Personne en dehors de LinkedIn ne connaît la fonction de classement. LinkedIn est toutefois inhabituel en ce que son équipe d’ingénierie publie des articles sur cette mécanique. Cela vous donne une architecture, pas une formule, et les deux sont souvent confondues.
Réponse courte : LinkedIn divise le problème en récupération (quelles publications sont même candidates) et classement (dans quel ordre elles apparaissent), et depuis 2026 les deux étapes sont pilotées par des modèles plutôt que par des règles.
Ce que LinkedIn dit optimiser
Dans « Engineering the next generation of LinkedIn’s Feed », publié le 12 mars 2026, l’ingénierie de LinkedIn décrit le remplacement de plusieurs sources de récupération distinctes par un système unique de récupération sémantique construit sur un modèle de langage à double encodeur, ainsi que le remplacement de l’étape de classement par un transformeur séquentiel qu’elle appelle le Generative Recommender.
La répartition énoncée, selon la formulation de LinkedIn : « la récupération détermine quelles publications atteignent l’étape de classement, le classement détermine ce qu’un membre voit réellement ».
Le modèle de classement lit l’historique d’un membre dans l’ordre, en traitant plus de 1 000 interactions passées avec une attention causale, ce qui signifie qu’il ne regarde jamais en avance. À noter, LinkedIn indique que l’entraînement a été filtré aux publications ayant reçu un engagement positif, en écartant les éléments simplement défilés.
Remarque : ces informations ont été vérifiées par rapport à l’article du blog d’ingénierie de LinkedIn « Engineering the next generation of LinkedIn’s Feed » (12 mars 2026) et à un article antérieur de la même équipe sur le temps passé sur le fil, à la date de septembre 2026. Les plateformes modifient ces éléments sans préavis.
Sur quels signaux LinkedIn classe‑t‑il ?
Classés selon l’importance accordée dans les écrits de LinkedIn elle‑même.
| Groupe de signaux | Ce que nomme LinkedIn | Remarques |
|---|---|---|
| Engagement actif | J’aime, commentaires, partages, temps de lecture prolongé | Les signaux positifs sur lesquels le modèle de classement est entraîné |
| Comportement passif | Temps passé, défilement sans interaction | L’ingénierie de LinkedIn a un article dédié au temps passé comme signal de classement |
| Séquence de vos interactions | Plus de 1 000 interactions antérieures, dans l’ordre | L’entrée principale du Generative Recommender |
| Correspondance sémantique | Embeddings LLM du membre et de la publication, comparés par similarité cosinus | Détermine la candidature, avant le classement |
| Contexte de profil | Secteur, compétences, zone géographique | Utilisés comme caractéristiques |
| Compteurs d’engagement | Encodés en tranches de percentile plutôt qu’en chiffres bruts | Atténue l’avantage des très gros comptes |
| Récence | Signaux de récence explicites | Présents, mais non décrits comme dominants |
Le détail des tranches de percentile est l’élément le plus utile de cette liste. Il indique que LinkedIn n’injecte délibérément pas les chiffres bruts d’abonnés ou de « j’aime » dans le classement, ce qui est l’inverse de la façon dont la plupart des gens décrivent la plateforme.
Ce qui a le plus changé récemment
Affirmé par LinkedIn : la refonte de la récupération et du classement, en mars 2026. Le temps passé comme signal de classement explicite, publié plus tôt par la même équipe.
Largement rapporté, non confirmé : l’affirmation selon laquelle LinkedIn testerait une publication sur une petite tranche de votre réseau avant de l’étendre (« l’heure dorée »). L’ingénierie de LinkedIn ne décrit pas de déploiement par étapes en ces termes. Ce qu’elle décrit, c’est un pipeline de génération de candidats et de classement qui s’exécute par membre, par session. L’engagement précoce compte plausiblement, car il modifie ce que le modèle a observé, mais les seuils horaires bien nets que l’on cite couramment ne sont pas sourcés.
Croyance des praticiens : l’idée que les liens externes réduiraient la portée. Voir ci‑dessous.
Mythes que cela démolit
« L’algorithme déteste les liens. » C’est l’affirmation la plus répétée à propos de LinkedIn et elle n’a jamais été confirmée par LinkedIn. Il n’existe aucune déclaration publiée indiquant qu’une publication contenant une URL est rétrogradée. Ce qui est plausible, et cohérent avec la propre description que fait LinkedIn du classement sur le temps passé et l’engagement, c’est qu’une publication qui envoie les gens hors de la plateforme en accumule moins des deux. C’est une conséquence, pas une pénalité, et la solution consiste à écrire une publication qui vaut la peine d’être lue par elle‑même plutôt qu’à cacher le lien dans les commentaires.
Les shadowbans. Aucun mécanisme confirmé. LinkedIn restreint bel et bien des comptes et retire du contenu au titre de ses règles, et vous en informe quand c’est le cas. Une chute de portée inexpliquée est plus souvent liée à un changement dans ce que vous avez publié. Voir ce qu’est réellement un shadowban.
Les pods d’engagement. Sans fondement en tant que stratégie et directement en contradiction avec l’architecture publiée. Si les compteurs d’engagement entrent dans le classement sous forme de tranches de percentile, un pod vous achète au mieux le franchissement d’un seuil de tranche. Pire, l’engagement d’un pod provient de personnes dont l’historique d’interactions ne correspond pas à votre audience cible, exactement le type de signal dont apprend un modèle séquentiel.
L’heure de publication est décisive. Exagéré. L’audience de LinkedIn est concentrée sur les heures de travail, le plancher est donc réel, mais un décalage d’une heure n’est pas ce qui sépare une publication qui décolle d’une autre qui ne décolle pas. Notre guide meilleur moment pour publier sur LinkedIn et l’outil d’horaire de publication LinkedIn gèrent le calcul des fuseaux horaires. La régularité compte davantage, couverte dans à quelle fréquence publier sur LinkedIn.
Ce qui fait vraiment bouger la diffusion, par ordre de priorité
- Si les gens s’arrêtent et lisent. Le temps passé est une entrée documentée. Les deux premières lignes avant le repli « voir plus » en décident.
- Les commentaires de fond. Ce sont des signaux actifs et ils prolongent la vie d’une publication.
- La clarté thématique. La récupération sémantique fait correspondre du sens, donc une publication sur un sujet clair est plus facile à router qu’une publication sur quatre sujets.
- La pertinence par rapport aux intérêts réels de votre réseau. Le modèle est construit à partir de la propre séquence d’interactions de chaque spectateur.
- Les republications et partages avec commentaire.
- La régularité. Ce n’est pas un signal de classement. C’est ce qui vous permet d’obtenir assez d’échantillons pour apprendre quoi que ce soit.
Que faire
Écrivez la publication de sorte que les deux premières lignes justifient le clic sur « voir plus ». Dites une seule chose. Répondez aux commentaires, car les réponses sont un engagement actif venant exactement de l’audience que le modèle observe. Placez le lien là où il se lit naturellement.
Programmer LinkedIn aux côtés de tout le reste
La régularité est la partie de tout cela que vous pouvez systématiser. BulkPublish programme les profils personnels LinkedIn et les pages d’entreprise depuis le même calendrier que les 14 autres plateformes, avec une file d’attente par canal pour qu’une publication LinkedIn n’ait pas à suivre le calendrier d’Instagram. La page de la fonctionnalité calendrier en montre la disposition.
Les parties que vous contrôlez
Le format, l’accroche, la régularité. LinkedIn vous en a dit plus sur sa mécanique que la plupart des plateformes, et la conclusion honnête de cette lecture est que cette mécanique récompense surtout une publication pour laquelle les gens s’arrêtent réellement. Ce n’est pas une astuce, et il n’en existe aucune version que vous pouvez acheter.