All In
FR EN
Retour au blog
Algorithme & stratégie LinkedIn 30 min de lecture

Bouton « Seems like AI slop » : LinkedIn juge la mauvaise chose

| Par Patrick de Carvalho

Sommaire

Le bouton « AI slop » de LinkedIn est apparu le 30 juillet 2026 dans le menu à trois points de chaque publication et de chaque commentaire. Libellé exact, non traduit en français à ce jour : « Seems like AI slop ». Un clic, et vous déclarez qu’un texte vous paraît généré par une machine. Je suis sur LinkedIn depuis avril 2004, la première année de la plateforme. J’ai vu passer le pivot B2B, l’arrivée du fil algorithmique, la refonte de 2024, l’injection de l’IA partout. Je produis avec de l’IA et je le dis publiquement. C’est précisément pour ça que je conteste ce dispositif : pas pour défendre un territoire, mais parce qu’il juge la mauvaise propriété d’un texte. Voici le dossier, en six chefs d’accusation, sources à l’appui.

En bref : Le bouton « Seems like AI slop », lancé par LinkedIn le 30 juillet 2026, demande à des membres non formés d’estimer l’origine d’un texte. La recherche montre que cette tâche est proche du tirage à pile ou face pour un humain seul (Clark et al., 2021 : 49,9 % de bonnes réponses sur GPT-3) et que les détecteurs automatiques accusent à tort les locuteurs non natifs dans 61 % des cas (Stanford, 2023). Le problème réel tient moins à l’origine du texte qu’à son absence de valeur.

Ce que LinkedIn a activé le 30 juillet 2026, exactement

Les faits d’abord, sans commentaire.

Le 30 juillet 2026, Hari Srinivasan, directeur produit de LinkedIn, annonce le dispositif dans un billet publié sur la plateforme. L’option apparaît dans le menu à trois points, sur les publications comme sur les commentaires. La finalité est déclarée sans détour. Verbatim : « We are ramping the ability for members to tell us if they believe a post or comment seems like AI slop. » Et sur l’objectif : « Slop is hard to define and the definition changes; this lets us tune our models and make better feeds. » Autrement dit, les clics des membres servent de matière première à l’entraînement de ses propres modèles de détection. Ces modèles s’appliquent d’abord aux contenus suggérés et hors réseau, là où LinkedIn maîtrise sa recommandation. Effet visible immédiat, et c’est le seul qui soit documenté : la publication disparaît du fil de celui qui a cliqué, avec un message de remerciement, « Thanks for letting us know. Your feedback helps improve the feed. » Ce que le clic produit ensuite, ailleurs que dans votre propre fil, personne à l’extérieur ne le sait.

Deuxième brique, moins commentée : un signal privé, en test. Srinivasan, encore : « For anyone who shares content, we will test a way to privately flag, in your analytics dashboard, when members feel your post may have come off as inauthentic or heavy use of AI. » Vous serez donc informé, dans votre tableau de bord, que des gens ont trouvé votre texte inauthentique. Sans savoir combien, ni qui, ni pourquoi.

Troisième brique, et c’est la plus intéressante du lot : LinkedIn retire sa propre fonction d’écriture assistée « enhance your post ». Le remplaçant est décrit ainsi : une fonction qui « proofreads your words, but does not change your voice ». J’y reviendrai longuement, parce que tout le raisonnement de ce dossier tient dans cette phrase.

Le contexte, enfin. LinkedIn revendique le blocage de centaines de milliers de tentatives de commentaires automatisés par jour, et de milliards de tentatives d’automatisation ces derniers mois. Le mot « slop » lui-même n’est pas un néologisme de blog : Merriam-Webster en a fait son mot de l’année 2025, avec une définition qui vaut d’être lue attentivement : contenu numérique de faible qualité, produit généralement en quantité au moyen de l’intelligence artificielle.

Retenez cette définition. Elle contient deux critères, la faible qualité et la production en masse par IA. Le bouton n’en retient qu’un seul, et ce n’est pas le bon.

Premier chef d’accusation : on confie à des amateurs une tâche que les experts ratent

Le dispositif repose sur une hypothèse jamais énoncée : un lecteur ordinaire saurait reconnaître un texte généré. La littérature scientifique dit l’inverse depuis cinq ans.

Clark et ses coauteurs, à la conférence ACL de 2021, mesurent la capacité de participants non entraînés à distinguer un texte humain d’un texte machine : 57,9 % de bonnes réponses sur GPT-2, et 49,9 % sur GPT-3. Quarante-neuf virgule neuf. Le hasard pur, à la décimale près. Deux ans plus tard, Jakesch, Hancock et Naaman publient dans PNAS un travail au titre limpide, « Human heuristics for AI-generated language are flawed » : la performance humaine reste proche du hasard quels que soient le contexte, le profil démographique, l’effort fourni et l’expertise revendiquée. Pire, les textes générés sont parfois perçus comme plus humains que ceux écrits par des humains, parce qu’ils cochent les cases que nous associons naïvement à l’authenticité.

Étude Année Qui juge Résultat
Clark et al. (ACL) 2021 Participants non entraînés 57,9 % sur GPT-2, 49,9 % sur GPT-3
Jakesch et al. (PNAS) 2023 Public large, profils variés Proche du hasard, quels que soient effort et expertise
Étude sur mémoires universitaires (ScienceDirect) 2025 Lecteurs germanophones 57 % sur les textes IA, 64 % sur les textes humains
Annotateurs linguistes professionnels (arXiv) 2024 Linguistes « À peine supérieur au hasard »
Russell, Karpinska & Iyyer (ACL) 2025 5 experts, vote majoritaire 1 erreur sur 300 articles

Le contre-argument qu’il faut regarder en face

La dernière ligne du tableau contredit les quatre autres, et je ne vais pas la cacher. Russell, Karpinska et Iyyer, à l’ACL 2025, montrent que cinq annotateurs experts, utilisateurs quotidiens de grands modèles de langue, statuant par vote majoritaire, ne se trompent que sur un article sur trois cents. Y compris face à des textes retravaillés pour brouiller les pistes. C’est solide, c’est publié, et ça mérite mieux qu’un haussement d’épaules.

Regardez maintenant ce qu’il a fallu réunir pour obtenir ce résultat. Cinq personnes, pas une. Une pratique quotidienne des modèles, qui leur a appris des indices lexicaux précis. Des articles longs de non-fiction, lus attentivement, en entier. Un protocole de vote qui absorbe les erreurs individuelles. Retirez un seul de ces éléments et la performance s’effondre vers les 50 % des autres études.

Le bouton, lui, c’est une personne seule, non formée, sans protocole, sans délibération, sans deuxième lecture, dans un fil qui défile à deux publications par seconde entre deux réunions. LinkedIn a pris le seul protocole qui fonctionne et en a retiré tout ce qui le faisait fonctionner. Ce qui reste porte un nom en statistique : du bruit.

Deuxième chef d’accusation : les détecteurs échouent, et LinkedIn veut les entraîner avec des clics

On pourrait objecter que les machines feraient mieux. Elles ne font pas mieux.

OpenAI a fermé son propre détecteur le 20 juillet 2023, pour cause de faible taux d’exactitude, en publiant les chiffres : 26 % des textes générés correctement identifiés, et 9 % de textes humains faussement accusés. L’entreprise qui construit les modèles les plus utilisés au monde a renoncé à détecter leur sortie. Turnitin, qui traite environ 100 millions de copies chaque année, revendique moins de 1 % de faux positifs au niveau du document mais reconnaît 4 % d’erreur au niveau de la phrase. À l’Australian Catholic University, en 2024, des dizaines d’étudiants ont été accusés à tort sur la seule foi d’un détecteur, avec des enquêtes de plusieurs mois et des résultats retenus. L’université Vanderbilt, elle, a purement et simplement désactivé la fonction de détection IA de Turnitin.

Pangram Labs, dont je reparlerai plus bas, consacre sur son propre blog une page entière aux faux positifs. L’éditeur y déconseille d’analyser les listes à puces, les textes courts et les écrits gabarisés, et reconnaît des domaines où son modèle est moins performant, comme la poésie ou les recettes. Un vendeur qui documente les limites de son produit, c’est honnête. C’est aussi un aveu.

Substack a déployé la détection Pangram le 21 juillet 2026, neuf jours avant le bouton de LinkedIn. Les auteurs ont parlé de chasse aux sorcières, et Chris Best, le fondateur, a reconnu que l’outil n’était pas parfait. Richard van der Blom l’a testé. Vous connaissez son nom si vous suivez sérieusement LinkedIn : il publie chaque année l’étude de référence sur l’algorithme, il a formé plus de 350 000 professionnels, et il n’est ni technophobe ni militant. Son résultat, publié fin juillet 2026 : six réponses fausses sur dix. Un texte à 95 % humain classé 100 % IA. De l’IA réelle non détectée.

« I tested it myself. Six out of ten times it got the answer wrong. Flagged 95% human writing as 100% AI, missed real AI writing entirely. And that’s a dedicated system built by engineers. » Richard van der Blom, LinkedIn, fin juillet 2026

Précision de rigueur, et elle compte : ce n’est pas une étude contrôlée. Dix cas, un testeur, pas de protocole publié. Je le présente pour ce que c’est, un signal fort venu de la personne la moins suspecte sur ce sujet, pas comme une preuve statistique. Un dossier qui reproche à LinkedIn son manque de rigueur ne peut pas se permettre d’être flou sur ses propres pièces.

Reste la boucle, et c’est elle qui accuse vraiment. LinkedIn justifie le recours au signalement humain par la défiance envers les détecteurs automatiques. Et annonce dans la même publication qu’il entraînera ses propres modèles de détection avec ces signalements humains. On corrige un instrument peu fiable par un instrument encore moins fiable, puis on recalibre le premier sur les mesures du second. En métrologie, ça s’appelle propager une erreur. Ici, on l’industrialise.

Troisième chef d’accusation : écrire clairement dans une langue qui n’est pas la sienne devient suspect

C’est le chef le plus grave, et celui qui devrait faire lever un sourcil à tout francophone qui publie en anglais sur LinkedIn.

En 2023, l’équipe de Weixin Liang à Stanford passe des copies au crible de sept détecteurs GPT du commerce. Résultat : les textes rédigés par des locuteurs non natifs de l’anglais sont classés « générés par IA » dans 61 % des cas. Sur environ une copie sur cinq, l’erreur est unanime entre les sept détecteurs. Les textes de locuteurs natifs, eux, passent sans encombre. L’explication tient en une ligne, et Liang l’écrit noir sur blanc : « The design of many GPT detectors inherently discriminates against non-native authors. » Les non-natifs écrivent avec une diversité lexicale plus restreinte, des tournures plus régulières, une syntaxe plus sage. Exactement ce que les détecteurs ont appris à associer à la machine.

Le même mécanisme frappe les écritures autistes et neurodivergentes, surclassées « IA » pour cause de structure régulière et de style littéral, comme le montrent des travaux publiés en 2025 sur un corpus d’environ 60 000 publications Reddit. Et il produit des résultats qui feraient rire s’ils ne servaient pas de base à des sanctions : la Déclaration d’indépendance américaine de 1776 détectée à environ 98 % « IA » par ZeroGPT, Moby-Dick à 88,24 %.

Reprenons le cas de van der Blom, qui l’expose lui-même avec une franchise que j’apprécie. L’anglais n’est pas sa langue maternelle. Il construit son contenu à partir de ses propres données et de ses observations de terrain, puis il utilise l’IA pour formuler proprement, comme le ferait un rédacteur natif. La pensée et l’angle sont les siens. Son dernier post sur le sujet se termine par une déclaration d’usage désarmante : brouillon écrit à 100 % par lui, version finale assistée par IA, quatre fautes de grammaire corrigées.

Quatre fautes de grammaire. Voilà le crime.

Sa question est la meilleure formulation du problème que j’aie lue depuis dix jours :

« So if someone reports that, are they judging the substance or just the phrasing? » Richard van der Blom

Écrire clairement est en train de devenir un délit de faciès stylistique. Et sur une plateforme dont la norme rédactionnelle est anglophone, être français constitue une circonstance aggravante. Vous soignez votre syntaxe, vous évitez les répétitions, vous faites relire votre anglais : vous cochez toutes les cases du suspect. Votre voisin qui poste une bouillie de mots-clés sans verbe passe entre les gouttes.

Quatrième chef d’accusation : LinkedIn a désigné le bon critère le jour où il a lancé le mauvais

Le pivot du dossier est ici, et il est passé quasiment inaperçu dans la reprise de presse.

Dans la même annonce, LinkedIn supprime « enhance your post », sa propre fonction d’écriture assistée, celle qu’il avait conçue, financée et promue. Le remplaçant est décrit en dix mots qui valent une doctrine : une fonction qui « proofreads your words, but does not change your voice ».

Lisez-la deux fois. Ce que LinkedIn dit là, c’est que le problème n’a jamais été l’intervention d’une machine dans le processus d’écriture. Le problème, c’est l’outil qui efface la voix de l’auteur et la remplace par une moyenne statistique polie. La nouvelle fonction fait exactement ce que fait un correcteur depuis que le métier existe : elle corrige sans se substituer. La distinction est juste, et elle est utilisable telle quelle par n’importe quel service communication.

LinkedIn a donc identifié le bon critère : la voix de l’auteur et la responsabilité qu’il assume. Et le même jour, la même équipe a mis en ligne un bouton qui mesure autre chose, l’impression d’origine, telle que perçue par un inconnu en trois secondes.

La conséquence est contre-intuitive et il faut l’énoncer clairement : le bouton frappe l’écriture générique, pas l’usage de l’IA. Ce sont deux choses différentes, et les confondre est l’erreur de conception centrale du dispositif.

Un praticien qui a construit ses méthodes, qui apporte ses chiffres, son angle, ses cas clients, ses erreurs datées et sa signature, produit un texte dont il répond intégralement, même s’il a utilisé quinze outils pour l’écrire. Un être humain qui recycle pour la six centième fois la citation de Steve Jobs sur les points qui se relient, ou les « 5 leçons que m’a apprises mon échec », produit du vide intégral sans avoir touché une machine. LinkedIn charrie ce vide-là depuis quinze ans, bien avant ChatGPT. Le bouton ne sait pas faire la différence entre les deux textes. Un lecteur, lui, la fait en deux paragraphes, et il la faisait déjà en 2010.

Srinivasan le dit d’ailleurs lui-même, rapporté par la presse : l’IA et le slop ne sont pas la même chose. Sa plateforme vient de mettre en ligne un dispositif qui les confond dans son libellé même.

Cinquième chef d’accusation : une arme confiée à 1,3 milliard de personnes, sans barème ni recours

LinkedIn revendique de l’ordre de 1,3 milliard de membres inscrits. Les estimations tierces situent les utilisateurs réellement actifs chaque mois autour de 310 millions, la plateforme ne publiant pas ce chiffre. Prenez la fourchette basse : c’est encore plus de quatre fois la population française à qui l’on vient de distribuer un instrument de sanction.

Et au 7 août 2026, huit jours après le lancement : aucun seuil de déclenchement publié, aucun taux de faux positifs publié, aucune procédure de contestation communiquée. Van der Blom pose la question que tout le monde se pose et n’obtient pas de réponse : que se passe-t-il quand cinq personnes cliquent sur le même post ? Quand cent le font ?

Regardez l’asymétrie du dispositif, elle est totale. Le signalement ne coûte rien. Pas de justification à fournir, pas de trace visible, aucune conséquence si vous vous trompez. Le coût de l’erreur, lui, est intégralement supporté par celui qui la subit, qui n’apprendra son sort que par un indicateur dans son tableau de bord, sans savoir ce qu’on lui reproche ni comment se défendre. Toute incitation construite comme ça produit le même résultat, dans tous les systèmes où on l’a essayée.

Ajoutez un élément que LinkedIn connaît mieux que quiconque : sa population sait se coordonner. La plateforme lutte publiquement contre les pods d’engagement, qu’elle définit elle-même comme des ensembles de personnes, souvent des membres réels, qui se coordonnent pour échanger likes et commentaires et gonfler artificiellement la durabilité de leurs contenus. En mars 2026, LinkedIn a durci le dispositif : détection élargie, marquage interne des contenus artificiellement amplifiés, limitation de portée. C’est une bataille que nous suivons depuis le début sur le blog All In. Gyanda Sachdeva, VP Product Management, y détaillait la cible : les outils tiers, extensions de navigateur et greffons qui automatisent la manipulation de l’engagement.

Le mécanisme social qui sert à liker en masse est exactement celui qui sert à signaler en masse. Concurrent, ancien associé, ancien salarié, adversaire de débat : la liste des usages détournés s’écrit toute seule. Le ghostwriter Colin Steele l’a formulé sobrement dans Forbes le jour du lancement : le bouton est « mûr pour l’abus », des entreprises pouvant signaler sans fondement les contenus de leurs concurrents.

Je pèse mes mots ici, et je vous demande de peser les vôtres si vous relayez ce dossier : c’est un risque de conception, pas un fait constaté. Aucune campagne de signalement coordonné n’est documentée à ce jour. Je ne raconte pas ce qui est arrivé, je décris ce qu’une architecture d’incitations rend possible. La différence entre les deux est ce qui sépare une analyse d’une rumeur.

Sixième chef d’accusation : la preuve à charge vient de celui qui vend le remède

Le chiffre qui circule partout depuis trois semaines et qui légitime toute l’opération : 40 à 41 % des publications longues de LinkedIn seraient entièrement générées par IA.

Ce chiffre est vrai au sens où il a bien été mesuré. Il a été publié le 9 juillet 2026 par Pangram Labs, sur un échantillon déclaré de 1 002 627 publications réparties entre LinkedIn, Medium, Substack, X et Reddit. Sur LinkedIn, 41 % des publications de plus de 250 mots ressortent comme entièrement générées. La plateforme concentrerait 62 % de tous les contenus signalés IA alors qu’elle ne représente qu’environ un tiers des éléments analysés. À titre de comparaison, les textes longs sur X sortent à 23,9 % entièrement IA, auxquels s’ajoutent 22,9 % de textes assistés, Substack à 21,9 % en cumulé, et 98,1 % des réponses Reddit restent humaines.

Trois précisions qui manquent dans à peu près toutes les reprises de presse.

Pangram Labs édite un détecteur d’IA. L’entreprise mesure donc l’ampleur d’un problème que son produit prétend résoudre, avec son propre produit. Le modèle utilisé, Pangram 3.3, revendique un taux de faux positifs de 0,01 %, chiffre auto-déclaré par l’éditeur du modèle évalué.

La collecte, surtout. Les données proviennent d’une extension Chrome lancée le 24 avril 2026, dont les utilisateurs ont accepté de partager leurs statistiques d’analyse. Le tirage n’a rien d’aléatoire : l’étude mesure ce que voyaient passer dans leur fil des gens suffisamment agacés par l’IA pour avoir installé volontairement une extension de détection d’IA. Leur fil n’est pas votre fil. L’étude le dit elle-même. Personne ne le relaie.

Et la boucle se referme une deuxième fois : on justifie un dispositif de signalement humain, au motif que les détecteurs automatiques ne sont pas fiables, avec un chiffre produit par un détecteur automatique.

Je ne dis pas que ce chiffre est faux. Il est probablement juste dans sa direction, et mon expérience quotidienne du fil me pousse à le croire. Je dis qu’il n’est pas neutre, qu’il doit toujours être cité avec son producteur et sa méthode, et qu’un procès sérieux ne s’appuie pas sur une pièce fournie par une partie qui a intérêt au verdict.

Le bon critère existe déjà, et c’est le régulateur qui l’a écrit

Toute l’ironie de la séquence est là. À trois jours d’intervalle, un régulateur et une plateforme se sont prononcés sur l’IA dans les textes. Un seul des deux a choisi un critère vérifiable, et ce n’est pas celui qui écrit du code.

L’article 50 du règlement européen sur l’intelligence artificielle est applicable depuis le 2 août 2026. Il ne demande à personne de deviner l’origine d’un texte. Il organise la transparence : information de l’utilisateur face à une IA conversationnelle, marquage des contenus synthétiques, signalement des hypertrucages, identification des textes d’intérêt public. Et il contient une exemption qui devrait être encadrée et affichée dans tous les services communication d’Europe : lorsqu’un contrôle éditorial humain substantiel s’exerce, c’est-à-dire lorsqu’une personne compétente examine le contenu et peut l’approuver, le modifier ou le refuser, l’obligation de marquage tombe. Les sanctions du volet transparence peuvent atteindre 15 M€ ou 3 % du chiffre d’affaires mondial.

Précision nécessaire, parce que la moitié de la presse écrit encore l’inverse : le volet « haut risque » du règlement n’est pas entré en application le 2 août 2026. Le règlement (UE) 2026/1744 du 8 juillet 2026, dit « Digital Omnibus », l’a reporté à décembre 2027 pour l’annexe III et à août 2028 pour l’annexe I. Ce même texte n’a pas décalé l’article 50, hormis le délai de grâce du marquage porté au 2 décembre 2026 pour les systèmes déjà sur le marché. Ce qui s’applique aujourd’hui, c’est la transparence. Rien d’autre.

Règlement européen sur l’IA, article 50 Bouton « Seems like AI slop »
Objet du jugement Qui répond du contenu D’où semble venir le contenu
Critère décisif Contrôle éditorial humain substantiel Impression de style d’un lecteur
Qui tranche L’éditeur, sous sa responsabilité Un membre anonyme, en un clic
Recours Procédure administrative et juridictionnelle Aucun communiqué à ce jour
Barème Publié, sanctions chiffrées Non publié
Traitement d’un texte assisté et assumé Hors obligation de marquage Signalable comme les autres

Le droit juge une responsabilité, qui est vérifiable. La plateforme juge une impression, qui ne l’est pas. Sur ce dossier précis, Bruxelles a été plus fine que la Silicon Valley, et je ne pensais pas écrire cette phrase un jour.

Quatre demandes précises à LinkedIn

Un dossier à charge qui ne propose rien est un billet d’humeur. Quatre demandes, donc, formulées de manière à être appliquées, pas discutées.

Faire porter le signalement sur l’absence de valeur, pas sur l’origine supposée. Un libellé du type « contenu sans intérêt » ou « publication creuse » mesure ce qui gêne réellement le lecteur, et il a l’avantage d’être également disponible contre le vide écrit à la main. Le libellé actuel désigne un coupable avant d’avoir défini le délit.

Publier le barème. Combien de signalements pour produire un effet, quel effet exactement, pendant combien de temps, avec quelle décroissance. Aucun dispositif de sanction sérieux ne fonctionne sans échelle de peines publique. Aujourd’hui, personne ne sait si cinq clics comptent pour quelque chose ou pour rien.

Ouvrir un droit de réponse. Si mon tableau de bord m’apprend que ma publication a été jugée inauthentique, je dois pouvoir contester, produire mes éléments et obtenir une révision. C’est le minimum procédural qu’on attend de n’importe quelle plateforme qui affecte l’activité économique de ses membres.

Publier le taux de faux positifs. OpenAI l’a fait, et cette transparence lui a coûté son détecteur. Turnitin le fait, à sa manière. Pangram Labs documente les cas où son modèle décroche. Une plateforme qui construit un modèle de détection entraîné par ses membres doit le même chiffre à ses membres.

Ce que fait un dirigeant lundi matin

Ce dossier ne contient aucune astuce pour échapper au signalement, et n’en contiendra jamais. Je l’écris en toutes lettres parce que c’est la seule position tenable : chercher à passer sous les radars, c’est admettre que la question de l’origine est légitime. Elle ne l’est pas. Et un contenu calibré contre un détecteur reste un contenu calibré : il change de gabarit, pas de nature.

Ce qui suit n’a rien de nouveau. Ce sont les choses qui faisaient déjà la différence en 2012, et elles ne dépendent d’aucun bouton.

Apportez une donnée que personne d’autre ne possède. Vos chiffres de conversion, votre taux de réponse réel sur une séquence, le prix moyen constaté sur vos douze derniers devis. Une seule donnée propriétaire dans un texte le rend inimitable, quel que soit l’outil qui a tenu le stylo.

Datez et situez. « En mai 2026, sur un appel d’offres à Nantes » se vérifie et s’incarne. « Récemment, chez un client » ne veut rien dire et sonne comme du remplissage, IA ou pas.

Racontez un cas dont vous êtes le seul témoin. Pas la énième légende de start-up américaine recopiée sur une infographie. La vôtre, celle où vous vous êtes planté, avec le montant.

Prenez une position qui vous engage. Un texte qui ne peut fâcher personne n’intéresse personne. Le générique trahit moins un style qu’un refus de trancher.

Signez, et déclarez votre usage si vous en avez un. Van der Blom termine ses publications en indiquant son mode de production. Je fais la même chose depuis le début, et la déclaration éditoriale d’All In est publique. Cette déclaration ne vous protège pas d’un clic hostile, aucune ne le fera. Elle vous place du côté de ceux qui répondent de ce qu’ils publient, c’est-à-dire du côté du critère que le droit européen a retenu.

Si vous voulez creuser le versant méthodique de tout ça, la manière dont un fil hiérarchise vraiment les contenus et ce qui rend un texte citable par les moteurs génératifs, c’est détaillé dans les méthodes All In.

J’ai déjà vu ce film entre 2005 et 2012

Je fais du web depuis 1998. J’ai vu arriver les fermes de contenu au milieu des années 2000, et j’ai vu ce qu’elles ont fait au métier.

Le mécanisme était identique à celui d’aujourd’hui, sans les modèles de langue. Des articles produits à la chaîne, calibrés sur les requêtes, payés quelques euros pièce, empilés par milliers pour capter du trafic publicitaire. Ça marchait. Pendant cinq ans, ça a même très bien marché, et des gens sérieux m’expliquaient en réunion que le contenu de qualité était un luxe de romantique. J’ai vu des agences bâtir leur modèle entier là-dessus.

Google a répondu avec Panda en février 2011, puis Penguin en avril 2012. Des sites entiers ont disparu des résultats en une nuit. Des boîtes ont fermé. J’ai retenu ceci de cette période, que j’ai vécue de l’intérieur et pas lue dans une rétrospective : ce qui a survécu n’est pas ce qui avait le mieux caché ses procédés. Les meilleurs dissimulateurs ont été balayés au deuxième tour, parfois au troisième. Ce qui a survécu, c’est ce qui avait quelque chose à dire, et qui était identifiable comme venant de quelqu’un.

Les détecteurs de 2026 occupent la place qu’occupaient les filtres antispam de 2011. Je ne sais pas ce qu’ils deviendront et je ne vais pas faire semblant. Ce que je peux dire, c’est ce que j’ai constaté sur vingt ans : le seul actif qui ne s’est jamais dévalué, c’est d’avoir une position et de la tenir sous son nom. Je n’ai rien vu d’autre traverser trois changements d’algorithme, et j’ai regardé.

Ce que je ne sais pas

L’honnêteté de ce dossier se juge autant sur cette section que sur les six précédentes.

Je ne sais pas s’il existe un seuil de déclenchement, ni à combien de signalements il se situe. Je ne connais pas le taux de faux positifs du dispositif, et personne à l’extérieur de LinkedIn ne le connaît. J’ignore le volume réel de signalements enregistrés depuis le 30 juillet. Je n’ai aucune mesure de l’effet exact sur la portée d’une publication signalée, et aucune donnée publique n’existe à ce jour sur les portées perdues.

Je ne sais pas si LinkedIn publiera un jour ces chiffres. La plateforme a été plus transparente que la moyenne sur ses volumes de blocage d’automatisation, ce qui laisse une porte ouverte. Elle ne l’a pas été du tout sur le barème. Si ces données sortent, elles seront reprises ici et dans la newsletter hebdomadaire All In, avec la même exigence d’attribution que dans ce dossier.

Et je le répète parce que le sujet est inflammable : aucune campagne de signalement coordonné n’est documentée à ce jour. Je décris une architecture qui la rend possible. Si vous lisez quelque part que « les signalements de masse ont commencé », demandez la source avant de partager.

On ne juge pas d’où vient un texte, on juge ce qu’il vaut

Le slop existe. Il sature les fils, il fait fuir les lecteurs sérieux, et je le déteste autant que celui qui a cliqué sur le bouton ce matin. Sur ce constat, LinkedIn et moi sommes d’accord.

Mais le slop n’est pas de l’IA. Le slop, c’est du vide. Il y a du vide entièrement humain sur LinkedIn depuis quinze ans, produit à la main par des gens très sincères qui n’ont rien à dire et le disent longuement. Et il y a des textes assistés par machine, portés par une donnée réelle, un angle assumé et une signature, qui valent mieux que 90 % du fil.

LinkedIn avait les deux critères sur la table le même jour. Il a écrit le bon dans la description de son nouveau correcteur : ne pas changer la voix de l’auteur. Il a gravé le mauvais dans le libellé de son bouton : ça ressemble à de l’IA.

Il n’est pas trop tard pour intervertir les deux. Un bouton « publication creuse » aurait ma bénédiction dès demain matin, et il tomberait sur beaucoup de textes écrits sans la moindre machine.

FAQ

Le bouton « Seems like AI slop » réduit-il vraiment la portée d’un post ?

LinkedIn n’a publié ni seuil de déclenchement, ni effet chiffré sur la portée, ni durée de la mesure, au 7 août 2026. La plateforme indique que les signalements servent à entraîner ses modèles de détection, appliqués d’abord aux contenus suggérés et hors réseau. Toute affirmation chiffrée sur une perte de portée relève aujourd’hui de la spéculation.

Peut-on contester un signalement « AI slop » sur LinkedIn ?

Aucune procédure de contestation n’a été communiquée à ce jour. Un signal privé est en test dans le tableau de bord d’analyse : il informe l’auteur que des membres ont trouvé sa publication inauthentique, sans préciser le nombre de signalements ni permettre une réponse. C’est l’une des quatre demandes formulées dans ce dossier.

Les humains savent-ils reconnaître un texte écrit par IA ?

Pas individuellement. Clark et al. (ACL 2021) mesurent 49,9 % de bonnes réponses sur GPT-3, soit le niveau du hasard, et Jakesch et al. (PNAS 2023) confirment une performance proche du hasard quels que soient l’effort et l’expertise. Seul un panel de cinq experts votant à la majorité atteint 1 erreur sur 300 (Russell et al., ACL 2025), un protocole que le bouton ne reproduit en rien.

Est-il vrai que 41 % des posts LinkedIn sont générés par IA ?

Le chiffre vient de Pangram Labs, éditeur d’un détecteur d’IA, dans un rapport du 9 juillet 2026 portant sur 1 002 627 publications. Il concerne les publications de plus de 250 mots. Les données ont été collectées via une extension Chrome installée volontairement : l’étude mesure ce que voyaient des utilisateurs volontaires d’un détecteur d’IA, pas un échantillon aléatoire de LinkedIn.

Oui. L’article 50 du règlement européen sur l’IA impose de la transparence, pas une interdiction. Un contrôle éditorial humain substantiel, c’est-à-dire l’examen par une personne compétente pouvant approuver, modifier ou refuser le contenu, exempte le texte de l’obligation de marquage. Le volet « haut risque » du règlement, lui, n’est pas applicable : il est reporté à décembre 2027.

Les détecteurs d’IA pénalisent-ils les auteurs non anglophones ?

Oui, et c’est documenté. Une étude de Stanford publiée en 2023 montre que sept détecteurs classent les textes de locuteurs non natifs comme générés par IA dans 61 % des cas, avec une erreur unanime des sept détecteurs sur environ 20 % des copies. Les auteurs attribuent ce biais à une diversité lexicale plus restreinte, associée à tort à la machine.

Comment éviter d’être signalé comme « AI slop » ?

Ce dossier ne donne délibérément aucune technique anti-détection, et considère la question comme mal posée. Ce qui protège durablement une publication est ce qui la rend irremplaçable : une donnée propriétaire, un cas daté et situé dont vous êtes le témoin, une position qui vous engage, et une signature assumée. Un texte que seul son auteur pouvait écrire n’a jamais l’air générique.

Sources

  1. TechCrunch, 30/07/2026 : annonce du bouton, emplacement, volumétrie d’automatisation bloquée.
  2. Forbes, Cody Luongo, 30/07/2026 : citations de Hari Srinivasan et de Colin Steele (« ripe for abuse »).
  3. 404 Media, 30/07/2026 : libellé exact et réception du dispositif.
  4. Fortune, 31/07/2026 : volumes de tentatives d’automatisation bloquées.
  5. Blog du Modérateur et Next.ink : couverture francophone, absence de barème publié.
  6. Richard van der Blom, publication LinkedIn, fin juillet 2026, test personnel du détecteur Substack, cas du locuteur non natif, déclaration d’usage.
  7. Pangram Labs, rapport du 09/07/2026 (source primaire), repris par The Register et Fast Company : chiffre de 41 %, échantillon de 1 002 627 publications, collecte par extension Chrome installée volontairement.
  8. Clark et al., ACL 2021 : 57,9 % sur GPT-2, 49,9 % sur GPT-3.
  9. Jakesch, Hancock & Naaman, PNAS 2023 : « Human heuristics for AI-generated language are flawed ».
  10. Russell, Karpinska & Iyyer, ACL 2025 : cinq experts en vote majoritaire, 1 erreur sur 300.
  11. Liang et al., Stanford, 2023 : biais des détecteurs GPT contre les locuteurs non natifs, 61 %.
  12. OpenAI, fermeture de son détecteur, 20/07/2023 : 26 % de vrais positifs, 9 % de faux positifs.
  13. Règlement (UE) 2024/1689 sur l’intelligence artificielle : article 50 (transparence), article 99 (sanctions) ; report du volet haut risque par le règlement (UE) 2026/1744 du 08/07/2026.
  14. Social Media Today : position officielle de LinkedIn sur les pods d’engagement.
  15. Merriam-Webster, mot de l’année 2025 : définition de « slop ».

All In : juger un contenu sur ce qu’il apporte, pas sur ce à quoi il ressemble

Les dispositifs de modération changent tous les six mois. Ce qui rend une publication irremplaçable pour un lecteur, un acheteur ou un recruteur n’a pas bougé depuis vingt ans, et c’est le seul terrain sur lequel un dirigeant a intérêt à jouer.

All In est le média B2B qui décode LinkedIn : blog expert, podcast hebdomadaire et newsletter pour les dirigeants de PME et directeurs commerciaux qui veulent transformer LinkedIn en levier de croissance mesurable. Une création originale de Patrick de Carvalho, utilisateur de LinkedIn depuis 2004. Devise : « Je Ne Perds Jamais ».

Découvrez All In et retrouvez chaque semaine l’essentiel pour performer sur LinkedIn.