LinkedIn 长文中 AI 生成内容占比已突破 40%，职业真实性正为此付出代价

Pangram 的一项最新分析显示，LinkedIn 长文中 AI 生成内容的占比已超过 40%，职业身份的真实性由此日益成为一个亟待核验的问题。

这一发现来自 Pangram 浏览器扩展扫描的 100 多万条社交平台内容。在完整数据集中，13.8% 的合格内容被判定包含 AI 生成或 AI 辅助写作。

长篇内容中的矛盾更加突出。超过 250 词的帖子被判定为完全由 AI 生成的可能性显著更高，而 LinkedIn 在这一类别中位居所有平台之首。

这一结果并不能证明 LinkedIn 上全部长帖中有 40% 是机器撰写的。Pangram 研究的是其扩展用户浏览到的帖子，这些用户自愿分享了匿名扫描数据。样本既非随机抽取，也并非为代表所有 LinkedIn 信息流而设计。

尽管如此，其规模已足以揭示平台层面的张力。LinkedIn 一方面倡导真实的职业交流，另一方面又提供 AI 辅助功能，降低了批量制造貌似专业、权威内容的成本。

LinkedIn 已开始调整信息流，以减少泛泛而谈的内容、自动化评论和人为制造的互动。问题在于，排序系统能否区分有价值的 AI 辅助与批量生产的职业表演。

LinkedIn AI 生成内容在长篇样本中占据主导

最值得关注的发现并不只是人们在 LinkedIn 上使用 AI，而是自动化内容集中出现在那些旨在彰显专业能力的帖子中。

Pangram 于 2026 年 7 月 9 日发布了其社交信息流审计报告。该公司分析了自其 Chrome 扩展于 4 月 24 日上线后收集的 1,002,627 条独立内容。

数据集涵盖 LinkedIn、Reddit、X、Medium 和 Substack。Pangram 排除了词数不超过 50 的内容，在解读报告中的百分比时，这一点至关重要。

在全部扫描内容中，Pangram 判定有 13.8% 包含某种形式的 AI 写作。在超过 250 词的内容中，完全由 AI 生成的比例升至 25.72%。

LinkedIn 长帖中完全由 AI 生成的占比最高，超过 40%。LinkedIn 约占扫描数据集的三分之一，却贡献了全部被标记为 AI 生成内容的 62%。

这些数据表明，LinkedIn 是 Pangram 样本中最突出的案例，但并不能视为对整个平台的精确普查。

这种数据收集方式带来了多重选择偏差。每次扫描都始于扩展用户，且只有选择参与研究数据共享的用户才会贡献数据。他们的浏览习惯决定了样本中会出现哪些创作者、行业、语言和人际网络。

安装 AI 检测工具的人可能比普通用户更经常留意或怀疑合成文本。当某段文字显得套路化时，他们也可能更有选择性地进行扫描。

Pangram 表示，每条内容只统计一次，这限制了重复数据造成的比例膨胀。然而，其公开报告并未提供参与者的完整人口统计信息，也没有采用随机抽样框架。

这种差别很重要，因为“超过 40%”听起来像是针对整个平台的测量结果。更准确的解读是：在 Pangram 扩展收集的数据集中，符合条件的 LinkedIn 长帖有超过 40% 被判定为完全由 AI 生成。

即使加上这一限定，该结果仍值得关注。样本量超过 100 万条，而且不同平台之间的差异十分显著。

LinkedIn 上 AI 内容的集中出现，也与职业内容发布领域一种显而易见的变化相吻合。如今，用户无需花费数小时起草，就能产出精心润色的职业经验、管理框架和市场评论。

其经济激励非常直接。LinkedIn 通过关注度、人脉机会和外界对专业权威的认可来奖励持续发布内容的用户。生成式工具则大幅降低了维持这种活跃度所需的劳动投入。

长帖为可识别的语言模式提供了更多空间，也让检测工具拥有更多文本可供分析，因此相较短评，分类准确性可能更高。

这种组合有助于解释为何长篇内容呈现出最强烈的信号：这种形式既对采用 AI 辅助的创作者具有吸引力，也更便于检测系统评估。

真正令人担忧的并不是专业人士获得写作帮助。早在生成式 AI 出现之前，编辑、模板和代笔者就已存在。

矛盾始于帖子将生成出来的经历、判断或情绪呈现为作者本人的直接职业体验。读者很难判断所谓的洞见究竟源于实践、提示词，还是两者兼有。

为什么 LinkedIn 面临的压力大于 Reddit 或 Substack

LinkedIn 将写作与就业及声誉联系在一起，因此合成出来的权威感在这里比在匿名娱乐平台的信息流中更有分量。

Pangram 发现，这五个平台之间存在显著差异。这些差异表明，产品结构和社区预期会影响 AI 写作的呈现方式。

在文章形式的内容中，X 的综合比例最高。Pangram 判定其中 23.9% 完全由 AI 生成，另有 22.9% 为人类与 AI 混合创作。

两类合计占所扫描 X 文章的 46.8%，只有 53.2% 被判定为完全由人类撰写。

Reddit 则呈现出几乎相反的情况。它占扫描内容的 36.7%，是样本占比最大的平台，但 AI 内容的综合比例仅为 4.4%。

回复内容对这一结果影响很大。回复占所扫描 Reddit 内容的 72%，其中 98.1% 被 Pangram 判定为人类撰写。

Reddit 的主帖则有所不同，其 AI 内容比例达到 11.6%，相比之下，X 主帖的这一比例为 10%。

这种差距揭示了一个重要的行为模式：要以令人信服的方式将即兴对话自动化，成本仍相对较高，而独立内容则更容易生成和定时发布。

Substack 提供了另一个对照。在 Substack 上，较长的帖子被判定为完全由 AI 生成的可能性反而略低于较短的内容。

即便如此，Pangram 仍判定有 21.9% 的帖子完全由 AI 生成或借助 AI 完成。该平台并非没有合成文本，但其长篇内容的表现模式与 LinkedIn 不同。

Substack 作者通常围绕鲜明可辨的个人风格，与订阅者建立直接关系。一旦这种声音变得千篇一律，读者可以取消订阅，这为作者保留独特性提供了商业动机。

LinkedIn 的激励机制则没那么直接。用户无需说服读者为每篇帖子付费，也能获得曝光、个人资料访问量或人脉价值。

职业信息流也偏爱一组有限且可重复套用的形式：领导力经验、职场自述、效率建议和反主流的商业观点，往往遵循可预测的结构。

生成式模型尤其擅长复刻这些熟悉的模式。它们可以把一个简短观点扩展成长帖，加入吸引眼球的开头、一次挫折、三条经验以及一个精心设计的结尾问题。

这同时给多个群体带来了压力。个人专业人士必须更频繁地发布内容才能保持可见度，但千篇一律的产出又可能损害他们试图建立的可信度。

招聘人员和采购决策者则面临另一个问题。过去，一篇内容详尽的帖子能够有效反映一个人的推理方式、经验和沟通风格。

当制作此类帖子变得几乎毫不费力时，篇幅和文笔便失去了作为证据的价值。读者必须转而寻找具体细节、可核实的案例，以及长期保持一致的专业能力。

LinkedIn 面临的战略压力最大。其信息流依赖这样一种信念：即使用户接受了编辑协助，帖子仍然反映真实的职业观点。

如果这种信念遭到削弱，互动量或许仍会维持高位，但信息价值将随之下降。一个看似活跃的信息流，依然可能不再适合用于判断一个人。

平台先鼓励 AI 写作，随后又开始过滤泛化内容

LinkedIn 面临的核心矛盾是：它降低了专业内容的创作成本，同时又试图维持真实专业能力的稀缺性。

LinkedIn 并不禁止负责任地使用 AI 辅助。其官方AI 发帖指南要求会员审核、编辑并确认由 AI 创作的内容。

该公司还建议，如果用户在很大程度上依赖 AI，且这一点无法从上下文中明确看出，就应当进行披露。最终责任仍由发布帖子的人承担。

这一立场将 AI 视为编辑工具，而不是身份的替代品。但在实践中，辅助与代写之间的界线仍然难以观察。

一名用户可能提出原创论点，然后要求模型改善表达清晰度；另一名用户则可能仅凭一句提示词，要求模型生成完整的领导力故事。

这两类帖子都可能在没有明显标注的情况下出现，都可能经过相同的编辑界面，也都会与真实个人的职业身份绑定。

LinkedIn 已在其产品中提供 AI 驱动的写作辅助。Pangram 的报告指出，该平台的“Enhance post”功能是用户润色草稿的途径之一。

这一功能的存在并不能解释所有被标记的帖子。用户还可以使用 ChatGPT、Claude、Gemini、专用写作工具或代理机构的工作流生成内容，再将其粘贴到 LinkedIn。

但这确实表明，AI 写作并非外部强加给一个抗拒该趋势的平台的行为。LinkedIn 本身也参与了如今不得不加以治理的同一轮技术普及。

2026 年 3 月，LinkedIn 介绍了旨在推广更相关、更真实职业内容的新一轮信息流调整。

该公司表示，正在部署生成式推荐系统和大语言模型，以理解帖子主题及会员不断变化的兴趣。这些系统会根据职业背景和用户行为对内容进行排序。

LinkedIn 还表示，将打击自动化评论、互助刷互动群组、未经授权的第三方工具、重复性帖子和以诱导点击为目的的内容。

值得注意的是，该公告并未将所有 AI 辅助写作都视为不可接受，而是将重点放在不真实的行为和缺乏实际价值的泛化内容上。

这种区分合乎情理，却很难执行。平台可以检测重复结构或协同自动化行为，却无法判断某个个人陈述是否源于亲身经历。

精心润色的帖子可能原创且有价值，粗糙的帖子也可能具有欺骗性。仅凭文风无法判断作者身份、真实性或价值。

因此，LinkedIn 似乎是在根据内容效果进行排序，而不是试图禁止某种生产方式。即使 AI 帮助组织了句子，只要帖子具体且相关，依然可能具有价值。

这种方法的薄弱环节在于规模。生成工具可以围绕同一个肤浅观点创造数千种变体，迫使排序系统评估越来越精致、却依旧大同小异的内容。

于是，平台开始使用更多 AI 来过滤由 AI 创作的内容。这形成了一场生成、优化与推荐之间的自动化较量。

用户会迅速适应显而易见的排序偏好。一旦泛化的开场白失去传播效果，内容服务商就可以提示模型加入案例研究、不寻常的措辞或更多个人细节。

其中一些细节会是真实的，另一些则可能是为了迎合下一个分类器而设计的合成式“具体感”。

因此，LinkedIn 上的 AI 写作问题已从单纯的作者身份问题，演变为激励机制问题。信息流会奖励真实性的迹象，这也使得这些迹象成为自动化技术极具价值的模仿目标。

40% 这一结论无法告诉我们的事

Pangram 的发现是一个强烈的警示信号，但 AI 棟测器无法还原每篇帖文背后的完整写作过程。

Pangram 使用 Pangram 3.3 对该数据集进行了分析。该公司称，这一模型的误报率为 0.01%。

所谓误报，是指检测器将人类撰写的内容误判为 AI 生成内容。较低的误报率减少了一个重要的误差来源，尤其是在分析大规模数据集时。

然而，误报表现并不能完整反映整个系统。读者还需要了解其检出能力、领域覆盖范围、语言覆盖范围，以及对经过编辑或改写内容的识别表现。

检测器即使很少误判人类作者，也仍可能漏掉大量机器生成的文本。这类错误被称为漏报。

Pangram 将部分内容划分为完全由 AI 生成，以及混合创作或 AI 辅助等类别。这些标签依据的是提交文本中呈现的模式，而非作者撰稿过程的直接记录。

有人可能会大幅修改生成的初稿，直到它看起来像人类写作。也有人可能先独立完成原创初稿，再使用模型进行大规模重构。

即便两者投入了相近程度的人类判断，最终文本也可能落在分类器阈值的不同两侧。

独立研究也支持审慎看待这类结果。一项检测研究发现，在受控条件下，改写会显著降低多种 AI 文本检测器的性能。

该研究测试的是多个其他系统，而非 Pangram 3.3，因此其中的具体性能数据不能直接套用于 Pangram 的审计结果。

不过，其更广泛的结论依然适用：当用户有意或随手改写模型输出时，检测结果可能低估生成式写作的实际数量。

平台内容还会带来更多复杂因素。LinkedIn 帖文经常使用短段落、列表结构、重复性的开场钩子，以及程式化的商业语言。

这些风格惯例可能与模型输出相似，因为模型正是从类似的公开写作中学习而来。与此同时，它们也会让真正由人类撰写的帖文显得异常可预测。

语言则是另一个不确定性来源。对于此次具体样本，Pangram 的公开报告并未提供完整的分平台、分语言性能明细。

LinkedIn 面向全球用户。单一的汇总比例可能掩盖不同语言、地区和专业写作惯例下分类性能的差异。

这些数据也几乎无法说明内容质量。检测器可以估计内容的可能来源，却无法判断某项主张是否正确、有用、涉及抄袭，或源自真实经历。

完全由人类撰写的帖文也可能只是在重复空洞的管理套话。经过 AI 辅助的帖文，也可能是在专家认真审阅后，对一篇技术论文所作的准确总结。

因此，“AI 垃圾内容”这一说法需要谨慎使用。低价值的自动化内容确实是信息流中的现实问题，但生成文本和无价值文本并不是完全重合的类别。

Pangram 在证明市场对检测工具的需求方面也存在商业利益。这并不会使其结果失效，但读者应将这份报告视为企业研究，而非独立的平台审计。

最有力的结论应当是方向性的：Pangram 使用公开说明的数据集和明确命名的模型，观察到 LinkedIn 长篇帖文中存在大量被检测为 AI 写作的内容。

最站不住脚的结论，则是把这一观察结果变成对每篇 LinkedIn 帖文的确定判断。要对个人作出具体指控，需要比汇总检测分数更有力的证据。

LinkedIn 不应仅仅因为第三方分类器不认可某位用户的文风，就对其进行处罚。这样的做法可能伤害非英语母语写作者、使用无障碍工具的人，以及与编辑协作的专业人士。

读者也应保持同样的克制。检测结果可以帮助人们保持怀疑，但不能取代对具体主张的核查和对证据的评估。

仅靠检测无法重建职业信任

更持久的应对方式，是结合披露、来源追踪、行为治理和更成熟的读者判断，而非依赖单一分类器。

来源追踪用于记录媒体内容的创建或修改过程。与基于风格的检测不同，它依赖在制作过程中附加的信息。

LinkedIn 于 2024 年为部分媒体内容采用了 C2PA 标准。其内容凭证可以显示受支持图片或视频的来源及编辑历史。

文本面临的问题更加棘手。作者经常在不同编辑器之间复制内容、删除元数据、合并多个草稿，并修改个别句子。

一个可见的披露字段仍可提高透明度。LinkedIn 可以让作者说明 AI 是否生成、编辑、翻译或总结了某篇帖文。

平台需要避免将这四类活动等同看待。借助翻译工具，与虚构个人职业经历，在作者身份层面的含义并不相同。

披露机制还需要相应的激励。如果带有标签的帖文会获得更少的分发或信任，用户就可能隐瞒大量使用生成工具的事实。

LinkedIn 可以通过鼓励有信息价值的透明披露来化解这一冲突，而不是自动惩罚使用辅助工具的行为。核心问题仍应是：署名作者是否愿意为帖文中的主张负责。

行为治理可以提供另一层防线。协同发帖、自动评论、互动互助小组，以及高频重复使用模板，都会形成平台运营者可以直接观察的模式。

这些信号通常比行文风格更具可操作性。它们能够针对规模化操纵行为，而无须迫使 LinkedIn 判断每句话究竟由谁输入。

排序系统也可以优先呈现第一手证据。与某个项目、实验、文档或清晰描述的决策相关联的帖文，能为读者提供可验证的内容。

这会提高伪造专业能力的成本。模型模仿自信的语言，比提供连贯一致的真实工作记录容易得多。

专业人士应把公开帖文视为主张，而非资历证明。一篇精心润色的文章，只是就业经历、推荐信息、作品集和实际知识能力等多种信号之一。

在依赖生成式摘要之前，读者还可以保存原始材料。个人知识系统有助于保留公开作品背后的来源、上下文和个人观察。

这一做法很重要，因为 AI 辅助发布经常会压缩证据链。一份流畅的摘要可能会让某个观点脱离赋予其意义的笔记和决策过程。

监管则提供了另一条提高透明度的路径。欧盟的AI 透明度规则将于 2026 年 8 月 2 日开始实施。

第 50 条涉及多类生成或操纵内容。其中与文本相关的披露要求，尤其关注那些未经人工审查、为向公众介绍公共利益事项而发布的材料。

这些规则并不意味着每篇经 AI 编辑的 LinkedIn 帖文都会自动获得统一标签。具体适用情况取决于相关主体、内容、系统以及编辑控制程度。

不过，它们仍会向模型提供商和专业出版机构施加更大压力，促使其提供更可靠的来源信息。在某些情境下，自愿性的平台指引正逐步转向具有法律约束力的透明度框架。

没有任何单一措施能够解决这一问题。标签可能被忽视，元数据可能消失，分类器也可能被规避。

切实可行的防御需要多层机制：来源追踪支持验证内容起源，检测技术识别可疑模式，行为系统则处理协同滥用。

人工审查仍然不可或缺，因为真实性并非单纯的技术属性。它关乎一个人是否真正拥有某篇帖文所承载的经历、判断，以及由此带来的后果。

三个信号将表明 LinkedIn 能否扭转内容泛滥

下一阶段的衡量标准将是信息流质量、可信的披露机制和独立验证，而不是另一个耸人听闻的检测比例。

第一个信号，是 LinkedIn 对自动化互动行为的治理。该公司已经承诺打击评论自动化、互动互助小组和未经授权的工具。

用户应关注千篇一律的评论是否会减少，同时又不压制正常参与。LinkedIn 还应更清晰地披露其删除或降低排名的行为类型。

如果这类内容明显减少，将进一步支持平台激励机制推动了大量合成内容这一观点。如果变化不大，则可能说明治理速度无法跟上越来越廉价的自动化工具。

第二个信号，是有实际意义的文本披露机制能否出现。LinkedIn 目前建议大量依赖 AI 的会员主动披露，但仅靠建议会导致执行不一致。

一个实用的系统应区分生成初稿、编辑、翻译、总结和无障碍辅助。它还应明确说明标签会在何种情况下影响内容分发。

8 月 2 日之后生效的欧盟透明度义务，将成为近期的一项政策考验。平台和模型提供商的应对方式，将显示文本来源追踪能否走出受控演示，真正投入实际应用。

清晰且被广泛使用的披露机制，可以减少人们根据写作风格进行猜测的需要。含糊的标签或有限的采用率，则会让读者继续依赖并不可靠的检测技术。

第三个信号，是 Pangram 的发现能否被独立复现。研究人员需要从不同行业、地区、语言和账号规模中抽取随机样本，或经过审慎分层的样本。

他们还应公布检测器在所测具体内容领域中的性能，包括检出能力、误报率，以及抵御普通人工编辑的能力。

类似的审计可能会证实，LinkedIn 的长篇内容确实异常集中地充斥着 AI 生成文本。它也可能显示，扩展程序收集的样本过度代表了可疑帖文或特定用户网络。

无论哪种结果，都能改善当前讨论。这份报告提供了有价值的警报，但平台政策不应建立在某一家公司的检测器和一个用户自愿参与的数据集之上。

对于知识工作者而言，眼下的应对方式并不是停止使用 AI，而是守住辅助工具与借用权威之间的界线。

可以使用模型整理笔记、质疑论点或改善表达清晰度，但应保留原始证据、核实事实性主张，并删除那些并非自己真实经历过的内容。

读者也应使用评估任何专业主张时的相同标准，来审视 LinkedIn 上的 AI 生成内容：追问其中哪些内容具体、可验证，并且与作者展现出的实际工作相符。

40% 这一数字之所以重要，是因为它揭示了精致语言是如何迅速失去稀缺性的。但这并不意味着专业洞见已经消失。

如今依然稀缺的资源，是愿意承担责任的判断力。LinkedIn 的未来，取决于它能否在合成式专业形象成为默认状态之前，识别并奖励这种差异。