Les contenus générés par l’IA dépassent 40 % des publications longues sur LinkedIn, au détriment de l’authenticité professionnelle

Selon une nouvelle analyse de Pangram, les contenus générés par l’IA représentent plus de 40 % des publications longues sur LinkedIn, transformant l’identité professionnelle en un problème croissant de vérification.

Ce constat repose sur plus d’un million de publications issues de réseaux sociaux analysées à l’aide de l’extension de navigateur de Pangram. Sur l’ensemble du jeu de données, 13,8 % des contenus admissibles ont été classés comme comportant une rédaction générée ou assistée par l’IA.

Le contraste est encore plus marqué dans les contenus longs. Les publications de plus de 250 mots étaient nettement plus susceptibles d’être classées comme entièrement générées par l’IA. LinkedIn arrivait en tête de toutes les plateformes dans cette catégorie.

Ce résultat ne prouve pas que 40 % de toutes les publications longues sur LinkedIn sont rédigées par des machines. Pangram a étudié des publications consultées par des utilisateurs de l’extension ayant volontairement partagé des données d’analyse anonymes. L’échantillon n’était ni aléatoire ni conçu pour représenter l’ensemble des fils LinkedIn.

L’ampleur de l’étude suffit néanmoins à révéler une tension à l’échelle de la plateforme. LinkedIn encourage les échanges professionnels authentiques tout en proposant une assistance par l’IA qui réduit le coût de fabrication d’une expertise professionnelle en apparence crédible.

LinkedIn modifie déjà son fil afin de réduire les contenus génériques, les commentaires automatisés et les interactions artificielles. Reste à savoir si les systèmes de classement peuvent distinguer une assistance utile par l’IA d’une mise en scène professionnelle produite en série.

Les contenus générés par l’IA sur LinkedIn dominent l’échantillon des publications longues

Le principal enseignement n’est pas simplement que les internautes utilisent l’IA sur LinkedIn. C’est que l’automatisation se concentre dans les publications conçues pour afficher une expertise.

Pangram a publié son audit des fils sociaux le 9 juillet 2026. L’entreprise a analysé 1 002 627 contenus uniques recueillis après le lancement de son extension Chrome, le 24 avril.

Le jeu de données couvrait LinkedIn, Reddit, X, Medium et Substack. Pangram a exclu les contenus de 50 mots ou moins, un élément important pour interpréter les pourcentages annoncés.

Sur l’ensemble des contenus analysés, Pangram a estimé que 13,8 % comportaient une forme de rédaction par l’IA. La proportion de contenus entièrement générés atteignait 25,72 % parmi ceux de plus de 250 mots.

LinkedIn affichait la part la plus élevée de publications longues entièrement générées, à plus de 40 %. La plateforme représentait également environ un tiers du jeu de données analysé, mais concentrait 62 % de tous les contenus signalés comme générés par l’IA.

Ces chiffres font de LinkedIn le cas central de l’échantillon de Pangram. Ils ne constituent toutefois pas un recensement précis de l’ensemble de la plateforme.

La méthode de collecte introduit plusieurs formes de biais de sélection. Chaque analyse provenait d’un utilisateur de l’extension, et seuls ceux ayant accepté de partager leurs données à des fins de recherche ont contribué à l’étude. Leurs habitudes de navigation ont déterminé quels créateurs, secteurs, langues et réseaux étaient représentés.

Les personnes qui installent un détecteur d’IA sont probablement plus attentives aux textes synthétiques, ou les soupçonnent plus souvent, que les utilisateurs moyens. Elles peuvent également choisir d’analyser certaines publications lorsqu’un passage leur paraît stéréotypé.

Pangram indique que chaque contenu n’a été comptabilisé qu’une seule fois, ce qui limite la surreprésentation due aux doublons. Le rapport publié ne fournit cependant ni ventilation démographique complète des participants ni méthode d’échantillonnage aléatoire.

Cette distinction est importante, car l’expression « plus de 40 % » donne l’impression d’une mesure portant sur toute la plateforme. L’interprétation la plus exacte est que plus de 40 % des publications longues admissibles de LinkedIn figurant dans le jeu de données de l’extension Pangram ont été classées comme entièrement générées par l’IA.

Même avec cette réserve, le résultat mérite l’attention. L’échantillon dépassait un million de contenus, et les écarts entre les plateformes étaient considérables.

La concentration observée sur LinkedIn correspond également à une évolution manifeste de la publication professionnelle. Les utilisateurs peuvent désormais produire des retours d’expérience soignés sur leur carrière, des cadres de gestion et des analyses de marché sans consacrer des heures à leur rédaction.

L’incitation économique est évidente. LinkedIn récompense les publications régulières par de la visibilité, des possibilités de réseautage et une impression d’autorité. Les outils génératifs réduisent considérablement le travail nécessaire pour maintenir cette présence.

Les publications longues offrent davantage d’espace aux schémas linguistiques reconnaissables. Elles fournissent aussi plus de texte aux détecteurs, ce qui peut améliorer la classification par rapport aux commentaires courts.

Cette combinaison permet de comprendre pourquoi les contenus longs ont produit le signal le plus net. Ce format attire les créateurs assistés par l’IA et se prête mieux à l’évaluation par les systèmes de détection.

Le problème n’est pas que les professionnels reçoivent une aide rédactionnelle. Les correcteurs, les modèles de texte et les prête-plumes existaient bien avant l’IA générative.

Le conflit apparaît lorsqu’une publication présente une expérience, un jugement ou une émotion générés comme l’expression directe du point de vue professionnel de son auteur. Les lecteurs peuvent difficilement savoir si l’analyse revendiquée provient de la pratique, d’une requête adressée à l’IA, ou des deux.

Pourquoi LinkedIn subit davantage de pression que Reddit ou Substack

Sur LinkedIn, les écrits sont liés à l’emploi et à la réputation : une autorité synthétique y pèse donc davantage que sur un fil de divertissement anonyme.

Pangram a relevé des différences significatives entre les cinq plateformes. Celles-ci suggèrent que la structure des produits et les attentes des communautés influencent la manière dont les textes générés par l’IA se manifestent.

X affichait la proportion combinée la plus élevée parmi ses publications au format article. Pangram en a classé 23,9 % comme entièrement générées par l’IA et 22,9 % supplémentaires comme mêlant rédaction humaine et IA.

Ensemble, ces catégories représentaient 46,8 % des articles de X analysés. Seuls 53,2 % ont été classés comme entièrement rédigés par des humains.

Reddit présentait une tendance presque opposée. La plateforme représentait 36,7 % des contenus analysés, soit la part la plus importante, mais son taux combiné de recours à l’IA n’était que de 4,4 %.

Les réponses ont fortement influencé ce résultat. Elles constituaient 72 % des contenus Reddit analysés, et Pangram en a classé 98,1 % comme rédigées par des humains.

Les publications Reddit de premier niveau présentaient un profil différent. Leur taux de recours à l’IA atteignait 11,6 %, contre 10 % pour les contenus de premier niveau sur X.

Cet écart révèle une tendance comportementale importante. Les conversations spontanées restent relativement coûteuses à automatiser de façon convaincante, tandis que les publications autonomes sont plus faciles à générer et à programmer.

Substack offrait un autre contre-exemple. Les publications longues sur Substack étaient légèrement moins susceptibles d’être classées comme entièrement générées par l’IA que les entrées plus courtes.

Même sur cette plateforme, Pangram a classé 21,9 % des publications comme entièrement générées ou assistées par l’IA. Les textes synthétiques y étaient donc bien présents, mais leur répartition dans les formats longs différait de celle observée sur LinkedIn.

Les auteurs de Substack nouent souvent des relations directes avec leurs abonnés autour d’une voix reconnaissable. Les lecteurs peuvent se désabonner lorsque cette voix devient générique, ce qui incite commercialement les auteurs à préserver leur singularité.

Les incitations de LinkedIn sont moins directes. Un utilisateur peut obtenir des impressions, des visites de profil ou des avantages en matière de réseautage sans devoir convaincre les lecteurs de payer pour chaque publication.

Les fils professionnels favorisent également un ensemble restreint de formats répétitifs. Leçons de leadership, confidences sur une carrière, conseils de productivité et affirmations provocatrices sur le monde des affaires suivent des structures prévisibles.

Les modèles génératifs excellent dans la reproduction de ces schémas familiers. Ils peuvent transformer une brève idée en une longue publication comportant une accroche, un revers, trois enseignements et une question finale soigneusement formulée.

Cette situation exerce une pression simultanée sur plusieurs groupes. Pour rester visibles, les professionnels doivent publier plus fréquemment, mais des contenus génériques peuvent nuire à la crédibilité qu’ils cherchent précisément à acquérir.

Les recruteurs et les acheteurs font face à un autre problème. Autrefois, une publication détaillée fournissait un indice utile sur le raisonnement, l’expérience et le style de communication d’une personne.

Lorsque la production d’un tel texte ne demande presque plus aucun effort, sa longueur et son degré de finition perdent de leur valeur comme éléments de preuve. Les lecteurs doivent rechercher des détails précis, des exemples vérifiables et une expertise constante dans le temps.

LinkedIn est confronté à la plus forte pression stratégique. Son fil repose sur la conviction que les publications reflètent de véritables points de vue professionnels, même lorsque les utilisateurs bénéficient d’une assistance éditoriale.

Si cette conviction s’affaiblit, l’engagement peut rester élevé tandis que la valeur informative diminue. Un fil très actif peut malgré tout devenir un mauvais outil pour prendre des décisions concernant des personnes.

La plateforme a encouragé la rédaction par l’IA avant de commencer à filtrer les contenus génériques

Le principal revirement de LinkedIn tient au fait que la plateforme a réduit le coût de création des contenus professionnels tout en cherchant à préserver la rareté de l’expertise authentique.

LinkedIn n’interdit pas l’usage responsable de l’assistance par l’IA. Ses consignes officielles sur les publications assistées par l’IA demandent aux membres de relire, de modifier et d’approuver les contenus créés à l’aide de l’IA.

L’entreprise recommande également de signaler un recours important à l’IA lorsqu’il n’est pas évident au vu du contexte. La responsabilité demeure celle de la personne qui publie le contenu.

Cette position considère l’IA comme un outil éditorial plutôt que comme une identité de substitution. Dans la pratique, toutefois, la frontière entre assistance et paternité du texte reste difficile à discerner.

Un utilisateur peut proposer un argument original et demander à un modèle de le rendre plus clair. Un autre peut demander la rédaction complète d’un récit sur le leadership à partir d’une consigne d’une seule ligne.

Les deux publications peuvent paraître sans aucune mention visible. Elles peuvent passer par la même interface d’édition et restent toutes deux associées à l’identité professionnelle d’une personne réelle.

LinkedIn propose une assistance rédactionnelle fondée sur l’IA au sein de ses produits. Le rapport de Pangram cite la fonctionnalité « Enhance post » de la plateforme comme l’un des moyens permettant d’affiner les brouillons des utilisateurs.

L’existence de cette fonctionnalité n’explique pas toutes les publications signalées. Les internautes peuvent utiliser ChatGPT, Claude, Gemini, des outils de rédaction spécialisés ou des processus d’agence avant de coller leur contenu dans LinkedIn.

Elle montre toutefois que la rédaction par l’IA n’est pas une pratique extérieure imposée à une plateforme réticente. LinkedIn participe au même cycle d’adoption qu’il doit désormais modérer.

En mars 2026, LinkedIn a présenté de nouvelles modifications de son fil destinées à promouvoir des contenus professionnels plus pertinents et authentiques.

L’entreprise a indiqué qu’elle déployait des systèmes de recommandation génératifs et de grands modèles de langage afin de comprendre les sujets des publications et l’évolution des centres d’intérêt des membres. Ces systèmes classent les contenus selon le contexte et les comportements professionnels.

LinkedIn a également déclaré cibler les commentaires automatisés, les groupes d’engagement, les outils tiers non autorisés, les publications répétitives et les contenus conçus pour susciter des clics.

Fait notable, l’annonce ne présentait pas tous les textes assistés par l’IA comme inacceptables. Elle se concentrait sur les comportements inauthentiques et les contenus génériques apportant peu de valeur.

Cette distinction est raisonnable, mais difficile à faire respecter. Une plateforme peut détecter des structures répétitives ou une automatisation coordonnée sans savoir si une affirmation individuelle reflète une expérience réellement vécue.

Une publication soignée peut être originale et utile. Une publication maladroite peut être trompeuse. Le style ne suffit pas à déterminer la paternité, la véracité ou la valeur d’un contenu.

LinkedIn semble donc classer les résultats plutôt que chercher à interdire une méthode de production. Les publications précises et pertinentes peuvent rester utiles même lorsque l’IA a contribué à en façonner les phrases.

La faiblesse de cette approche réside dans le passage à l’échelle. Les générateurs peuvent créer des milliers de variantes autour d’une même idée superficielle, obligeant les systèmes de classement à évaluer des contenus toujours plus soignés, mais fondamentalement identiques.

La plateforme utilise alors davantage d’IA pour filtrer des contenus créés avec l’IA. Il en résulte une compétition automatisée entre génération, optimisation et recommandation.

Les utilisateurs s’adaptent rapidement aux préférences visibles des algorithmes de classement. Dès que les accroches génériques perdent en portée, les services de création de contenu peuvent demander aux modèles de produire des études de cas, des formulations inhabituelles ou davantage de détails personnels.

Certains de ces détails seront authentiques. D’autres constitueront une précision synthétique conçue pour satisfaire le prochain système de classification.

La rédaction assistée par IA sur LinkedIn passe ainsi d’un simple problème de paternité à un problème d’incitations. Le fil d’actualité récompense les signes d’authenticité, ce qui en fait des cibles précieuses pour l’automatisation.

Ce que l’affirmation des 40 % ne peut pas nous apprendre

Le constat de Pangram constitue un sérieux signal d’alerte, mais un détecteur d’IA ne peut pas reconstituer l’intégralité du processus de rédaction à l’origine de chaque publication.

Pangram a analysé l’ensemble de données avec Pangram 3.3. L’entreprise indique que ce modèle affiche un taux de faux positifs de 0,01 %.

Un faux positif survient lorsqu’un détecteur classe comme généré par IA un texte écrit par un humain. Un faible taux réduit une source d’erreur importante, en particulier sur un vaste ensemble de données.

Cependant, les performances en matière de faux positifs ne décrivent pas l’ensemble du système. Il faut également connaître sa sensibilité, sa couverture des domaines et des langues, ainsi que ses performances face à des contenus révisés ou paraphrasés.

Un détecteur peut éviter d’accuser à tort des auteurs humains tout en laissant passer des quantités considérables de textes générés par des machines. Cette erreur est appelée un faux négatif.

Pangram répartit certains contenus entre les catégories entièrement générés par IA et mixtes ou assistés par IA. Ces étiquettes reposent sur des motifs présents dans le texte soumis, et non sur un accès direct à l’historique de rédaction de l’auteur.

Une personne peut remanier en profondeur un brouillon généré jusqu’à ce qu’il paraisse humain. Une autre peut rédiger un texte original, puis utiliser un modèle pour le restructurer en profondeur.

Les textes finaux peuvent se retrouver de part et d’autre du seuil de classification malgré un degré comparable de jugement humain.

Des recherches indépendantes appellent également à la prudence. Une étude sur la détection a constaté que la paraphrase réduisait fortement les performances de plusieurs détecteurs de textes générés par IA dans des conditions contrôlées.

L’étude portait sur plusieurs systèmes autres que Pangram 3.3 ; ses chiffres de performance précis ne doivent donc pas être transposés à l’audit de Pangram.

Sa conclusion générale reste toutefois pertinente. Les estimations issues de la détection peuvent sous-évaluer les textes générés lorsque les utilisateurs réécrivent, délibérément ou non, les productions d’un modèle.

Les contenus de plateforme ajoutent d’autres complications. Les publications LinkedIn emploient souvent des paragraphes courts, des structures en liste, des accroches répétitives et un langage professionnel conventionnel.

Ces conventions stylistiques peuvent ressembler à des productions de modèles, puisque ceux-ci ont été entraînés sur des écrits publics similaires. Elles peuvent aussi rendre exceptionnellement prévisibles des publications pourtant réellement humaines.

La langue constitue une autre source d’incertitude. Le rapport public de Pangram ne fournit pas, pour cet échantillon précis, de ventilation complète des performances par plateforme et par langue.

LinkedIn s’adresse à un public mondial. Un taux global unique peut masquer des écarts de performance de classification selon les langues, les régions et les conventions de rédaction professionnelle.

Les données renseignent également peu sur la qualité. Un détecteur peut estimer l’origine probable d’un texte, mais il ne peut pas déterminer si une affirmation est exacte, utile, plagiée ou fondée sur une expérience réelle.

Une publication entièrement humaine peut reprendre un cliché managérial creux. Une publication assistée par IA peut résumer avec exactitude un article technique après une relecture attentive par un expert.

C’est pourquoi l’expression « bouillie générée par IA » doit être employée avec rigueur. L’automatisation à faible valeur ajoutée constitue un véritable problème dans les fils d’actualité, mais texte généré et texte sans valeur ne sont pas des catégories identiques.

Pangram a également un intérêt commercial à démontrer la nécessité de la détection. Cela n’invalide pas ses résultats, mais les lecteurs doivent considérer ce rapport comme une étude d’entreprise, et non comme un audit indépendant de la plateforme.

La conclusion la plus solide porte sur la tendance générale. À partir d’un ensemble de données divulgué et d’un modèle identifié, Pangram a observé une forte concentration de textes détectés comme générés par IA dans les longues publications LinkedIn.

La conclusion la plus fragile consisterait à transformer cette observation en certitude concernant chaque publication LinkedIn. Accuser une personne en particulier exige des preuves plus solides qu’un score global de détection.

LinkedIn ne devrait pas sanctionner des utilisateurs uniquement parce qu’un classificateur tiers juge leur prose suspecte. Une telle mesure pourrait nuire aux personnes dont l’anglais n’est pas la langue maternelle, à celles qui utilisent des outils d’accessibilité et aux professionnels qui travaillent avec des éditeurs.

La même retenue s’impose aux lecteurs. La détection peut orienter le scepticisme, mais elle ne doit pas remplacer la vérification des affirmations et l’évaluation des preuves.

La détection seule ne peut pas rétablir la confiance professionnelle

Une réponse plus durable associe divulgation, traçabilité, lutte contre les comportements abusifs et discernement accru des lecteurs, plutôt que de s’en remettre à un seul classificateur.

La provenance consigne la manière dont un média a été créé ou modifié. Contrairement à la détection fondée sur le style, elle repose sur des informations attachées au contenu pendant le processus de production.

LinkedIn a adopté la norme C2PA pour certains médias en 2024. Ses identifiants de contenu peuvent indiquer la source et l’historique des modifications des images ou vidéos prises en charge.

Le texte pose un problème plus complexe. Les auteurs copient régulièrement du contenu entre différents éditeurs, suppriment les métadonnées, combinent plusieurs brouillons et révisent des phrases individuellement.

Un champ de divulgation visible pourrait néanmoins améliorer la transparence. LinkedIn pourrait permettre aux auteurs d’indiquer si l’IA a généré, révisé, traduit ou résumé une publication.

La plateforme devrait éviter de considérer ces quatre activités comme équivalentes. Une aide à la traduction n’a pas les mêmes implications en matière de paternité que l’invention d’une histoire personnelle sur sa carrière.

La divulgation dépend aussi des incitations. Les utilisateurs peuvent dissimuler un recours intensif à la génération si les publications étiquetées bénéficient d’une diffusion ou d’une confiance moindres.

LinkedIn peut résoudre ce conflit en valorisant une transparence informative au lieu de sanctionner automatiquement toute assistance. La question centrale doit rester de savoir si l’auteur désigné assume les affirmations publiées.

La lutte contre les comportements abusifs offre une autre ligne de défense. Les publications coordonnées, les commentaires automatisés, les groupes d’engagement et la réutilisation massive de modèles produisent des schémas que les opérateurs de plateforme peuvent observer directement.

Ces signaux sont souvent plus exploitables que le style de la prose. Ils ciblent les manipulations à grande échelle sans obliger LinkedIn à déterminer qui a saisi chaque phrase.

Les systèmes de classement peuvent également privilégier les preuves de première main. Une publication renvoyant à un projet, une expérience, un document ou une décision clairement décrite donne aux lecteurs un élément vérifiable.

Cela augmente le coût de l’expertise synthétique. Les modèles imitent plus facilement un langage assuré qu’ils ne peuvent fournir un historique cohérent de travaux réels.

Les professionnels devraient considérer les publications publiques comme des affirmations, et non comme des qualifications. Un essai soigné n’est qu’un signal parmi d’autres, aux côtés du parcours professionnel, des références, des portfolios et des connaissances démontrées.

Les lecteurs peuvent également conserver les contenus originaux avant de s’appuyer sur des résumés générés. Un système personnel de gestion des connaissances aide à préserver les sources, le contexte et les observations personnelles qui sous-tendent les travaux publiés.

Cette pratique est importante, car la publication assistée par IA comprime souvent la chaîne de preuves. Un résumé fluide peut dissocier une idée des notes et des décisions qui lui donnaient tout son sens.

La réglementation ouvre une voie distincte vers la transparence. Les règles de transparence de l’Union européenne en matière d’IA entreront en application le 2 août 2026.

L’article 50 porte sur plusieurs catégories de contenus générés ou manipulés. Pour les textes, ses exigences de divulgation concernent notamment les contenus publiés pour informer le public sur des questions d’intérêt général sans contrôle humain.

Ces règles ne signifient pas que chaque publication LinkedIn révisée par IA recevra automatiquement une étiquette universelle. Leur application dépend de l’acteur, du contenu, du système et du degré de contrôle éditorial.

Elles renforcent néanmoins la pression exercée sur les fournisseurs de modèles et les éditeurs professionnels afin qu’ils rendent les informations sur l’origine des contenus plus fiables. Dans certains contextes, les recommandations volontaires des plateformes évoluent vers un cadre juridique de transparence.

Aucune mesure ne résoudra à elle seule le problème. Les étiquettes peuvent être ignorées, les métadonnées peuvent disparaître et les classificateurs peuvent être contournés.

La défense la plus pragmatique repose sur plusieurs niveaux. La provenance permet de vérifier l’origine, la détection repère les motifs suspects et les systèmes comportementaux s’attaquent aux abus coordonnés.

L’examen humain reste indispensable, car l’authenticité n’est pas une simple propriété technique. Elle consiste à déterminer si une personne assume véritablement les expériences, les jugements et les conséquences associés à une publication.

Trois signaux montreront si LinkedIn peut endiguer le déferlement

La prochaine phase sera évaluée à l’aune de la qualité du fil d’actualité, de divulgations crédibles et d’une validation indépendante, plutôt qu’au moyen d’un nouveau pourcentage de détection spectaculaire.

Le premier signal concerne les mesures prises par LinkedIn contre l’engagement automatisé. L’entreprise a déjà promis d’agir contre l’automatisation des commentaires, les groupes d’engagement et les outils non autorisés.

Les utilisateurs devront observer si les commentaires génériques diminuent sans que la participation légitime soit freinée. LinkedIn devrait également communiquer plus clairement sur les comportements qu’il supprime ou rétrograde.

Une diminution visible renforcerait l’hypothèse selon laquelle les incitations de la plateforme ont largement alimenté le problème des contenus synthétiques. Une faible évolution suggérerait que les mesures de contrôle ne parviennent pas à suivre le rythme d’une automatisation toujours moins coûteuse.

Le deuxième signal sera l’apparition de divulgations pertinentes concernant les textes. LinkedIn recommande actuellement aux membres de signaler un recours important à l’IA, mais une simple recommandation engendre des pratiques incohérentes.

Un système utile distinguerait les brouillons générés de la révision, de la traduction, du résumé et de l’assistance à l’accessibilité. Il préciserait également dans quels cas les étiquettes influent sur la diffusion.

Les obligations de transparence de l’UE constitueront un test réglementaire à court terme après le 2 août. Les réponses des plateformes et des fournisseurs de modèles montreront si la traçabilité des textes peut devenir concrètement applicable au-delà des démonstrations contrôlées.

Des divulgations claires et largement adoptées réduiraient la nécessité de deviner l’origine d’un texte d’après son style. Des étiquettes vagues ou une adoption limitée laisseraient les lecteurs tributaires d’une détection incertaine.

Le troisième signal sera la reproduction indépendante du constat de Pangram. Les chercheurs ont besoin d’échantillons aléatoires ou soigneusement stratifiés couvrant différents secteurs, régions, langues et tailles de comptes.

Ils devraient également publier les performances des détecteurs pour les domaines de contenu précisément mesurés. Cela comprend la sensibilité, les taux de faux positifs et la résistance aux révisions humaines ordinaires.

Un audit comparable pourrait confirmer que les contenus longs sur LinkedIn sont particulièrement saturés. Il pourrait aussi montrer que l’échantillon issu de l’extension surreprésentait les publications suspectes ou certains réseaux d’utilisateurs.

Dans les deux cas, le débat y gagnerait. Le rapport actuel lance une alerte précieuse, mais la politique de la plateforme ne devrait pas reposer sur le détecteur d’une seule entreprise et un unique ensemble de données alimenté volontairement.

Pour les travailleurs du savoir, la réponse immédiate n’est pas de cesser d’utiliser l’IA. Elle consiste à préserver la frontière entre assistance et autorité empruntée.

Utilisez des modèles pour organiser des notes, mettre un argument à l’épreuve ou améliorer la clarté. Conservez les preuves d’origine, vérifiez les affirmations factuelles et supprimez les expériences que vous n’avez pas réellement vécues.

Les lecteurs devraient appliquer aux contenus LinkedIn générés par IA les mêmes critères qu’à toute affirmation professionnelle. Il faut se demander ce qui est précis, vérifiable et cohérent avec les travaux avérés de l’auteur.

Le chiffre de 40 % est important parce qu’il montre à quelle vitesse la rareté d’un langage soigné s’est dissipée. Il ne signifie pas que l’expertise professionnelle a disparu.

La ressource qui demeure rare est un jugement responsable. L’avenir de LinkedIn dépendra de la capacité de son fil d’actualité à reconnaître et à valoriser cette différence avant que le professionnalisme synthétique ne devienne la norme.