LinkedInLinkedIn degrada los posts que suenan a IA: qué considera «contenido genérico» y cómo escribir sin perder alcance
Equipo de AiToolsForAppsRedactado con asistencia de IA15 min de lecturaEn resumen
- Desde el 8 de octubre de 2026, LinkedIn revisa con clasificadores toda publicación que se distribuye más allá de la red inmediata del autor, según su VP de Ingeniería, Tim Jurka (Social Media Today, 8-10-2026).
- El dato que circula mal: el 94 % es precisión, no cobertura. De cada 100 posts que el sistema marca como slop, unos 94 lo son según sus criterios. LinkedIn no ha publicado cuántos se le escapan.
- Lo que LinkedIn castiga no es usar IA, sino lo «genérico y/o repetitivo que no aporta ninguna idea real» (definición literal de Jurka). La IA como corrector está explícitamente permitida.
- El impacto ya es medible: el contenido clasificado como slop registró un 40 % menos de visualizaciones, según el Chief Product Officer Hari Srinivasan (Social Media Today, 20-8-2026).
- Lo que sobrevive al filtro es concreto: gancho real en las dos primeras líneas (antes del corte del «ver más»), un dato o un caso propio y criterio en primera persona.

Si publicas en LinkedIn y notas que posts correctos, bien escritos y bien maquetados se quedan en 200 impresiones, probablemente no sea cosa de la hora de publicación. Es un filtro nuevo, es explícito, y su autor lo ha explicado en público. Este artículo desgrana qué mira ese filtro, qué significan de verdad las cifras que se están repitiendo mal por ahí, y cómo escribir sin quedarte en la cuneta. En AiToolsForApps mantenemos LinkedIn, un conjunto de herramientas de IA para quien crea, vende o compite en la red profesional, y lo que viene a continuación es el contexto que explica por qué montamos herramientas de redacción de titulares, carruseles y posts de LinkedIn con contadores y validadores en lugar de un botón de «genérame un post».
Qué es exactamente el «AI slop» para LinkedIn
Para LinkedIn, AI slop son «publicaciones genéricas y/o repetitivas que no aportan ninguna idea real». Es la definición textual que dio Tim Jurka, VP de Ingeniería, el 8 de octubre de 2026. Fíjate en lo que no dice: no dice «escritas con IA». El criterio es la ausencia de sustancia, no el origen del texto.
Esa distinción la ha repetido la compañía desde el principio. Hari Srinivasan, Chief Product Officer, lo resumió con una frase que conviene memorizar: «AI y slop no son lo mismo». Y en mayo de 2026, Laura Lorenzetti, VP Global Editorial, ya había marcado la línea: «Está bien usar IA para ayudarte a escribir, pero tus publicaciones y comentarios tienen que representar tu voz y tus perspectivas» (Social Media Today, 21-5-2026).
La consecuencia práctica: un post escrito a cuatro manos con un modelo, pero con un dato tuyo, una decisión que tomaste y una opinión discutible, va por el buen lado del filtro. Un post redactado enteramente a mano, pero con tres consejos que podría haber firmado cualquiera, va por el malo.
«Cuando se abusa de la IA, especialmente a escala y de forma automatizada, diluye las ideas valiosas que pueden surgir de conversaciones humanas reales.» — Laura Lorenzetti, VP Global Editorial de LinkedIn, 21 de mayo de 2026.
Qué significa el 94 % de precisión (y qué no significa)
El 94 % es precisión, no exhaustividad. Quiere decir que, de cada 100 publicaciones que el clasificador etiqueta como slop, aproximadamente 94 encajan con los criterios de LinkedIn. No quiere decir que detecte el 94 % de los posts escritos con IA: LinkedIn no ha publicado su tasa de recuperación (recall), así que cuántos se le escapan es un dato desconocido a día de hoy.
La diferencia no es academicismo: cambia por completo lo que puedes deducir del número.
| Lo que se lee por ahí | Lo que dijo LinkedIn | Qué se puede concluir |
|---|---|---|
| «LinkedIn detecta el 94 % de los posts hechos con IA» | 94 % de precisión al marcar slop | Nada sobre cuántos pasan desapercibidos |
| «El 94 % de los posts con IA pierden alcance» | Las publicaciones marcadas pierden distribución | Solo afecta a lo etiquetado, no a todo lo generado con IA |
| «Hay un 6 % de margen de error que me protege» | ~6 de cada 100 marcados serían falsos positivos | El margen juega en tu contra, no a tu favor: si te marcan, lo más probable es que acierten |
Dos matices más que importan para decidir qué hacer:
- El alcance que se recorta es el de recomendación, más allá del primer grado. El contenido marcado no se borra y sigue siendo visible para quien te sigue directamente.
- El filtro se aplica en el punto de reparto: se revisa toda publicación que va a distribuirse fuera de la red inmediata del autor. Es decir, el cribado ocurre justo antes de que el post tenga la oportunidad de crecer.
De dónde sale el sistema: una cronología de 2026
LinkedIn no activó este filtro de golpe. Hay una secuencia de seis meses, y cada paso explica el siguiente.
| Fecha | Qué pasó | Fuente |
|---|---|---|
| 21 de mayo de 2026 | LinkedIn anuncia que reducirá el alcance del contenido de IA sin perspectiva humana clara, limitará comentarios automatizados y añadirá filtros de perfil verificado | Social Media Today |
| Finales de julio / agosto de 2026 | Aparece en el menú de tres puntos de cada post la opción de reportarlo como «parece AI slop» | Social Media Today |
| Agosto de 2026 | LinkedIn retira su propia función «Enhance your post» (reescritura completa del borrador) y la sustituye por un corrector que, en palabras de Srinivasan, «corrige tus palabras, pero no cambia tu voz» | IBTimes UK |
| 20 de agosto de 2026 | Más de 1 millón de personas han usado el botón en menos de tres semanas; el contenido clasificado como slop acumula un 40 % menos de visualizaciones | Social Media Today |
| 8 de octubre de 2026 | Jurka detalla la arquitectura y confirma que el cribado cubre toda publicación que sale de la red inmediata, con 94 % de precisión | Social Media Today |
El detalle más revelador de esa tabla no es el 94 %: es que el millón de reportes de agosto se convirtió en el conjunto de entrenamiento de los clasificadores de octubre. El filtro no codifica la opinión de un equipo de producto sobre qué es un buen post; codifica lo que un millón de profesionales marcaron como relleno.
Cómo funciona el clasificador por dentro
LinkedIn usa un esquema maestro-alumno (teacher-student): modelos grandes que se mantienen al día de los nuevos patrones de slop generan el material con el que se entrenan modelos pequeños, y son esos pequeños los que clasifican a escala. Encima hay agentes con políticas concretas y revisores humanos para los casos dudosos.

En palabras de Jurka: «usamos lo que se conoce como una configuración maestro-alumno. Los modelos "maestro", más grandes, están diseñados para mantenerse al día de los nuevos patrones de AI slop e identificarlos con precisión». Y sobre los agentes: «cada agente se guía por una política específica, que define los criterios con los que evalúa el contenido: por ejemplo, si una publicación es promocional, si celebra un logro o si es de actualidad».
Tres implicaciones prácticas de esta arquitectura:
- Cambiar las palabras no basta. El sistema evalúa patrón y propósito, no vocabulario. Reescribir el mismo post vacío con sinónimos distintos no lo salva.
- Los patrones se actualizan. La parte «maestro» existe precisamente para perseguir fórmulas nuevas. La plantilla de hook que funciona este mes es candidata a estar fichada el siguiente.
- Hay señal de categoría. Que un agente evalúe si el post es «promocional» o «celebra un logro» significa que el mismo texto puede valorarse distinto según para qué sirva.
Las señales que delatan un post vacío
Un post cae del lado malo del filtro cuando no contiene nada que solo tú pudieras haber escrito: ningún hecho datado, ninguna cifra medida, ninguna persona o herramienta con nombre, ninguna opinión que alguien pudiera rebatir. Las señales de formato son solo el síntoma; la causa es la ausencia de sustancia.

Estas son las señales que se repiten en el contenido marcado, tal como las recogen los análisis del fenómeno:
- Apertura de plantilla. El arranque que monta una escena («Ayer, en una reunión…») sin llegar a afirmar nada.
- Listas sin un solo dato propio. Tres consejos, tres errores, tres claves: estructura impecable, contenido intercambiable con el de cualquier otro autor del sector.
- La fórmula «no es X, es Y». El giro retórico que suena a revelación y no aporta información nueva.
- Cebo de interacción. Frases cuyo único objetivo es provocar un comentario o un «sí» («¿Te suena? Comenta SÍ»).
- Cierre con pregunta genérica. «¿Y tú qué opinas?» como punto final, sin una pregunta concreta sobre algo concreto.
- Lección pulcra al final. El párrafo-moraleja que cierra todo con un lazo y no deja nada abierto.
- Formato pegado del chat. Asteriscos, encabezados y viñetas copiados tal cual desde una herramienta conversacional: la huella más literal de todas.
Ninguna de estas señales es ilegal ni te expulsa de la plataforma. Pero su acumulación es exactamente el patrón que un millón de reportes enseñó al clasificador.
Qué sobrevive al filtro: gancho, dato y criterio
Sobrevive el post que, en sus dos primeras líneas, dice algo concreto y verificable; que en el cuerpo aporta una cifra, un caso o una decisión propia; y que toma partido en primera persona. Los tres elementos son acumulativos: con el gancho solo consigues el clic en «ver más», y sin dato propio el clasificador no tiene nada que distinguir.

1. El gancho vive antes del corte del «ver más»
El límite de una publicación en LinkedIn son 3.000 caracteres, pero el lector solo ve las dos o tres primeras líneas antes del corte. Ese espacio varía según el dispositivo y según si el post lleva imagen: en móvil se queda en torno a 140 caracteres y en escritorio algo más, y las guías del sector sitúan el corte práctico alrededor de los 210 caracteres (Commenti, límites de caracteres 2026). Ahí no caben un rodeo narrativo y una tesis: cabe una de las dos.
La razón por la que esto pesa es el tiempo de permanencia (dwell time): si nadie despliega el post, la permanencia se queda por debajo del segundo y el reparto se apaga. Importante: lo que está documentado por fuentes del sector es el papel del dwell time como señal del algoritmo; LinkedIn no ha publicado el peso exacto que le asigna ni los umbrales. Trátalo como lo que es, una heurística razonable, no como una cifra oficial.
2. Un dato o un caso que sea tuyo
Esto es lo que diferencia de verdad. Lo que cuenta como sustancia:
| Tipo de sustancia | Ejemplo de lo que vale | Lo que no vale |
|---|---|---|
| Hecho datado | «La semana del 3 de noviembre cambiamos el asunto del correo de seguimiento» | «Últimamente estamos probando cosas» |
| Cifra medida | «La tasa de respuesta pasó del 11 % al 19 % en 40 envíos» | «Los resultados mejoraron notablemente» |
| Persona o herramienta con nombre | «Lo detectó Marta revisando el CRM» | «Un miembro del equipo se dio cuenta» |
| Opinión rebatible | «Cualificar por presupuesto en la primera llamada nos costó dos clientes» | «Es importante escuchar al cliente» |
| Método propio | «Qué hicimos, en qué orden y por qué funcionó» | «Las claves del éxito en ventas» |
La prueba del algodón es sencilla: si tu post lo podría haber publicado literalmente otra persona de tu sector cambiando el nombre, no tiene sustancia propia.
3. Criterio en primera persona
«En mi experiencia esto no funciona y te cuento por qué» es una afirmación que alguien puede discutir. «Es fundamental aportar valor» no lo es. Lo discutible es, en la práctica, el marcador más fiable de que hay un criterio humano detrás, y es también lo que genera los comentarios que no son cebo.
Dos capas distintas: qué se degrada y a quién se le enseña
El filtro anti-slop y el ranking por relevancia de perfil son capas diferentes del mismo embudo, y confundirlas lleva a optimizar lo que no toca. El filtro de slop actúa antes del reparto: decide si tu publicación merece distribuirse más allá de tu red inmediata. El ranking por relevancia de perfil actúa durante el reparto: decide a quién se le enseña lo que ya ha superado el primer corte.
| Filtro anti-slop | Relevancia de perfil | |
|---|---|---|
| ¿Qué decide? | Si el post se reparte fuera del primer grado | A quién se le muestra |
| ¿Cuándo actúa? | Antes de la distribución | Al asignar audiencia |
| ¿De qué depende? | De la sustancia del texto de ese post | Del encaje entre tu perfil y el interés de quien lee |
| ¿Qué arregla el problema? | Reescribir con dato y criterio | Trabajar la coherencia del perfil y el nicho |
Orden de prioridades, por tanto: primero asegúrate de pasar el filtro, porque un perfil impecable no reparte un post que no se distribuye. Y después trabaja el encaje, porque un post excelente enseñado a la audiencia equivocada tampoco rinde. Tenemos un artículo específico sobre el ranking por relevancia de perfil en este mismo blog; esta sección solo sitúa las dos capas, no repite su contenido.
Checklist de 60 segundos antes de publicar
Pasa cada borrador por estas siete comprobaciones. Si fallas tres o más, no publiques: reescribe.
- ¿Las dos primeras líneas afirman algo, o solo montan una escena?
- ¿Hay al menos una cifra, una fecha o un nombre propio en el cuerpo?
- ¿Hay una frase que alguien podría rebatir con argumentos?
- ¿He quitado toda frase cuyo único fin sea provocar un comentario?
- ¿El cierre abre algo, o lo cierra con un lazo y un «¿y tú qué opinas?»?
- ¿Queda formato copiado de una herramienta conversacional (asteriscos, encabezados, viñetas automáticas)?
- ¿Podría publicar este texto otra persona de mi sector cambiando solo el nombre?
Ese último punto es el resumen de todos los demás. Y es, probablemente, la mejor aproximación casera a lo que hace el clasificador.
Preguntas frecuentes
¿LinkedIn penaliza los posts escritos con IA?
No por el hecho de estar escritos con IA. Lo que LinkedIn degrada es el contenido genérico y/o repetitivo que no aporta ninguna idea real, según la definición de su VP de Ingeniería Tim Jurka del 8 de octubre de 2026. La propia compañía mantiene un corrector con IA integrado y su CPO ha declarado que «AI y slop no son lo mismo».
¿Qué significa que LinkedIn detecta el AI slop con un 94 % de precisión?
Significa que, de cada 100 publicaciones que el sistema marca como slop, unas 94 cumplen sus criterios. No significa que detecte el 94 % de los posts generados con IA: LinkedIn no ha publicado cuántos se le escapan, así que la cobertura real del filtro es desconocida.
¿Si me marcan un post, desaparece de LinkedIn?
No. El contenido marcado pierde distribución en recomendaciones más allá de tus contactos de primer grado, pero no se elimina y sigue siendo visible para quien te sigue directamente. Es una pérdida de alcance, no una retirada.
¿Cuánto alcance se pierde si te marcan como AI slop?
El dato público es que el contenido clasificado como slop registraba un 40 % menos de visualizaciones que unas semanas antes, según declaró el Chief Product Officer Hari Srinivasan el 20 de agosto de 2026. Es una cifra agregada de plataforma, no una penalización fija por post, y LinkedIn no ha publicado el reparto caso a caso.
¿Cuántos caracteres se ven antes del «ver más» en LinkedIn?
Depende del dispositivo y de si el post lleva imagen: solo se muestran las dos o tres primeras líneas, en torno a 140 caracteres en móvil y algo más en escritorio, con un corte práctico que las guías del sector sitúan alrededor de los 210 caracteres sobre un máximo total de 3.000. Por eso la tesis tiene que estar arriba, no en el tercer párrafo.
¿Qué pasa cuando alguien reporta mi post como AI slop?
Un reporte individual afecta principalmente a lo que esa persona ve en su propio feed; LinkedIn ha descrito la función como informativa más que punitiva y no como un cauce para infracciones de políticas. El efecto sobre la distribución aparece cuando muchas personas marcan lo mismo, porque esos reportes alimentan el entrenamiento de los clasificadores.
¿Puedo usar IA para escribir mis publicaciones de LinkedIn sin perder alcance?
Sí, siempre que el resultado contenga algo que solo tú puedas aportar: un dato tuyo, un caso concreto, una decisión y una opinión discutible. Usar IA para estructurar, acortar o corregir es compatible con el filtro; delegar en ella el criterio es lo que lo activa.
¿Reescribir un post con otras palabras evita el filtro?
No es fiable. El sistema evalúa propósito y patrón más que vocabulario, así que cambiar sinónimos sin añadir perspectiva no cambia la valoración. La arquitectura maestro-alumno existe precisamente para seguir el rastro a las fórmulas nuevas a medida que aparecen.
En qué cambia tu forma de escribir a partir de ahora
El cribado de LinkedIn no es un detector de IA: es un detector de vacío. Eso es, en realidad, una buena noticia para cualquiera que tenga algo que contar, porque el coste de publicar relleno acaba de subir y el de publicar una cifra propia, no. Lo único que se vuelve obligatorio es un paso que antes era opcional: revisar el borrador buscando qué hay en él que no podría haber escrito nadie más.
Ese paso es el que intentamos hacer mecánico en LinkedIn, la app de herramientas de IA de AiToolsForApps para quien crea, vende o compite en la red profesional: contadores de caracteres con la línea del corte del «ver más» marcada, fórmulas de titular y de «Acerca de», generación de carruseles en PDF y de publicaciones con sus ganchos alternativos, y un limpiador que avisa cuando detecta una frase de cebo de interacción y la retira. Si quieres verlo aplicado, ahí tienes las herramientas de IA para portadas, titular, carrusel y posts de LinkedIn, sin registro previo.
Escribe tu próximo post con el corte del «ver más» a la vista, el titular medido y el cebo de interacción fuera: prueba las herramientas de IA para LinkedIn, sin registro.
Escribe tu próximo post con el corte del «ver más» a la vista, el titular medido y el cebo de interacción fuera: prueba las herramientas de IA para LinkedIn, sin registro.Sigue leyendo
Ver todos los artículos →
Por qué ha bajado tu alcance en LinkedIn en 2026 (y qué mira ahora el algoritmo)

Geode roto en Geometry Dash 2.2091: qué mods no funcionan y cómo seguir creando

DLS 27 en diciembre de 2026: qué está confirmado, qué no y qué pasa con tu club, tu plantilla y tus equipaciones al actualizar
