LinkedInLinkedIn nedgraderer innlegg som høres ut som KI: hva de regner som «generisk innhold» og hvordan du skriver uten å miste rekkevidde
Teamet i AiToolsForAppsSkrevet med AI-hjelp14 min lesetidKort fortalt
- Siden 8. oktober 2026 gjennomgår LinkedIn med klassifiserere alle innlegg som distribueres utenfor forfatterens umiddelbare nettverk, ifølge ingeniørdirektør Tim Jurka (Social Media Today, 8.10.2026).
- Tallet som sirkulerer feil: 94 % er presisjon, ikke dekning. Av hver 100 innlegg systemet merker som slop, er rundt 94 det ifølge kriteriene. LinkedIn har ikke publisert hvor mange som slipper unna.
- Det LinkedIn straffer er ikke å bruke KI, men det «generiske og/eller repetitive som ikke gir noen reell idé» (Jurkas ordrette definisjon). KI som korrekturleser er uttrykkelig tillatt.
- Effekten er allerede målbar: innhold klassifisert som slop fikk 40 % færre visninger, ifølge produktsjef Hari Srinivasan (Social Media Today, 20.8.2026).
- Det som overlever filteret er konkret: en ekte krok i de to første linjene (før «se mer»-bruddet), et eget tall eller tilfelle og skjønn i førsteperson.

Hvis du publiserer på LinkedIn og merker at riktige, velskrevne og velsatte innlegg stopper på 200 visninger, handler det sannsynligvis ikke om publiseringstidspunktet. Det er et nytt filter, det er eksplisitt, og forfatteren av det har forklart det offentlig. Denne artikkelen går gjennom hva filteret ser på, hva tallene som gjentas feil rundt omkring egentlig betyr, og hvordan du skriver uten å bli stående i grøfta. Hos AiToolsForApps vedlikeholder vi LinkedIn, et sett med KI-verktøy for deg som skaper, selger eller konkurrerer i det profesjonelle nettverket, og det som kommer nå er konteksten som forklarer hvorfor vi bygger verktøy for utforming av overskrifter, karuseller og innlegg på LinkedIn med tellere og validatorer i stedet for en «generer et innlegg til meg»-knapp.
Hva «AI slop» egentlig er for LinkedIn
For LinkedIn er AI slop «generiske og/eller repetitive innlegg som ikke gir noen reell idé». Det er den ordrette definisjonen Tim Jurka, ingeniørdirektør, ga 8. oktober 2026. Legg merke til hva den ikke sier: den sier ikke «skrevet med KI». Kriteriet er fravær av substans, ikke tekstens opphav.
Det skillet har selskapet gjentatt fra begynnelsen. Hari Srinivasan, produktsjef, oppsummerte det med en setning som er verdt å huske: «AI og slop er ikke det samme». Og i mai 2026 hadde Laura Lorenzetti, VP Global Editorial, allerede trukket linjen: «Det er greit å bruke KI til å hjelpe deg å skrive, men innleggene og kommentarene dine må representere din stemme og dine perspektiver» (Social Media Today, 21.5.2026).
Den praktiske konsekvensen: et innlegg skrevet på fire hender med en modell, men med et tall fra deg, en beslutning du tok og en diskutabel mening, havner på riktig side av filteret. Et innlegg skrevet helt for hånd, men med tre råd som hvem som helst kunne ha signert, havner på den gale.
«Når KI misbrukes, særlig i stor skala og automatisert, fortynner det de verdifulle ideene som kan oppstå av ekte menneskelige samtaler.» — Laura Lorenzetti, VP Global Editorial i LinkedIn, 21. mai 2026.
Hva 94 % presisjon betyr (og hva det ikke betyr)
94 % er presisjon, ikke utfyllende dekning. Det betyr at av hver 100 innlegg klassifisereren merker som slop, stemmer omtrent 94 med LinkedIns kriterier. Det betyr ikke at den oppdager 94 % av innleggene skrevet med KI: LinkedIn har ikke publisert sin gjenfinningsrate (recall), så hvor mange som slipper unna er et ukjent tall i dag.
Forskjellen er ikke akademisk pedanteri: den endrer fullstendig hva du kan utlede av tallet.
| Det som leses rundt omkring | Det LinkedIn sa | Hva man kan konkludere |
|---|---|---|
| «LinkedIn oppdager 94 % av innleggene laget med KI» | 94 % presisjon ved merking av slop | Ingenting om hvor mange som går ubemerket |
| «94 % av innleggene med KI mister rekkevidde» | Merkede innlegg mister distribusjon | Påvirker bare det som er merket, ikke alt generert med KI |
| «Det er 6 % feilmargin som beskytter meg» | ~6 av 100 merkede ville være falske positive | Marginen virker mot deg, ikke for deg: hvis de merker deg, treffer de mest sannsynlig riktig |
To nyanser til som betyr noe for hva du bør gjøre:
- Rekkevidden som kuttes er anbefalingsrekkevidden, utover første grad. Det merkede innholdet slettes ikke og er fortsatt synlig for de som følger deg direkte.
- Filteret brukes ved fordelingspunktet: alle innlegg som skal distribueres utenfor forfatterens umiddelbare nettverk gjennomgås. Det vil si at silingen skjer rett før innlegget får muligheten til å vokse.
Hvor systemet kommer fra: en tidslinje for 2026
LinkedIn slo ikke på dette filteret på én gang. Det er en sekvens over seks måneder, og hvert trinn forklarer det neste.
| Dato | Hva skjedde | Kilde |
|---|---|---|
| 21. mai 2026 | LinkedIn kunngjør at de vil redusere rekkevidden til KI-innhold uten tydelig menneskelig perspektiv, begrense automatiserte kommentarer og legge til filtre for verifiserte profiler | Social Media Today |
| Slutten av juli / august 2026 | Alternativet for å rapportere det som «ser ut som AI slop» dukker opp i trepunktsmenyen på hvert innlegg | Social Media Today |
| August 2026 | LinkedIn trekker tilbake sin egen funksjon «Enhance your post» (fullstendig omskriving av utkastet) og erstatter den med en korrekturleser som, med Srinivasans ord, «retter ordene dine, men endrer ikke stemmen din» | IBTimes UK |
| 20. august 2026 | Over 1 million personer har brukt knappen på under tre uker; innhold klassifisert som slop samler 40 % færre visninger | Social Media Today |
| 8. oktober 2026 | Jurka beskriver arkitekturen og bekrefter at silingen dekker alle innlegg som forlater det umiddelbare nettverket, med 94 % presisjon | Social Media Today |
Den mest avslørende detaljen i den tabellen er ikke de 94 %: det er at millionen rapporter i august ble treningssettet til klassifisererne i oktober. Filteret koder ikke et produktteams mening om hva som er et godt innlegg; det koder det en million fagfolk merket som fyll.
Hvordan klassifisereren fungerer på innsiden
LinkedIn bruker et lærer–elev-opplegg (teacher-student): store modeller som holdes oppdatert på nye slop-mønstre genererer materialet små modeller trenes med, og det er de små som klassifiserer i stor skala. Oppå det ligger agenter med konkrete retningslinjer og menneskelige gjennomgåere for tvilstilfellene.

Med Jurkas ord: «vi bruker det som kalles et lærer–elev-oppsett. De større «lærer»-modellene er utformet for å holde seg oppdatert på nye AI slop-mønstre og identifisere dem presist». Og om agentene: «hver agent styres av en spesifikk policy, som definerer kriteriene den vurderer innholdet etter: for eksempel om et innlegg er reklame, om det feirer en prestasjon eller om det er aktuelt».
Tre praktiske implikasjoner av denne arkitekturen:
- Å bytte ut ordene er ikke nok. Systemet vurderer mønster og formål, ikke ordforråd. Å skrive om det samme tomme innlegget med andre synonymer redder det ikke.
- Mønstrene oppdateres. «Lærer»-delen finnes nettopp for å forfølge nye formler. Krok-malen som fungerer denne måneden er kandidat til å være registrert neste.
- Det finnes kategorisignal. At en agent vurderer om innlegget er «reklame» eller «feirer en prestasjon» betyr at den samme teksten kan vurderes ulikt avhengig av hva den skal brukes til.
Signalene som avslører et tomt innlegg
Et innlegg havner på den dårlige siden av filteret når det ikke inneholder noe bare du kunne ha skrevet: ikke ett datert faktum, ikke ett målt tall, ikke én person eller ett verktøy med navn, ikke én mening noen kunne motsi. Formatsignalene er bare symptomet; årsaken er fraværet av substans.

Dette er signalene som går igjen i det merkede innholdet, slik analysene av fenomenet gjengir dem:
- Malåpning. Starten som setter opp en scene («I går, i et møte …») uten å komme fram til å hevde noe.
- Lister uten ett eneste eget tall. Tre råd, tre feil, tre nøkler: upåklagelig struktur, innhold som kan byttes mot hvilken som helst annen forfatters i bransjen.
- Formelen «det er ikke X, det er Y». Den retoriske vendingen som høres ut som en åpenbaring og ikke gir ny informasjon.
- Interaksjonsagn. Setninger med det eneste målet å utløse en kommentar eller et «ja» («Kjenner du deg igjen? Kommenter JA»).
- Avslutning med generisk spørsmål. «Og hva mener du?» som punktum, uten et konkret spørsmål om noe konkret.
- Pent lærdomsavsnitt på slutten. Moralavsnittet som binder alt sammen med en sløyfe og ikke lar noe stå åpent.
- Format limt inn fra chatten. Stjerner, overskrifter og punkter kopiert som de er fra et samtaleverktøy: det mest bokstavelige sporet av alle.
Ingen av disse signalene er ulovlige eller kaster deg ut av plattformen. Men opphopningen av dem er nøyaktig det mønsteret en million rapporter lærte klassifisereren.
Hva som overlever filteret: krok, tall og skjønn
Det som overlever er innlegget som i de to første linjene sier noe konkret og etterprøvbart; som i teksten bidrar med et tall, et tilfelle eller en egen beslutning; og som tar standpunkt i førsteperson. De tre elementene er kumulative: med bare kroken får du klikket på «se mer», og uten eget tall har klassifisereren ingenting å skille på.

1. Kroken bor før «se mer»-bruddet
Grensen for et innlegg på LinkedIn er 3 000 tegn, men leseren ser bare de to eller tre første linjene før bruddet. Det rommet varierer med enheten og med om innlegget har bilde: på mobil er det rundt 140 tegn og på skrivebordet litt mer, og bransjeveiledningene setter det praktiske bruddet rundt 210 tegn (Commenti, tegngrenser 2026). Der er det ikke plass til både en fortellende omvei og en tese: det er plass til én av dem.
Grunnen til at dette veier tungt er oppholdstiden (dwell time): hvis ingen folder ut innlegget, blir oppholdstiden under ett sekund og distribusjonen slukkes. Viktig: det som er dokumentert av bransjekilder er rollen til dwell time som algoritmesignal; LinkedIn har ikke publisert den nøyaktige vekten de gir det eller terskelverdiene. Behandle det som det det er, en rimelig tommelfingerregel, ikke et offisielt tall.
2. Et tall eller et tilfelle som er ditt
Dette er det som virkelig skiller. Det som regnes som substans:
| Type substans | Eksempel på det som gjelder | Det som ikke gjelder |
|---|---|---|
| Datert faktum | «Uken 3. november byttet vi emnefeltet i oppfølgings-e-posten» | «I det siste prøver vi ut ting» |
| Målt tall | «Svarprosenten gikk fra 11 % til 19 % over 40 utsendelser» | «Resultatene ble merkbart bedre» |
| Person eller verktøy med navn | «Marta oppdaget det da hun gikk gjennom CRM-en» | «Et teammedlem la merke til det» |
| Omstridt mening | «Å kvalifisere etter budsjett i den første samtalen kostet oss to kunder» | «Det er viktig å lytte til kunden» |
| Egen metode | «Hva vi gjorde, i hvilken rekkefølge og hvorfor det fungerte» | «Nøklene til suksess i salg» |
Bomullstesten er enkel: hvis innlegget ditt kunne ha vært publisert ordrett av en annen person i bransjen din ved å bytte navn, har det ikke egen substans.
3. Skjønn i førsteperson
«Etter min erfaring fungerer ikke dette, og jeg forteller deg hvorfor» er en påstand noen kan diskutere. «Det er grunnleggende å tilføre verdi» er det ikke. Det som kan diskuteres er i praksis den mest pålitelige markøren for at det ligger et menneskelig skjønn bak, og det er også det som skaper kommentarene som ikke er agn.
To ulike lag: hva som nedgraderes og hvem det vises til
Anti-slop-filteret og rangeringen etter profilrelevans er ulike lag i den samme traktene, og å forveksle dem fører til at du optimaliserer det som ikke er aktuelt. Slop-filteret virker før distribusjonen: det avgjør om innlegget ditt fortjener å distribueres utenfor det umiddelbare nettverket. Rangeringen etter profilrelevans virker under distribusjonen: den avgjør hvem det som allerede har passert den første siktingen vises til.
| Anti-slop-filter | Profilrelevans | |
|---|---|---|
| Hva avgjør det? | Om innlegget distribueres utenfor første grad | Hvem det vises til |
| Når virker det? | Før distribusjonen | Ved tildeling av publikum |
| Hva avhenger det av? | Substansen i teksten i det innlegget | Samsvaret mellom profilen din og interessen til den som leser |
| Hva løser problemet? | Skrive om med tall og skjønn | Jobbe med profilens konsistens og nisjen |
Prioriteringsrekkefølge, altså: sørg først for å komme gjennom filteret, fordi en upåklagelig profil ikke distribuerer et innlegg som ikke blir distribuert. Og jobb deretter med samsvaret, fordi et utmerket innlegg vist til feil publikum heller ikke presterer. Vi har en egen artikkel om rangering etter profilrelevans på denne samme bloggen; denne delen plasserer bare de to lagene, den gjentar ikke innholdet.
Sjekkliste på 60 sekunder før du publiserer
Kjør hvert utkast gjennom disse sju kontrollene. Hvis du feiler tre eller flere, ikke publiser: skriv om.
- Påstår de to første linjene noe, eller setter de bare opp en scene?
- Finnes det minst ett tall, én dato eller ett egennavn i teksten?
- Finnes det en setning noen kunne motsi med argumenter?
- Har jeg fjernet enhver setning som bare har til hensikt å utløse en kommentar?
- Åpner avslutningen noe, eller lukker den med en sløyfe og et «og hva mener du?»?
- Er det igjen kopiert format fra et samtaleverktøy (stjerner, overskrifter, automatiske punkter)?
- Kunne en annen person i bransjen min publisert denne teksten bare ved å bytte navn?
Det siste punktet er oppsummeringen av alle de andre. Og det er sannsynligvis den beste hjemmelagde tilnærmingen til det klassifisereren gjør.
Vanlige spørsmål
Straffer LinkedIn innlegg skrevet med KI?
Ikke for at de er skrevet med KI. Det LinkedIn nedgraderer er generisk og/eller repetitivt innhold som ikke gir noen reell idé, ifølge definisjonen fra ingeniørdirektør Tim Jurka 8. oktober 2026. Selskapet selv har en integrert KI-korrekturleser, og produktsjefen deres har erklært at «AI og slop er ikke det samme».
Hva betyr det at LinkedIn oppdager AI slop med 94 % presisjon?
Det betyr at av hver 100 innlegg systemet merker som slop, oppfyller rundt 94 kriteriene. Det betyr ikke at det oppdager 94 % av innleggene generert med KI: LinkedIn har ikke publisert hvor mange som slipper unna, så filterets reelle dekning er ukjent.
Hvis de merker et innlegg, forsvinner det fra LinkedIn?
Nei. Det merkede innholdet mister distribusjon i anbefalinger utover førstegradskontaktene dine, men det fjernes ikke og er fortsatt synlig for de som følger deg direkte. Det er tap av rekkevidde, ikke fjerning.
Hvor mye rekkevidde mister du hvis du merkes som AI slop?
Det offentlige tallet er at innhold klassifisert som slop hadde 40 % færre visninger enn noen uker tidligere, ifølge det produktsjef Hari Srinivasan erklærte 20. august 2026. Det er et samlet plattformtall, ikke en fast straff per innlegg, og LinkedIn har ikke publisert fordelingen sak for sak.
Hvor mange tegn vises før «se mer» på LinkedIn?
Det avhenger av enheten og av om innlegget har bilde: bare de to eller tre første linjene vises, rundt 140 tegn på mobil og litt mer på skrivebordet, med et praktisk brudd som bransjeveiledningene setter rundt 210 tegn av et samlet maksimum på 3 000. Derfor må teasen stå øverst, ikke i tredje avsnitt.
Hva skjer når noen rapporterer innlegget mitt som AI slop?
En enkeltrapport påvirker først og fremst det den personen ser i sin egen feed; LinkedIn har beskrevet funksjonen som informativ mer enn straffende og ikke som en kanal for brudd på retningslinjer. Effekten på distribusjonen viser seg når mange markerer det samme, fordi disse rapportene mater treningen av klassifisererne.
Kan jeg bruke KI til å skrive LinkedIn-innleggene mine uten å miste rekkevidde?
Ja, så lenge resultatet inneholder noe bare du kan bidra med: et eget tall, et konkret tilfelle, en beslutning og en diskutabel mening. Å bruke KI til å strukturere, forkorte eller korrekturlese er forenlig med filteret; å overlate skjønnet til den er det som aktiverer det.
Unngår jeg filteret ved å skrive om et innlegg med andre ord?
Ikke pålitelig. Systemet vurderer formål og mønster mer enn ordforråd, så å bytte synonymer uten å legge til perspektiv endrer ikke vurderingen. Lærer–elev-arkitekturen finnes nettopp for å følge sporet av nye formler etter hvert som de dukker opp.
Hva som endrer seg i måten du skriver på fra nå av
Silingen til LinkedIn er ikke en KI-detektor: den er en tomhetsdetektor. Det er egentlig gode nyheter for alle som har noe å fortelle, fordi kostnaden ved å publisere fyll nettopp har gått opp og kostnaden ved å publisere et eget tall ikke har det. Det eneste som blir obligatorisk er et trinn som tidligere var valgfritt: å gå gjennom utkastet og lete etter hva som står i det som ingen andre kunne ha skrevet.
Det trinnet prøver vi å gjøre mekanisk i LinkedIn, appen med KI-verktøy fra AiToolsForApps for deg som skaper, selger eller konkurrerer i det profesjonelle nettverket: tegntellere med «se mer»-bruddlinjen markert, formler for overskrift og «Om», generering av PDF-karuseller og av innlegg med alternative kroker, og en renser som varsler når den oppdager en interaksjonsagn-setning og fjerner den. Hvis du vil se det i bruk, finner du KI-verktøy for forsider, overskrift, karusell og innlegg på LinkedIn der, uten forhåndsregistrering.
Skriv ditt neste innlegg med «se mer»-bruddet i sikte, overskriften målt og interaksjonsagnet fjernet: prøv KI-verktøyene for LinkedIn, uten registrering.
Skriv ditt neste innlegg med «se mer»-bruddet i sikte, overskriften målt og interaksjonsagnet fjernet: prøv KI-verktøyene for LinkedIn, uten registrering.Les videre
Se alle innlegg →
Hvorfor rekkevidden din på LinkedIn har gått ned i 2026 (og hva algoritmen ser på nå)

Geode ødelagt i Geometry Dash 2.2091: hvilke mods fungerer ikke, og hvordan du fortsetter å skape

DLS 27 i desember 2026: hva som er bekreftet, hva som ikke er det, og hva som skjer med klubben, laget og draktene dine når du oppdaterer
