LinkedIn e AI: corso pratico e miti dell’algoritmo
Un corso su LinkedIn e AI dovrebbe insegnare a migliorare profilo, contenuti e relazioni, ma anche a verificare le presunte regole dell’algoritmo. L’intelligenza artificiale può aiutarti a organizzare le idee e scrivere meglio. Non conosce, per questo, una formula segreta per moltiplicare la visibilità.
Mi è stata sottoposta un’infografica intitolata How the LinkedIn algorithm works in 2026. Sette riquadri, numeri precisi, promesse rassicuranti. I primi 90 minuti deciderebbero tutto. Un salvataggio varrebbe cinque like. Un commento da otto a quindici. Sembra il listino della borsa delle interazioni.
Ho controllato le sette affermazioni confrontandole con documentazione tecnica, paper e benchmark. Il risultato è una guida pratica per chi cerca “LinkedIn AI corso” e vuole imparare un metodo verificabile. Per cominciare dalle basi, trovi anche il mio videocorso LinkedIn gratuito sull’ottimizzazione del profilo.
Verifica delle fonti: 20 settembre 2026. Le valutazioni riguardano le informazioni pubbliche consultate, non il codice interno di LinkedIn. Gli esempi didattici sono dichiarati come tali.
L’infografica sull’algoritmo LinkedIn 2026: verifica delle sette affermazioni
Una distinzione preliminare: “non verificato” non significa automaticamente “falso”. Significa che non ho trovato una fonte adeguata per presentare quella frase come un fatto. Un benchmark, inoltre, descrive un campione: non rivela da solo il funzionamento del ranking.
| Affermazione dell’infografica | Esito della verifica | Come usarla correttamente |
|---|---|---|
| Il 70% della reach si decide nei primi 60-90 minuti; commenti e salvataggi iniziali decidono la distribuzione. | Percentuale e finestra decisiva non documentate nelle fonti consultate. | Rispondere quando si è disponibili è una scelta organizzativa. Non esiste qui una prova che il post scada dopo 90 minuti. |
| Un salvataggio vale 5 like e 2 commenti; i contenuti salvabili ottengono più distribuzione di qualsiasi altro contenuto. | Moltiplicatori non verificati. Anche il primato assoluto è privo di prova. | Creare risorse utili ha senso. Non attribuire loro un rendimento algoritmico fisso. |
| I commenti valgono 8-15 like; quelli articolati segnalano conversazioni autentiche, mentre “Great post!” viene escluso dalla distribuzione. | Pesi non verificati. La preferenza per contributi sostanziali è coerente con le comunicazioni della piattaforma; l’esclusione automatica di una frase breve non è dimostrata. | Aggiungere un esempio, una domanda pertinente o un’obiezione motivata. |
| Il tempo di permanenza conta più dei like; 60 secondi di lettura battono 50 like con letture da 3 secondi. | Segnale reale, confronto numerico non provato. | Favorire comprensione e utilità senza allungare artificialmente i testi. |
| 360Brew legge headline, informazioni ed esperienze prima di distribuire ogni post; un profilo vago riduce sempre la reach. | Attribuzione a 360Brew non giustificata. Il ruolo dei segnali di profilo va distinto dalla presunta penalità universale. | Rendere chiaro il proprio lavoro ai lettori, evitando promesse sul ranking. |
| I documenti hanno engagement medio del 6,6%, il più alto del 2026; sfogliarli aumenta il dwell time e il valore algoritmico. | Dato rintracciabile, generalizzazione scorretta. Il 6,6% compare nel Q2 2026 di Socialinsider, con i multi-immagine al 6,9%. Il meccanismo causale non è provato dal benchmark. | Distinguere periodo, campione, formato e metrica. |
| La coerenza tematica batte la dimensione della rete; cambiare argomento confonde 360Brew. | Consiglio editoriale trasformato in legge. Nessuna prova di questo confronto universale. | Scegliere temi riconoscibili e sperimentare collegamenti pertinenti. |
C’è persino un problema di coerenza interna. Se un salvataggio equivale a cinque like e a due commenti, un commento dovrebbe valere 2,5 like. Il riquadro successivo ne indica da otto a quindici. Senza spiegare contesti diversi, i due conti non tornano. Questo non dimostra quali siano i pesi reali: dimostra che quei numeri non possono essere utilizzati insieme come una formula.
360Brew e Feed SR: che cosa dicono davvero i paper
Il paper su 360Brew di Hamed Firooz e colleghi, presentato nel gennaio 2025, descriveva un modello di ricerca pre-production da 150 miliardi di parametri. La scheda arXiv segnala il ritiro; la nota amministrativa riguarda il diritto del depositante ad accettare la licenza. Il ritiro, da solo, non dimostra che i risultati tecnici fossero sbagliati. Ma quel documento non autorizza a descrivere 360Brew come il motore che decide oggi la visibilità di ogni post.
Un riferimento più pertinente è An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking, di Lars Hertel, Gaurav Srivastava e colleghi. La versione consultata è del 16 settembre 2026. Gli autori descrivono Feed Sequential Recommender, o Feed SR, e dichiarano l’impiego sulla maggior parte del traffico del feed. Riportano test A/B con un aumento del 2,10% del tempo trascorso e del 3,52% della metrica che raggruppa like, commenti e ricondivisioni rispetto al modello precedente.
Sono risultati del sistema nel suo insieme. Non significano che un tuo post guadagnerà il 3,52%, né che un commento abbia un valore fisso. Il paper descrive una sequenza di interazioni e previsioni di azioni: non un tariffario pubblico per creator.
La spiegazione ufficiale Engineering the next generation of LinkedIn’s Feed, firmata da Hristo Danchev il 12 marzo 2026, distingue la selezione dei contenuti candidati dal loro ordinamento. Descrive modelli che utilizzano significato dei contenuti, segnali professionali del lettore e storia delle interazioni. Gli aggiornamenti possono riguardare anche post già esistenti che ricevono nuove interazioni. Non pubblica la regola del “70% entro 90 minuti”.
Attenzione anche a una confusione frequente: i dati del tuo profilo che aiutano a personalizzare ciò che leggi non dimostrano automaticamente una penalità per ciò che pubblichi. Una headline chiara resta una buona scelta di comunicazione. Per esempio, “Consulente commerciale per aziende manifatturiere” permette a un potenziale cliente di orientarsi meglio di “Professionista appassionato di sfide”.
Tempo di lettura e commenti: i segnali esistono, i moltiplicatori no
Il tempo di permanenza non è un’invenzione dell’infografica. In Understanding dwell time to improve LinkedIn feed ranking, del 12 maggio 2020, il team di LinkedIn spiega l’uso del dwell time nel feed e dopo il clic, anche per individuare contenuti rapidamente saltati. È una fonte tecnica storica, non una descrizione completa del sistema del 2026. Non stabilisce l’equivalenza “60 secondi battono 50 like”.
La mia indicazione pratica: togli attriti alla lettura. Una spiegazione può richiedere dieci righe o dieci slide. Se aggiungo sette slide vuote per trattenere le persone, sto progettando un ostacolo, non una lezione.
Sull’autenticità c’è una comunicazione più recente: Keeping conversations real on LinkedIn, di Laura Lorenzetti, pubblicata il 20 maggio 2026. LinkedIn ammette l’uso dell’AI come supporto alla scrittura, ma annuncia interventi sui contenuti generici, sulle risposte che ripetono il post e sui commenti automatizzati su larga scala. Non dice che ogni ringraziamento breve sia falso.
Esempio didattico: sotto un post sulla formazione aziendale, “Concordo, tema fondamentale” aggiunge poco. “Nel tuo esempio manca il tempo per verificare l’output: come lo includeresti nell’esercitazione?” apre una questione precisa. Non servono cinque frasi quando ne basta una utile.
Il 6,6% dei documenti LinkedIn: leggere bene un benchmark
Il report LinkedIn Benchmarks 2026 di Socialinsider permette di rintracciare quel numero: nell’aggiornamento del secondo trimestre 2026 i documenti nativi sono al 6,6% di engagement medio, mentre i post multi-immagine sono al 6,9%. La tabella annuale indica invece il 7% per i documenti sui dati 2025.
La metodologia annuale dichiara 1,3 milioni di post di 16.645 pagine aziendali, tra gennaio 2024 e dicembre 2025. La pagina aggiunge aggiornamenti trimestrali, ma non si può attribuire automaticamente al solo Q2 l’intero campione annuale. Il tasso è calcolato rispetto alle impression, non ai follower. Sono dati osservazionali di un fornitore di analytics, non un esperimento causale di LinkedIn sui profili personali.
Un PDF e un album di immagini sono inoltre formati distinti. Dire “i caroselli fanno sempre il 6,6%” perde queste differenze. Per scegliere, partirei dalla domanda del lettore: un procedimento può diventare un documento; una visita a uno stabilimento può essere raccontata con fotografie. Misurerei poi i risultati sul mio pubblico.
LinkedIn e AI: corso pratico in cinque esercizi
La parte utile comincia qui. Propongo un piccolo laboratorio per consulenti, commerciali, professionisti e responsabili marketing. Puoi svolgerlo con un assistente AI testuale, usando materiali che hai titolo a condividere. Gli output sono bozze da controllare prima della pubblicazione.
1. Migliorare il profilo partendo da prove
Raccogli il testo attuale del profilo, una descrizione dei servizi e due esperienze documentate. Chiedi una diagnosi prima della riscrittura.
Agisci come un revisore del mio profilo LinkedIn. Il pubblico è [target] e voglio essere riconoscibile per [competenza]. Analizza headline, informazioni ed esperienze che incollo. Indica cinque passaggi generici e le domande necessarie per renderli concreti. Proponi tre headline usando solo le informazioni presenti. Non inventare clienti, certificazioni, anni di esperienza o risultati. Segna con [DA VERIFICARE] ciò che manca.
Esempio didattico: per un professionista che lavora realmente con PMI manifatturiere, “Aiuto le PMI manifatturiere a organizzare il processo commerciale” è una proposta più comprensibile di “Sales ninja orientato al successo”. Va usata soltanto se descrive ciò che fa davvero.
Per rivedere le basi prima di usare l’AI, il mio videocorso LinkedIn gratis offre dieci videopillole su profilo, posizionamento, keyword, esperienze e networking. È una base sul profilo; gli esercizi di questo articolo aggiungono il lavoro con l’AI.
2. Trasformare un’esperienza in un post verificabile
Parti da appunti reali: una domanda ricevuta, un errore corretto, una scelta progettuale. Un aneddoto inventato resta inventato anche se il chatbot lo racconta bene.
Trasforma questi appunti in una bozza LinkedIn per [pubblico]. Mantieni il mio punto di vista: [tesi]. Struttura: problema concreto, esempio, limite, domanda finale pertinente. Massimo 1.300 caratteri. Niente emoji, superlativi o statistiche aggiunte. Non attribuirmi esperienze assenti dagli appunti. Elenca separatamente le affermazioni da verificare e conserva i link alle fonti che ti fornisco.
Controllo finale: saprei rispondere se qualcuno mi chiedesse come ho ottenuto quel dato? Se no, cerco la fonte o elimino il dato. Se l’episodio contiene informazioni riservate di un cliente, preparo un esempio anonimo o un caso esplicitamente ipotetico.
3. Progettare un documento utile da conservare
Esempio didattico per un consulente AI: un PDF intitolato “Cinque controlli prima di usare un documento aziendale con un chatbot”. Ogni pagina contiene un controllo, una domanda e un esempio. Il formato segue il lavoro da svolgere.
Progetta una scaletta di sei slide sul tema [tema] per [pubblico]. Usa soltanto le fonti e gli appunti allegati. Per ogni slide scrivi titolo, messaggio principale, esempio e fonte, se necessaria. La prima deve spiegare l’utilità del documento; l’ultima deve contenere una checklist. Segnala informazioni mancanti. Evita slide riempitive e promesse di performance.
Prima di caricarlo, leggi il PDF sul telefono. Controlla dimensioni del testo, contrasto, ordine delle pagine e leggibilità dei collegamenti. Un contenuto “salvabile” deve essere utilizzabile anche domani.
4. Preparare una conversazione senza automatizzare il rapporto
L’AI può aiutarti a capire un testo prima di intervenire. La risposta pubblica deve riflettere ciò che pensi e conosci.
Riassumi la tesi di questo post in due frasi. Individua una domanda rimasta aperta e un possibile limite. Proponi tre spunti per un commento, senza scriverli come mie esperienze. Non fingere che conosca l’autore. Aspetta che io scelga lo spunto e aggiunga il mio punto di vista.
La verifica è semplice: se cancellassi il riferimento al post originale, il commento funzionerebbe sotto qualunque contenuto? Se sì, probabilmente è troppo generico.
5. Analizzare i risultati senza scambiare correlazione e causa
Prepara una tabella dei tuoi post con data, argomento, formato, impression, reazioni, commenti, clic e salvataggi quando disponibili. Aggiungi un campo per le conversazioni professionali pertinenti e uno per le richieste ricevute. Non confondere gli zeri con i dati mancanti.
Analizza questa tabella dei miei post LinkedIn. Distingui risultati osservati, ipotesi e dati mancanti. Confronta formati e argomenti usando numerosità, mediana e dispersione quando i dati lo consentono. Non dedurre i pesi dell’algoritmo. Se calcoli un tasso, esplicita numeratore e denominatore. Proponi due esperimenti editoriali cambiando una variabile alla volta. Non attribuire vendite ai post senza evidenze.
Come esercizio, puoi osservare i post dopo 24 ore e dopo sette giorni, mantenendo uguali le finestre di confronto. Sono scelte di misurazione del laboratorio, non scadenze imposte dall’algoritmo. Con pochi post parlerai di indizi, non di conclusioni statistiche robuste.
L’AI migliora la scrittura? Uno studio utile, con limiti precisi
Shakked Noy e Whitney Zhang hanno studiato l’uso di ChatGPT in compiti di scrittura professionale con 453 partecipanti. Il lavoro, Experimental evidence on the productivity effects of generative artificial intelligence, è stato pubblicato su Science nel 2023. Il resoconto del Massachusetts Institute of Technology, con collegamento al paper, riporta un tempo medio ridotto del 40% e una qualità valutata superiore del 18%.
Lo studio non misurava la reach su LinkedIn. I compiti non richiedevano lo stesso contesto aziendale e la stessa verifica fattuale di molte attività reali. È una base per sperimentare un assistente alla scrittura, non una prova che i post generati ottengano più clienti.
Nel laboratorio separerei quindi due misure: tempo necessario per produrre una bozza affidabile, compresa la revisione, e risultati del contenuto pubblicato. Risparmiare venti minuti e pubblicare un errore non è il miglioramento che cerchiamo.
Come scegliere un corso LinkedIn AI
Valuterei un corso dai materiali che permette di costruire e dai controlli che insegna. Ecco la mia checklist:
- Profilo: il lavoro parte da pubblico, competenze e prove?
- Prompt: le richieste includono fonti, vincoli e gestione delle informazioni mancanti?
- Contenuti: si lavora su esperienze reali e revisioni, oltre che sulle prime bozze?
- Relazioni: gli esercizi favoriscono conversazioni pertinenti?
- Misurazione: si distinguono visibilità, interazioni, contatti e opportunità?
- Algoritmo: il docente separa documentazione ufficiale, benchmark e ipotesi?
Se un programma promette il trucco definitivo per aggirare l’algoritmo, chiederei la fonte, la data e il metodo di verifica. È un ottimo esercizio già prima dell’iscrizione.
Domande frequenti su LinkedIn, AI e formazione
Posso usare l’AI per scrivere i post LinkedIn?
Sì, come supporto per struttura e formulazione. La comunicazione di LinkedIn sull’autenticità richiede che post e commenti rappresentino la voce e la prospettiva dell’autore. Verifica fatti, esempi e tono prima di pubblicare.
I primi 90 minuti decidono davvero tutto?
Non ho trovato nelle fonti tecniche consultate una conferma della finestra universale e della percentuale indicate nell’infografica. Conviene usare finestre di osservazione costanti, evitando di giudicare un contenuto soltanto dai primi minuti.
Il videocorso LinkedIn gratuito comprende questo laboratorio AI?
Il videocorso collegato insegna le basi dell’ottimizzazione del profilo. Il laboratorio AI è descritto in questo articolo: puoi affiancarlo alle videopillole, senza confondere i due materiali.
Come posso organizzare un corso LinkedIn e AI per l’azienda?
Puoi scrivermi tramite il form qui sotto indicando destinatari, livello di partenza e obiettivo: personal branding, comunicazione, social selling o ricerca di opportunità professionali. Possiamo costruire esercitazioni su profili e materiali pertinenti al tuo contesto.
Per iniziare subito: guarda il videocorso LinkedIn gratuito, scegli un esercizio di questa guida e confronta la bozza dell’AI con le prove che hai a disposizione. Il primo risultato da cercare è un profilo più chiaro e un contenuto di cui puoi rispondere personalmente.
Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Lascia un Commento
Vuoi partecipare alla discussione?Sentitevi liberi di contribuire!