Treści generowane przez AI przekroczyły 40% długich postów na LinkedIn, a zawodowa autentyczność płaci za to cenę

Według nowej analizy Pangram treści generowane przez AI stanowią ponad 40% długich postów na LinkedIn, przez co weryfikacja tożsamości zawodowej staje się coraz poważniejszym problemem.

Wniosek ten oparto na ponad milionie postów z mediów społecznościowych przeskanowanych za pomocą rozszerzenia przeglądarkowego Pangram. W całym zbiorze danych 13,8% kwalifikujących się materiałów sklasyfikowano jako zawierające tekst wygenerowany przez AI lub napisany z jej pomocą.

Wyraźniejszy rozdźwięk widać w treściach długiej formy. Posty liczące ponad 250 słów znacznie częściej klasyfikowano jako w całości wygenerowane przez AI. W tej kategorii LinkedIn wyprzedził wszystkie pozostałe platformy.

Wynik ten nie dowodzi, że 40% wszystkich długich postów na LinkedIn napisały maszyny. Pangram badał posty napotkane przez użytkowników rozszerzenia, którzy dobrowolnie udostępnili anonimowe dane ze skanowania. Próba nie była losowa ani zaprojektowana tak, by reprezentować wszystkie kanały na LinkedIn.

Mimo to jej skala jest wystarczająco duża, by ujawnić napięcie na poziomie całej platformy. LinkedIn promuje autentyczne rozmowy zawodowe, a jednocześnie oferuje wsparcie AI, które obniża koszt masowego tworzenia treści brzmiących jak wypowiedzi eksperta.

LinkedIn już modyfikuje swój kanał, aby ograniczyć ogólnikowe materiały, automatyczne komentarze i sztucznie generowane zaangażowanie. Pytanie brzmi, czy systemy rankingowe potrafią odróżnić wartościowe wsparcie AI od masowo produkowanego zawodowego teatru.

Treści generowane przez AI dominują w próbie długich postów na LinkedIn

Najważniejszy wniosek nie sprowadza się do tego, że ludzie korzystają z AI na LinkedIn. Chodzi o to, że automatyzacja koncentruje się w postach tworzonych po to, by świadczyć o wiedzy eksperckiej.

Pangram opublikował swój audyt kanałów społecznościowych 9 lipca 2026 roku. Firma przeanalizowała 1 002 627 unikalnych materiałów zebranych po premierze jej rozszerzenia do Chrome 24 kwietnia.

Zbiór danych obejmował LinkedIn, Reddit, X, Medium i Substack. Pangram wykluczył materiały liczące nie więcej niż 50 słów, co ma znaczenie przy interpretacji podanych wartości procentowych.

Spośród wszystkich przeskanowanych materiałów Pangram sklasyfikował 13,8% jako zawierające jakąś formę tekstu stworzonego przez AI. W przypadku materiałów dłuższych niż 250 słów odsetek treści wygenerowanych w całości wzrósł do 25,72%.

LinkedIn odnotował najwyższy udział treści w całości wygenerowanych przez AI wśród długich postów — ponad 40%. Platforma odpowiadała również za około jedną trzecią przeskanowanego zbioru danych, ale pochodziło z niej aż 62% wszystkich treści oznaczonych jako wygenerowane przez AI.

Liczby te czynią LinkedIn najważniejszym przypadkiem w próbie Pangram. Nie stanowią jednak precyzyjnego spisu treści na całej platformie.

Metoda gromadzenia danych wprowadza kilka rodzajów błędu selekcji. Każde skanowanie rozpoczynał użytkownik rozszerzenia, a dane przekazywały wyłącznie osoby, które zgodziły się udostępniać je do celów badawczych. Ich nawyki przeglądania decydowały o tym, jacy twórcy, branże, języki i sieci kontaktów trafiały do próby.

Osoby instalujące narzędzie wykrywające AI prawdopodobnie częściej niż przeciętni użytkownicy zauważają lub podejrzewają syntetyczne teksty. Mogą też skanować posty wybiórczo, gdy dany fragment wydaje się schematyczny.

Pangram twierdzi, że każdy materiał liczono tylko raz, co ogranicza zawyżanie wyniku przez duplikaty. Opublikowany raport nie zawiera jednak pełnego profilu demograficznego uczestników ani ram losowego doboru próby.

To rozróżnienie ma znaczenie, ponieważ „ponad 40%” brzmi jak pomiar dotyczący całej platformy. Trafniejsza interpretacja jest taka, że ponad 40% kwalifikujących się długich postów na LinkedIn w zbiorze danych z rozszerzenia Pangram sklasyfikowano jako w całości wygenerowane przez AI.

Nawet z tym zastrzeżeniem wynik zasługuje na uwagę. Próba przekroczyła milion materiałów, a różnice między platformami nie były niewielkie.

Duża koncentracja takich treści na LinkedIn odpowiada również widocznej zmianie w publikowaniu materiałów zawodowych. Użytkownicy mogą dziś tworzyć dopracowane wpisy o doświadczeniach zawodowych, koncepcjach zarządzania i sytuacji rynkowej, nie poświęcając wielu godzin na ich napisanie.

Bodziec ekonomiczny jest prosty. LinkedIn nagradza regularne publikowanie uwagą, możliwościami nawiązywania kontaktów i wizerunkiem autorytetu. Narzędzia generatywne radykalnie zmniejszają nakład pracy potrzebny do utrzymania takiej obecności.

Długie posty pozostawiają więcej miejsca na rozpoznawalne wzorce językowe. Dostarczają również narzędziom wykrywającym więcej tekstu do analizy, co może zwiększać trafność klasyfikacji w porównaniu z krótkimi komentarzami.

To połączenie pomaga wyjaśnić, dlaczego najsilniejszy sygnał pojawił się właśnie w długich treściach. Format ten jest atrakcyjny dla twórców korzystających ze wsparcia AI, a systemom wykrywania łatwiej go ocenić.

Niepokojący nie jest sam fakt, że specjaliści otrzymują pomoc w pisaniu. Redaktorzy, szablony i ghostwriterzy istnieli na długo przed generatywną AI.

Konflikt zaczyna się wtedy, gdy post przedstawia wygenerowane doświadczenia, osądy lub emocje jako bezpośrednią perspektywę zawodową autora. Czytelnicy nie mogą łatwo stwierdzić, czy deklarowane spostrzeżenia wynikają z praktyki, z odpowiednio sformułowanego polecenia dla AI, czy z połączenia obu tych źródeł.

Dlaczego LinkedIn znajduje się pod większą presją niż Reddit lub Substack

LinkedIn łączy publikowane treści z zatrudnieniem i reputacją, dlatego syntetyczny autorytet ma tam większe znaczenie niż w anonimowym kanale rozrywkowym.

Pangram wykrył istotne różnice między pięcioma platformami. Sugerują one, że struktura produktu i oczekiwania społeczności wpływają na sposób, w jaki pojawiają się teksty tworzone przez AI.

X odnotował najwyższy łączny odsetek wśród postów publikowanych w formacie artykułów. Pangram sklasyfikował 23,9% z nich jako w całości wygenerowane przez AI, a kolejne 22,9% jako teksty napisane wspólnie przez człowieka i AI.

Łącznie kategorie te obejmowały 46,8% przeskanowanych artykułów na X. Tylko 53,2% sklasyfikowano jako napisane w całości przez człowieka.

Na Reddit zaobserwowano niemal odwrotny wzorzec. Z platformy pochodziło 36,7% przeskanowanych materiałów — najwięcej ze wszystkich — ale łączny odsetek treści AI wyniósł zaledwie 4,4%.

Na wynik ten wpłynęły odpowiedzi. Stanowiły one 72% materiałów z Reddit objętych skanowaniem, a Pangram sklasyfikował 98,1% tych odpowiedzi jako napisane przez człowieka.

Główne posty na Reddit wyglądały inaczej. Odsetek treści AI wyniósł w ich przypadku 11,6%, wobec 10% dla głównych treści na X.

Ta różnica ujawnia istotny wzorzec zachowania. Przekonująca automatyzacja spontanicznej rozmowy pozostaje stosunkowo trudna, podczas gdy samodzielne publikacje łatwiej generować i planować.

Substack stanowił kolejny kontrapunkt. Dłuższe posty na Substack klasyfikowano jako w całości wygenerowane przez AI nieco rzadziej niż krótsze wpisy.

Nawet tam Pangram sklasyfikował 21,9% postów jako w całości wygenerowane lub napisane z pomocą AI. Platforma nie była wolna od syntetycznych treści, ale wzorzec dotyczący długich form różnił się od tego obserwowanego na LinkedIn.

Autorzy publikujący na Substack często budują bezpośrednie relacje z subskrybentami wokół rozpoznawalnego stylu. Czytelnicy mogą zrezygnować z subskrypcji, gdy ten styl staje się ogólnikowy, co daje autorom finansowy powód do zachowania oryginalności.

Bodźce na LinkedIn są mniej bezpośrednie. Użytkownik może zdobywać wyświetlenia, wizyty na profilu lub cenne kontakty bez przekonywania czytelników do płacenia za każdy post.

Kanały zawodowe premiują również wąski zestaw powtarzalnych formatów. Lekcje przywództwa, wyznania dotyczące kariery, porady o produktywności i kontrowersyjne tezy biznesowe wpisują się w przewidywalne schematy.

Modele generatywne doskonale radzą sobie z odtwarzaniem tych znanych wzorców. Potrafią przekształcić krótki pomysł w długi post zawierający chwytliwe otwarcie, opis niepowodzenia, trzy lekcje i dopracowane pytanie na zakończenie.

Wywiera to presję na kilka grup jednocześnie. Poszczególni specjaliści muszą publikować częściej, by zachować widoczność, ale ogólnikowe treści mogą zaszkodzić wiarygodności, którą próbują zbudować.

Rekruterzy i kupujący mierzą się z osobnym problemem. Szczegółowy post był niegdyś użytecznym sygnałem świadczącym o sposobie rozumowania, doświadczeniu i stylu komunikacji danej osoby.

Skoro stworzenie takiego postu staje się niemal bezwysiłkowe, jego długość i dopracowanie tracą wartość dowodową. Czytelnicy muszą szukać konkretnych szczegółów, możliwych do zweryfikowania przykładów oraz wiedzy eksperckiej konsekwentnie prezentowanej w dłuższym okresie.

Największą presję strategiczną odczuwa LinkedIn. Jego kanał opiera się na przekonaniu, że posty odzwierciedlają rzeczywiste perspektywy zawodowe, nawet jeśli użytkownicy korzystają z pomocy redakcyjnej.

Jeśli to przekonanie osłabnie, zaangażowanie może pozostać wysokie, choć wartość informacyjna będzie spadać. Nawet bardzo aktywny kanał może stać się kiepskim miejscem do podejmowania decyzji dotyczących ludzi.

Platforma zachęcała do pisania z użyciem AI, a następnie zaczęła filtrować ogólnikowe treści

Główna sprzeczność w działaniach LinkedIn polega na tym, że platforma obniżyła koszt tworzenia treści zawodowych, próbując jednocześnie zachować poczucie wyjątkowości autentycznej wiedzy eksperckiej.

LinkedIn nie zabrania odpowiedzialnego korzystania ze wsparcia AI. Oficjalne wytyczne dotyczące publikowania z użyciem AI proszą użytkowników o sprawdzanie, redagowanie i zatwierdzanie materiałów tworzonych z pomocą AI.

Firma zaleca również ujawnienie znacznego wykorzystania AI, jeśli nie wynika ono jasno z kontekstu. Odpowiedzialność nadal spoczywa na osobie publikującej post.

Takie stanowisko traktuje AI jako narzędzie redakcyjne, a nie substytut tożsamości autora. W praktyce granica między pomocą a autorstwem pozostaje jednak trudna do uchwycenia.

Jeden użytkownik może przedstawić oryginalny argument i poprosić model o poprawę klarowności. Inny może zażądać kompletnej historii o przywództwie na podstawie polecenia składającego się z jednego zdania.

Oba posty mogą zostać opublikowane bez widocznego oznaczenia. Oba mogą przejść przez ten sam interfejs edycji i oba pozostają powiązane z zawodową tożsamością prawdziwej osoby.

LinkedIn oferował w swoich produktach funkcje wspomagające pisanie oparte na AI. Raport Pangram wskazuje funkcję „Enhance post” jako jeden ze sposobów dopracowywania szkiców użytkowników.

Istnienie tej funkcji nie wyjaśnia pochodzenia każdego oznaczonego postu. Użytkownicy mogą korzystać z ChatGPT, Claude, Gemini, wyspecjalizowanych narzędzi do pisania lub procesów realizowanych przez agencje, zanim wkleją treść na LinkedIn.

Pokazuje to jednak, że pisanie z użyciem AI nie jest zewnętrznym zachowaniem narzuconym niechętnej platformie. LinkedIn uczestniczy w tym samym cyklu adaptacji, który musi teraz moderować.

W marcu 2026 roku LinkedIn opisał nowe zmiany w kanale, których celem było promowanie bardziej trafnych i autentycznych treści zawodowych.

Firma poinformowała, że wdraża generatywne systemy rekomendacji oraz duże modele językowe, aby rozpoznawać tematykę postów i zmieniające się zainteresowania użytkowników. Systemy te szeregują materiały na podstawie kontekstu zawodowego i zachowania.

LinkedIn poinformował również, że przeciwdziała automatycznym komentarzom, grupom sztucznie podbijającym zaangażowanie, nieautoryzowanym narzędziom zewnętrznym, powtarzalnym postom oraz materiałom nastawionym na zdobywanie kliknięć.

Co istotne, w komunikacie nie uznano wszystkich tekstów napisanych z pomocą AI za niedopuszczalne. Skupiono się na nieautentycznych zachowaniach i ogólnikowych treściach, które wnoszą niewielką wartość.

To rozróżnienie jest rozsądne, lecz trudne do egzekwowania. Platforma może wykrywać powtarzające się struktury lub skoordynowaną automatyzację, nie wiedząc przy tym, czy konkretne stwierdzenie wynika z osobistego doświadczenia.

Dopracowany post może być oryginalny i wartościowy. Niedopracowany może wprowadzać w błąd. Sam styl nie pozwala rozstrzygnąć kwestii autorstwa, prawdziwości ani wartości.

LinkedIn zdaje się więc oceniać rezultaty, zamiast próbować zakazać określonej metody tworzenia treści. Konkretne i trafne posty mogą pozostać użyteczne, nawet jeśli AI pomogła ukształtować ich zdania.

Słabością tego podejścia jest skala. Generatory mogą tworzyć tysiące wariantów tej samej płytkiej tezy, zmuszając systemy rankingowe do oceny coraz bardziej dopracowanej jednorodności.

Platforma wykorzystuje następnie kolejne systemy AI do filtrowania treści stworzonych za pomocą AI. Powstaje w ten sposób zautomatyzowana rywalizacja między generowaniem, optymalizacją i rekomendowaniem.

Użytkownicy szybko dostosowują się do widocznych preferencji algorytmów rankingowych. Gdy ogólnikowe chwyty przestają zapewniać zasięg, dostawcy usług związanych z tworzeniem treści mogą nakłaniać modele do generowania studiów przypadku, nietypowych sformułowań lub bardziej osobistych szczegółów.

Niektóre z tych szczegółów będą prawdziwe. Inne okażą się syntetyczną konkretnością zaprojektowaną po to, by zadowolić kolejny klasyfikator.

Pisanie na LinkedIn z wykorzystaniem AI przestaje więc być prostym problemem autorstwa, a staje się problemem bodźców. Algorytm kanału nagradza oznaki autentyczności, przez co stają się one atrakcyjnym celem automatyzacji.

Czego nie mówi nam wskaźnik 40%

Ustalenia Pangram są poważnym sygnałem ostrzegawczym, ale detektor AI nie jest w stanie odtworzyć całego procesu powstawania każdego wpisu.

Pangram przeanalizował zbiór danych za pomocą modelu Pangram 3.3. Firma podaje, że jego odsetek wyników fałszywie dodatnich wynosi 0,01%.

Wynik fałszywie dodatni występuje wtedy, gdy detektor uznaje tekst napisany przez człowieka za wygenerowany przez AI. Niski wskaźnik ogranicza jedno z istotnych źródeł błędów, szczególnie w przypadku dużego zbioru danych.

Skuteczność w zakresie wyników fałszywie dodatnich nie opisuje jednak całego systemu. Czytelnicy muszą również znać jego czułość, zakres obsługiwanych dziedzin i języków oraz skuteczność w przypadku treści zredagowanych lub sparafrazowanych.

Detektor może rzadko niesłusznie oskarżać ludzkich autorów, a jednocześnie nie wykrywać znacznej części tekstów wygenerowanych maszynowo. Taki błąd nazywa się wynikiem fałszywie ujemnym.

Pangram dzieli część materiałów na treści w pełni wygenerowane przez AI oraz treści mieszane lub stworzone przy wsparciu AI. Etykiety te zależą od wzorców występujących w przesłanym tekście, a nie od bezpośredniego dostępu do historii pracy autora nad wersjami roboczymi.

Ktoś może gruntownie przeredagować wygenerowany szkic, aż zacznie on brzmieć jak tekst napisany przez człowieka. Ktoś inny może stworzyć oryginalną wersję i użyć modelu do jej szeroko zakrojonej restrukturyzacji.

Ostateczne teksty mogą znaleźć się po przeciwnych stronach progu klasyfikatora, mimo że wymagały podobnej ilości ludzkiego osądu.

Niezależne badania przemawiają za ostrożnością. Jedno z badań nad wykrywaniem wykazało, że w kontrolowanych warunkach parafrazowanie znacznie obniżyło skuteczność kilku detektorów tekstu generowanego przez AI.

W badaniu sprawdzano wiele systemów, ale nie Pangram 3.3, dlatego konkretnych wyników dotyczących ich skuteczności nie należy przenosić na audyt Pangram.

Ogólny wniosek pozostaje jednak aktualny. Szacunki oparte na detekcji mogą zaniżać skalę generowania tekstów, gdy użytkownicy celowo lub mimochodem przeredagowują treści tworzone przez modele.

Treści publikowane na platformach powodują dodatkowe komplikacje. Wpisy na LinkedIn często składają się z krótkich akapitów, list, powtarzalnych zdań przyciągających uwagę i konwencjonalnego języka biznesowego.

Takie konwencje stylistyczne mogą przypominać teksty modeli, ponieważ modele uczono na podobnych publicznie dostępnych materiałach. Mogą też sprawiać, że wpisy rzeczywiście napisane przez ludzi stają się wyjątkowo przewidywalne.

Kolejnym źródłem niepewności jest język. Publiczny raport Pangram nie zawiera pełnego zestawienia skuteczności z podziałem na platformy i języki dla tej konkretnej próby.

LinkedIn obsługuje odbiorców na całym świecie. Jeden zagregowany wskaźnik może ukrywać różnice w skuteczności klasyfikacji między językami, regionami i konwencjami komunikacji zawodowej.

Dane niewiele mówią również o jakości. Detektor może oszacować prawdopodobne pochodzenie tekstu, ale nie potrafi rozstrzygnąć, czy zawarte w nim twierdzenie jest poprawne, użyteczne, splagiatowane lub oparte na rzeczywistym doświadczeniu.

Wpis napisany w całości przez człowieka może powielać pusty frazes z podręcznika zarządzania. Z kolei wpis stworzony przy wsparciu AI może trafnie podsumowywać artykuł techniczny po starannej weryfikacji przez eksperta.

Dlatego określenia „AI slop” należy używać z rozwagą. Bezwartościowe treści tworzone automatycznie są realnym problemem kanałów informacyjnych, ale tekst wygenerowany i tekst bezwartościowy nie są kategoriami tożsamymi.

Pangram ma również interes komercyjny w wykazywaniu zapotrzebowania na narzędzia do detekcji. Nie unieważnia to jego wyników, ale czytelnicy powinni traktować raport jako badanie firmowe, a nie niezależny audyt platformy.

Najmocniejszy wniosek dotyczy ogólnego kierunku zjawiska. Korzystając z opisanego zbioru danych i wskazanego z nazwy modelu, Pangram zaobserwował duży udział wykrytych tekstów AI w długich wpisach na LinkedIn.

Najsłabszy wniosek polegałby na uznaniu tej obserwacji za pewnik dotyczący każdego wpisu na LinkedIn. Indywidualne oskarżenia wymagają mocniejszych dowodów niż zagregowany wynik detektora.

LinkedIn nie powinien karać użytkowników wyłącznie dlatego, że zewnętrzny klasyfikator negatywnie ocenił ich styl. Takie działania mogłyby zaszkodzić osobom, dla których angielski nie jest językiem ojczystym, użytkownikom narzędzi wspomagających dostępność oraz specjalistom współpracującym z redaktorami.

Czytelnicy również powinni zachować podobną powściągliwość. Detekcja może skłaniać do sceptycyzmu, ale nie powinna zastępować weryfikowania twierdzeń i oceny dowodów.

Sama detekcja nie przywróci zaufania zawodowego

Trwalsza odpowiedź wymaga połączenia ujawniania wykorzystania AI, śledzenia pochodzenia treści, egzekwowania zasad dotyczących zachowań oraz bardziej krytycznej oceny ze strony czytelników, zamiast polegania na jednym klasyfikatorze.

Informacje o pochodzeniu wskazują, w jaki sposób utworzono lub zmieniono dane medium. W przeciwieństwie do detekcji opartej na stylu wykorzystują dane dołączane podczas procesu tworzenia.

W 2024 roku LinkedIn wdrożył standard C2PA dla określonych typów mediów. Jego poświadczenia treści mogą wskazywać źródło oraz historię edycji obsługiwanych obrazów lub filmów.

Tekst stanowi trudniejsze wyzwanie. Autorzy rutynowo kopiują materiały między edytorami, usuwają metadane, łączą wiele wersji roboczych i poprawiają pojedyncze zdania.

Widoczne pole informujące o wykorzystaniu AI mogłoby jednak zwiększyć przejrzystość. LinkedIn mógłby umożliwić autorom wskazanie, czy AI wygenerowała, zredagowała, przetłumaczyła lub streściła wpis.

Platforma musiałaby przy tym unikać traktowania wszystkich czterech działań jako równoważnych. Pomoc w tłumaczeniu nie ma takich samych konsekwencji dla autorstwa jak wymyślenie osobistej historii zawodowej.

Ujawnianie wykorzystania AI również wymaga odpowiednich bodźców. Użytkownicy mogą ukrywać szerokie zastosowanie generowania, jeśli oznaczone wpisy będą miały mniejszy zasięg lub wzbudzały mniejsze zaufanie.

LinkedIn może rozwiązać ten konflikt, nagradzając rzeczową przejrzystość, zamiast automatycznie karać za korzystanie ze wsparcia. Najważniejsze powinno pozostać pytanie, czy wskazany autor bierze odpowiedzialność za publikowane twierdzenia.

Kolejną warstwę ochrony zapewnia egzekwowanie zasad dotyczących zachowań. Skoordynowane publikowanie, automatyczne komentarze, grupy wzajemnie podbijające zaangażowanie oraz masowe wykorzystywanie tych samych szablonów tworzą wzorce, które operatorzy platform mogą obserwować bezpośrednio.

Takie sygnały są często bardziej użyteczne niż styl prozy. Pozwalają zwalczać manipulację na dużą skalę bez zmuszania LinkedIn do rozstrzygania, kto wpisał każde zdanie.

Systemy rankingowe mogą również traktować priorytetowo dowody z pierwszej ręki. Wpis odwołujący się do projektu, eksperymentu, dokumentu lub jasno opisanej decyzji daje czytelnikom coś, co można zweryfikować.

Zwiększa to koszt tworzenia syntetycznego wizerunku eksperta. Modelom łatwiej naśladować pewny siebie język niż przedstawić spójny zapis rzeczywistej pracy.

Specjaliści powinni traktować publiczne wpisy jako twierdzenia, a nie poświadczenia kwalifikacji. Dopracowany esej jest tylko jednym z sygnałów — obok historii zatrudnienia, referencji, portfolio i wykazanej wiedzy.

Czytelnicy mogą również zachowywać materiały źródłowe, zanim zaczną polegać na wygenerowanych podsumowaniach. Osobisty system zarządzania wiedzą pomaga utrzymać źródła, kontekst i własne obserwacje leżące u podstaw publikowanej pracy.

Ma to znaczenie, ponieważ publikowanie przy wsparciu AI często spłaszcza ścieżkę dowodową. Płynnie napisane podsumowanie może oddzielić pomysł od notatek i decyzji, które nadawały mu znaczenie.

Regulacje tworzą odrębną ścieżkę zwiększania przejrzystości. Unijne przepisy dotyczące przejrzystości AI zaczną obowiązywać 2 sierpnia 2026 roku.

Artykuł 50 dotyczy kilku rodzajów treści wygenerowanych lub zmanipulowanych. Wymogi dotyczące ujawniania pochodzenia tekstów koncentrują się zwłaszcza na materiałach publikowanych w celu informowania społeczeństwa o sprawach leżących w interesie publicznym bez weryfikacji przez człowieka.

Przepisy te nie oznaczają, że każdy wpis na LinkedIn zredagowany przez AI automatycznie otrzyma uniwersalne oznaczenie. Ich zastosowanie zależy od podmiotu, treści, systemu i stopnia kontroli redakcyjnej.

Mimo to zwiększają presję na dostawców modeli i profesjonalnych wydawców, aby zapewniali bardziej wiarygodne informacje o pochodzeniu treści. W niektórych kontekstach dobrowolne wytyczne platform ustępują miejsca prawnym ramom przejrzystości.

Żaden pojedynczy środek nie rozwiąże problemu. Etykiety można ignorować, metadane mogą zniknąć, a klasyfikatory można ominąć.

Praktyczna ochrona musi być wielowarstwowa. Dane o pochodzeniu pomagają zweryfikować źródło, detekcja identyfikuje podejrzane wzorce, a systemy analizujące zachowania przeciwdziałają skoordynowanym nadużyciom.

Weryfikacja przez człowieka pozostaje niezbędna, ponieważ autentyczność nie jest wyłącznie właściwością techniczną. Chodzi o to, czy dana osoba rzeczywiście bierze odpowiedzialność za doświadczenia, oceny i konsekwencje przypisane do wpisu.

Trzy sygnały pokażą, czy LinkedIn zdoła powstrzymać zalew treści

Kolejny etap będzie oceniany na podstawie jakości kanału, wiarygodnego ujawniania wykorzystania AI i niezależnej weryfikacji, a nie następnego sensacyjnego wskaźnika detekcji.

Pierwszym sygnałem będzie egzekwowanie przez LinkedIn zasad przeciwko automatyzacji zaangażowania. Firma zapowiedziała już działania wymierzone w automatyczne komentarze, grupy wzajemnie podbijające zaangażowanie i nieautoryzowane narzędzia.

Użytkownicy powinni obserwować, czy liczba ogólnikowych komentarzy maleje bez ograniczania autentycznego uczestnictwa. LinkedIn powinien także publikować bardziej przejrzyste informacje o zachowaniach, które usuwa lub których zasięg ogranicza.

Widoczna poprawa wspierałaby tezę, że za dużą część problemu treści syntetycznych odpowiadają bodźce stworzone przez platformę. Brak istotnych zmian sugerowałby, że egzekwowanie zasad nie nadąża za coraz tańszą automatyzacją.

Drugim sygnałem będzie wprowadzenie znaczących oznaczeń tekstów. LinkedIn zaleca obecnie ujawnianie sytuacji, w których użytkownicy w dużym stopniu polegają na AI, ale samo zalecenie prowadzi do niespójnych praktyk.

Użyteczny system odróżniałby wygenerowane szkice od edycji, tłumaczenia, podsumowywania i wsparcia dostępności. Wyjaśniałby również, kiedy oznaczenia wpływają na zasięg.

Unijne obowiązki w zakresie przejrzystości stworzą bezpośredni test polityki po 2 sierpnia. Reakcje platform i dostawców modeli pokażą, czy śledzenie pochodzenia tekstów może działać w praktyce poza kontrolowanymi demonstracjami.

Jasne i powszechnie stosowane oznaczenia ograniczyłyby konieczność zgadywania na podstawie stylu. Nieprecyzyjne etykiety lub ich niewielka popularność nadal skazywałyby czytelników na niepewną detekcję.

Trzecim sygnałem będzie niezależne odtworzenie ustaleń Pangram. Badacze potrzebują losowych lub starannie warstwowanych prób obejmujących różne branże, regiony, języki i wielkości kont.

Powinni również publikować wyniki skuteczności detektorów dla dokładnie tych dziedzin treści, które analizują. Obejmuje to czułość, odsetek wyników fałszywie dodatnich oraz odporność na zwykłą redakcję wykonywaną przez człowieka.

Porównywalny audyt mógłby potwierdzić, że długie treści na LinkedIn są wyjątkowo mocno nasycone tekstami AI. Mógłby też wykazać, że próba pochodząca z rozszerzenia zawierała nadreprezentację podejrzanych wpisów lub określonych sieci użytkowników.

Każdy z tych rezultatów poprawiłby jakość debaty. Obecny raport stanowi cenny sygnał alarmowy, ale polityka platformy nie powinna opierać się na detektorze jednej firmy i jednym zbiorze danych pozyskanym od dobrowolnie uczestniczących użytkowników.

Dla pracowników wiedzy bezpośrednią odpowiedzią nie powinno być zaprzestanie korzystania z AI. Należy natomiast zachować granicę między wsparciem a przywłaszczonym autorytetem.

Modele można wykorzystywać do porządkowania notatek, podważania argumentów lub poprawiania jasności wypowiedzi. Trzeba jednak zachowywać źródłowe dowody, weryfikować twierdzenia faktyczne i usuwać opisy doświadczeń, których w rzeczywistości się nie miało.

Czytelnicy powinni stosować wobec treści generowanych przez AI na LinkedIn te same standardy, co wobec każdego twierdzenia zawodowego. Warto pytać, co jest konkretne, możliwe do zweryfikowania i zgodne z udokumentowaną pracą autora.

Wskaźnik 40% ma znaczenie, ponieważ pokazuje, jak szybko dopracowany język przestał być rzadkością. Nie oznacza to jednak, że profesjonalna wiedza zniknęła.

Pozostałym rzadkim zasobem jest osąd, za który ktoś bierze odpowiedzialność. Przyszłość LinkedIn zależy od tego, czy jego kanał zdoła rozpoznawać i nagradzać tę różnicę, zanim syntetyczny profesjonalizm stanie się normą.