Profils LinkedIn : ce que vos collaborateurs écrivent est devenu une donnée d’entreprise

Le 24 août 2026, cinq ingénieurs de LinkedIn ont publié la mécanique qui décide des profils qu’on vous recommande de suivre. Elle part du texte des profils, puis transforme cette lecture en une suite de nombres qui sert à mesurer la proximité de sens entre deux personnes. La notoriété, elle, recule dans l’équation.

Je lis les notes d’ingénierie de LinkedIn depuis la publication de 360Brew en janvier 2025, parce qu’elles disent, des mois avant les communiqués et les études, ce que la plateforme fera de vos données.

La dernière en date (24 août 2026), intitulée « Rebuilding LinkedIn’s Follows Recommendations with LLM-Based Semantic Retrieval and Ranking« , concerne les directions de la communication autant que les équipes techniques.

Elle indique clairement que ce que vos collaborateurs et collaboratrices ont écrit dans leur profil LinkedIn, seul.es, un dimanche soir, est la matière première d’un système qui décide des recommandations d’abonnement affichées dans l’onglet « Mon réseau » et dans le fil d’actualité.

L’essentiel de la note en cinq lignes

► LinkedIn assemble les champs de votre profil en une description rédigée en langue naturelle, puis convertit cette description en vecteur, une suite de nombres qui rapproche les textes proches par le sens.

► La section Infos est décrite comme l’entrée principale, la plus expressive des intérêts et de l’expertise. Le titre, lui, sert à lever l’ambiguïté sur le rôle et le secteur.

► Le modèle est affiné sur les abonnements réellement effectués, et non sur une définition théorique de la pertinence.

► Vos publications n’entrent pas dans ces descriptions. La note annonce l’engagement récent, la navigation et les relations comme prochaines étapes.

► La note ne publie aucun chiffre de gain, ne nomme pas le modèle de base retenu, et c’est LinkedIn qui décrit LinkedIn.

Ce que dit en détail la note d’ingénierie

La note, signée par Haohua Wan, Da Xu, Cindy Liang, Nishant Satya Lakshmikanth et Jeevan Gregory Sequeira, de l’équipe Network Growth, sur le blog d’ingénierie de LinkedIn, repose sur trois mécaniques.

1. La mise en texte du profil. Les champs du profil sont assemblés en une description rédigée en langue naturelle, puis passés dans un modèle de langage qui en produit un « embedding », pour faire simple une suite de nombres qui résume un texte de telle manière que deux textes proches par le sens donnent deux suites proches. Membres et profils suggérés occupent le même espace de calcul.
2. L’apprentissage sur les abonnements réels. Deux encodeurs aux paramètres partagés, l’un pour la personne qui regarde, l’autre pour celle qu’on lui montre, sont entraînés à rapprocher les paires qui ont abouti à un abonnement. La pertinence n’est pas définie à l’avance par LinkedIn, elle est apprise sur les gestes des membres.
3. La réutilisation dans le classement. Ces mêmes représentations, réduites par exemple de 4.096 à 64 ou 128 dimensions, servent ensuite de variables au modèle qui ordonne les suggestions, pour que les candidats des anciennes sources et ceux de la nouvelle soient notés selon la même grille.

Jusque-là, la présélection de profils à recommander reposait sur des règles et sur le graphe des relations, et le classement était tiré par la popularité.

La note ne détaille pas ces anciennes règles. Elle dit seulement ce que ce système laissait passer : les bons appariements peu populaires, et les nouveaux membres, dont LinkedIn n’avait presque rien à lire.

Quels champs de votre profil LinkedIn le modèle lit-il en priorité ?

La note publie la liste des champs et le rôle de chacun dans la description encodée :

• La section Infos : l’entrée principale, décrite comme la plus expressive des intérêts et de l’expertise.
• Le titre du profil : il complète la bio et lève l’ambiguïté sur le rôle et le secteur.
• Les compétences et centres d’intérêt : ils servent à extraire des mots-clés et à élargir les thèmes.
• L’intitulé du poste en cours : il donne le contexte du rôle.

La description encodée est produite à partir d’une phrase rédigée, et non d’une liste de champs juxtaposés.

Ce que j’en déduis, et qui reste à confirmer : un titre découpé en fragments séparés par des barres verticales s’encode moins bien qu’une phrase qui dit ce que la personne fait et pour qui.

La note porte sur la façon dont LinkedIn met un profil en phrase, pas sur la façon dont vous l’écrivez. Le pont entre les deux est donc ma lecture, pas son résultat.

Reste que c’est l’inverse du réflexe que je conseillais en formation depuis dix ans, celui du titre découpé en fragments dans l’espoir de plaire au moteur. Je l’ai enseigné, je l’ai écrit ici, et je vais modifier cette partie de mes formations et de mes masterclasses.

Cela dit, le réflexe visait la recherche interne de LinkedIn, qui fonctionne encore par mots-clés. Il n’a jamais visé un encodeur qui n’existait pas.

Vos publications n’entrent pas dans ce calcul

Autre point important de la note, et pour le moins contre-intuitif : les descriptions encodées reposent aujourd’hui sur les champs du profil, pas sur ce que la personne publie.

En revanche, les auteurs annoncent l’ajout de l’engagement récent, de l’activité de navigation et des relations comme prochaines étapes, pour capter ce qui intéresse un membre maintenant plutôt que ce que son profil déclare. À la date de la note, ce n’est pas encore fait.

Pour une organisation, la conséquence est directe. Un expert qui publie chaque semaine des posts extrêmement pointus mais dont le profil annonce « Manager » depuis 2019 reste, pour ce système, un manager. Autrement dit : la régularité éditoriale ne rattrape pas un profil muet.

LinkedIn a fait le même mouvement trois fois en dix-huit mois

La note d’août n’arrive pas seule.

En janvier 2025, une équipe de LinkedIn décrivait 360Brew, un modèle de 150 milliards de paramètres censé remplacer plus de trente modèles de prédiction maison. J’en ai détaillé la portée dans mon article sur 360Brew, l’algorithme de LinkedIn dopé à l’IA, même si, à ma connaissance, LinkedIn n’a jamais écrit que ce modèle tourne aujourd’hui dans le fil.

Le 12 mars 2026, un second article d’ingénierie, « Engineering the next generation of LinkedIn’s Feed », signé Hristo Danchev, décrivait la reconstruction du fil d’actualité autour des mêmes briques : encodeurs jumeaux pour la présélection, modèle séquentiel pour le classement, moins de 50 millisecondes de latence annoncée. J’en ai tiré dix observations sur ce que le nouveau fil d’actualité change pour vos publications.

Trois notes, une seule direction : remplacer des compteurs par de la lecture de texte.

Ce que ça change dans une organisation

Ce n’est évidemment pas sans conséquence pour les entreprises privées et les institutions, par exemple pour une organisation de 400 personnes, qui a 400 descriptions d’elle-même en circulation, écrites sans coordination, à des époques différentes, par des gens qui ne se sont jamais parlé sur ce sujet. Avant, c’était un problème d’image, visible seulement quand un client cliquait. Aujourd’hui, c’est devenu une donnée d’entrée, non ?

Cela signifie aussi que vos expert.es peu suivi.es regagnent une chance. La note donne son propre exemple : un ingénieur en robotique à qui l’ancien système ne montrait pas une chercheuse peu connue qui écrit sur l’IA incarnée. Un profil clairement situé sur un sujet devient recommandable sans base d’abonnés. À condition d’être situé, ce qui suppose qu’il ait été écrit. Par qui ? Et sur les conseils de qui ?

Par ailleurs, la marque employeur se joue dès l’inscription. Une personne qui crée son compte reçoit des suggestions avant d’avoir publié quoi que ce soit, sur la base de son intitulé de poste, de sa localisation et de son entreprise. Ce que vos équipes ont écrit décide de ce que la nouvelle recrue voit en premier. Vos collaboratrices et vos collaborateurs ? Les concurrents ?

Enfin, la question de propriété redevient concrète. Le profil appartient à la personne, la description de l’organisation qu’il contient engage l’organisation. Qui écrit ces textes, qui les relit, et sur quel document écrit s’appuie cette décision ?

DirComs, voici par où commencer (checklist)

1. Le recensement des profils qui parlent au nom de votre organisation. Direction, expert.es, vente, recrutement. Les titres et les premières lignes de la section Infos lus à la suite dans un tableau, et la dispersion saute en général aux yeux en dix minutes.
2. Un paragraphe de référence. Ce que fait l’organisation, pour qui, avec quels mots. Il sert de matière à des profils qui convergent sans se ressembler, des profils clonés produisant l’effet inverse. C’est le document de départ de ma formation aux profils LinkedIn, où chacun.e réécrit le sien à partir de là plutôt qu’à partir d’un modèle.
3. Le réglage IA générative tranché au niveau de l’organisation. Une position écrite et expliquée, plutôt que 400 décisions individuelles prises en trois minutes. Elle appartient au même document que celui qui dit qui a le droit de parler de quoi, et en combien de temps on valide : ce que j’appelle un cadre de prise de parole.
4. Un comptage avant et après. Abonné.es gagné.es par profil sur trois mois, et provenance déclarée des demandes entrantes. Sans relevé initial, il ne restera que des impressions… et cette question : combien de temps une organisation garde-t-elle le contrôle de ce qui se dit d’elle, quand la description qui sert à la recommander est fabriquée à partir de textes qu’elle n’a jamais relus ?

Trois questions qu’on me pose déjà

Faut-il réécrire tous les profils LinkedIn de l’entreprise ?

Non. La note porte sur la lisibilité du texte, pas sur sa longueur ni sur sa fréquence de mise à jour. Un titre et une section Infos qui disent en français ce que la personne fait et pour qui suffisent à être encodés correctement. Les profils qui portent la parole publique de l’organisation viennent en premier.

Est-ce que ça change la portée de mes publications sur LinkedIn ?

Rien dans ce document ne le montre. Il traite des comptes qu’on vous suggère de suivre, pas du classement des publications dans le fil. La refonte du fil d’actualité relève d’un autre article d’ingénierie, publié le 12 mars 2026, avec une architecture voisine mais un objet différent.

Les mots-clés dans le titre sont-ils devenus inutiles ?

Ils restent employés par la recherche interne de LinkedIn, qui fonctionne autrement. Ce que dit la note, c’est que la description encodée pour les recommandations est produite à partir d’une phrase rédigée. Un titre lisible par un humain a donc, selon ma lecture, plus de chances d’être bien encodé qu’une suite de fragments.

Xavier Degraux ► Consultant & formateur LinkedIn™ · Prise de parole et réputation des organisations et de leurs dirigeant.es · Employee advocacy ► +500 organisations accompagnées depuis 2013 ► 10 ans journaliste éco (L’Echo, Trends)