LinkedIn testa denúncia de conteúdo de baixa qualidade feito por IA

LinkedIn começou a testar uma opção para denunciar posts e comentários percebidos como conteúdo de baixa qualidade produzido por inteligência artificial. Os sinais enviados pelos usuários serão privados e ajudarão a plataforma a ajustar sistemas que classificam materiais repetitivos, automatizados ou considerados inautênticos.

Adicionalmente, o teste também prevê retorno privado aos autores. Quando membros sinalizarem uma publicação, o responsável poderá receber no painel de análise uma indicação de que o texto pareceu artificial ou dependente demais de IA, sem transformar a avaliação em uma marca pública no post.

Particularmente, a plataforma diferencia o uso de ferramentas para revisar ideias da automação que simula participação humana. Hari Srinivasan, diretor de produto do LinkedIn, resumiu diretamente essa distinção: “IA e conteúdo de baixa qualidade não são a mesma coisa.”

Denúncia abrange posts e comentários

Inicialmente, a nova opção aparece no menu associado ao conteúdo. O membro pode indicar que um post ou comentário parece material automatizado de baixa qualidade, fornecendo um sinal adicional ao sistema de recomendação e às equipes responsáveis pela integridade da plataforma.

Por outro lado, a classificação não depende apenas de um detector automático. O LinkedIn quer combinar a percepção de pessoas reais com seus próprios modelos, uma vez que estilo padronizado, repetição e baixa contribuição original não são identificados de forma confiável por uma única análise técnica.

Além disso, a definição muda conforme ferramentas e práticas de automação evoluem. Por esse motivo, as denúncias funcionam como dados de ajuste, não como uma conclusão pública e definitiva sobre a origem de cada texto.

Autores receberão retorno privado no painel

Em seguida, o LinkedIn também prepara uma forma de informar autores quando outros membros considerarem uma publicação inautêntica ou excessivamente dependente de IA. O aviso ficará no ambiente analítico, preservando a natureza privada do retorno.

Dessa forma, a proposta evita exibir um rótulo acusatório no feed. Em vez disso, oferece ao autor um sinal privado sobre a recepção do conteúdo por pessoas que interagem diretamente na rede profissional.

Contudo, esse retorno não significa que toda assistência por IA seja rejeitada. A própria empresa afirma que ferramentas podem ajudar usuários a organizar pensamentos e revisar textos, desde que a publicação continue representando a voz e as ideias do responsável.

LinkedIn separa assistência de automação

Nesse contexto, a plataforma descreve diferentes frentes do problema. Uma envolve ferramentas de automação usadas para escrever e ampliar distribuição; outra abrange perfis falsos, enquanto a terceira reúne pessoas que usam assistência de escrita para se expressar melhor.

Simultaneamente, o LinkedIn afirma ter adotado medidas para reduzir a influência de extensões que prejudicam a rede. A empresa também relaciona o combate a perfis falsos ao sistema de verificação, que já reúne mais de 100 milhões de membros verificados.

No entanto, um perfil verificado ainda pode publicar material automatizado. A verificação confirma aspectos da identidade, enquanto a análise do conteúdo observa autenticidade, contribuição e diferentes padrões de produção identificados no feed.

Sinais ajudam a ajustar o feed

As denúncias fornecem dados para os classificadores que organizam a descoberta de conteúdo nas redes sociais. Se um volume de publicações recebe avaliações semelhantes, a plataforma consegue investigar padrões de baixa qualidade sem depender somente de palavras, pontuação ou estilo textual.

Hari Srinivasan afirmou que a empresa trabalha para impedir que materiais repetitivos ocupem o espaço de pensamentos autênticos. Segundo o executivo, o LinkedIn quer que membros “recebam retorno de pessoas reais sobre o que soa autêntico”.

Assim, o sistema de recomendação continuará usando diversos sinais. A denúncia de IA de baixa qualidade acrescenta uma informação humana ao conjunto, mas não foi apresentada como critério isolado para remover uma publicação ou punir automaticamente um perfil.

Ademais, a avaliação privada reduz efetivamente o incentivo a campanhas públicas de marcação. Como o sinal não aparece ao lado do post, o teste concentra a informação nos sistemas internos e no retorno ao autor, sem criar uma reação visível contra outros membros.

Ferramenta de escrita preservará a voz do usuário

Paralelamente, o LinkedIn revê sua própria assistência de escrita. A plataforma pretende substituir o recurso que aprimorava posts e mensagens por uma ferramenta de revisão, voltada a corrigir o texto sem alterar a voz do autor.

Essa mudança reduz a geração de publicações uniformes dentro do próprio produto. Ao preservar a formulação original, a revisão atua sobre clareza e correção, sem produzir automaticamente a estrutura ou o argumento compartilhado pelo usuário.

Igualmente, a distinção também se aplica à otimização de conteúdo social. Melhorar consistentemente legibilidade e descoberta não exige substituir experiência, opinião ou conhecimento por uma formulação genérica criada para maximizar frequência.

Verificação já alcança mais de 100 milhões de membros

Segundo um anúncio anterior de Srinivasan, mais de 100 milhões de membros concluíram algum processo de verificação. A rede usa esse sinal em listas de pessoas, comentários, visualizações de perfil e candidaturas profissionais.

A verificação, contudo, resolve efetivamente apenas uma parte do problema. Ela ajuda a distinguir pessoas reais de perfis falsos, enquanto as novas denúncias observam o material publicado por contas legítimas ou automatizadas.

Finalmente, o anúncio atual do LinkedIn combina classificação automática e avaliação da comunidade. A plataforma não anunciou um rótulo público geral nem proibiu ferramentas assistivas; o foco está em reduzir automação prejudicial e conteúdo inautêntico.