Ce document est en accès libre depuis cinq mois. Ce que le marché commente, c’est un autre texte : un article du blog d’ingénierie publié un mois plus tard, dont une phrase du deuxième paragraphe a fait le tour du web. Cette phrase est exacte. Isolée, elle laisse croire que le fil est classé par un modèle de langage. Le même article explique plus bas que ce modèle intervient avant le classement, pas pendant.
Nous avons lu les deux documents en entier, plus deux publications antérieures. Cet article rapporte ce qu’ils décrivent et signale ce qu’ils ne disent pas. Il laisse de côté la publicité, les pages entreprise et les recommandations d’emploi, qui relèvent de systèmes distincts.
Qu’est-ce qui classe réellement le fil LinkedIn ?
Deux étapes, pas une. La présélection réduit des millions de publications à quelques centaines de candidates. Le classement les ordonne ensuite. Confondre les deux, c’est se tromper sur tout le reste.
La présélection repose bien sur un modèle de langage, réentraîné pour cet usage et monté en double encodeur : le membre et la publication sont traduits séparément en deux descriptions comparables, ce qui permet de rapprocher un lecteur d’un contenu sur le sens plutôt que sur des mots-clés partagés.
Le classement repose sur un tout autre modèle. L’article de recherche le nomme Feed SR, l’article du blog d’ingénierie l’appelle Generative Recommender. C’est un transformeur séquentiel à attention causale : il lit vos interactions dans leur ordre chronologique, sans jamais anticiper la suite. Ce n’est pas un modèle de langage.
L’article de recherche consacre une section entière aux architectures écartées, ce qui est assez rare pour être signalé. L’équipe a bien construit un classeur fondé sur un modèle de langage, puis l’a testé en conditions réelles. Trois obstacles sont documentés. Les valeurs qui comptent pour classer une publication, nombre de réactions, ancienneté, proximité avec l’auteur, supportent mal d’être traduites en phrases. Le coût ensuite : chaque publication consommait des centaines d’unités de texte, contre deux dans Feed SR. La performance a tranché le reste, ce classeur n’obtenant pas de meilleurs résultats en ligne que le modèle déjà en service.
Une nuance vaut pour tout ce qui suit. LinkedIn décrit un résultat obtenu à une date, pas une doctrine. L’entreprise n’a annoncé aucun abandon de cette piste, et rien n’indique où elle en est aujourd’hui.
Que cherche le système à provoquer ?
C’est l’information la plus directement exploitable des deux documents, et la moins reprise.
Le modèle prédit six actions. Trois passives : le clic, le passage sans arrêt, et le Long Dwell, c’est-à-dire le fait de rester sur une publication au-delà d’un seuil qui dépend de son type. Trois actives : la réaction, le commentaire, le partage. L’article de recherche regroupe ces trois dernières sous le nom de Contribution. Les deux mesures sur lesquelles LinkedIn rapporte ses gains sont le Long Dwell et la Contribution.
Sa mémoire est bornée : mille publications vues, prélevées sur environ un an. Elle se périme aussi, selon deux mécanismes que l’article distingue. Les données d’entraînement perdent la moitié de leur influence tous les soixante jours. Dans la séquence d’un même membre, les interactions les plus anciennes comptent environ moitié moins que les plus récentes.
Un signal moins attendu mérite d’être noté : la façon dont les lecteurs précédents se répartissent par tranche de temps de lecture, de zéro à cinq secondes jusqu’à plus de soixante, améliore à elle seule de 2,5 points la prédiction du Long Dwell.
L’essai grandeur nature rapporte 2,10 % de temps passé en plus, avec les gains les plus élevés chez les membres les plus actifs et aucun effet mesurable chez les nouveaux.
Une affirmation courante veut que l’enregistrement d’une publication soit devenu le premier facteur de classement. L’article ne cite pas cette action parmi les objectifs optimisés. Cela ne prouve pas qu’elle ne compte pas. Cela signifie qu’elle ne s’appuie sur aucune source primaire, quand les six autres sont nommées une par une.
Comment un modèle de recherche est-il devenu le nom de l’algorithme ?
360Brew existe. C’est un article de recherche déposé sur arXiv en janvier 2025 par une équipe de LinkedIn, qui décrit un modèle de 150 milliards de paramètres capable en principe de traiter d’un seul tenant le classement du fil, les recommandations d’emploi et les suggestions de relations.
Trois faits, et rien au-delà.
Son résumé le qualifie de « research pre-production model ».
Nous n’avons trouvé aucune confirmation de déploiement par LinkedIn.
L’article du blog d’ingénierie de mars 2026 ne mentionne pas ce nom.
En janvier 2026, Forbes publie un entretien dans lequel un créateur suivi par 1,2 million de personnes affirme que la dernière mise à jour de LinkedIn s’appelle 360 Brew. En quelques semaines, l’affirmation devient un acquis, et des dizaines de publications construisent dessus des recommandations tactiques détaillées.
Un détail permet de mesurer la distance parcourue depuis la source. Plusieurs articles affirment que 360Brew repose sur le modèle LLaMA 3, quand l’article de recherche décrit une architecture Mixtral. L’information figure en clair dans le texte d’origine. Une erreur de ce type ne survit pas à une lecture.
Les liens externes sont-ils pénalisés ?
C’est la question la plus posée, et celle sur laquelle nous ne concluons pas.
Nous n’avons trouvé, dans la documentation publique de LinkedIn, aucune règle pénalisant les publications contenant un lien. Cette documentation décrit des critères de qualité et de sécurité, et annonce une distribution réduite pour les contenus jugés de faible qualité ou relevant du spam. Les liens n’y figurent pas.
Les études indépendantes divergent, et l’écart est trop large pour tenir à une simple différence de mesure.
Ordinal rapporte une baisse de portée de 26,5 % sur plus de 900 000 publications réparties sur trente-sept mois, avec un test de Mann-Whitney et une valeur p inférieure à 0,001. C’est la seule étude disponible à publier ce type de vérification statistique. Deux réserves l’accompagnent. L’entreprise édite un outil de publication dont une fonction déplace automatiquement les liens en premier commentaire, elle a donc un intérêt commercial à ce que la pénalité soit réelle. Et sur une autre page de son site, elle présente cette fonction comme un moyen d’éviter « the 60% external link penalty », c’est-à-dire précisément le chiffre sans source dont il sera question plus loin.
Le rapport Algorithm Insights de Richard van der Blom, fondé sur 1,3 million de publications, rapporte une baisse de 18,8 % de la portée médiane pour un lien placé dans le corps du texte.
Le rapport State of the Algorithm du premier trimestre 2026, publié par Saywhat à partir de 397 605 publications, aboutit à l’inverse : les publications contenant plusieurs liens externes y performent nettement mieux que celles qui n’en contiennent aucun. Les auteurs attribuent ce résultat à la qualité du contenu.
Une hypothèse réconcilie ces observations sans supposer la moindre sanction. Un lecteur clique, il quitte la plateforme. Il ne lit donc plus la publication, ce qui effondre le Long Dwell. Il ne commente ni ne partage, ce qui supprime la Contribution. Le modèle observe un contenu qui ne retient pas et ne fait pas réagir, et le distribue moins. Le lien ne serait pas puni : il produirait mécaniquement les signaux d’un contenu médiocre.
Cette hypothèse n’est pas démontrée. Elle est cohérente avec l’ensemble des observations, ce qui n’est pas la même chose.
Quels chiffres ne remontent à aucune source ?
Quatre affirmations, retenues parce qu’elles portent toutes un chiffre précis et qu’aucune n’est vérifiable.
Les taux d’engagement par tranche de temps de lecture, qui passeraient de 1,2 % en dessous de trois secondes à 15,6 % au-delà de soixante. Les tranches existent, l’article de février le confirme. Les taux, non : nous n’en avons trouvé aucun dans les publications de LinkedIn.
Le « Depth Score », présenté depuis fin 2025 comme le nouveau critère de la plateforme. Ce terme n’apparaît dans aucune publication de LinkedIn que nous avons consultée. L’idée qu’il recouvre, mesurer le temps d’arrêt sur un contenu, est réelle et documentée depuis 2020 sous le nom de temps de lecture. Le nom vient d’ailleurs.
Les trois pourcentages qui circulent en français, toujours sans référence : commenter sous sa propre publication avant tout autre commentaire coûterait 20 % de portée, répondre dans la première heure en ferait gagner 35 %, commenter ailleurs quinze à trente minutes avant de publier en ajouterait 21 %. Aucun n’est retrouvable, ni dans les publications de LinkedIn, ni dans une étude dont la méthode et l’échantillon soient publiés.
Les taux d’engagement par format, enfin, irréconciliables entre eux. Pour les carrousels, selon la source : 1,44 %, 6,60 % ou 24,42 %. Aucun de ces outils ne publie sa méthode de calcul, ni ce qu’il place au dénominateur.
Un chiffre précis se partage mieux qu’une incertitude honnête, et il ne demande jamais à être vérifié. C’est probablement pour cela que « moins 18,8 % selon une étude portant sur 1,3 million de publications » circule moins bien que « moins 60 % ».
Quatre questions suffisent à trier, et aucune ne demande de compétence technique.
La source cite-t-elle une publication primaire vérifiable ?
Donne-t-elle son volume de données et sa période ?
Vend-elle quelque chose que sa conclusion sert ?
Le chiffre est-il trop précis pour son origine ?
Pourquoi est-ce un problème de message avant d’être un problème d’algorithme ?
Revenons au point de départ. Un article technique décrit un système en deux étapes. Une phrase de son deuxième paragraphe en résume une partie, exactement. C’est cette phrase qui a circulé, et c’est elle qui a fait la compréhension collective du sujet pendant plusieurs mois.
Personne n’a menti. L’auteur a écrit une phrase juste, les lecteurs l’ont reprise fidèlement, et le sens général s’est déplacé.
Le message qui reste n’est presque jamais celui qu’on a écrit. C’est celui qui se répète le plus facilement.
Ce décalage se paie. Des cycles de vente qui s’allongent parce que le prospect a compris autre chose que ce qui était écrit, des équipes commerciales qui finissent par raconter chacune leur version. Et une différenciation que le marché reformule à votre place.
C’est ce que nous auditons chez Fast Growth Advisors : la phrase que votre marché retiendra, la traçabilité de chaque promesse, et l’écart entre les deux. Le livre blanc dont cet article est tiré applique la même méthode à un sujet extérieur, où chaque affirmation est soit adossée à une source publique, soit signalée comme introuvable.
Livre blanc complet : Algorithme LinkedIn 2026 : ce qui est prouvé, ce qui est mesuré, ce qui est inventé. Document public, citable avec mention de la source. Le consulter.
Sources
- Hertel, L., Srivastava, S. et al. (2026). An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking. arXiv:2602.12354, 12 février 2026. arxiv.org/abs/2602.12354
- Danchev, H. (2026). Engineering the next generation of LinkedIn’s Feed. Blog d’ingénierie LinkedIn, 12 mars 2026. linkedin.com
- Firooz, H. et al. (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation. arXiv:2501.16450, 27 janvier 2025. Article qualifié de pré-production, retiré depuis d’arXiv. Version consultable
- Borisyuk, F. et al. (2024). LiRank: Industrial Large Scale Ranking Models at LinkedIn. ACM SIGKDD, Barcelone, p. 4804 à 4815. arXiv:2402.06859. arxiv.org/abs/2402.06859
- LinkedIn Engineering. Understanding dwell time to improve LinkedIn feed ranking (2020). linkedin.com
- Jurka, T. (2026). Updates to The LinkedIn Feed Focusing on Authentic, Relevant Conversations. Mars 2026. linkedin.com
- Ordinal. LinkedIn Link Penalty Study. Plus de 900 000 publications, février 2023 à février 2026. La page a été consultée pour ce travail puis est devenue inaccessible (erreur 404 au 27 juillet 2026). Site de l’éditeur : tryordinal.com
- van der Blom, R. Algorithm Insights, édition 2026. 1,3 million de publications, 50 000 créateurs. richardvanderblom.com
- Saywhat. State of the Algorithm, Q1 2026. 397 605 publications. saywhat.ai
- Cook, J. (2026). The LinkedIn Algorithm Changed Again. Here’s What’s New For 2026. Forbes, 12 janvier 2026. forbes.com
FAQ
Le fil LinkedIn est-il classé par une intelligence artificielle générative ?
Dans les deux documents publiés par LinkedIn au premier trimestre 2026, non. Le classement est assuré par un transformeur séquentiel, appelé Feed SR dans l’article de recherche et Generative Recommender sur le blog d’ingénierie. Un modèle de langage intervient à l’étape précédente, la présélection des publications candidates, et dans la représentation du profil du membre.
Qu’est-ce que le Long Dwell ?
Le fait de rester sur une publication au-delà d’un seuil de temps, seuil qui varie selon le type de publication. C’est l’un des deux objectifs sur lesquels LinkedIn rapporte ses gains, avec la Contribution, qui regroupe la réaction, le commentaire et le partage. Les valeurs de ces seuils ne sont pas publiées.
Faut-il placer ses liens en premier commentaire ?
Les données publiques ne permettent pas de trancher. Trois études sérieuses aboutissent à des conclusions incompatibles, dont une inverse aux deux autres, et le sort des liens placés en commentaire reste peu documenté. Le chiffre de 60 % de pénalité, très diffusé, ne remonte à aucune source identifiable.
Le titre de profil de l’auteur influence-t-il la diffusion de ses publications ?
Le blog d’ingénierie liste ce qui compose la description d’une publication envoyée au modèle : son texte, son format, ses compteurs, et les informations de son auteur, dont son titre de profil, son entreprise et son secteur. Le titre fait donc partie de ce qui sert à situer un contenu. LinkedIn ne quantifie pas cet effet.
Ces informations sont-elles encore à jour ?
Elles décrivent l’état des publications de février et mars 2026. Nous n’avons trouvé aucune publication consacrée au classement du fil depuis. Parler de l’algorithme actuel suppose donc que rien d’important n’a changé depuis, ce qui est probable et non vérifiable.
Que retenir si l’on ne retient qu’une chose ?
Que le système de classement prédit six actions nommées, regroupées en deux familles, et que toute affirmation qui n’agit sur aucune d’entre elles mérite d’être questionnée.