Ninguém fora do LinkedIn conhece a função de classificação. O LinkedIn é incomum, no entanto, porque sua equipe de engenharia publica artigos sobre a maquinaria. Isso dá a você uma arquitetura, não uma fórmula, e as duas coisas costumam ser confundidas.
A resposta curta: o LinkedIn divide o problema em recuperação (quais publicações sequer se tornam candidatas) e classificação (em que ordem elas aparecem), e a partir de 2026 as duas etapas são orientadas por modelos, não por regras.
O que o LinkedIn diz que otimiza
Em “Engineering the next generation of LinkedIn’s Feed”, publicado em 12 de março de 2026, a Engenharia do LinkedIn descreve a substituição de várias fontes de recuperação separadas por um único sistema de recuperação semântica construído sobre um modelo de linguagem de codificador duplo, e a substituição da etapa de classificação por um transformer sequencial que chama de Generative Recommender.
A divisão declarada, na formulação do LinkedIn: “a recuperação determina quais publicações chegam à etapa de classificação, a classificação determina o que um membro realmente vê.”
O modelo de classificação lê o histórico de um membro em ordem, processando mais de 1.000 interações passadas com atenção causal, o que significa que nunca olha para frente. É importante notar que o LinkedIn afirma que o treinamento foi filtrado para publicações que receberam engajamento positivo, descartando itens apenas rolados sem interação.
Nota: os números aqui foram verificados no post do blog da Engenharia do LinkedIn “Engineering the next generation of LinkedIn’s Feed” (12 de março de 2026) e em um post anterior da mesma equipe sobre tempo de permanência no feed, em setembro de 2026. As plataformas mudam esses dados sem aviso.
Em quais sinais o LinkedIn se baseia para classificar?
Ordenados pela ênfase dada nos próprios textos do LinkedIn.
| Grupo de sinais | O que o LinkedIn cita | Notas |
|---|---|---|
| Engajamento ativo | Curtidas, comentários, compartilhamentos, tempo de leitura estendido | Os sinais positivos com os quais o modelo de classificação é treinado |
| Comportamento passivo | Tempo de permanência, rolar a tela sem interagir | A Engenharia do LinkedIn tem um artigo dedicado ao tempo de permanência como entrada de classificação |
| Sequência de suas interações | Mais de 1.000 interações anteriores, em ordem | A entrada principal do Generative Recommender |
| Correspondência semântica | Embeddings de LLM do membro e da publicação, comparados por similaridade de cosseno | Decide a candidatura, antes da classificação |
| Contexto do perfil | Setor, habilidades, localização | Usado como características |
| Contagens de engajamento | Codificadas como faixas de percentil em vez de números brutos | Reduz a vantagem de contas muito grandes |
| Recência | Sinais de recência explícitos | Presente, mas não descrita como dominante |
O detalhe das faixas de percentil é a informação mais útil dessa lista. Ele sugere que o LinkedIn deliberadamente não alimenta contagens brutas de seguidores ou curtidas na classificação, o que é o oposto de como a maioria das pessoas descreve a plataforma.
O que mudou mais recentemente
Declarado pelo LinkedIn: a reconstrução de recuperação e classificação, em março de 2026. Tempo de permanência como entrada explícita de classificação, publicado anteriormente pela mesma equipe.
Amplamente divulgado, não confirmado: a alegação de que o LinkedIn testa uma publicação em uma pequena fatia da sua rede e expande a partir daí (“a hora de ouro”). A Engenharia do LinkedIn não descreve um lançamento em etapas nesses termos. O que ela descreve é um pipeline de geração de candidatos e classificação que roda por membro, por sessão. É plausível que o engajamento inicial importe, porque muda o que o modelo já viu, mas os limiares de hora arredondados que as pessoas citam não têm fonte.
Heurística de profissionais da área: a crença de que links externos suprimem o alcance. Veja abaixo.
Mitos que isso derruba
“O algoritmo odeia links.” Essa é a alegação mais repetida sobre o LinkedIn e nunca foi confirmada pelo LinkedIn. Não há declaração publicada de que uma publicação contendo uma URL é rebaixada. O que é plausível, e coerente com a própria descrição do LinkedIn sobre classificação por tempo de permanência e engajamento, é que uma publicação que manda as pessoas para fora da plataforma acumula menos dos dois. Isso é uma consequência, não uma penalidade, e a solução é escrever uma publicação que valha a pena ler por si só, em vez de esconder o link nos comentários.
Shadowban. Nenhum mecanismo confirmado. O LinkedIn de fato restringe contas e remove conteúdo segundo suas políticas, e avisa quando faz isso. Uma queda de alcance inexplicada é mais frequentemente uma mudança no que você publicou. Veja o que é um shadowban de verdade.
Grupos de engajamento (pods). Sem fundamento como estratégia e diretamente em conflito com a arquitetura publicada. Se as contagens de engajamento entram na classificação como faixas de percentil, um pod compra no máximo o limite de uma faixa. Pior, o engajamento de pods vem de pessoas cujo histórico de interação não corresponde ao seu público-alvo, exatamente o sinal com o qual um modelo sequencial aprende.
O horário da publicação é decisivo. Exagerado. O público do LinkedIn está concentrado no horário comercial, então o piso é real, mas uma mudança de uma hora não é o que separa uma publicação que viraliza de uma que não viraliza. Nosso guia de melhor horário para publicar no LinkedIn e a ferramenta de horário de publicação do LinkedIn cuidam da matemática de fuso horário. A cadência importa mais, coberta em com que frequência postar no LinkedIn.
O que realmente move a distribuição, em ordem de prioridade
- Se as pessoas param e leem. O tempo de permanência é uma entrada documentada. As duas primeiras linhas antes da dobra do “ver mais” decidem isso.
- Comentários com substância. São sinais ativos e estendem a vida de uma publicação.
- Clareza temática. A recuperação semântica combina significado, então uma publicação sobre uma coisa clara é mais fácil de rotear do que uma publicação sobre quatro.
- Relevância para os interesses reais da sua rede. O modelo é construído a partir da sequência de interações de cada visualizador.
- Republicações e compartilhamentos com comentário.
- Consistência. Não é um sinal de classificação. É como você consegue amostras suficientes para aprender qualquer coisa.
O que fazer
Escreva a publicação de modo que as duas primeiras linhas valham o clique em “ver mais”. Diga uma única coisa. Responda aos comentários, porque respostas são engajamento ativo vindo exatamente do público que o modelo está observando. Coloque o link onde ele fizer sentido naturalmente.
Agendando o LinkedIn junto com tudo o mais
A cadência é a parte disso que você pode sistematizar. O BulkPublish agenda perfis pessoais e páginas de empresa do LinkedIn no mesmo calendário das outras 14 plataformas, com uma fila por canal, de modo que uma publicação no LinkedIn não precise seguir o cronograma do Instagram. A página do recurso de calendário mostra o layout.
As partes que você controla
Formato, gancho, consistência. O LinkedIn contou mais sobre sua maquinaria do que a maioria das plataformas, e a conclusão honesta ao ler isso é que a maquinaria, no fim das contas, recompensa uma publicação pela qual as pessoas realmente param. Isso não é um truque, e não existe versão disso que você possa comprar.