Le 9 novembre 2026, LinkedIn a détaillé sur son blog d’ingénierie Profile Relevance (« pertinence du profil »), l’un des systèmes qui proposent à un membre des posts de personnes extérieures à son réseau. Il contribue à décider quels inconnus voient un post. Le système compare un résumé du profil public de chaque membre au texte des posts, à l’aide de grands modèles de langage, des IA spécialisées dans le texte. Un post n’est recommandé de cette façon qu’après avoir reçu au moins un « j’aime », un commentaire ou un partage d’un membre que LinkedIn dit « non connecté ».
Le billet est signé Shiyong Lin, ingénieur chez LinkedIn, et douze co-auteurs. Selon le billet, lors de tests auprès de vrais membres, le taux de masquage des posts a baissé de 18,8 % et le nombre de posts vus dans le fil d’actualité a progressé de 0,54 %. Le billet ne donne ni la date de mise en service, ni les pays concernés.
Un résumé du profil comparé au texte des posts
LinkedIn appelle « contenus non connectés » les posts de personnes avec qui le membre n’est pas en relation et qu’il ne suit pas. Selon le billet, les systèmes de recommandation classiques s’appuient surtout sur la proximité dans le réseau et sur les réactions passées. Ces contenus peuvent alors être plus difficiles à découvrir, « en particulier pour les créateurs qui construisent encore leur audience ».
Profile Relevance part du profil. Pour chaque membre, LinkedIn rédige une fiche structurée qu’il appelle un « prompt », le terme qui désigne le texte soumis à un modèle d’IA. Elle reprend le titre du profil, le résumé, les compétences principales et la formation (écoles, domaines d’études, diplômes). Elle détaille aussi le parcours : entreprises, intitulés, durées et descriptions des postes.
Le nom et le genre du membre n’y figurent pas. LinkedIn précise que les recommandations reposent sur les informations professionnelles que le membre choisit d’indiquer sur son profil.
Côté posts, le système lit le texte, les titres et les transcriptions. Il y ajoute des informations sur l’auteur, comme sa localisation quand elle est connue. Profils et posts sont ensuite convertis en vecteurs (« embeddings » en anglais), des suites de nombres qui représentent le sens d’un texte. Comparer deux vecteurs permet de mesurer à quel point deux textes parlent de la même chose.
LinkedIn a testé deux montages. Dans le premier, un grand modèle capable de rédiger du texte extrait les sujets clés des profils et des posts, puis un modèle plus petit les convertit en vecteurs. Dans le second, un modèle spécialisé convertit directement le texte brut en vecteurs, ce qui garde plus de nuances mais demande plus de calcul. Le billet cite, sans les nommer, deux modèles open source (publiés librement) adaptés par LinkedIn : l’un extrait les « 10 principaux sujets » des profils, l’autre calcule les vecteurs.
Deux réglages : le pays et une première réaction
Les essais ont révélé un défaut du premier montage : en résumant les textes, il atténuait parfois les indices géographiques. LinkedIn a donc ajouté au prompt le nom du pays du membre et celui du pays de l’auteur, tirés de la localisation indiquée dans le profil. Selon le billet, les membres ont ainsi plus de chances de voir des contenus liés à leur contexte professionnel local, comme les discussions sur un secteur de leur région.
LinkedIn a aussi fixé un seuil minimal d’engagement. Sans autre signal, un post proche du profil d’un lecteur avait du mal à rivaliser dans le fil avec des posts qui avaient déjà suscité des réactions. Avant d’être recommandé par Profile Relevance, un post doit donc avoir reçu au moins une « action virale » d’un membre « non connecté ». LinkedIn désigne ainsi un « j’aime », un commentaire ou un partage.
Les chiffres publiés par LinkedIn
LinkedIn compare Profile Relevance à MemberEBR, le système qui fournissait jusque-là ce type de recommandations. Pour mesurer la pertinence, l’équipe a construit AutoEval, un évaluateur automatique fondé sur un modèle de langage. Il juge si chaque post correspond au profil d’un membre selon plusieurs critères, dont le sujet, la localisation, l’intitulé de poste, l’entreprise, le secteur, le niveau hiérarchique et la formation.
Automatiser cette évaluation a fait passer l’équipe d’une vingtaine d’exemples notés à la main à 1 000 exemples par modèle testé. L’équipe dit avoir validé AutoEval en comparant ses verdicts à ceux d’évaluateurs humains, puis avoir affiné ses consignes.
Dans ces tests hors ligne, notés par AutoEval, Profile Relevance augmente de 34 % la part des posts jugés dans le sujet. La part des posts hors sujet sur tous les critères recule de 33 %, et celle des contenus génériques, pour lesquels aucun critère ne ressort, de 24 %. La part des membres pour lesquels au moins 5 des 10 premiers posts présélectionnés par le système correspondent à leur sujet progresse de 39 %. Ce sont des variations relatives, par rapport à MemberEBR : LinkedIn ne publie pas les taux de départ.
En ligne, auprès de vrais membres, la version finale a augmenté de 0,54 % le nombre de posts vus dans le fil. Elle a aussi augmenté de 0,94 % ce que LinkedIn appelle le « taux viral », sans le définir. Le taux de masquage, c’est-à-dire la part des posts que les membres choisissent de cacher, a baissé de 18,8 %. Pour les membres peu actifs, dont l’historique d’activité est limité, LinkedIn mesure 17,7 % d’engagement viral en plus et 1,8 % de membres actifs chaque jour en plus.
Un fil d’actualité remanié depuis mars
Profile Relevance s’inscrit dans la refonte du fil que LinkedIn a décrite le 12 mars 2026, sur le même blog. L’auteur du billet de mars, Hristo Danchev, y annonçait le déploiement d’un nouveau système de classement des posts fondé sur de grands modèles de langage. Selon lui, ce fil est servi à « plus de 1,3 milliard de professionnels ». Ce système de classement croise les informations du profil (secteur, expérience, compétences, zone géographique) avec l’historique de lecture et de réactions de chaque membre.
Le billet du 9 novembre présente Profile Relevance comme une « source clé » de contenus non connectés, sans dire quelle part du fil il fournit. Ces posts diffusés hors réseau passent aussi par le filtre de LinkedIn contre l’« AI slop », les contenus génériques produits par IA. Le 8 octobre, Tim Jurka, l’un des dirigeants de l’ingénierie de LinkedIn, a indiqué que ce filtre couvrait depuis peu tous les posts diffusés au-delà du réseau immédiat, comme le détaille notre article sur l’AI slop sur LinkedIn. Son nom figure parmi les responsables remerciés à la fin du billet du 9 novembre.
LinkedIn teste aussi la formule inverse. Le 15 octobre, parmi les nouveautés LinkedIn de la mi-octobre, la plateforme a annoncé le test d’un fil « Réseau », réservé aux publications des relations et des comptes suivis. Ce test commence par les États-Unis, l’Inde, le Royaume-Uni et l’Australie ; la France et la Belgique ne figurent pas dans cette première liste. Sur Instagram aussi, le fil mélange les publications des comptes suivis et des recommandations, comme l’explique notre guide sur l’algorithme d’Instagram.
Les limites du billet
Les chiffres viennent de LinkedIn seul et ne peuvent pas être vérifiés de l’extérieur. Le tableau des tests hors ligne ne donne que des variations relatives. Ces tests sont notés par AutoEval, lui-même fondé sur un modèle de langage et réglé par l’équipe qui a construit le système. Pour les tests auprès de vrais membres, LinkedIn ne donne ni marge d’erreur, ni durée, ni nombre de membres concernés.
Le billet ne dit pas non plus depuis quand Profile Relevance fonctionne, ni quelle part des posts hors réseau il fournit. Il ne précise pas davantage si le système traite les posts en français comme ceux en anglais. Il indique que le choix des modèles a tenu compte de leur qualité, de leur coût, de la fraîcheur des données et des « politiques de consentement des membres », sans détailler ces politiques.
Social Media Today, site spécialisé dans les réseaux sociaux, va plus loin que le billet sur deux points. Il écrit le 9 novembre que le résumé de chaque membre tient compte de son profil « et de son historique de publication ». Le billet de LinkedIn, lui, ne cite que les informations du profil pour ce résumé. L’historique de lecture et de réactions intervient ailleurs, dans le système décrit en mars.
Le site présente aussi les critères d’AutoEval comme ceux du système de recommandation. Dans le billet, ils servent à évaluer les recommandations, et LinkedIn ne dit pas qu’ils pèsent tels quels dans le choix des posts.
Notre analyse
LinkedIn donne ici le détail chiffré de l’une des voies par lesquelles l’algorithme LinkedIn fait parvenir un post à des inconnus. Le point de comparaison est le profil public du lecteur. Un post est associé aux membres dont le titre, les compétences et le parcours portent sur le même sujet que son texte. Le pays entre explicitement dans cette comparaison, ce qui favorise, selon LinkedIn, les contenus liés au contexte local du lecteur.
L’exigence d’une première réaction pèse surtout sur les petits comptes. LinkedIn présente le système comme une aide aux créateurs qui construisent encore leur audience. Ce seuil suppose pourtant qu’un premier membre « non connecté » ait déjà trouvé le post par un autre chemin. Le billet ne décrit pas ce chemin.
Pour les comptes qui publient en français, la principale inconnue reste la langue et le pays : le billet ne dit pas sur quels marchés ces résultats ont été mesurés.
Deux questions restent ouvertes. LinkedIn publiera-t-il la part du fil qui vient de ces recommandations ? Le fil « Réseau » arrivera-t-il en France ? Les statistiques fournies aux auteurs diront peut-être un jour quelle part de leur audience vient de cette source.
Sources
- Profile Relevance: Boosting Feed Relevance with LLMs at LinkedIn, LinkedIn Engineering Blog (Shiyong Lin et al.), 9 novembre 2026
- Engineering the next generation of LinkedIn’s Feed, LinkedIn Engineering Blog (Hristo Danchev), 12 mars 2026
- LinkedIn explains its improved content recommendation system, Social Media Today (Andrew Hutchinson), 9 novembre 2026
- The Technology Behind LinkedIn’s Fight Against AI Slop, LinkedIn (Tim Jurka), 8 octobre 2026
- New Ways to Build Meaningful Connections, Grow Your Side Hustle, and Earn on LinkedIn, LinkedIn Pressroom, 15 octobre 2026
Image d’en-tête : graphique MACCUS, données du blog d’ingénierie de LinkedIn (9 novembre 2026)
