common-Crawl-Konten die kuratierten tatsächlich schlagen, siehe wo X-Konten angeben zu leben.