LinkedIn explica su filtro contra el contenido repetitivo: qué mide y qué sigue sin aclarar

LinkedIn ha explicado cómo combina modelos de IA y criterio humano para detectar publicaciones genéricas y repetitivas. Tim Jurka, vicepresidente de Ingeniería, detalló el sistema el 8 de octubre en una publicación recogida por Social Media Today. La explicación ofrece pistas sobre la calidad que busca la plataforma, pero no una fórmula para garantizar alcance ni una lista de palabras que convenga evitar.

Según Jurka, modelos grandes generan datos para entrenar clasificadores más pequeños. Los casos difíciles pueden llegar a revisores humanos, cuyo criterio ayuda a ajustar el sistema. LinkedIn afirma que sus clasificadores cubren las publicaciones distribuidas fuera de la red inmediata con un 94% de precisión. No publica en esa nota el conjunto de evaluación, su tamaño o un desglose por idioma.

Qué significa la cifra y qué no permite concluir

La precisión de un detector no indica cuánto contenido problemático logra encontrar. Describe qué proporción de los casos que señala corresponde a la categoría buscada. Por eso el 94% comunicado no significa que LinkedIn detecte el 94% de todo el contenido repetitivo. Tampoco equivale a una puntuación de calidad para cada publicación o a una auditoría independiente de la experiencia del usuario.

Jurka añade que, en agosto, las visualizaciones de lo que LinkedIn clasifica como «AI slop» habían caído un 40% respecto a unas semanas antes. Es una comparación atribuida a la compañía y a ese periodo, no una caída nueva medida en octubre. Su alcance queda limitado a la categoría definida por LinkedIn. No demuestra una reducción equivalente en todos los contenidos creados con ayuda de IA.

Para interpretar el dato haría falta conocer también los errores que quedan fuera: publicaciones repetitivas no detectadas y aportaciones útiles que el sistema clasifica incorrectamente. Una cifra agregada no permite saber si el resultado cambia entre un texto técnico, una experiencia personal o una publicación en castellano. El anuncio no proporciona esa comparación, por lo que no conviene convertirlo en una regla universal para cada cuenta.

La revisión empieza por lo que el autor puede aportar

La lectura de Contrafeed es revisar el proceso editorial antes de cambiar la herramienta de escritura. Un equipo puede utilizar asistencia para ordenar un borrador y seguir aportando una observación propia. También puede redactar manualmente un mensaje intercambiable con el de cualquier competidor. El comunicado no demuestra que un detector sepa resolver todos esos casos ni anuncia una prohibición general de la asistencia de IA.

Una pregunta práctica para el responsable de contenidos sería: ¿qué puede aprender el lector aquí que no encontraría en una formulación genérica del tema? La respuesta podría ser una decisión explicada por quien la tomó, un error documentado o un ejemplo que muestre el límite de una recomendación. No es necesario revelar información confidencial ni convertir cada publicación en una investigación extensa.

Por ejemplo, una agencia que quiera hablar de medición puede explicar por qué cambió una definición de oportunidad comercial, qué comparación dejó de ser válida y qué revisión hizo después. Ese caso hipotético contiene una decisión concreta. Afirmar únicamente que «los datos son importantes» no permite evaluar el criterio del equipo. La diferencia sirve para editar mejor, aunque no garantice que el algoritmo distribuya más la primera publicación.

Ese trabajo también ayuda al seleccionar colaboradores. Como explica la cobertura de la beta de Creator Discovery y sus límites territoriales, encontrar un perfil y comprobar su experiencia son tareas distintas. Una trayectoria relevante se aprecia en lo que la persona puede explicar y respaldar, además del cargo que figura en su cuenta.

Una bajada de alcance no identifica por sí sola la causa

La plataforma habla de contenidos que salen de la red inmediata. Esa precisión importa para quien compara el rendimiento de sus publicaciones: no todos los lectores llegan por la misma relación con el autor. LinkedIn también ha probado una pestaña centrada en contactos y cuentas seguidas. Son decisiones de producto distintas; el artículo de Jurka no anuncia que esa prueba cambie de alcance o disponibilidad.

Si una publicación obtiene menos impresiones, el equipo no puede atribuirlo automáticamente a este filtro. Cambian el tema, la audiencia potencial, el momento y la respuesta inicial, entre otros factores que aquí no se han medido. Un descenso aislado tampoco acredita una sanción. Conviene conservar el texto publicado y el contexto de la comparación antes de modificar todo el calendario.

Para evaluar una serie, el equipo puede agrupar piezas con una intención parecida y observarlas durante un periodo comparable. Además de las impresiones, interesa revisar si generan preguntas pertinentes, aportaciones de personas del sector o conversaciones que ayudan a entender un problema. Son señales distintas: una publicación puede llegar a mucha gente sin ofrecer una conversación útil y otra puede servir a un grupo pequeño con una necesidad precisa.

Qué puede cambiar ya una agencia o una marca

El cambio razonable es añadir una revisión breve antes de publicar: identificar la idea propia, comprobar el ejemplo y retirar frases que no aportan información. Si firma un profesional, debe reconocer como suyo el criterio expresado. Si hay datos, conviene conservar su fuente y periodo. Este proceso deja una base que el equipo puede evaluar sin depender de una interpretación especulativa del algoritmo.

El anuncio no ofrece un truco para parecer humano. Publicar con errores deliberados o disimular cómo se produjo un texto no mejora su utilidad. La oportunidad está en reducir mensajes intercambiables y dejar más espacio a experiencia verificable. LinkedIn aporta información sobre su detección; agencias y marcas todavía tienen que decidir qué merece el tiempo de su audiencia.