TL;DR (dla skanujących): LinkedIn nie podkręcił algorytmu – wyrzucił go i zbudował od zera. 12 marca 2026 opublikował techniczny opis nowego feedu: zamiast pięciu osobnych systemów liczących lajki, hashtagi i bliskość w sieci, działa teraz jeden model językowy (LLM), który czyta znaczenie Twoich treści i Twojego profilu. W sieci nazywa się to 360Brew. Skutek: zasięgi większości ludzi spadły, treść rozchodzi się po tematach, a nie po znajomych, a Twój nagłówek na profilu stał się częścią każdego posta, jaki publikujesz. Niżej tłumaczę, co jest twardym faktem, co mitem, i co konkretnie zrobić, żeby model znów Cię pokazywał.
Kluczowe fakty:
- 12 marca 2026 roku LinkedIn oficjalnie ogłosił zastąpienie całej dotychczasowej infrastruktury rekomendacji jednym zunifikowanym systemem opartym na modelach językowych (LLM), obsługującym ponad 1,3 miliarda użytkowników. System ten nosi nazwę 360Brew i został opisany w szczegółowym wpisie na firmowym blogu inżynierskim.
- Stary algorytm działał na zasadzie licznika punktów – lajki, komentarze i szybkie reakcje w pierwszej godzinie przekładały się bezpośrednio na zasięg. Nowy system zamiast liczyć zaangażowanie, analizuje semantyczne znaczenie treści i profilu użytkownika.
- Konsekwencją zmiany jest spadek zasięgów większości twórców, dystrybucja treści według tematów (a nie sieci znajomych) oraz włączenie nagłówka z profilu użytkownika jako elementu kontekstu każdego publikowanego posta.
Twój zasięg spadł. Posty, które rok temu robiły kilka tysięcy wyświetleń, teraz ledwo łapią kilkaset. I pewnie chodzi Ci po głowie jedno pytanie: „co ja robię źle?”.
Odpowiedź jest wyzwalająca: prawdopodobnie nic. Zmieniła się maszyna, która Cię czyta.
A właściwie – i to jest sedno – przestała Cię liczyć, a zaczęła czytać. Przez kilkanaście lat algorytm LinkedIna działał jak tablica wyników: lajk to punkt, komentarz to więcej punktów, szybkie reakcje w pierwszej godzinie to mnożnik. Im więcej punktów ubijesz na starcie, tym szerszy zasięg. Cała „wiedza ekspercka” o LinkedIn sprowadzała się do ogrywania tego licznika.
W 2026 ten licznik przestał rządzić. Rozłóżmy to spokojnie, bo wokół tematu narosło tyle mitów, że trudno odróżnić fakt od marketingowej legendy.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Co właściwie zrobił LinkedIn?
Krótka odpowiedź: 12 marca 2026 LinkedIn ogłosił, że zastąpił całą swoją wieloletnią maszynerię rekomendacji jednym, zunifikowanym systemem opartym na modelach językowych i kartach GPU – obsługującym ponad 1,3 miliarda użytkowników. Nie była to aktualizacja, a wymiana silnika na chodzie.
Źródłem nie są domysły z LinkedIna, tylko oficjalny wpis na firmowym blogu inżynierskim, autorstwa Hristo Danchewa (TPM Tech Lead), wsparty dwoma pracami naukowymi zespołu AI LinkedIna. To najbardziej szczegółowe ujawnienie mechaniki rankingu w historii platformy.
Stary system to był, mówiąc po ludzku, patchwork – pięć niezależnych potoków działających równolegle: feed chronologiczny ze znajomości, trendy filtrowane geograficznie, collaborative filtering (czyli „skoro podobni do Ciebie to lubili, to Ty też”), moduły branżowe i kilka systemów opartych na embeddingach. Każdy miał własną infrastrukturę. Żaden zespół nie potrafił optymalizować wszystkiego naraz.
Nowy system to dwa elementy. Zanim je opiszę – słowniczek, bo bez tego dalej będzie mgła:
- Foundation model / decoder-only – duży model językowy (rodzina podobna do tej, na której działa ChatGPT), wytrenowany tak, żeby wykonywać wiele zadań naraz. W przypadku LinkedIna mówi się o modelu rzędu 150 miliardów parametrów, trenowanym wyłącznie na danych platformy: profilach, postach, interakcjach, ogłoszeniach o pracę.
- Embedding semantyczny – to „odcisk palca znaczenia”. Każdy post i każdy profil zamieniany jest w wektor liczb, który reprezentuje sens, a nie słowa kluczowe. Dzięki temu system rozumie, że ktoś czytający o małych reaktorach jądrowych może chcieć treści o infrastrukturze sieci energetycznej – bo rozumie, że te tematy są zawodowo powiązane, nie tylko podobne literowo.
- Causal LLM (system retrieval) – pierwsza brama. Model decyduje, czy Twoja treść w ogóle wchodzi do gry, zamieniając profile i posty na wspólny semantyczny język.
- Generative Recommender (GR) – druga brama. Decyduje, gdzie w feedzie wyląduje Twój post. I tu jest niuans, który zmienia wszystko: traktuje historię feedu jako uporządkowaną sekwencję, a nie zbiór niezależnych zdarzeń – przetwarza ponad 1000 historycznych interakcji użytkownika, żeby wyłapać wzorce. Jak ujął to Danchev: tradycyjny model widzi trzy niezależne decyzje; model sekwencyjny rozumie trajektorię.
Jeden smaczek inżynierski, który świetnie pokazuje skalę zmiany. W starym świecie, gdy post miał 12 345 wyświetleń, model dostawał to jako tekst „views:12345″ i traktował tę liczbę jak każde inne słowo – gubił jej sens jako sygnału popularności. Nowy model zamienia liczby zaangażowania na „kubełki percentylowe” w specjalnych tokenach, żeby odróżnić je od zwykłego tekstu. Brzmi jak detal. To jest różnica między liczeniem a rozumieniem.
Czy „360Brew” to na pewno to, co napędza Twój feed?
Tu muszę być z Tobą brutalnie szczery, bo to właśnie odróżnia rzetelną analizę od marketingowej ściemy: sprawa jest bardziej mętna, niż twierdzi większość „ekspertów” na LinkedIn. A skoro piszę o widoczności, to wolę być źródłem, które oddziela fakt od spekulacji.
Co jest pewne:
- LinkedIn publicznie potwierdził w marcu 2026 nową architekturę opartą na LLM-ach (oficjalny blog inżynierski + prace na arXiv).
- Efekty, które praktycy nazywają „360Brew” – semantyczny ranking, czytanie profilu, dystrybucja po tematach – są realne i dobrze udokumentowane.
Co jest mniej pewne, niż sugerują nagłówki:
- Sam paper „360Brew” (arXiv 2501.16450) z stycznia 2025 jest dziś oznaczony jako wycofany (withdrawn).
- Źródła kłócą się o model bazowy – jedni piszą o Mixtral 8x22B, inni o LLaMA-3.
- Nazwa „360Brew” to bardziej popularna etykieta niż oficjalna nazwa wdrożonego feedu. To, co LinkedIn faktycznie opisał, to dwustopniowy system (Causal LLM + Generative Recommender). „Jeden super-model, który łączy wszystko” to uproszczenie.
Bezpieczny wniosek, który możesz powtarzać bez ryzyka kompromitacji: mechanizm jest potwierdzony, marketingowa nazwa i część technicznych detali – nie. Skutki dla Twojego zasięgu są jednak jak najbardziej prawdziwe.
Co się zmieniło dla Twojego zasięgu?
Najkrócej: zasięgi spadły niemal wszystkim, a treść przestała rozchodzić się po znajomych — rozchodzi się po tematach. To dwie najważniejsze konsekwencje praktyczne.
Dane od praktyków (nie od LinkedIna – to ważne zastrzeżenie) są bezlitosne: według analiz cytowanych w branżowych raportach 98% użytkowników doświadczyło spadku zasięgu, a wyświetlenia spadły o 50–66% w zależności od źródła. Jeśli czujesz, że „coś się posypało” – masz rację, tylko przyczyna jest systemowa, nie osobista.
Druga zmiana jest głębsza. Stary system: znajomy polubił Twój post, więc post pokazał się jego znajomym. Nowy system: LinkedIn grupuje ludzi po zawodowych zainteresowaniach i dopasowuje treść do tematów. Twoja sieć znajomych przestała być głównym kanałem dystrybucji. Stał się nim temat, w którym jesteś rozpoznawalny.
I trzecia, najmniej oczywista: system radzi sobie teraz z „zimnym startem”. Nowy użytkownik bez historii nie jest już niewidzialny – model wnioskuje jego zainteresowania z samego profilu, nie czekając, aż nazbiera się zaangażowanie. To znaczy, że Twój profil pracuje na Ciebie od pierwszej sekundy.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Czy stara wiedza o LinkedIn jeszcze działa?
Częściowo – i to „częściowo” jest pułapką, w którą wpada większość twórców. Dwell time (czas zatrzymania na poście) i komentarze w pierwszej godzinie wciąż liczą się jako sygnały jakości, ale przestały decydować o szerokości zasięgu. O niej decyduje trafność semantyczna względem dopasowanej publiczności.
Mówiąc wprost: możesz ubić 50 komentarzy w godzinę i dalej nie wyjść poza własną bańkę, bo model uznał, że temat nie pasuje do nikogo dalej. Engagement bait umiera, bo LinkedIn — w przeciwieństwie do TikToka i Instagrama – projektuje się anty-wiralowo: tłumi przynętę na rzecz precyzyjnej dystrybucji.
I tu dochodzimy do tezy całego tekstu, którą postawię bez znieczulenia:
„LinkedIn przestał liczyć Twoje lajki, a zaczął czytać Twój profil. To znaczy, że dystrybucja każdego posta zaczyna się od pytania, kim jesteś i o czym jesteś ekspertem – zanim ktokolwiek w ogóle zobaczy treść. W 2026 Twój nagłówek to nie wizytówka. To pierwszy akapit każdego posta, jaki napiszesz. Kto wciąż optymalizuje pod lajki, ten gra w grę, którą algorytm właśnie przestał rozgrywać.”
— Robert Hałuza, ekspert AI Visibility, autor pierwszej w Polsce książki o widoczności marek w AI, wykładowca programów AI na SGH i SGGW, założyciel agencji HALUZA.PL
To dosłowność. Jedno z najważniejszych potwierdzonych ustaleń mówi, że metadane Twojego profilu – nagłówek, umiejętności, historia pracy – są wbudowane w semantyczną reprezentację każdej treści, którą publikujesz. Ogólnikowy nagłówek osłabia dystrybucję wszystkiego, co piszesz — nie z powodu jakiejś arbitralnej kary, tylko dlatego, że system po prostu nie potrafi Cię umiejscowić.
Jak pisać pod 360Brew w 2026? (praktyczna checklista)
Zasada nadrzędna: przestań zabawiać algorytm, zacznij udowadniać mu, kim jesteś. Konkrety, które działają dziś:
- Wyczyść profil, zanim wyczyścisz treść. Nagłówek konkretny, nie „pasjonat & lider zmian”. Umiejętności i doświadczenie spójne z tym, o czym piszesz. To jest Twój wzmacniacz zasięgu – albo Twój hamulec.
- Trzymaj 3–4 filary tematyczne. Model buduje rozpoznanie Twojej ekspertyzy z konsekwencji. Pisanie o wszystkim to dla algorytmu sygnał, że jesteś ekspertem od niczego.
- Uzbrój się w cierpliwość – reset trwa. Badania mówią o 60–90 dniach konsekwentnego publikowania w jasnych filarach, zanim model wiarygodnie przekategoryzuje Twoją ekspertyzę i rozszerzy dystrybucję. Nie ma szybkiej drogi. Odbudowa jest stopniowa.
- Hashtagi: 2–3 trafne, nie 15. Powyżej system dopasowuje to jako spam i tłumi zasięg. Skoro czyta treść semantycznie, hashtagi i tak straciły dawną rolę.
- Long-form wrócił do gry. To dziś największa zaniedbana szansa twórców publikujących tylko krótkie posty.
- AI w treści jest OK – ale tylko jako narzędzie. LinkedIn nie karze treści tworzonej z pomocą AI. Karze niską jakość, generyczność i spam – niezależnie od autora. Nieedytowany output AI = filler. AI jako asystent przy treści eksperckiej = w porządku.
- Treść osobistą wiąż z zawodową. Algorytm jest ostrzejszy wobec czystego „prywatnego życia” dla twórców B2B niż jeszcze trzy lata temu. Historia osobista bez puenty zawodowej? Lepiej odpuść.
Co to wszystko mówi o całym internecie?
I teraz najciekawsze – bo to nie jest historia o jednej platformie.
Dokładnie w tym samym czasie Google zrobił identyczny ruch architektoniczny. Na Google I/O 2026 ogłosił, że wyszukiwanie staje się generatywne: zamiast listy niebieskich linków dostajesz odpowiedź wygenerowaną przez model, a celem przestało być „być pierwszym”, a stało się „być cytowanym w odpowiedzi AI”.
Dwa różne giganty, dwa różne rynki — i jedna decyzja: jeden wielki model, który rozumie znaczenie, zamiast tysiąca małych, które liczyły sygnały. To nie zbieg okoliczności. To kierunek całej sieci.
I tu jest zależność, którą warto zapamiętać na lata: w obu światach maszyna najpierw czyta, kim jesteś, a dopiero potem decyduje, gdzie pójdzie to, co opublikowałeś. W Google to Twoja encja i sygnały autorytetu. Na LinkedIn — dosłownie Twój nagłówek i historia, wszyte w każdy post. Widoczność przestała być zarabiana „od sztuki treści”. Jest zarabiana na poziomie tożsamości.
Dlatego umiejętność bycia rozumianym przez maszynę – to, co nazywam AI Visibility – przestaje być niszową kompetencją marketera. Staje się podstawową umiejętnością każdego, kto chce być widoczny w internecie, który czyta zamiast liczyć.
FAQ – najczęstsze pytania o algorytm LinkedIn 2026
Czym jest 360Brew? 360Brew to popularna nazwa nowego, opartego na modelu językowym systemu rekomendacji LinkedIna. Zamiast liczyć sygnały (lajki, hashtagi, kliknięcia), przetwarza język naturalny, by zrozumieć znaczenie treści i profilu oraz przewidzieć ich trafność. LinkedIn potwierdził architekturę w oficjalnym wpisie inżynierskim z 12 marca 2026.
Dlaczego spadł mój zasięg na LinkedIn? Według analiz praktyków po przejściu na nowy system spadek zasięgu odczuło około 98% użytkowników, a wyświetlenia spadły o 50–66%. Przyczyna jest systemowa, nie osobista: treść rozchodzi się teraz po dopasowanych tematach, a nie po sieci znajomych.
Czy hashtagi nadal działają na LinkedIn w 2026? W ograniczonym zakresie. Rekomenduje się 2–3 trafne hashtagi. Powyżej (np. 10+) system może oznaczyć post jako spam i stłumić zasięg, bo i tak czyta treść semantycznie, a nie po hashtagach.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czy LinkedIn karze treści tworzone przez AI? Nie wprost. LinkedIn karze treść niskiej jakości, generyczną i spamerską niezależnie od tego, kto lub co ją stworzył. AI jako narzędzie wspierające treść ekspercką jest akceptowalne; nieedytowany output AI – nie.
Ile trwa odbudowa zasięgu po zmianie algorytmu? Badania wskazują na 60–90 dni konsekwentnego publikowania w jasno zdefiniowanych filarach tematycznych, zanim model przekategoryzuje Twoją ekspertyzę i rozszerzy dystrybucję. Szybkiej drogi nie ma.
Co zrobić w tym tygodniu
Trzy ruchy, zanim zaczniesz „walczyć z algorytmem”:
- Przeczytaj swój nagłówek tak, jak przeczyta go model. Czy z jednego zdania da się powiedzieć, o czym jesteś ekspertem? Jeśli nie — to nie algorytm Cię chowa, to Twój profil Cię nie umiejscawia.
- Wybierz 3–4 tematy i trzymaj się ich przez kwartał. To nie ograniczenie. To sposób, żeby maszyna w ogóle wiedziała, komu Cię pokazać.
- Przestań mierzyć sukces lajkami. Zacznij patrzeć, do kogo trafiasz – czy do swojej zawodowej publiczności, czy tylko do własnej bańki.
LinkedIn zmienił pytanie, na które odpowiada. Nie brzmi już „jak ubić więcej zaangażowania?”. Brzmi: „czy maszyna rozumie, kim jesteś, na tyle dobrze, żeby pokazać Cię właściwym ludziom?”
A teraz pytanie do Ciebie: gdyby model miał ocenić Twoją ekspertyzę wyłącznie na podstawie ostatnich dziesięciu postów – co by z nich wyczytał?
Autor: Robert Hałuza — ekspert AI Visibility, autor pierwszej w Polsce książki o widoczności marek w AI, wykładowca programów podyplomowych AI na SGH i SGGW, założyciel agencji HALUZA.PL specjalizującej się w GEO (Generative Engine Optimization). Ostatnia aktualizacja: 6 czerwca 2026.
