Ein einziger Button soll LinkedIn nicht zum KI-Detektor machen. Er verändert aber, wie Mitglieder dem Netzwerk sagen können: Dieser Beitrag wirkt auf mich wie austauschbare Massenware. Genau diese Rückmeldung will LinkedIn künftig stärker in seine Empfehlungen einbeziehen.
Das Wichtigste in 30 Sekunden
- LinkedIn beschreibt „Seems like AI slop“ als subjektives Mitgliedersignal, nicht als Beweis dafür, dass ein Text von KI stammt.
- Das Feedback soll zusammen mit ausgebauten Klassifikatoren helfen, mutmaßlich minderwertige vorgeschlagene Inhalte seltener auszuspielen.
- Eine einzelne Meldung bedeutet nach den vorliegenden Angaben weder Löschung, Kontosanktion noch ein öffentliches KI-Label.
- LinkedIn plant zudem einen privaten Analytics-Test für Autorinnen und Autoren; Umfang, Start und Wirkung bleiben offen.
- Wer auf LinkedIn schreibt, braucht nicht künstlich „menschlicher“ zu klingen. Entscheidend sind nachvollziehbare Quellen, eigene Erfahrung und erkennbare Verantwortung.
Was sich bei LinkedIn ändert
Im beruflichen Feed reicht ein glatt formulierter Text oft erstaunlich weit. Er kann vertraut klingen, aber keine überprüfbare Beobachtung, keine konkrete Erfahrung und keinen Gedanken enthalten, der über bekannte Floskeln hinausgeht. Wer LinkedIn für Jobs, Kundenkontakte oder Fachdebatten nutzt, kennt diese Müdigkeit im Feed. LinkedIn reagiert darauf nun mit einem zusätzlichen Rückkanal: Mitglieder können mitteilen, dass ein Beitrag oder Kommentar für sie wie „AI slop“ wirkt.
Der Begriff ist absichtlich unscharf. Er beschreibt den Eindruck von KI-Massenware, nicht eine technisch gesicherte Urheberschaft. LinkedIn-CPO Hari Srinivasan schrieb am 30. Juli 2026, die Plattform fahre neue beziehungsweise verbesserte Klassifikatoren für mutmaßlichen AI-Slop und andere minderwertige Inhalte hoch. Das Mitgliedersignal soll beim Abstimmen der Modelle helfen und den Feed verbessern. Die Zielrichtung: Solche vorgeschlagenen Inhalte und Beiträge außerhalb des eigenen Netzwerks sollen seltener auftauchen.
Damit verschiebt sich die Frage. Es geht nicht darum, ob ein einzelner Beitrag „wirklich KI“ ist. Es geht darum, wie eine Plattform subjektive Qualitätsurteile in ein Empfehlungssystem übersetzt, ohne daraus ein öffentliches Fehlurteil über Menschen zu machen.
Vom Mitgliedersignal zum Feed: Was belegt ist – und was nicht
Die belastbare Wirkungskette ist kurz: Ein Mitglied gibt LinkedIn ein Feedbacksignal. LinkedIn nutzt solche Signale nach eigener Darstellung, um Modelle abzustimmen und vorgeschlagene Inhalte besser zu sortieren. Parallel baut die Plattform Klassifikatoren für mutmaßlichen Slop oder allgemein minderwertige Inhalte aus. Wie stark ein einzelnes Signal gewichtet wird, welche Schwellen gelten und wann sich das im Feed bemerkbar macht, veröffentlicht LinkedIn nicht.
| Aussage | Stand nach dem Dossier |
|---|---|
| Mitglieder können den Eindruck „Seems like AI slop“ melden. | Belegt. |
| Das Signal soll Modell-Tuning und die Feed-Qualität unterstützen. | Belegt. |
| Autorinnen und Autoren könnten dazu privat einen Analytics-Hinweis sehen. | Als Test angekündigt. |
| Eine einzelne Meldung löscht einen Beitrag oder sperrt ein Konto. | Nicht belegt. |
| Ein Beitrag erhält dadurch ein öffentliches KI-Label. | Nicht belegt. |
| Eine einzelne Meldung verursacht einen festen Reichweitenverlust. | Nicht belegt. |
Engadget berichtet unter Berufung auf einen LinkedIn-Sprecher, markierte Inhalte könnten ähnlich wie „not interested“ weniger algorithmisch empfohlen werden. Das ist eine mögliche Richtung, keine veröffentlichte Regel mit messbarer Einzelfallfolge. Besonders wichtig ist der Unterschied zum Follower-Feed: Weniger algorithmische Empfehlung ist nicht dasselbe wie ein Entfernen aus allen Feeds oder eine Löschung.
Warum das Signal nützlich sein kann – und wo es kippen könnte
Ein Empfehlungssystem sieht nicht automatisch, ob ein Beitrag Menschen weiterbringt. Es kann Muster erkennen, aber keine persönliche Erfahrung ersetzen. Das Mitgliederfeedback ergänzt diese technische Sicht um eine soziale Beobachtung: Wirkt der Text austauschbar, unkonkret oder wie eine endlose Wiederholung?
Das kann sinnvoll sein. Wer durch lange, formelhafte Beiträge scrollt, muss sich nicht mit ihnen abfinden. Das Signal gibt Mitgliedern eine Möglichkeit, die Qualität ihrer Vorschläge mitzugestalten.
Der stärkste Einwand ist trotzdem berechtigt. Ein subjektives Signal kann mitlaufen, wenn ein Stil gerade unbeliebt ist, wenn eine Person polarisiert oder wenn Mitglieder KI-Hilfe mit fehlender Kompetenz verwechseln. Ein gut begründeter Text kann künstlich wirken, obwohl er von einem Menschen stammt. Umgekehrt wird ein menschlicher Text nicht automatisch hilfreich, nur weil er unordentlich oder persönlich klingt. Für Fehlmeldungsquoten, Sprach- oder Stilbias und mögliche Mitläufereffekte gibt es bislang keine belastbaren Messwerte.
LinkedIn selbst zieht eine wichtige Grenze: KI-Hilfe ist nicht dasselbe wie Slop. Die Plattform will ihre Umschreibhilfe „Enhance your post“ durch Korrekturlesen ersetzen, das die Stimme nicht verändert. Damit anerkennt sie, dass Unterstützung beim Formulieren, Übersetzen oder Strukturieren eigener Gedanken etwas anderes sein kann als das massenhafte Ausspielen leerer Texte.
Die Pangram-Zahl: ein Hinweis, keine Vermessung des gesamten Feeds
Der Pangram-Bericht markierte mehr als 40 Prozent der in dieser Longform-Stichprobe erfassten LinkedIn-Posts als vollständig KI-generiert. Das ist ein auffälliger Befund, aber kein Anteil des gesamten LinkedIn-Feeds. Die Stichprobe ist selbstselektiert, die Klassifikation stammt vom Anbieter selbst und sie bildet weder alle Sprachen noch alle Branchen oder kurzen Beiträge ab. Auch die vom Unternehmen genannte Fehlerrate ersetzt keine unabhängige Prüfung für einzelne Texte.
Für diesen Artikel ist die Zahl deshalb vor allem ein Kontextsignal: Die Sorge vor austauschbarem Content ist nicht aus der Luft gegriffen. Sie beantwortet aber nicht, ob ein konkreter Beitrag maschinell verfasst wurde oder ob ein einzelnes Mitglied mit seiner Meldung richtigliegt.
Substanz statt Stilpolizei: Was gute Fachbeiträge erkennbar macht
Der sinnvollste Schutz gegen den Eindruck von Massenware ist kein Anti-KI-Ritual. Er beginnt mit der Frage, ob ein Beitrag etwas überprüfbar erklärt. Das gilt für Teams, Selbstständige, Bewerbende und Fachleute gleichermaßen: Wer eine konkrete Quelle nennt, eine eigene Beobachtung einordnet oder ein belastbares Beispiel liefert, macht den Gedankengang für andere nachvollziehbar.
Praktische Checkliste für LinkedIn-Beiträge
- Beantwortet der Text eine konkrete Frage statt nur ein Thema anzukündigen?
- Ist erkennbar, worauf sich Zahlen, Aussagen oder Schlussfolgerungen stützen?
- Gibt es eine eigene Erfahrung, eine nachvollziehbare Entscheidung oder ein überprüfbares Beispiel?
- Übernimmt jemand sichtbar Verantwortung für die Aussage, statt sich hinter allgemeinen Formeln zu verstecken?
- Wird KI-Hilfe transparent und passend eingesetzt, wenn sie den Text tatsächlich geprägt hat?
- Bleibt der Beitrag auch dann sinnvoll, wenn man seine glatte Sprache wegdenkt?
Für Leserinnen und Leser folgt daraus dieselbe Vorsicht. Das neue Signal kann beim Sortieren helfen, sollte aber nicht als Wahrheitsurteil dienen. Bevor ein Beitrag als „AI slop“ abgestempelt wird, lohnt ein Blick auf Herkunft, Argument und konkrete Belege. Fehlen sie, ist das oft aufschlussreicher als der Tonfall.
Was LinkedIns neuer Knopf für den beruflichen Feed bedeutet
LinkedIn versucht, ein reales Qualitätsproblem über eine Mischung aus Klassifikatoren und Mitgliederfeedback zu bearbeiten. Das kann den Feed nützlicher machen, wenn die Plattform die Signale vorsichtig aggregiert und nicht aus einem Eindruck ein Urteil über eine Person formt. Ob das gelingt, lässt sich noch nicht messen: Rollout, Gewichtung, Meldeschwellen und Fehlerquoten sind offen.
Für die berufliche Kommunikation folgt daraus eine nüchterne Konsequenz. Gute Beiträge müssen nicht demonstrativ „menschlich“ aussehen. Sie müssen erkennbar etwas beitragen: eine Quelle, eine Erfahrung, ein Beispiel, eine begründete Einordnung. Genau dort trennt sich hilfreiche KI-Unterstützung von Texten, die viel Raum einnehmen und wenig sagen.
Weiterlesen
AI Slop: Warum das Internet mit KI-Massencontent geflutet wird
Quellen und weiterführende Informationen
- Hari Srinivasan, LinkedIn: AI slop is a top priority for all of us (30. Juli 2026)
- TechCrunch: LinkedIn adds a button to report AI-generated ‘slop’ (30. Juli 2026)
- The Verge: LinkedIn actually adds a ‘seems like AI slop’ button (30. Juli 2026)
- Engadget: LinkedIn Is Testing A ‘Seems Like AI Slop’ Reporting Tool (30. Juli 2026)
- Pangram Labs: AI Content Is Everywhere on Social Media, Especially LinkedIn (9. Juli 2026)
- LinkedIn Help: Content credentials
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-08-02
