LinkedIn ha explicado cómo utiliza el contexto profesional de cada perfil para recomendar publicaciones de personas a las que el usuario no sigue. El sistema se llama Profile Relevance y ya funciona en producción. La novedad del 9 de noviembre es la explicación pública de su funcionamiento y resultados: no se trata de un ajuste que el creador pueda activar ni de una fecha confirmada para el inicio de un algoritmo completamente nuevo.

Para quienes publican sobre su trabajo, la información aporta una pista útil: encontrar audiencia fuera de la red depende también de que la plataforma entienda para qué profesionales resulta pertinente una pieza. Eso no convierte el perfil en una lista de palabras que repetir. Una publicación sobre contratación, por ejemplo, necesita precisar el problema que aborda para que su utilidad sea comprensible tanto para un lector como para un sistema de recomendación.

El contexto del perfil ayuda a encontrar contenido

La explicación de ingeniería describe representaciones semánticas construidas con información profesional, como experiencia, competencias, formación y ubicación. Se comparan con el contenido de las publicaciones para encontrar coincidencias de sentido. El sistema incorpora una señal geográfica explícita porque un asunto puede ser relevante para una profesión y, aun así, pertenecer a un mercado que no interesa al lector.

Esta vía selecciona candidatos para recomendaciones fuera de la red. Exige al menos una interacción —una reacción, comentario o compartido— de un miembro no conectado antes de considerar una publicación. Ese requisito no garantiza distribución y no describe todas las vías del feed. Convertirlo en una receta para pedir un comentario a un desconocido confundiría un umbral de entrada con el resultado final.

La diferencia importa al evaluar consejos sobre alcance. Si un texto recibe más visitas, no basta con señalar un cambio en su titular profesional y atribuirle la mejora. También pueden haber cambiado el tema, el momento, la conversación que provoca o las personas que lo comparten. Un sistema con varias entradas no permite identificar una causa únicamente mirando el resultado de una publicación.

Seleccionar candidatos no es ordenar todo el feed

La arquitectura descrita por LinkedIn en su explicación de marzo sobre el feed combina recuperación de contenido y clasificación posterior. Además de datos del perfil, utiliza señales de comportamiento e intereses que evolucionan: lo que se lee, se comenta o se omite ayuda a interpretar qué puede resultar útil. Profile Relevance debe entenderse dentro de ese conjunto, no como su sustituto.

En los experimentos que recoge Social Media Today a partir de la explicación oficial, LinkedIn atribuye a Profile Relevance un incremento del 0,54% en actualizaciones vistas, un 0,94% en la tasa de interacciones que denomina virales y una reducción del 18,8% en ocultaciones. Son resultados comunicados por la compañía. No son puntos porcentuales ni una previsión del crecimiento de cada autor; la explicación no ofrece un calendario por mercado que permita trasladarlos automáticamente a una cuenta española.

La especificidad debe aportar información

Esta búsqueda de pertinencia convive con otra línea de trabajo: reducir contenido genérico y repetitivo. En octubre, Tim Jurka explicó que LinkedIn combina modelos de distintos tamaños y revisión experta para adaptar sus clasificadores. La plataforma trata de reconocer patrones de escaso valor incluso cuando cambian las herramientas que los producen. Es el contexto del filtro contra el contenido repetitivo, una intervención distinta de Profile Relevance.

La lectura editorial de ambos movimientos es que ser específico debería servir para informar mejor. Un responsable de comunicación puede explicar qué decisión tomó en una campaña, qué restricción encontró y qué resultado puede demostrar. Incluir una ciudad o un sector solo tiene sentido cuando cambia la explicación. Añadirlos como decoración dejaría intacto el problema de una publicación que cualquier otra cuenta podría firmar.

También conviene separar experiencia propia de afirmaciones generales. Si un aprendizaje procede de un solo proyecto, presentar el tamaño y los límites de ese caso ayuda a que un lector decida si le sirve. No hay evidencia en los anuncios de que esa forma de escribir garantice una recompensa algorítmica. Su ventaja comprobable es que permite entender mejor el argumento y discutirlo con más precisión.

El alcance fuera de la red ya puede observarse

La guía de analítica publicada el 3 de noviembre distingue audiencia dentro y fuera de la red, además de guardados, envíos y seguidores obtenidos. Ese alcance externo puede proceder de recomendaciones, publicaciones compartidas o búsqueda: no es un contador específico de Profile Relevance. Las métricas muestran distribución y respuesta, pero no revelan por sí mismas qué modelo decidió cada impresión.

Para revisar una estrategia, resulta más útil comparar varias publicaciones de antigüedad similar y leer qué conversación han generado que perseguir un porcentaje aislado. La tabla de rendimiento y sus filtros de periodo permite ordenar esa observación cuando esté disponible en la cuenta. El objetivo sería detectar temas que atraen a los profesionales adecuados y respuestas que justifican una continuación; una subida puntual del alcance, sin ese contexto, dice bastante menos.

Fuente y alcance

Fuentes: LinkedIn Engineering: Profile Relevance: Boosting Feed Relevance with LLMs at LinkedIn; LinkedIn Engineering: Engineering the Next Generation of LinkedIn’s Feed; LinkedIn / Tim Jurka: The Technology Behind LinkedIn’s Fight Against AI Slop; LinkedIn / Sam Corrao Clanon: Understanding Your New Analytics on LinkedIn; Social Media Today: LinkedIn explains its improved content recommendation system.

Así trabajamos las fuentes y las correcciones.