LinkedInLinkedIn

LinkedIn 降級聽起來像 AI 的貼文:什麼算「泛用內容」,以及如何寫作才不失去觸及率

团队: AiToolsForApps在 AI 协助下撰写13 分鐘閱讀

重點摘要

  • 自 2026 年 10 月 8 日起,依 LinkedIn 工程副總裁 Tim Jurka 所述,LinkedIn 以分類器審查所有散布到作者直接人脈之外的貼文(Social Media Today,2026 年 10 月 8 日)。
  • 被誤傳的數字:94% 是精確率,不是涵蓋率。 系統每標記 100 則 slop,依其標準大約有 94 則確實是。LinkedIn 並未公布有多少漏網之魚。
  • LinkedIn 懲罰的不是使用 AI,而是「沒有帶來任何真正想法、泛用且/或重複的內容」(Jurka 的原話定義)。把 AI 當作校對工具,是明確被允許的。
  • 影響已經可以量化:依產品長 Hari Srinivasan 的說法,被歸類為 slop 的內容,瀏覽量減少 40%(Social Media Today,2026 年 8 月 20 日)。
  • 能通過篩選的內容很具體:前兩行就有真正的鉤子(在「查看更多」截斷之前)、自己的數據或案例,以及第一人稱的判斷。

一串一模一樣的灰色貼文被一道發光的閘門攔下;只有少數帶有圖表和自有數據的卡片通過
一串一模一樣的灰色貼文被一道發光的閘門攔下;只有少數帶有圖表和自有數據的卡片通過

如果你在 LinkedIn 上發文,發現內容正確、寫得好、排版也好的貼文只有 200 次曝光,原因多半不是發文時間。這是一個新的篩選機制,它是公開的,而且它的負責人已公開說明過。本文將拆解這個篩選器看的是什麼、被到處誤傳的數字實際上代表什麼,以及該如何寫作才不會被淘汰。在 AiToolsForApps,我們維護著 LinkedIn,這是一套為在專業社群中創作、銷售或競爭的人所設計的 AI 工具,而接下來的內容,正是說明我們為什麼打造附有計數器與驗證器的LinkedIn 標題、輪播與貼文撰寫工具,而不是一個「幫我產生貼文」按鈕的背景。


LinkedIn 所說的「AI slop」究竟是什麼

對 LinkedIn 而言,AI slop 就是「沒有帶來任何真正想法、泛用且/或重複的貼文」。這是工程副總裁 Tim Jurka 在 2026 年 10 月 8 日給出的原話定義。請注意它沒有說什麼:它沒有說「用 AI 寫的」。標準是缺乏實質內容,而不是文字的來源。

公司從一開始就一再強調這項區別。產品長 Hari Srinivasan 用一句值得牢記的話作了總結:「AI 與 slop 並不相同」。而在 2026 年 5 月,全球編輯副總裁 Laura Lorenzetti 就已劃下界線:「用 AI 協助寫作是可以的,但你的貼文和留言必須代表你的聲音與你的觀點」(Social Media Today,2026 年 5 月 21 日)。

實務上的結論是:一則與模型共同撰寫的貼文,只要有你的數據、你做過的決定和一個可以被爭論的看法,就站在篩選器好的那一邊。一則完全手寫的貼文,如果只是三個任何人都可能署名的建議,就站在壞的那一邊。

「當 AI 被濫用時,尤其是大規模且自動化的使用,會稀釋真實人際對話中可能產生的有價值的想法。」 — LinkedIn 全球編輯副總裁 Laura Lorenzetti,2026 年 5 月 21 日。

94% 的精確率代表什麼(以及不代表什麼)

94% 是精確率,而不是完整率。 意思是,分類器每標記 100 則貼文為 slop,大約有 94 則符合 LinkedIn 的標準。它不是說它能偵測出 94% 用 AI 寫的貼文:LinkedIn 並未公布其召回率(recall),所以有多少漏網之魚,至今仍是未知數。

這個差別不是學術上的吹毛求疵:它完全改變了你能從這個數字推論出什麼。

外面流傳的說法LinkedIn 實際說的能得出什麼結論
「LinkedIn 能偵測出 94% 用 AI 做的貼文」標記 slop 時有 94% 的精確率對於有多少沒被察覺,什麼都說不上
「94% 的 AI 貼文會失去觸及率」被標記的貼文失去曝光只影響被標記的,而不是所有用 AI 產生的
「有 6% 的誤差範圍會保護我」每 100 則被標記的,約有 6 則是誤判這個誤差對你不利,而不是對你有利:如果你被標記,多半是判對了

還有兩點,對決定該怎麼做很重要:

  • 被縮減的觸及率是推薦曝光,也就是第一度人脈之外的部分。被標記的內容不會被刪除,直接追蹤你的人仍然看得到。
  • 篩選發生在分發的環節:所有要散布到作者直接人脈之外的貼文,都會被審查。也就是說,審查就發生在貼文有機會成長之前。

這個系統從何而來:2026 年的時間軸

LinkedIn 並不是一下子就啟用這個篩選器。這是一段為期六個月的過程,每一步都解釋了下一步。

日期發生了什麼來源
2026 年 5 月 21 日LinkedIn 宣布將降低缺乏明確人類觀點的 AI 內容的觸及率、限制自動化留言,並新增已驗證個人檔案的篩選Social Media Today
2026 年 7 月底/8 月每則貼文的三點選單中,出現了檢舉為「看起來像 AI slop」的選項Social Media Today
2026 年 8 月LinkedIn 撤下自家的「Enhance your post」功能(整篇草稿改寫),改為一個校對工具,用 Srinivasan 的話說,它「修正你的文字,但不會改變你的聲音」IBTimes UK
2026 年 8 月 20 日不到三週內,已有超過 100 萬人使用該按鈕;被歸類為 slop 的內容累計瀏覽量減少 40%Social Media Today
2026 年 10 月 8 日Jurka 詳細說明了架構,並確認審查涵蓋所有離開直接人脈的貼文,精確率達 94%Social Media Today

那張表中最耐人尋味的細節不是 94%:而是 8 月的一百萬筆檢舉,成為了 10 月分類器的訓練資料集。這個篩選器並不是在編碼某個產品團隊對好貼文的看法;它編碼的是一百萬名專業人士標記為廢話的內容。


分類器內部如何運作

LinkedIn 採用師生(teacher-student)架構:持續跟上新 slop 模式的大型模型,產生用來訓練小型模型的素材,而負責大規模分類的就是這些小型模型。其上還有帶有具體政策的代理(agents),以及處理存疑案例的人工審查員。

三階段示意圖:一顆大球餵養四個小方塊,再由它們餵養一支放大鏡,回饋線條形成封閉的循環
三階段示意圖:一顆大球餵養四個小方塊,再由它們餵養一支放大鏡,回饋線條形成封閉的循環

用 Jurka 的話說:「我們採用所謂的師生設定。較大的『老師』模型,被設計成持續跟上新的 AI slop 模式,並準確地辨識出來」。至於代理:「每個代理都由一項特定政策來引導,政策定義了它評估內容的標準:例如,一則貼文是否為推銷性質、是否在慶祝某項成就,或是否為時事」。

這個架構有三項實務上的意涵:

  1. 只改換用字是不夠的。 系統評估的是模式和目的,而不是詞彙。用不同的同義詞重寫同一則空洞的貼文,救不了它。
  2. 模式會持續更新。 「老師」的部分之所以存在,正是為了追蹤新的套路。本月有效的鉤子範本,下個月就可能已被列入黑名單。
  3. 存在類別訊號。 代理要評估貼文是不是「推銷性質」或「慶祝成就」,代表同一段文字,會因其用途不同而被給予不同的評價。

暴露空洞貼文的訊號

當一則貼文不含任何只有你才寫得出來的東西時,就會落到篩選器壞的那一邊:沒有標明日期的事實、沒有實測的數字、沒有具名的人或工具、沒有任何可被反駁的看法。格式上的訊號只是症狀;成因是缺乏實質內容。

一張空洞、有裂痕、帶有三個一模一樣要點的卡片,與另一張結實、帶有長條圖並標出一項數據的卡片之間的對比
一張空洞、有裂痕、帶有三個一模一樣要點的卡片,與另一張結實、帶有長條圖並標出一項數據的卡片之間的對比

以下是被標記內容中反覆出現的訊號,來自對這個現象的分析:

  • 範本式開場。 布置一個場景(「昨天,在一場會議上……」)卻始終沒有說出任何主張的開頭。
  • 沒有任何自有數據的清單。 三個建議、三個錯誤、三個關鍵:結構無懈可擊,內容卻可以與這個產業的任何其他作者互換。
  • 「不是 X,而是 Y」的公式。 聽起來像是啟示、卻沒有帶來新資訊的修辭轉折。
  • 互動誘餌。 唯一目的是引出留言或一句「對」的句子(「是不是很有感?留言 YES」)。
  • 以泛用問題收尾。 以「你怎麼看?」作為結尾,卻沒有針對具體事物的具體問題。
  • 結尾的完美啟示。 把一切用緞帶綁好、不留任何開放性的總結段落。
  • 從聊天工具貼上的格式。 原封不動從對話工具複製而來的星號、標題和項目符號:最字面的痕跡。

這些訊號本身都不違法,也不會讓你被踢出平台。但它們的累積,正是一百萬筆檢舉教給分類器的模式。


能通過篩選的是什麼:鉤子、數據與判斷

能通過的貼文,是在前兩行就說出具體、可驗證的內容;在正文中提供自己的數字、案例或決定;並以第一人稱表態。這三個要素是累加的:只有鉤子,你只能換來「查看更多」的點擊;而沒有自己的數據,分類器就沒有任何可以區分的東西。

貼文卡片,前兩行在虛線截斷線之上被照亮,其餘文字則模糊處理
貼文卡片,前兩行在虛線截斷線之上被照亮,其餘文字則模糊處理

1. 鉤子要在「查看更多」截斷之前

LinkedIn 貼文的上限是 3,000 個字元,但讀者在截斷之前只看得到前兩、三行。這個空間會因裝置,以及貼文是否附圖而不同:在手機上大約是 140 個字元,桌機稍多一些,而產業指南把實際的截斷點定在 210 個字元左右(Commenti,2026 年字元上限)。這裡容不下一段敘事鋪陳再加一個論點:只容得下其中之一。

這之所以重要,原因在於停留時間(dwell time):如果沒人展開貼文,停留時間就低於一秒,分發也就熄火了。重要的是:產業來源有記載的,是 dwell time 作為演算法訊號的角色;LinkedIn 並未公布它賦予的確切權重或門檻。請把它當作它本來的樣子,一個合理的經驗法則,而不是官方數字。

2. 屬於你自己的數據或案例

這才是真正的差別所在。算得上實質內容的有:

實質內容的類型有效的範例無效的範例
標明日期的事實「11 月 3 日那週,我們更改了跟進郵件的主旨」「最近我們在嘗試一些東西」
實測的數字「在 40 次寄送中,回覆率從 11% 提高到 19%」「成效明顯改善」
具名的人或工具「是 Marta 在檢查 CRM 時發現的」「團隊中有位成員注意到了」
可被反駁的看法「在第一通電話就依預算篩選,讓我們損失了兩位客戶」「傾聽客戶很重要」
自己的方法「我們做了什麼、依什麼順序、為什麼有效」「銷售成功的關鍵」

簡單的檢驗方法是:如果你的貼文,這個產業的另一個人只要換個名字就能原封不動發表,那它就沒有自己的實質內容。

3. 第一人稱的判斷

「依我的經驗,這行不通,我來告訴你為什麼」是別人可以爭論的主張。「提供價值至關重要」則不是。實務上,可被爭論,是背後有人類判斷最可靠的標誌,也正是能帶來非誘餌式留言的東西。


兩個不同的層次:什麼會被降級,以及展示給誰

anti-slop 篩選與依個人檔案相關性的排名,是同一個漏斗的不同層次,把它們混為一談,只會讓你去最佳化不該最佳化的東西。slop 篩選在分發之前運作:決定你的貼文是否值得散布到直接人脈之外。依個人檔案相關性的排名則在分發期間運作:決定已通過第一道關卡的內容,要展示給誰。

anti-slop 篩選個人檔案相關性
決定什麼?貼文是否散布到第一度之外展示給誰
何時運作?分發之前分配受眾時
取決於什麼?該則貼文文字的實質內容你的個人檔案與讀者興趣的契合度
怎麼解決問題?補上數據與判斷後重寫經營個人檔案的一致性與利基

因此,優先順序是:先確保通過篩選,因為再完美的個人檔案,也無法讓一則沒被分發的貼文散布出去。然後再經營契合度,因為一則出色的貼文展示給錯的受眾,同樣沒有成效。我們在這個部落格中有一篇專門談依個人檔案相關性排名的文章;本節只是為這兩個層次定位,並不重複其內容。


發文前 60 秒檢查清單

讓每一份草稿都通過這七項檢查。如果有三項以上不及格,就不要發布:重寫。

  1. 前兩行是陳述了某個主張,還是只布置了一個場景?
  2. 正文中至少有一個數字、一個日期或一個專有名稱嗎?
  3. 有沒有哪一句話,別人可以用論據反駁?
  4. 我是否刪掉了所有唯一目的是引出留言的句子?
  5. 結尾是開啟了什麼,還是用緞帶和一句「你怎麼看?」把它綁起來了?
  6. 有沒有殘留從對話工具複製來的格式(星號、標題、自動產生的項目符號)?
  7. 這段文字,我這個產業的另一個人只要換個名字就能發布嗎?

最後一項是其他所有項目的總結。而且,它很可能是最貼近分類器所做事情的土法判斷。


常見問題

LinkedIn 會懲罰用 AI 寫的貼文嗎?

不會因為是用 AI 寫的就懲罰。依其工程副總裁 Tim Jurka 在 2026 年 10 月 8 日的定義,LinkedIn 降級的是沒有帶來任何真正想法、泛用且/或重複的內容。公司本身就內建了一個 AI 校對工具,且其產品長也曾表示「AI 與 slop 並不相同」。

LinkedIn 以 94% 的精確率偵測 AI slop,是什麼意思?

意思是,系統每標記 100 則貼文為 slop,大約有 94 則符合它的標準。這不是說它能偵測出 94% 用 AI 產生的貼文:LinkedIn 並未公布有多少漏網之魚,所以這個篩選器的實際涵蓋率是未知的。

如果我的貼文被標記,會從 LinkedIn 消失嗎?

不會。被標記的內容會失去在你第一度人脈之外的推薦分發,但不會被刪除,直接追蹤你的人仍然看得到。這是觸及率的損失,而不是下架。

被標記為 AI slop 會損失多少觸及率?

公開的數據是,依產品長 Hari Srinivasan 在 2026 年 8 月 20 日的說法,被歸類為 slop 的內容,瀏覽量比幾週前減少了 40%。這是平台層級的彙總數字,並非每則貼文的固定處罰,而且 LinkedIn 並未公布逐案的分布。

在 LinkedIn 的「查看更多」之前能看到幾個字元?

取決於裝置,以及貼文是否附圖:只會顯示前兩、三行,手機上約 140 個字元,桌機稍多,產業指南把實際的截斷點定在 210 個字元左右,總上限為 3,000 個字元。所以論點必須放在最上面,而不是第三段。

當有人把我的貼文檢舉為 AI slop 時會怎麼樣?

單一檢舉主要影響的是那個人自己動態消息中看到的內容;LinkedIn 將這項功能描述為以資訊為主,而非懲罰性質,也不是違反政策的檢舉管道。對分發的影響,是在許多人標記同一則內容時才會出現,因為這些檢舉會餵給分類器的訓練。

我可以用 AI 寫 LinkedIn 貼文而不失去觸及率嗎?

可以,前提是成品中含有只有你能提供的東西:你自己的數據、具體案例、一個決定,以及一個可被爭論的看法。用 AI 來整理結構、縮短或校對,與篩選器並不衝突;把判斷交給它,才會觸發篩選器。

用別的字詞重寫貼文就能避開篩選器嗎?

不可靠。系統評估的是目的與模式,而不是詞彙,所以在沒有增加觀點的情況下換同義詞,並不會改變評價。師生架構之所以存在,正是為了隨著新套路出現而追蹤它們。

從現在起,你的寫作方式有什麼改變

LinkedIn 的審查不是 AI 偵測器:而是空洞偵測器。對任何有東西可說的人來說,這其實是個好消息,因為發布廢話的成本剛剛提高了,而發布自己的數字的成本卻沒有。唯一變成必要的,是過去可有可無的一個步驟:檢查草稿,找出其中有什麼是別人寫不出來的。

這正是我們在 LinkedIn 這個 AiToolsForApps 的 AI 工具 App 中,試著讓它機械化的步驟,它是為在專業社群中創作、銷售或競爭的人所設計:字元計數器會標出「查看更多」的截斷線、標題列與「關於」的公式、PDF 輪播的產生,以及附有替代鉤子的貼文產生,還有一個清潔工具,偵測到互動誘餌的句子時會提醒你並將它移除。如果想看實際應用,這裡有LinkedIn 封面、標題列、輪播與貼文 AI 工具,不需事先註冊。

寫下你的下一則貼文時,讓「查看更多」截斷線一目了然、標題列經過量測、互動誘餌也一併剔除:試用 LinkedIn AI 工具,不需註冊。

寫下你的下一則貼文時,讓「查看更多」截斷線一目了然、標題列經過量測、互動誘餌也一併剔除:試用 LinkedIn AI 工具,不需註冊。

↑ 回到頂端