Het LinkedIn-algoritme in 2026: wat er wél is bevestigd

Over het LinkedIn-algoritme wordt meer beweerd dan onderzocht. Dat is opvallend, want juist in 2026 publiceerde LinkedIn zelf ongewoon veel: een uitgebreide technische beschrijving van de herbouwde feed, een onderzoekspaper over het model dat de rangschikking doet, en een expliciete uitspraak over AI-content. Dit artikel zet op een rij wat daaruit vaststaat, wat LinkedIn ontkent, en wat rondzingt zonder dat er een bron onder ligt.

Bevestigd: de feed is in maart 2026 opnieuw gebouwd

Op 12 maart 2026 publiceerde LinkedIn-engineer Hristo Danchev op de officiële engineering-blog een beschrijving van een complete herbouw van het aanbevelingssysteem achter de feed. Twee dingen veranderden fundamenteel.

Het ophalen van kandidaten. Waar de feed eerder uit losse bronnen putte — chronologisch, trending, collaborative filtering — haalt hij nu alles op via één systeem dat werkt met embeddings uit een fijngestemd taalmodel. Dat betekent dat posts niet op trefwoorden worden gematcht maar op betekenis: het systeem legt zelf het verband tussen een onderwerp en de vakinhoudelijke interesse van een lezer, ook als de woorden niet overeenkomen.

Het rangschikken. Daarvoor draait nu een Generative Recommender die jouw feed-gedrag niet als losse gebeurtenissen behandelt maar als een reeks: het model leest naar eigen zeggen “more than a thousand of your historical interactions” om patronen over tijd en langlopende interesses te herkennen.

Waar dat model op optimaliseert staat er letterlijk bij, en dat is het bruikbaarste detail uit het hele stuk: zowel passieve acties (clicks, skips, long-dwells) als actieve acties (likes, comments, shares). Doorscrollen is dus net zo goed een signaal als liken — alleen dan een negatief.

Het gevolg dat LinkedIn zelf noemt: je krijgt vaker “content from authors you don’t follow, on topics you care about”. Wie je volgt weegt minder, waar je post over gaat weegt meer.

Bevestigd: verblijftijd telt al jaren mee

Dat “long-dwells” in dat rijtje staat, is geen nieuws maar een bevestiging. Al in mei 2020 beschreef LinkedIn-engineer Siddharth Dangi met collega’s op dezelfde blog waarom verblijftijd in de rangschikking zit. Ze onderscheiden twee soorten: de tijd dat een bericht zichtbaar is terwijl je scrolt — gemeten vanaf het moment dat minstens de helft ervan in beeld staat — en de tijd die je erna doorbrengt met de content zelf.

Hun argument is dat verblijftijd altijd meetbaar is en een echte schaal heeft, terwijl een like of een klik een ja-nee-signaal is dat bij een deel van de lezers nooit afgaat. Een post die door duizend mensen daadwerkelijk gelézen wordt, zegt het systeem dus meer dan een post die door driehonderd mensen wordt geliked en door de rest weggescrold.

Bevestigd: een eigen fundament-model onder de aanbevelingen

In januari 2025 publiceerde het Foundation AI Technologies-team van LinkedIn de paper over 360Brew: een decoder-only model van 150 miljard parameters, gebouwd op de Mixtral 8x22 MoE-architectuur, dat ranking- en aanbeveeltaken door het hele platform heen uitvoert — meer dan dertig taken, op meer dan acht plekken in het product. De paper meldt dat het model het vooral beter doet bij leden met weinig interactiegeschiedenis en dat de prestaties minder wegzakken naarmate de tijd verstrijkt.

De praktische betekenis: de rangschikking wordt niet langer gedreven door een verzameling losse, met de hand bedachte kenmerken, maar door een model dat de tekst zelf leest. Dat is de technische onderbouwing onder alles wat hierna volgt.

Bevestigd: AI-content zonder eigen perspectief wordt afgeremd

In mei 2026 lichtte Laura Lorenzetti, Global Editorial VP bij LinkedIn, toe dat het platform het bereik beperkt van AI-gegenereerde content waarin geen duidelijk eigen perspectief zit, en geautomatiseerde AI-reacties detecteert en afremt. Haar formulering: “It’s ok to use AI to help you write, but your posts and comments need to represent your voice and your perspectives.”

Dat sluit precies aan op het model hierboven: een systeem dat de tekst leest en op verblijftijd stuurt, heeft geen aparte “AI-detector” nodig om gemiddelde tekst te herkennen — het merkt gewoon dat niemand blijft hangen. Wat dit betekent voor je eigen posts staat in ons artikel over de aankondiging.

Ontkend: de strafmaat op links

Het hardnekkigste verhaal op LinkedIn is dat een externe link je bereik onderuithaalt. Rishi Jobanputra, Sr. Director of Product Management bij LinkedIn, heeft daar publiekelijk tegenin gesproken: er is geen algoritmische straf op het plaatsen van een link. Zijn kanttekening is wel de moeite waard: “Make sure your post gives enough context that it could stand alone without the link.” Een post die alleen bestaat om verkeer weg te leiden, presteert slechter — niet omdat er een link in staat, maar omdat er verder niets in staat.

Toch verscheen er op 30 juli 2026 een artikel in Forbes over “de linkstraf die je bereik met 60% verlaagt”. Beide beweringen kunnen niet tegelijk waar zijn. Eén ervan komt van iemand met naam en functie bij het bedrijf dat de feed bouwt; de ander heeft geen aanwijsbare bron. Dat maakt de keuze niet moeilijk.

Onbevestigd: de cijfers die iedereen napraat

Van het volgende is geen primaire bron te vinden. Het circuleert, meer niet:

“AI-content krijgt 47% minder bereik” en “het bereik zakt naar 2%”, doorgaans toegeschreven aan een onderzoek onder tienduizend bedrijfspagina’s. Het onderzoek zelf is nergens te vinden; de bewering verwijst steeds naar een andere blog.
De exacte detectiesignalen — zinslengteverdeling, woordenschatdiversiteit, interpunctiepatronen, publicatietijdstip. Aannemelijk klinkende techniek, maar LinkedIn heeft er nooit iets over gezegd.
De precieze strafmaten uit lijstjes van het type “dit straft LinkedIn nu af”: 60% minder bereik op links, saves die vijf keer zo zwaar wegen als likes, engagement pods die volledig zijn uitgeschakeld. Ook een Forbes-overzicht van 23 juli 2026 leunt hiervoor volledig op derde partijen, zonder bevestiging van het platform.
Het beste tijdstip om te posten. LinkedIn heeft nooit een optimaal uur gepubliceerd. Sterker: een systeem dat op individuele interessegeschiedenis en verblijftijd rangschikt, maakt één universeel juist tijdstip juist onwaarschijnlijk.

Dat deze dingen onbevestigd zijn, betekent niet dat ze onwaar zijn. Het betekent dat je er geen strategie op moet bouwen, en al helemaal geen strategie waar je klanten voor betaalt.

Wat hier praktisch uit volgt

Onderwerpconsistentie verslaat netwerkgrootte. De feed haalt op basis van betekenis op en toont je aan mensen die je niet volgen. Consequent over hetzelfde vakgebied schrijven is daarmee een distributiestrategie geworden, niet alleen een positioneringskeuze.
Schrijf voor wie blijft hangen, niet voor wie liket. Verblijftijd zit al sinds 2020 in de rangschikking en staat in 2026 expliciet in de doelstellingen. Een lange, goed opgebouwde post die mensen uitlezen, verslaat een oneliner die scoort en verdwijnt.
Links mogen. Zorg dat de post zonder de link overeind blijft — dat is letterlijk het advies van LinkedIn zelf.
Eigen perspectief is een rangschikkingsfactor geworden. Geen stijladvies meer, maar iets waar het systeem op stuurt.
Je concurreert breder dan je netwerk. Dat werkt twee kanten op: onbekende lezers zijn bereikbaar, maar je post wordt ook vergeleken met alles wat er over dat onderwerp langskomt.

Hoe je dit zelf controleert

De houdbaarste vaardigheid is niet deze lijst onthouden, maar de volgende bewering kunnen wegen. Drie vragen volstaan meestal: staat het op de engineering-blog van LinkedIn zelf, staat het in een paper van hun onderzoeksteam, of is er iemand met naam en functie bij LinkedIn die het zegt? Is het antwoord drie keer nee, dan is het een mening — hoe zelfverzekerd het percentage er ook bij staat.

Wij houden dit artikel bij naarmate LinkedIn meer publiceert. Bij Scriveo bouwen we op de bevestigde kant: eigen perspectief als vertrekpunt, en tekst die iemand uitleest. Probeer het gratis of lees de andere artikelen.