AI na LinkedIn bez utraty zasięgów - jak tworzyć treści, którym ufają odbiorcy B2B
LinkedIn nie wypowiedział wojny sztucznej inteligencji. Wypowiedział wojnę treściom, za którymi nie stoi rozpoznawalny autor, doświadczenie ani punkt widzenia.
To ważna różnica. Problemem nie jest użycie AI do researchu, porządkowania materiału czy korekty tekstu. Zaczyna się wtedy, gdy narzędzie przejmuje cały proces — od pomysłu po publikację — a ekspert tylko klika „generuj”.
Ryzyko przestało być teoretyczne. LinkedIn poinformował, że każdego dnia wykrywa setki tysięcy prób automatycznego publikowania komentarzy, a w ciągu kilku miesięcy zablokował miliardy zautomatyzowanych działań. Ponad milion użytkowników skorzystało też z opcji zgłaszania treści jako „AI slop”. Według platformy widoczność materiałów sklasyfikowanych w ten sposób spadła o 40%. (news.linkedin.com)
Dla zespołów B2B oznacza to zmianę reguł gry. Publikowanie większej liczby poprawnych postów nie jest już przewagą. Przewagą staje się treść, której konkurent nie mógłby opublikować pod własnym nazwiskiem.
LinkedIn nie ocenia tylko stylu. Ocenia wartość perspektywy
Najbardziej ryzykowna interpretacja obecnych zmian brzmi: „Musimy lepiej ukrywać, że korzystamy z AI”.
To prowadzi donikąd.
Można usunąć charakterystyczne sformułowania, ograniczyć liczbę emoji i zrezygnować ze schematycznych konstrukcji. Jeśli jednak tekst nadal nie zawiera własnej obserwacji, szczegółu z projektu ani decyzji, której autor potrafi obronić, pozostanie generyczny.
LinkedIn definiuje „AI slop” szerzej niż treść wygenerowaną przez model. Do tej kategorii zalicza materiały:
niskonakładowe,
powtarzalne lub wtórne,
pozbawione wyraźnego punktu widzenia,
projektowane głównie po to, by przechwycić uwagę,
brzmiące profesjonalnie, ale niewnoszące niczego do rozmowy.
Platforma deklaruje również, że materiały wyglądające na wygenerowane przez AI i pozbawione własnej perspektywy mają mniejszą szansę na dystrybucję poza bezpośrednią siecią autora. W początkowych testach jej systemy miały prawidłowo rozpoznawać generyczne treści w 94% przypadków. (news.linkedin.com)
To zmienia funkcję firmowego contentu. Post nie powinien tylko „omawiać tematu”. Powinien pokazywać, że autor:
pracował nad podobnym problemem,
podjął konkretną decyzję,
zaobserwował nieoczywisty wzorzec,
potrafi wskazać wyjątek od popularnej reguły,
ma stanowisko, którego nie da się wygenerować na podstawie pierwszych wyników wyszukiwania.
Ekspertyza musi być widoczna w materiale, a nie jedynie dopisana do stanowiska autora.
Potwierdzają to także dane dotyczące zachowań odbiorców. W badaniu obejmującym ponad 134 tys. postów materiały brzmiące jak napisane przez AI uzyskiwały średnio o 21% niższe zaangażowanie niż pozostałe posty tego samego autora w tym samym roku. Autorzy badania nie twierdzą, że jest to bezpośrednia kara algorytmiczna. Wskazują raczej, że czytelnicy słabiej reagują na teksty, które brzmią jak wygenerowane. (ligosocial.com)
Granica przebiega między asystą a autopilotem
LinkedIn sam rozwija funkcje wykorzystujące sztuczną inteligencję. AI może pomagać użytkownikom w redagowaniu profilu, tworzeniu wersji roboczych wiadomości, analizowaniu treści czy przetwarzaniu materiałów wideo. Platforma nie odrzuca więc technologii. Chce ograniczyć jej użycie tam, gdzie automatyzacja zastępuje człowieka i produkuje masowe, pozorne zaangażowanie.
W praktyce istnieją trzy modele wykorzystania AI.
AI jako asystent
To najbezpieczniejszy model. Narzędzie wspiera proces, ale nie przejmuje autorstwa.
Może:
uporządkować notatki ze spotkania,
zaproponować pytania do eksperta,
znaleźć luki w argumentacji,
skrócić zbyt długie zdania,
poprawić gramatykę,
przygotować kilka wariantów struktury,
wskazać fragmenty brzmiące zbyt ogólnie.
Człowiek pozostaje właścicielem tezy, przykładów, oceny sytuacji i ostatecznej wersji tekstu.
AI jako ghostwriter
W tym modelu narzędzie otrzymuje temat, kilka zdań kontekstu i polecenie napisania „angażującego posta na LinkedIn”.
Rezultat często wygląda poprawnie, ale opiera się na przewidywalnym schemacie:
szeroki, dramatyczny hook,
ogólna obserwacja,
lista porad,
sztuczny kontrast,
banalny wniosek,
pytanie mające wywołać komentarze.
Tekst może nie zawierać błędów, ale nie zawiera też autora. To właśnie ten model coraz bardziej zagraża zasięgom i reputacji.
AI jako automat publikacyjny
Najdalej idzie model, w którym narzędzia samodzielnie generują, publikują i komentują treści w imieniu użytkownika.
LinkedIn jednoznacznie uznaje zautomatyzowane komentarze publikowane przez rozszerzenia, skrypty i zewnętrzne narzędzia za niedozwolone. Platforma może ograniczać ich widoczność, usuwać je z sekcji najtrafniejszych komentarzy oraz ograniczać funkcje konta. Podobne ryzyko dotyczy engagement pods i skoordynowanego, sztucznego wzmacniania publikacji. (news.linkedin.com)
Także polityka LinkedIn dla rozwiązań wykorzystujących dane z Marketing API wymaga zachowania udziału użytkownika. Jeśli treść ma zostać opublikowana w jego imieniu, powinien mieć możliwość jej wcześniejszej edycji. Polityka wskazuje również na konieczność ograniczania automatycznego publikowania treści wygenerowanych przez AI bez udziału użytkownika. (learn.microsoft.com)
Najprostsza zasada brzmi: automatyzuj przygotowanie materiału, ale nie automatyzuj odpowiedzialności za publikację.
Workflow do wdrożenia: AI na początku i końcu, ekspert w środku
Skuteczny proces nie polega na rezygnacji z AI. Polega na przypisaniu mu właściwej roli.
Etap researchu: nie pytaj AI, co opublikować
Zamiast polecenia:
Napisz post o najczęstszych błędach w transformacji cyfrowej.
poproś narzędzie o przygotowanie zaplecza do rozmowy z ekspertem:
Jakie pytania pomogą wydobyć nieoczywiste doświadczenia z projektu?
Które fragmenty tej tezy wymagają danych lub przykładów?
Jakie kontrargumenty może zgłosić dyrektor operacyjny?
Gdzie odbiorca może uznać temat za zbyt ogólny?
Jakie informacje od autora są potrzebne, aby tekst był wiarygodny?
AI nie tworzy wtedy stanowiska. Pomaga znaleźć miejsca, w których powinien pojawić się punkt widzenia autora.
Etap pozyskiwania wiedzy: zbierz materiał, którego model nie zna
Najcenniejszy wkład eksperta zwykle nie powstaje podczas pisania, lecz podczas rozmowy.
Wystarczy 20 lub 30 minut dobrze poprowadzonego wywiadu, aby wydobyć:
decyzję podjętą pod presją,
fragment rozmowy z klientem,
błędne założenie z początku projektu,
wskaźnik, który zmienił kierunek działań,
rezultat sprzeczny z oczekiwaniami,
opinię, z którą część rynku się nie zgodzi,
przykład sytuacji, w której popularna praktyka nie zadziałała.
Zamiast pytać eksperta: „Co sądzisz o AI w marketingu?”, zapytaj:
Kiedy ostatnio odrzuciłeś rekomendację wygenerowaną przez AI?
Co narzędzie przeoczyło?
Jakie dane lub doświadczenie pozwoliły Ci to zauważyć?
Co stałoby się, gdyby zespół bezrefleksyjnie zastosował tę rekomendację?
Jaką zasadę stosujesz po tym doświadczeniu?
To właśnie odpowiedzi na takie pytania tworzą treść z prawem własności.
Etap draftu: człowiek buduje argument
Pierwsza wersja nie musi być elegancka. Powinna jednak zawierać trzy elementy:
Tezę — co autor naprawdę uważa.
Dowód — na jakim doświadczeniu, przykładzie lub obserwacji opiera swoją opinię.
Konsekwencję — co odbiorca powinien zrobić inaczej.
Przykład wersji generycznej:
Firmy powinny ostrożnie podchodzić do automatyzacji marketingu. Technologia może zwiększyć efektywność, ale ważne jest zachowanie ludzkiego podejścia.
Taki fragment może opublikować każda firma.
Wersja po dodaniu ekspertyzy:
W jednym z projektów zautomatyzowaliśmy kwalifikację leadów, zanim zespół sprzedaży uzgodnił definicję dobrej szansy. System działał zgodnie z konfiguracją, ale kierował uwagę handlowców na niewłaściwe konta. Problemem nie była technologia. Zautomatyzowaliśmy decyzję, której wcześniej nie potrafiliśmy jasno opisać.
Druga wersja działa, ponieważ zawiera sytuację, napięcie i wniosek wynikający z praktyki. AI może pomóc ją skrócić. Nie powinno jednak wymyślać doświadczenia, którego autor nie miał.
Etap redakcji: AI poprawia tekst, nie osobowość
Po przygotowaniu merytorycznego draftu można użyć AI do:
skrócenia powtórzeń,
wykrycia niejasnych sformułowań,
poprawy kolejności argumentów,
podziału długich akapitów,
korekty językowej,
przygotowania kilku krótszych wersji hooka.
Warto stosować polecenia ograniczające zakres ingerencji:
Popraw czytelność tekstu, ale nie dodawaj nowych argumentów, przykładów, metafor ani wniosków. Zachowaj moje słownictwo i stanowisko. Wskaż każdą zmianę, która może zmienić znaczenie.
Takie podejście jest zbieżne z kierunkiem obranym przez LinkedIn. Platforma zastępuje funkcję szerokiego „ulepszania” postów narzędziem skoncentrowanym na korekcie i klarowności, bez przepisywania głosu autora. (news.linkedin.com)
Etap publikacji: człowiek zatwierdza i odpowiada
Przed publikacją autor powinien przeczytać całość i odpowiedzieć na trzy pytania:
Czy naprawdę podpisałbym się pod każdym zdaniem?
Czy potrafiłbym rozwinąć ten argument podczas rozmowy z klientem?
Czy w tekście znajduje się coś, czego AI nie mogło wiedzieć bez mojego udziału?
Jeśli odpowiedź na ostatnie pytanie brzmi „nie”, materiał nadal wymaga pracy.
Ta sama zasada dotyczy komentarzy. AI może pomóc uporządkować odpowiedź, ale komentarz powinien wynikać z faktycznego przeczytania posta. Powinien też wnosić nową perspektywę, a nie powtarzać główną myśl autora innymi słowami.
Test anty-slop przed każdą publikacją
Redakcje B2B potrzebują bardziej wymagającego standardu niż poprawność językowa. Przed zatwierdzeniem materiału warto przeprowadzić pięć testów.
Test podmiany logo
Usuń nazwę firmy, produktu i autora.
Czy ten sam tekst mógłby opublikować konkurent bez zmiany pozostałych zdań?
Jeśli tak, materiał jest zbyt ogólny.
Test dowodu
Zaznacz każde zdanie zawierające rekomendację.
Następnie sprawdź, czy za rekomendacją stoi:
przykład,
obserwacja,
liczba,
mechanizm przyczynowy,
jasno opisane doświadczenie.
Jeżeli tekst oferuje pięć porad i żadnego dowodu, przypomina wygenerowane streszczenie tematu, a nie wypowiedź eksperta.
Test rozmowy
Przeczytaj post na głos.
Czy autor powiedziałby to samo podczas spotkania z klientem? Czy użyłby identycznych konstrukcji? Czy rzeczywiście zakończyłby rozmowę pytaniem „A jakie są Wasze doświadczenia?”?
Jeżeli tekst brzmi jak przemówienie, którego nikt nie wygłosiłby na głos, wymaga uproszczenia.
Test ceny opinii
Każdy rozpoznawalny punkt widzenia coś kosztuje. Może wymagać zakwestionowania branżowej praktyki, przyznania się do błędu albo postawienia warunku, który ogranicza prostotę przekazu.
Zapytaj:
Z czym autor się nie zgadza?
Kiedy jego rekomendacja nie działa?
Co odradziłby klientowi, nawet gdyby oznaczało to mniejszy projekt?
Jaki kompromis trzeba zaakceptować?
Jeżeli opinia nie ma żadnej ceny, prawdopodobnie jest bezpiecznym banałem.
Test reakcji eksperta
Przekaż gotowy materiał autorowi i poproś nie o akceptację, lecz o zakwestionowanie treści:
Które zdanie jest zbyt uproszczone?
Gdzie brakuje kontekstu?
Co powiedziałby sceptyczny klient?
Którego fragmentu nie da się obronić?
Co brzmi jak język marketingu, a nie Twoja opinia?
To znacznie skuteczniejszy proces niż pytanie: „Czy post może iść?”.
Jak skalować content bez skalowania przeciętności
Zespoły marketingowe korzystają z AI, ponieważ muszą tworzyć więcej materiałów przy ograniczonych zasobach. Odpowiedzią nie powinien być powrót do całkowicie ręcznego procesu. Trzeba rozdzielić zadania, które można skalować, od tych wymagających ludzkiego osądu.
Można automatyzować:
transkrypcję rozmów,
kategoryzację notatek,
wyszukiwanie powtarzających się tematów,
przygotowanie listy pytań,
tworzenie wariantów struktury,
korektę językową,
adaptację zaakceptowanej treści do innych formatów.
Nie należy automatyzować:
wyboru stanowiska,
interpretacji doświadczeń,
tworzenia rzekomych historii klientów,
publikowania bez zatwierdzenia,
komentowania w imieniu eksperta,
sztucznego wzmacniania zaangażowania,
generowania pozornych dyskusji pomiędzy kontami.
Warto też zmienić sposób oceny efektywności. Sama liczba opublikowanych postów nie mówi, czy system buduje pozycję ekspercką.
Lepszy zestaw wskaźników obejmuje:
odsetek postów zawierających doświadczenie z pierwszej ręki,
liczbę merytorycznych komentarzy, a nie wszystkich reakcji,
liczbę rozmów handlowych nawiązujących do konkretnej publikacji,
zapisy i udostępnienia materiałów,
udział ekspertów w procesie tworzenia treści,
liczbę powracających tematów przypisanych do określonego autora.
Skalować należy system wydobywania wiedzy, a nie produkcję kolejnych wersji tego samego posta.
Przez ostatnie lata AI obniżyło koszt wytworzenia tekstu. W efekcie sam tekst przestał być rzadkim zasobem. Rzadkie pozostają doświadczenie, odwaga interpretacji i odpowiedzialność za wypowiedziane słowa.
To dobra wiadomość dla firm, które naprawdę mają wiedzę. Nie muszą konkurować z automatami liczbą publikacji. Muszą zbudować proces, który zamienia codzienne decyzje ekspertów w treści niemożliwe do skopiowania.
AI może przyspieszyć ten proces. Nie może jednak zająć miejsca osoby, której odbiorca ma zaufać.
