L’algorithme LinkedIn de 2026 est décrit par deux publications maison : un article de recherche en février, un billet d’ingénierie en mars. Elles montrent un système en deux étapes, dont le classement ne repose pas sur un modèle de langage, et six actions que le fil cherche à provoquer. Chez Fast Growth Advisors, nous les avons lues en entier pour séparer le prouvé de l’inventé. Plusieurs chiffres très partagés ne remontent à aucune source.
Notre méthodologie : lire ces deux documents et deux publications antérieures, rapporter ce qu’ils décrivent, signaler ce qu’ils taisent. Publicité, pages entreprise et offres d’emploi, qui relèvent d’autres systèmes, restent hors champ.
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, puis le classement les ordonne.
Confondre les deux, c’est se tromper sur tout le reste.
La présélection repose bien sur un modèle de langage, monté en double encodeur. Membre et publication y sont traduits séparément en deux descriptions comparables, ce qui rapproche un lecteur d’un contenu par le sens plutôt que par des mots-clés partagés. Une phrase du billet d’ingénierie, exacte mais isolée, a fait croire que tout le fil fonctionnait ainsi.
Pour le classement, autre modèle. Son nom : Feed SR (Sequential Recommender) dans l’article de recherche, Generative Recommender dans le billet. Il s’agit d’un transformeur séquentiel à attention causale, qui lit vos interactions dans l’ordre chronologique sans jamais anticiper la suite.
Aucun modèle de langage à cette étape.
Fait rare, l’article détaille aussi les architectures écartées. Un classeur fondé sur un modèle de langage a bien été testé en conditions réelles. Trois obstacles. Premier obstacle, les valeurs utiles au classement (réactions, ancienneté, proximité avec l’auteur) se traduisent mal en phrases. Puis le coût : des centaines d’unités de texte par publication, contre 2 dans Feed SR. Et aucun gain en ligne face au modèle en service.
Une nuance vaut pour la suite : LinkedIn décrit un résultat obtenu à une date, pas une doctrine. Fast Growth Advisors n’a trouvé aucune annonce d’abandon de cette piste.
Que cherche le système à provoquer ?
Six actions nommées, l’information la plus directement exploitable des deux documents et la moins reprise.
Côté passif, on trouve le clic, le passage sans arrêt et le Long Dwell, autrement dit un temps de lecture qui dépasse un seuil propre à chaque format. Côté actif, la réaction, le commentaire et le partage, que LinkedIn range sous l’étiquette Contribution. C’est sur ces deux signaux, Long Dwell et Contribution, que l’entreprise publie ses gains.
La mémoire du modèle est bornée : 1 000 publications vues, prélevées sur environ un an.
Elle se périme aussi, de deux façons. Côté entraînement, les données perdent la moitié de leur influence tous les soixante jours, et dans la séquence d’un même membre, les interactions anciennes comptent environ moitié moins que les récentes.
Signal moins attendu, la répartition des lecteurs précédents 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.
Résultat de l’essai grandeur nature : 2,10 % de temps passé en plus, surtout chez les membres très actifs, sans effet mesurable chez les nouveaux.
Reste l’enregistrement d’une publication, souvent présenté comme premier facteur de classement. Aucune mention parmi les objectifs optimisés. Pour Fast Growth Advisors, cela ne prouve pas qu’il ne compte pas : aucune source primaire ne l’appuie, quand les six autres actions sont nommées une par une.
Comment un modèle de recherche est-il devenu l’algorithme LinkedIn ?
Par une affirmation reprise sans vérification. 360Brew existe : c’est un article 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 fil, les offres d’emploi et les suggestions de relations.
Trois faits, et rien au-delà.
- Son résumé le présente comme un modèle de « pre-production ».
- Nous n’avons trouvé aucune confirmation de déploiement par LinkedIn.
- Le billet d’ingénierie de mars 2026 ne mentionne pas ce nom.
En janvier 2026, Forbes publie un entretien où un créateur suivi par 1,2 million de personnes affirme que la dernière mise à jour s’appelle 360 Brew. En quelques semaines, l’affirmation devient un acquis, et des dizaines de publications bâtissent dessus des conseils tactiques.
Un détail mesure la distance parcourue depuis la source. Plusieurs articles affirment que 360Brew repose sur LLaMA 3 ; l’article de recherche décrit une architecture Mixtral, comme Fast Growth Advisors l’a vérifié. Une erreur de ce type ne survit pas à une lecture.
Les liens externes sont-ils pénalisés ?
Impossible de l’affirmer à partir des sources publiques, et Fast Growth Advisors ne conclut pas.
Nous n’avons trouvé, dans la documentation publique de LinkedIn, aucune règle pénalisant les publications avec lien. Elle annonce une distribution réduite pour les contenus de faible qualité ou relevant du spam. Aucune mention des liens.
Quant aux études indépendantes, elles divergent, trop pour une simple différence de mesure.
Ordinal rapporte une baisse de portée de 26,5 % sur plus de 900 000 publications et trente-sept mois, avec un test de Mann-Whitney et une valeur p inférieure à 0,001 : seule vérification statistique publiée. Deux réserves, pourtant. Ordinal édite un outil qui déplace les liens en premier commentaire, et a donc intérêt à ce que la pénalité soit réelle. Une autre page de son site vante d’ailleurs cette fonction pour éviter « the 60% external link penalty », le chiffre sans source évoqué plus loin.
Richard van der Blom (Algorithm Insights, 1,3 million de publications) trouve une baisse de 18,8 % de la portée médiane pour un lien dans le corps du texte.
Celui de Saywhat, State of the Algorithm (premier trimestre 2026, 397 605 publications), aboutit à l’inverse : les publications à plusieurs liens externes y font nettement mieux que celles sans lien. Ses auteurs l’attribuent à la qualité du contenu.
Une hypothèse réconcilie ces observations sans supposer de sanction. Un clic, et le lecteur quitte la plateforme : il ne lit plus, le Long Dwell s’effondre. Il ne commente ni ne partage, la Contribution disparaît. Face à un contenu qui ne retient pas, le modèle 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 les observations, ce qui n’est pas la même chose.
Quels chiffres ne remontent à aucune source ?
Quatre affirmations, retenues parce qu’elles portent un chiffre précis que Fast Growth Advisors n’a pu rattacher à aucune source.
Premier cas : des taux d’engagement allant de 1,2 % sous trois secondes de lecture à 15,6 % au-delà de soixante. Les tranches existent, pas ces taux.
Deuxième cas, 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. Son idée, mesurer le temps d’arrêt sur un contenu, est réelle et documentée depuis 2020 sous le nom de temps de lecture. Seul le nom vient d’ailleurs.
Troisième cas, trois pourcentages qui circulent en français sans référence : commenter sa propre publication en premier coûterait 20 % de portée, répondre dans l’heure en ferait gagner 35 %, commenter ailleurs quinze à trente minutes avant de publier en ajouterait 21 %. Introuvables chez LinkedIn comme dans toute étude publiant méthode et échantillon.
Dernier cas, les taux d’engagement par format, irréconciliables. Pour les carrousels, selon la source : 1,44 %, 6,60 % ou 24,42 %, sans méthode de calcul ni dénominateur publiés.
Un chiffre précis se partage mieux qu’une incertitude honnête, et il ne demande jamais à être vérifié. D’où, probablement, le succès de « moins 60 % » face à « moins 18,8 % selon une étude portant sur 1,3 million de publications ».
Quatre questions suffisent à trier, sans 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 ?
Parce qu’une phrase exacte, sortie de son contexte, a suffi à fausser pendant des mois la compréhension collective d’un système.
Personne n’a menti. Son 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, des équipes commerciales qui racontent chacune leur version, une différenciation que le marché reformule à votre place.
C’est ce que mesure l’audit messaging de Fast Growth Advisors : la phrase que votre marché retiendra, la traçabilité de chaque promesse, et l’écart entre les deux. Même méthode dans le livre blanc dont cet article est tiré : chaque affirmation y est soit adossée à une source publique, soit signalée comme introuvable.
Cet écart a un nom, le Message-Market Fit.
Combien d’entreprises tiennent la phrase qu’elles voudraient voir retenue ?
Sur les 369 startups françaises post-levée de notre Observatoire (édition N°1, deuxième trimestre 2026), le score moyen reste à 5,33 sur 10.
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. Consulter le livre blanc.
Sources
Sources primaires d’abord. Fast Growth Advisors cite en tête les documents publiés par LinkedIn, puis les études tierces, chacune avec les réserves qu’imposent sa méthode de mesure ou son intérêt commercial.
- Hertel, L., Srivastava, G. et al. (2026). An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking. arXiv, 12 février 2026.
- Danchev, H. (2026). Engineering the next generation of LinkedIn’s Feed. Blog d’ingénierie LinkedIn, 12 mars 2026.
- Firooz, H. et al. (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation. arXiv, 27 janvier 2025, retiré depuis.
- Borisyuk, F. et al. (2024). LiRank: Industrial Large Scale Ranking Models at LinkedIn. arXiv, 2024.
- LinkedIn Engineering (2020). Understanding dwell time to improve LinkedIn feed ranking.
- Jurka, T. (2026). Updates to The LinkedIn Feed Focusing on Authentic, Relevant Conversations. Mars 2026.
- Ordinal. LinkedIn Link Penalty Study, février 2023 à février 2026. Page inaccessible (erreur 404) au 27 juillet 2026. Site de l’éditeur.
- van der Blom, R. Algorithm Insights, édition 2026. richardvanderblom.com.
- Saywhat. State of the Algorithm, premier trimestre 2026. saywhat.ai.
- Cook, J. (2026). The LinkedIn Algorithm Changed Again. Here’s What’s New For 2026. Forbes, 12 janvier 2026.
FAQ
Le fil LinkedIn est-il classé par une intelligence artificielle générative ?
Non, d’après les 2 documents publiés par LinkedIn début 2026.
Pour classer le fil LinkedIn, la plateforme utilise 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 ?
C’est le fait de rester sur une publication au-delà d’un seuil de temps.
Ce seuil varie selon le type de publication, et ses valeurs ne sont pas publiées. LinkedIn rapporte ses gains sur deux objectifs, le Long Dwell et la Contribution, qui regroupe la réaction, le commentaire et le partage.
Faut-il placer ses liens en premier commentaire ?
Rien, dans les données publiques, ne permet de trancher.
Trois études sérieuses sur les liens dans LinkedIn aboutissent à des conclusions incompatibles, l’une inverse aux deux autres, et le sort des liens placés en commentaire reste peu documenté. Très diffusé, le chiffre de 60 % de pénalité ne remonte à aucune source identifiable.
Que voit le modèle de LinkedIn de l’auteur d’une publication ?
Trois éléments : son titre de profil, son entreprise, son secteur.
Selon le blog d’ingénierie de LinkedIn, la description d’une publication envoyée au modèle comprend son texte, son format, ses compteurs, et les informations de son auteur, dont son titre de profil, son entreprise et son secteur. Ce titre sert donc à situer un contenu, mais LinkedIn ne quantifie pas cet effet.
Ces informations sont-elles encore à jour ?
Elles décrivent l’état des publications de février et mars 2026.
Fast Growth Advisors n’a trouvé aucune publication de LinkedIn consacrée au classement du fil depuis. Parler de l’algorithme actuel suppose donc que rien d’important n’a changé, ce qui est probable et non vérifiable.
Que retenir si l’on ne retient qu’une chose ?
Retenez ceci : le classement de LinkedIn prédit 6 actions nommées.
Ces six actions forment deux familles, passives (clic, passage sans arrêt, Long Dwell) et actives (réaction, commentaire, partage). Toute recommandation qui n’agit sur aucune d’entre elles mérite d’être questionnée avant d’être appliquée.