LinkedIn & Inteligência Artificial
no Algoritmo — 2026

A equipe de Foundation AI Technologies (FAIT) do LinkedIn publicou o paper "360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation", de autoria de Hamed Firooz et al. O documento descreve um modelo de linguagem com 150 bilhões de parâmetros, baseado na arquitetura LLaMA 3, treinado exclusivamente em dados proprietários do LinkedIn (perfis, posts, interações profissionais e históricos de emprego). O modelo foi projetado para substituir os múltiplos sistemas isolados de ranking existentes por uma única arquitetura unificada que cobre feed, vagas, conexões e busca.

Post técnico mais detalhado da história do LinkedIn Engineering Blog. Hristo Danchev, Senior Staff TPM, confirma o deploy do sistema 360Brew no feed com arquitetura de duas etapas: (1) um Causal LLM baseado em LLaMA 3 que converte posts e perfis em vetores semânticos para recuperação de candidatos (~2.000 posts por sessão, latência abaixo de 50ms); e (2) um modelo Generative Recommender (GR) treinado com histórico de mais de 1.000 interações por usuário para ranking final. O sistema substituiu 5 pipelines de recuperação independentes que operavam em paralelo. Infraestrutura migrada de CPUs para 8 GPUs H100 com variante customizada de Flash Attention (GRMIS), entregando 2x de speedup. A adição de dois negativos fortes por usuário no treinamento melhorou Recall@10 em 3,6%.

O LinkedIn confirmou oficialmente que comentários postados por meio de scripts de terceiros, extensões de browser ou plugins serão removidos da seção "Mais Relevante" — a visualização padrão dos posts. A plataforma baniu o Lempod (ferramenta de engagement pod mais popular) do Chrome Web Store. A documentação oficial atualizada afirma explicitamente que o LinkedIn pode "limitar a visibilidade de comentários" quando detecta criação excessiva ou uso de ferramentas de automação. O sistema 360Brew mapeia o que internamente é chamado de "Coordinated Activity Rings": clusters de contas que interagem em minutos após a publicação de um post são sinalizado. Ferramentas de agendamento com supervisão humana são distinguidas de sistemas totalmente automatizados.

A VP de Product Management do LinkedIn, Gyanda Sachdeva, publicou declaração formal confirmando a expansão das formas de detecção de engagement pods e a limitação ativa do alcance de conteúdo artificialmente impulsionado. A declaração inclui alerta sobre punição de ferramentas de terceiros que automatizam comentários em massa. Sachdeva prometeu atualizações periódicas sobre o impacto das medidas. Esta declaração foi o primeiro anúncio público formal da campanha anti-pods de 2025-2026, coberto por Social Media Today como fonte primária.

Sachdeva divulgou dados de engajamento e orientações formais para maximizar a performance na plataforma em 2026. Dados oficiais citados: compartilhamento de conteúdo cresceu 15% e comentários no feed aumentaram 24% no último ano. Recomendação oficial de postagem: 2 a 5 posts por semana, com membros que postam duas vezes por semana tendo até 5x mais visualizações de perfil. Confirmação de que postar mais de uma vez por dia não prejudica o alcance total. A declaração sobre IA foi explícita: "AI is best used to augment your expression" — posicionando IA como ferramenta auxiliar, não substituta da voz humana. Vídeo foi citado como formato prioritário.

A publicação de março 2026 no Engineering Blog confirma oficialmente que o LinkedIn migrou de um modelo de distribuição baseado em tamanho de rede para um modelo baseado em relevância semântica — o mesmo pivô que Instagram e TikTok fizeram anos antes. O sistema 360Brew lê o headline, seção "About", histórico de experiência e posts anteriores como sinal de credibilidade antes de distribuir novo conteúdo. Usuários novos sem histórico de engajamento podem receber conteúdo relevante desde o primeiro dia (resolução do "cold start") com base apenas nos dados de perfil. A consistência temática passou a ser um fator de distribuição — contas que publicam sobre tópicos dispersos têm distribuição suprimida.

O LinkedIn adicionou oficialmente as métricas de Saves (salvamentos) e Sends (envios diretos) ao painel de analytics de posts — um movimento interpretado amplamente como sinalização direta de quais comportamentos a plataforma passa a valorizar. A adição de uma métrica ao analytics é uma declaração de prioridade: o LinkedIn mede o que importa para o algoritmo. Saves indicam valor de referência futura; Sends indicam conteúdo valioso o suficiente para compartilhamento individual direto — ambos considerados sinais de engajamento de alta intenção pelo sistema 360Brew. A confirmação de que dwell time (tempo de permanência) é medido pelo Engineering do LinkedIn foi feita no artigo de março 2026 de Danchev.

O LinkedIn encerrou formalmente o programa de badges Top Voice e iniciou o encerramento gradual do recurso Collaborative Articles — ambos lançados como parte da estratégia de curadoria editorial humana anterior. A descontinuação reflete a transição para o modelo de distribuição algorítmica baseada em relevância semântica (360Brew), onde a autoridade é inferida pelo próprio modelo a partir do histórico de conteúdo, em vez de ser atribuída manualmente por meio de badges. Este é um sinal oficial de que o LinkedIn está abandonando métricas de autoridade estáticas em favor de avaliação contextual dinâmica por IA.