LinkedInLinkedIn menurunkan post yang terdengar seperti AI: apa yang dianggap «konten generik» dan cara menulis tanpa kehilangan jangkauan
Tim AiToolsForAppsDitulis dengan bantuan AI13 menit bacaRingkasan
- Sejak 8 Oktober 2026, LinkedIn memeriksa dengan pengklasifikasi setiap publikasi yang didistribusikan melampaui jaringan langsung penulisnya, menurut VP Teknik mereka, Tim Jurka (Social Media Today, 8-10-2026).
- Angka yang salah beredar: 94 % adalah presisi, bukan cakupan. Dari setiap 100 post yang ditandai sistem sebagai slop, sekitar 94 memang demikian menurut kriterianya. LinkedIn belum menerbitkan berapa banyak yang lolos.
- Yang dihukum LinkedIn bukan pemakaian AI, melainkan yang «generik dan/atau berulang yang tidak memberikan gagasan nyata» (definisi harfiah Jurka). AI sebagai korektor secara eksplisit diperbolehkan.
- Dampaknya sudah terukur: konten yang diklasifikasikan sebagai slop mencatat 40 % lebih sedikit tayangan, menurut Chief Product Officer Hari Srinivasan (Social Media Today, 20-8-2026).
- Yang lolos dari filter itu konkret: hook nyata di dua baris pertama (sebelum batas «lihat selengkapnya»), data atau kasus milik sendiri, dan pertimbangan dalam sudut pandang orang pertama.

Jika Anda memposting di LinkedIn dan melihat post yang benar, tertulis baik, dan ditata dengan baik hanya mendapat 200 impresi, kemungkinan besar itu bukan soal jam posting. Ini filter baru, bersifat eksplisit, dan pembuatnya telah menjelaskannya di depan publik. Artikel ini mengurai apa yang dilihat filter itu, apa arti sebenarnya angka-angka yang salah diulang di mana-mana, dan cara menulis tanpa tersingkir. Di AiToolsForApps kami mengelola LinkedIn, sekumpulan alat AI untuk Anda yang membuat, menjual, atau bersaing di jaringan profesional, dan yang akan Anda baca berikut adalah konteks yang menjelaskan mengapa kami membuat alat penulisan headline, carousel, dan post LinkedIn dengan penghitung dan validator alih-alih tombol «buatkan saya sebuah post».
Apa sebenarnya «AI slop» bagi LinkedIn
Bagi LinkedIn, AI slop adalah «publikasi generik dan/atau berulang yang tidak memberikan gagasan nyata». Itu definisi harfiah yang disampaikan Tim Jurka, VP Teknik, pada 8 Oktober 2026. Perhatikan apa yang tidak dikatakannya: tidak dikatakan «ditulis dengan AI». Kriterianya adalah ketiadaan substansi, bukan asal teks.
Perbedaan itu telah diulang perusahaan sejak awal. Hari Srinivasan, Chief Product Officer, merangkumnya dalam satu kalimat yang patut dihafalkan: «AI dan slop bukan hal yang sama». Dan pada Mei 2026, Laura Lorenzetti, VP Global Editorial, sudah menarik garisnya: «Boleh memakai AI untuk membantu Anda menulis, tetapi publikasi dan komentar Anda harus mewakili suara dan perspektif Anda» (Social Media Today, 21-5-2026).
Konsekuensi praktisnya: post yang ditulis berdua dengan sebuah model, tetapi berisi data milik Anda, keputusan yang Anda ambil, dan opini yang bisa diperdebatkan, berada di sisi yang aman dari filter. Post yang seluruhnya ditulis tangan, tetapi berisi tiga tips yang bisa ditandatangani siapa saja, berada di sisi yang buruk.
«Ketika AI disalahgunakan, terutama dalam skala besar dan secara otomatis, ia mengencerkan gagasan berharga yang bisa muncul dari percakapan manusia yang nyata.» — Laura Lorenzetti, VP Global Editorial LinkedIn, 21 Mei 2026.
Apa arti presisi 94 % (dan apa yang tidak diartikannya)
94 % adalah presisi, bukan kelengkapan. Artinya, dari setiap 100 publikasi yang dilabeli pengklasifikasi sebagai slop, sekitar 94 sesuai dengan kriteria LinkedIn. Ini tidak berarti ia mendeteksi 94 % post yang ditulis dengan AI: LinkedIn belum menerbitkan tingkat perolehan kembalinya (recall), sehingga berapa banyak yang lolos adalah data yang tidak diketahui hingga hari ini.
Perbedaan ini bukan akademis: ia mengubah sepenuhnya apa yang bisa Anda simpulkan dari angka tersebut.
| Yang dibaca di luar sana | Yang dikatakan LinkedIn | Apa yang bisa disimpulkan |
|---|---|---|
| «LinkedIn mendeteksi 94 % post buatan AI» | Presisi 94 % saat menandai slop | Tidak ada tentang berapa yang lolos tanpa terdeteksi |
| «94 % post AI kehilangan jangkauan» | Publikasi yang ditandai kehilangan distribusi | Hanya memengaruhi yang diberi label, bukan semua yang dibuat dengan AI |
| «Ada margin kesalahan 6 % yang melindungi saya» | ~6 dari 100 yang ditandai adalah positif palsu | Margin itu merugikan Anda, bukan menguntungkan: jika Anda ditandai, kemungkinan besar mereka benar |
Dua catatan lagi yang penting untuk memutuskan apa yang dilakukan:
- Jangkauan yang dipangkas adalah jangkauan rekomendasi, di luar koneksi tingkat pertama. Konten yang ditandai tidak dihapus dan tetap terlihat oleh orang yang langsung mengikuti Anda.
- Filter diterapkan di titik pembagian: setiap publikasi yang akan didistribusikan ke luar jaringan langsung penulisnya diperiksa. Artinya, penyaringan terjadi tepat sebelum post punya kesempatan untuk berkembang.
Dari mana sistem ini berasal: kronologi 2026
LinkedIn tidak mengaktifkan filter ini sekaligus. Ada urutan selama enam bulan, dan setiap langkah menjelaskan langkah berikutnya.
| Tanggal | Apa yang terjadi | Sumber |
|---|---|---|
| 21 Mei 2026 | LinkedIn mengumumkan akan mengurangi jangkauan konten AI tanpa perspektif manusia yang jelas, membatasi komentar otomatis, dan menambahkan filter profil terverifikasi | Social Media Today |
| Akhir Juli / Agustus 2026 | Muncul di menu tiga titik setiap post opsi untuk melaporkannya sebagai «terlihat seperti AI slop» | Social Media Today |
| Agustus 2026 | LinkedIn menarik fitur «Enhance your post» miliknya sendiri (penulisan ulang draf secara utuh) dan menggantinya dengan korektor yang, menurut Srinivasan, «memperbaiki kata-kata Anda, tetapi tidak mengubah suara Anda» | IBTimes UK |
| 20 Agustus 2026 | Lebih dari 1 juta orang memakai tombol itu dalam kurang dari tiga minggu; konten yang diklasifikasikan sebagai slop mencatat 40 % lebih sedikit tayangan | Social Media Today |
| 8 Oktober 2026 | Jurka merinci arsitekturnya dan mengonfirmasi bahwa penyaringan mencakup setiap publikasi yang keluar dari jaringan langsung, dengan presisi 94 % | Social Media Today |
Detail paling mengungkap dari tabel itu bukan 94 %: melainkan bahwa satu juta laporan pada Agustus menjadi data pelatihan pengklasifikasi pada Oktober. Filter ini tidak mengodekan opini tim produk tentang apa itu post yang baik; ia mengodekan apa yang sejuta profesional tandai sebagai pengisi.
Bagaimana pengklasifikasi bekerja di dalamnya
LinkedIn memakai skema guru-murid (teacher-student): model besar yang selalu mengikuti pola slop baru menghasilkan materi untuk melatih model kecil, dan model kecil itulah yang mengklasifikasi dalam skala besar. Di atasnya ada agen dengan kebijakan konkret dan peninjau manusia untuk kasus yang meragukan.

Dalam kata-kata Jurka: «kami memakai apa yang dikenal sebagai konfigurasi guru-murid. Model "guru" yang lebih besar dirancang untuk selalu mengikuti pola AI slop baru dan mengidentifikasinya secara akurat». Dan tentang agen: «setiap agen dipandu oleh kebijakan tertentu, yang menetapkan kriteria untuk menilai konten: misalnya, apakah sebuah publikasi bersifat promosi, merayakan sebuah capaian, atau soal peristiwa terkini».
Tiga implikasi praktis dari arsitektur ini:
- Mengganti kata-kata tidak cukup. Sistem menilai pola dan tujuan, bukan kosakata. Menulis ulang post kosong yang sama dengan sinonim berbeda tidak menyelamatkannya.
- Polanya diperbarui. Bagian «guru» ada justru untuk mengejar rumus-rumus baru. Templat hook yang berhasil bulan ini berpeluang sudah tercatat pada bulan berikutnya.
- Ada sinyal kategori. Fakta bahwa sebuah agen menilai apakah post itu «promosi» atau «merayakan capaian» berarti teks yang sama bisa dinilai berbeda tergantung fungsinya.
Sinyal yang mengungkap post kosong
Sebuah post jatuh ke sisi buruk filter ketika tidak berisi apa pun yang hanya bisa ditulis oleh Anda: tidak ada fakta bertanggal, tidak ada angka terukur, tidak ada orang atau alat bernama, tidak ada opini yang bisa dibantah. Sinyal format hanyalah gejala; penyebabnya adalah ketiadaan substansi.

Inilah sinyal yang berulang pada konten yang ditandai, sebagaimana dirangkum analisis fenomena ini:
- Pembukaan templat. Awal yang membangun adegan («Kemarin, dalam sebuah rapat…») tanpa pernah menyatakan apa pun.
- Daftar tanpa satu pun data sendiri. Tiga tips, tiga kesalahan, tiga kunci: struktur sempurna, isi yang bisa ditukar dengan penulis mana pun di bidangnya.
- Rumus «bukan X, melainkan Y». Gaya retorika yang terdengar seperti pengungkapan dan tidak memberi informasi baru.
- Umpan interaksi. Kalimat yang satu-satunya tujuannya memancing komentar atau «ya» («Terasa familier? Komentar YA»).
- Penutup dengan pertanyaan generik. «Menurut Anda bagaimana?» sebagai titik akhir, tanpa pertanyaan konkret tentang hal konkret.
- Pelajaran rapi di akhir. Paragraf moral yang menutup semuanya dengan pita dan tidak menyisakan apa pun yang terbuka.
- Format yang ditempel dari chat. Tanda bintang, judul, dan poin yang disalin begitu saja dari alat percakapan: jejak yang paling harfiah dari semuanya.
Tidak satu pun dari sinyal ini ilegal atau mengeluarkan Anda dari platform. Tetapi akumulasinya persis pola yang diajarkan sejuta laporan kepada pengklasifikasi.
Apa yang lolos dari filter: hook, data, dan pertimbangan
Yang lolos adalah post yang, di dua baris pertamanya, mengatakan sesuatu yang konkret dan dapat diverifikasi; yang di isinya memberikan angka, kasus, atau keputusan sendiri; dan yang mengambil sikap dalam sudut pandang orang pertama. Ketiga unsur itu bersifat kumulatif: dengan hook saja Anda hanya mendapat klik pada «lihat selengkapnya», dan tanpa data sendiri pengklasifikasi tidak punya apa pun untuk dibedakan.

1. Hook berada sebelum batas «lihat selengkapnya»
Batas sebuah publikasi di LinkedIn adalah 3.000 karakter, tetapi pembaca hanya melihat dua atau tiga baris pertama sebelum batas potong. Ruang itu bervariasi menurut perangkat dan apakah post disertai gambar: di ponsel sekitar 140 karakter dan di desktop sedikit lebih banyak, dan panduan industri menempatkan batas praktisnya sekitar 210 karakter (Commenti, batas karakter 2026). Di sana tidak muat jalan memutar naratif sekaligus tesis: yang muat hanya salah satunya.
Alasan mengapa hal ini berbobot adalah waktu tinggal (dwell time): jika tidak ada yang membuka post, waktu tinggal berada di bawah satu detik dan distribusinya padam. Penting: yang terdokumentasi oleh sumber industri adalah peran dwell time sebagai sinyal algoritma; LinkedIn belum menerbitkan bobot persis yang diberikannya maupun ambang batasnya. Perlakukan sebagaimana adanya, sebagai heuristik yang masuk akal, bukan angka resmi.
2. Data atau kasus yang milik Anda
Inilah yang benar-benar membedakan. Apa yang dihitung sebagai substansi:
| Jenis substansi | Contoh yang berlaku | Yang tidak berlaku |
|---|---|---|
| Fakta bertanggal | «Pada minggu 3 November kami mengubah subjek email tindak lanjut» | «Akhir-akhir ini kami mencoba berbagai hal» |
| Angka terukur | «Tingkat balasan naik dari 11 % menjadi 19 % dalam 40 pengiriman» | «Hasilnya membaik secara nyata» |
| Orang atau alat bernama | «Marta yang menemukannya saat memeriksa CRM» | «Seorang anggota tim menyadarinya» |
| Opini yang bisa dibantah | «Mengualifikasi berdasarkan anggaran pada panggilan pertama membuat kami kehilangan dua klien» | «Penting untuk mendengarkan pelanggan» |
| Metode sendiri | «Apa yang kami lakukan, dalam urutan apa, dan mengapa berhasil» | «Kunci sukses dalam penjualan» |
Ujian sederhananya: jika post Anda bisa diposting secara harfiah oleh orang lain di bidang Anda dengan mengganti nama, post itu tidak punya substansi sendiri.
3. Pertimbangan dalam sudut pandang orang pertama
«Dalam pengalaman saya ini tidak berhasil dan saya ceritakan alasannya» adalah pernyataan yang bisa diperdebatkan orang. «Penting untuk memberikan nilai» tidak. Yang bisa diperdebatkan, dalam praktiknya, adalah penanda paling andal bahwa ada pertimbangan manusia di baliknya, dan itu juga yang menghasilkan komentar yang bukan umpan.
Dua lapisan yang berbeda: apa yang diturunkan dan kepada siapa Anda ditampilkan
Filter anti-slop dan peringkat berdasarkan relevansi profil adalah lapisan berbeda dari corong yang sama, dan mencampurkannya membuat Anda mengoptimalkan hal yang salah. Filter slop bekerja sebelum pembagian: ia memutuskan apakah publikasi Anda layak didistribusikan melampaui jaringan langsung Anda. Peringkat relevansi profil bekerja selama pembagian: ia memutuskan kepada siapa ditampilkan apa yang sudah melewati pemotongan pertama.
| Filter anti-slop | Relevansi profil | |
|---|---|---|
| Apa yang diputuskan? | Apakah post dibagikan di luar tingkat pertama | Kepada siapa post ditampilkan |
| Kapan bekerja? | Sebelum distribusi | Saat menetapkan audiens |
| Bergantung pada apa? | Substansi teks post tersebut | Kecocokan antara profil Anda dan minat pembaca |
| Apa yang memperbaiki masalah? | Menulis ulang dengan data dan pertimbangan | Menggarap konsistensi profil dan ceruk |
Urutan prioritasnya, kalau begitu: pertama pastikan lolos filter, karena profil yang sempurna tidak membagikan post yang tidak didistribusikan. Lalu garap kecocokannya, karena post yang sangat bagus yang ditampilkan kepada audiens yang salah juga tidak berhasil. Kami punya artikel khusus tentang peringkat relevansi profil di blog ini; bagian ini hanya menempatkan kedua lapisan itu, tidak mengulang isinya.
Daftar periksa 60 detik sebelum memublikasikan
Lewatkan setiap draf melalui tujuh pemeriksaan ini. Jika gagal tiga atau lebih, jangan publikasikan: tulis ulang.
- Apakah dua baris pertama menyatakan sesuatu, atau hanya membangun adegan?
- Apakah ada setidaknya satu angka, tanggal, atau nama diri di isi post?
- Apakah ada satu kalimat yang bisa dibantah orang dengan argumen?
- Apakah saya sudah membuang semua kalimat yang satu-satunya tujuannya memancing komentar?
- Apakah penutupnya membuka sesuatu, atau menutupnya dengan pita dan «menurut Anda bagaimana?»?
- Apakah masih ada format salinan dari alat percakapan (tanda bintang, judul, poin otomatis)?
- Bisakah teks ini diposting oleh orang lain di bidang saya hanya dengan mengganti nama?
Poin terakhir itu adalah ringkasan dari semua yang lain. Dan mungkin, itulah pendekatan rumahan terbaik terhadap apa yang dilakukan pengklasifikasi.
Pertanyaan umum
Apakah LinkedIn menghukum post yang ditulis dengan AI?
Bukan karena ditulis dengan AI. Yang diturunkan LinkedIn adalah konten generik dan/atau berulang yang tidak memberikan gagasan nyata, menurut definisi VP Teknik mereka, Tim Jurka, pada 8 Oktober 2026. Perusahaan sendiri menyediakan korektor AI terintegrasi dan CPO-nya telah menyatakan bahwa «AI dan slop bukan hal yang sama».
Apa arti LinkedIn mendeteksi AI slop dengan presisi 94 %?
Artinya, dari setiap 100 publikasi yang ditandai sistem sebagai slop, sekitar 94 memenuhi kriterianya. Ini tidak berarti ia mendeteksi 94 % post yang dibuat dengan AI: LinkedIn belum menerbitkan berapa banyak yang lolos, sehingga cakupan sebenarnya dari filter itu tidak diketahui.
Jika post saya ditandai, apakah post itu hilang dari LinkedIn?
Tidak. Konten yang ditandai kehilangan distribusi dalam rekomendasi di luar koneksi tingkat pertama Anda, tetapi tidak dihapus dan tetap terlihat oleh orang yang langsung mengikuti Anda. Ini kehilangan jangkauan, bukan penarikan.
Berapa banyak jangkauan yang hilang jika Anda ditandai sebagai AI slop?
Data publiknya adalah konten yang diklasifikasikan sebagai slop mencatat 40 % lebih sedikit tayangan dibandingkan beberapa minggu sebelumnya, menurut pernyataan Chief Product Officer Hari Srinivasan pada 20 Agustus 2026. Itu angka agregat platform, bukan hukuman tetap per post, dan LinkedIn belum menerbitkan pembagiannya kasus demi kasus.
Berapa karakter yang terlihat sebelum «lihat selengkapnya» di LinkedIn?
Tergantung perangkat dan apakah post disertai gambar: hanya dua atau tiga baris pertama yang ditampilkan, sekitar 140 karakter di ponsel dan sedikit lebih banyak di desktop, dengan batas praktis yang menurut panduan industri sekitar 210 karakter dari maksimum total 3.000. Karena itu tesisnya harus di atas, bukan di paragraf ketiga.
Apa yang terjadi ketika seseorang melaporkan post saya sebagai AI slop?
Laporan individual terutama memengaruhi apa yang dilihat orang itu di feed-nya sendiri; LinkedIn menggambarkan fitur ini sebagai bersifat informatif, bukan menghukum, dan bukan sebagai jalur untuk pelanggaran kebijakan. Efek pada distribusi muncul ketika banyak orang menandai hal yang sama, karena laporan-laporan itu menjadi bahan pelatihan pengklasifikasi.
Bisakah saya memakai AI untuk menulis publikasi LinkedIn tanpa kehilangan jangkauan?
Bisa, selama hasilnya berisi sesuatu yang hanya bisa Anda berikan: data milik Anda, kasus konkret, keputusan, dan opini yang bisa diperdebatkan. Memakai AI untuk menyusun, meringkas, atau mengoreksi sejalan dengan filter; menyerahkan pertimbangan kepadanya itulah yang mengaktifkannya.
Apakah menulis ulang post dengan kata lain menghindari filter?
Tidak dapat diandalkan. Sistem menilai tujuan dan pola lebih daripada kosakata, sehingga mengganti sinonim tanpa menambah perspektif tidak mengubah penilaian. Arsitektur guru-murid ada justru untuk terus melacak rumus-rumus baru begitu muncul.
Apa yang berubah dalam cara Anda menulis mulai sekarang
Penyaringan LinkedIn bukan pendeteksi AI: ia pendeteksi kekosongan. Sebenarnya itu kabar baik bagi siapa pun yang punya sesuatu untuk diceritakan, karena biaya memublikasikan pengisi baru saja naik dan biaya memublikasikan angka sendiri tidak. Satu-satunya yang menjadi wajib adalah langkah yang dulu opsional: meninjau draf dengan mencari apa di dalamnya yang tidak bisa ditulis orang lain.
Langkah itulah yang kami coba jadikan mekanis di LinkedIn, aplikasi alat AI dari AiToolsForApps untuk Anda yang membuat, menjual, atau bersaing di jaringan profesional: penghitung karakter dengan garis batas «lihat selengkapnya» yang ditandai, rumus headline dan «Tentang», pembuatan carousel PDF dan publikasi beserta hook alternatifnya, dan pembersih yang memberi peringatan ketika mendeteksi kalimat umpan interaksi lalu menghapusnya. Jika Anda ingin melihat penerapannya, berikut alat AI untuk sampul, headline, carousel, dan post LinkedIn, tanpa daftar sebelumnya.
Tulis post Anda berikutnya dengan batas «lihat selengkapnya» terlihat, headline terukur, dan umpan interaksi disingkirkan: coba alat AI untuk LinkedIn, tanpa daftar.
Tulis post Anda berikutnya dengan batas «lihat selengkapnya» terlihat, headline terukur, dan umpan interaksi disingkirkan: coba alat AI untuk LinkedIn, tanpa daftar.Lanjutkan membaca
Lihat semua artikel →
Mengapa jangkauan LinkedIn Anda turun pada 2026 (dan apa yang kini dilihat algoritma)

Geode rusak di Geometry Dash 2.2091: mod apa yang tidak berfungsi dan bagaimana tetap berkarya

DLS 27 pada Desember 2026: apa yang sudah dipastikan, apa yang belum, dan apa yang terjadi pada klub, skuad, serta jersey kamu saat memperbarui
