Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com28. Juli 2026 · Q011026

41% of LinkedIn Posts Are Fully AI. The Feed Was Built to Reward Them.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor führt den hohen Anteil KI-generierter LinkedIn-Beiträge auf niedrige Produktionskosten und ein Ranking zurück, das laut seiner Einschätzung gut strukturierte, typische Texte begünstigen könnte. Er bezweifelt, dass LinkedIns geplante Klassifizierung „origineller“ Beiträge verlässlich ist, und warnt vor Fehlmarkierungen und undurchsichtiger Reichweitenbegrenzung. Die genannten Studienwerte seien wegen möglicher Erkennungsfehler, kommerzieller Interessen und einer nicht zufälligen Stichprobe nur eingeschränkt belastbar.

Mittel

Der Beitrag fragt, warum LinkedIn laut Studien besonders viele vollständig KI-generierte Beiträge enthält und ob die geplante Gegenmaßnahme helfen wird. Pangram Labs zufolge waren 41 Prozent der untersuchten LinkedIn-Langbeiträge KI-generiert; bei Originality.ai lag der Anteil in einer anderen Stichprobe bei 53,7 Prozent. Der Autor erklärt den Trend mit gesunkenen Produktionskosten bei gleichbleibender Aufmerksamkeit. Er berichtet außerdem, dass KI-Beiträge in Motivations- und Führungsthemen stärkeres Engagement erzielt hätten, während menschliche Beiträge in mehreren praxisnahen Bereichen besser abschnitten.

LinkedIn wolle generische Beiträge und automatisierte Kommentare erkennen und deren Reichweite einschränken. Dafür sollen Mitarbeitende Beiträge als originell oder generisch markieren. Der Autor bezweifelt, dass sich Originalität zuverlässig klassifizieren lässt, und warnt vor Fehlentscheidungen, unsichtbarer Reichweitenbegrenzung und einem dauernden Wettlauf mit neuen Modellen. Auch ein Ranking durch Sprachmodelle könne nach seiner Einschätzung typische Texte gegenüber eigenwilligen Stimmen begünstigen. Das 360Brew-Papier, auf das sich viele Darstellungen stützten, sei zurückgezogen; öffentlich verfügbar sei nur das Abstract.

Die Zahlen sind mit Vorsicht zu lesen: Erkennung ist fehleranfällig, beide Studien stammen von Anbietern solcher Erkennung, und Pangrams Stichprobe war nicht zufällig. Der Autor empfiehlt deshalb überprüfbare Erfahrungen und konkrete Belege als Wert von Texten.

Ausführlich lesen

Der Beitrag untersucht, warum laut zwei Studien viele LinkedIn-Beiträge vollständig KI-generiert sind und weshalb der Autor Zweifel an LinkedIns angekündigter Gegenmaßnahme hat. Die zentrale These: KI hat die Kosten der Texterstellung stark gesenkt, während die verfügbare Aufmerksamkeit gleich blieb. Dadurch wächst das Angebot, und das Ranking entscheidet stärker darüber, welche Beiträge Sichtbarkeit erhalten. Der Autor meint, menschlicher Aufwand habe zuvor nebenbei als Mengenbegrenzung und Qualitätsfilter gewirkt.

Als Belege nennt der Beitrag eine im Juli 2026 veröffentlichte Analyse von Pangram Labs: 41 Prozent der untersuchten LinkedIn-Langbeiträge über 250 Wörter seien als vollständig maschinell erstellt eingestuft worden; bei kürzeren Beiträgen seien es 30 Prozent. Medium liege bei Langbeiträgen bei 31 Prozent, X bei 29, Reddit bei 13 und Substack bei 10 Prozent. Außerdem verweist der Autor auf eine Analyse von Originality.ai mit 3.368 Beiträgen aus 99 einflussreichen Profilen: 53,7 Prozent seien wahrscheinlich KI-generiert gewesen. Die berichteten Engagementwerte unterscheiden sich nach Themenfeld: In „Leadership and Inspiration“ hätten maschinell verfasste Beiträge besser abgeschnitten, in mehreren informations- oder praxisbezogenen Feldern dagegen menschlich verfasste. Der Autor deutet das so, dass generische Texte besonders dort erfolgreich seien, wo der Informationsgehalt ohnehin gering sei. Die Stichprobe habe zudem für Architektur und Design einen KI-Anteil von 100 Prozent ergeben.

Der Beitrag beschreibt auch LinkedIns Rankingmodell 360Brew. Ein Forschungspapier von 2025 habe ein Modell mit 150 Milliarden Parametern vorgestellt, das laut Abstract mehr als 30 Vorhersageaufgaben abdecke. Der Autor betont jedoch, dass sämtliche Fassungen des Papiers zurückgezogen worden seien, weil die Einreichenden nicht zur Zustimmung zur Lizenz berechtigt gewesen seien; verfügbar sei weiterhin nur das Abstract. Daraus leitet er als eigene technische Einschätzung ab, dass ein Sprachmodell, das Beiträge bewertet, typische, gut erkennbare Texte gegenüber ungewöhnlichen Stimmen begünstigen könnte. Er stellt dies als strukturelles Risiko dar, nicht als nachgewiesene Absicht LinkedIns.

Laut der im Beitrag wiedergegebenen Beschreibung plant LinkedIn Klassifikatoren gegen generische Beiträge und automatisierte Kommentare sowie eine Herabstufung bestimmter aufmerksamkeitsheischender Videos. Mitarbeitende sollen Beiträge als originell oder generisch kennzeichnen, um die Modelle zu trainieren. Der Autor hält „Originalität“ für schwer objektiv messbar und warnt vor Fehlklassifikationen, stiller Reichweitenbegrenzung ohne Einspruchsmöglichkeit und einem Wettlauf mit immer neuen Textgeneratoren. Auch die geschäftlichen Anreize bewertet er skeptisch, da LinkedIn die Erstellungshilfen anbiete und Microsoft Copilot verkaufe.

Der Autor nennt wichtige Einschränkungen der Studien: KI-Erkennung sei probabilistisch und könne besonders klare oder formelhafte menschliche Texte sowie Nichtmuttersprachler fälschlich markieren. Beide Studien stammten von Unternehmen mit kommerziellem Interesse an KI-Erkennung; Pangrams Browser-Erweiterungsstichprobe sei nicht zufällig. Deshalb seien die exakten Prozentwerte unsicherer als die behauptete Richtung des Trends. Als praktische Folgerung empfiehlt der Beitrag belegbare, überprüfbare Erfahrungen und konkrete Details, die sich nicht allein aus einer Überschrift ableiten lassen. Seine Schlussfolgerung bleibt eine Einschätzung: Der Feed sei schlechter geworden, und die vorgeschlagene Lösung könne ein neues Problem schaffen, indem sie einer internen Bewertungsinstanz Macht über die Verbreitung von Ideen gebe.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung bezieht sich auf die mittlere Zusammenfassung, weil sie die meisten Aussagen des Berichts wiedergibt. Die kurze Fassung und der unbeschriftete Absatz sind inhaltlich zutreffend, aber knapper, und enthalten keine Angaben, die im Bericht fehlen.

Im Bericht, aber nicht in der Zusammenfassung

  • Medium liegt laut Pangram bei 31 Prozent KI-Anteil bei Langbeiträgen
  • LinkedIn-Verantwortliche nennen einen Anstieg der Inhaltserstellung um 14 Prozent im Jahresvergleich
  • Geflaggte Beiträge werden nicht gelöscht, sondern in der Reichweite gedrosselt, oft bis auf die Verbindungen ersten Grades
  • Architektur und Design erreichen in der Originality-Studie 100 Prozent maschinell geschriebene Beiträge
  • Erkennung trifft Nicht-Muttersprachler mit sorgfältigem Englisch überproportional häufig
  • Interessenkonflikt: LinkedIn verkauft mit dem Generator-Knopf und Microsoft Copilot selbst die Inhalte, deren Erkennung es bauen will
  • Die Zeitersparnis von etwa zwanzig Minuten auf vier Sekunden pro Beitrag als zentrales Argument für den Kostenkollaps

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 38 %gleiches Oberthema, hilft nicht
    • JEV 29 %beantwortet teilweise oder widerspricht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 26 %gleiches Oberthema, hilft nicht
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 63 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 36 %gleiches Oberthema, hilft nicht
    • Luna 53 %Hintergrund, keine Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV 52 %beantwortet direkt und ausführlich
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V4-T04 Wenn ein Eigenwert des Menschseins verankert werden soll: Lässt er sich schützen, ohne sich vorher zu einigen, worin er besteht? Luna: Stufe 4 · 30 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 70 %Hintergrund, keine Belege
    • JEV 34 %beantwortet teilweise oder widerspricht
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 47 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 42 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 28 %gleiches Oberthema, hilft nicht
    • Luna 60 %Hintergrund, keine Belege
    • JEV 36 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 21 %einzelne zitierbare Belege
    • Luna 57 %einzelne zitierbare Belege
    • JEV 45 %beantwortet teilweise oder widerspricht
    • amos 32 %umfangreiche Belege
    • SubQ 44 %umfangreiche Belege
    • drex 33 %beantwortet direkt und ausführlich
    • d3-ultra 29 %umfangreiche Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-I1-T03 Wenn KI-erzeugte Einflussnahme vor allem über gemeinsam genutzte Systeme für Empfehlungen, Rangfolgen, Werbung und Nutzerbindung wirkt und nicht über die Ausgabe eines einzelnen Modells: Welche gemeinsame Messung, welche Vorfallschwelle und welcher abgestimmte Reaktionsablauf sollten gelten, ohne dass Plattformaufsicht zur Zensur von Meinungen wird? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →