Det kan godt føles, som om LinkedIns nyhedsfeed og algoritmer har ændret sig voldsomt i løbet af det sidste års tid.

Det indtryk får man næsten automatisk, hvis man bare skimmer feedet. Der er et hav af opslag om faldende rækkevidde, skjulte strafmekanismer, nye algoritmehacks og forklaringer på, hvorfor opslag pludselig performer anderledes.

Men når man lægger støjen til side og ser på, hvad LinkedIn faktisk selv har sagt det seneste års tid, tegner der sig et mere nuanceret billede.

Og det er lige præcis omdrejningspunktet for dette blogindlæg.

I stedet for at hælde mere benzin på bålet med holdninger, rygter og formodninger har jeg derfor valgt at gå en anden vej. Jeg har set nærmere på, hvad LinkedIn faktisk selv har sagt om ændringerne i deres algoritmer og den måde, nyhedsfeedet fungerer på.

For der er stor forskel på det, vi kan observere udefra, og det, vi faktisk ved om, hvordan LinkedIn fungerer.

LinkedIn er ikke en platform, der lægger hele opskriften på algoritmerne åbent frem. Derfor opstår der hurtigt myter, halve sandheder og kreative teorier om, hvad der virker.

Heldigvis udtaler LinkedIn sig indimellem offentligt i opslag, artikler, videoer og podcasts. Jeg har derfor brugt tid på at finde frem til de kilder, hvor LinkedIn faktisk selv forklarer, hvad de lægger vægt på i feedet, og hvad de ikke gør.

Nedenfor har jeg samlet nogle af de vigtigste pointer fra LinkedIns egne offentlige udtalelser.

Laura Lorenzetti, der er Vice President and Executive Editor hos LinkedIn, har i en episode af “Problem Solvers” podcasten fortalt, at nyhedsfeedet i højere grad skal fremhæve indhold med viden, unikke indsigter og meningsfulde samtaler.

Hun siger også, at værdien på LinkedIn ikke ligger i viralitet, men i at nå de rigtige mennesker med indhold, de faktisk kan bruge. Samtidig understreger hun, at folk i højere grad følger personer for deres ekspertise og deres autentiske stemme.

Det viser ret klart, hvilken type indhold LinkedIn i stigende grad ser som værdifuldt på platformen. Ikke indhold, der bare skaber aktivitet, men indhold, der hjælper andre, sætter noget i perspektiv og inviterer til fagligt relevante samtaler.

Tim Jurka, der er Vice President of Engineering, har i en artikel skrevet, at LinkedIn aktivt arbejder på at begrænse effekten af “engagement pods” og bekæmpe automatiseret kommentaradfærd, herunder kommentarer og dialoger skabt via tredjepartssoftware og browser extensions.

Engagement pods er netværk af personer, der bevidst hjælper hinanden med at kommentere hurtigt på hinandens opslag for at få dem til at se mere populære og relevante ud, end de nødvendigvis er.

Tim skriver også, at LinkedIn vil vise mindre af generisk indhold og såkaldt “engagement bait” eller på dansk kommentarlokkemad, altså opslag, der primært prøver at fremkalde aktivitet frem for at skabe reel værdi eller relevante samtaler.

Eksempler på opslag inden for denne kategori er opfordringer som “Skriv ja tak i kommentarfeltet for at få guiden” eller “Like, hvis du kender følelsen” og lignende.

Når vi taler om LinkedIn-algoritmen, kan det godt lyde, som om LinkedIn tager alle opslag, giver dem en score og derefter beslutter, hvor meget rækkevidde de skal have, men så enkelt fungerer det ikke.

I marts 2026 offentliggjorde Hristo Danchev, der er Senior Staff Technical Program Manager hos LinkedIn, en teknisk artikel om, hvordan næste generation af LinkedIns nyhedsfeed er bygget.

LinkedIn beskriver blandt andet processen gennem to centrale begreber, kendt som “retrieval”, på dansk indhentning, og “ranking”, på dansk rangering.

Retrieval handler populært sagt om at finde kandidaterne til de opslag, der kan give mening at vise dig i dit nyhedsfeed.

Der findes en enorm mængde opslag, som LinkedIn i princippet kan vise dig. Retrieval-systemets opgave er derfor først at finde en langt mindre pulje af opslag, som kan være relevante for netop dig.

Ranking handler derefter om at vurdere og sortere kandidaterne.

Når LinkedIn har fundet en pulje af potentielt relevante opslag, skal systemet vurdere, hvilke af dem der er mest relevante for dig, og i hvilken rækkefølge de skal vises.

Meget forenklet kan du tænke på det sådan:

Retrieval: Er dette opslag relevant nok til overhovedet at komme i betragtning til denne persons feed?

Ranking: Blandt de opslag, der er kommet i betragtning, hvilke er så mest relevante, og i hvilken rækkefølge skal de vises?

Hristo Danchev beskriver, hvordan LinkedIn i 2026 er ved at ændre den måde, systemet finder og rangerer potentielt relevante opslag på.

Tidligere kom kandidaterne til dit feed fra en række forskellige systemer. Det kunne eksempelvis være opslag fra dit netværk, geografisk populært indhold, branchebaseret indhold og systemer, der fandt ligheder mellem medlemmer og indhold.

LinkedIn beskriver nu en såkaldt unified retrieval-løsning. Lidt forenklet betyder det, at LinkedIn nu samler en større del af arbejdet med at finde relevante opslag i ét system.

Her bruger LinkedIn blandt andet såkaldte “LLM-baserede embeddings”.

Og hvad pokker betyder så det?

LLM står for Large Language Model. Det er den type AI-model, som også ligger bag tjenester som ChatGPT og Claude.

Embeddings er en matematisk måde at repræsentere betydningen af eksempelvis et opslag eller et medlems faglige interesser på.

Det lyder temmelig teknisk, men du behøver ikke forstå matematikken bag.

Det interessante er, hvad teknologien gør LinkedIn bedre til.

Den hjælper systemet med at forstå den faglige betydning og sammenhæng i indholdet, også selv om et opslag ikke bruger præcis de samme ord, som står på din profil eller i andet indhold, du tidligere har interesseret dig for.

LinkedIn bruger selv et eksempel med en person, der har elektroteknik som faglig interesse, men ofte engagerer sig i opslag om små modulære atomreaktorer.

Elektroteknik og små modulære atomreaktorer er ikke ligefrem det samme. Men LinkedIn kan bedre forstå den faglige sammenhæng mellem de to emner, selv om de ikke bruger de samme ord.

Hristo peger også på, at oplysninger fra din LinkedIn-profil kan hjælpe systemet med at vurdere, hvad der er relevant for dig. Det gælder især i situationer, hvor LinkedIn endnu ikke har ret meget information om din adfærd på platformen.

Den nye teknologi skal altså gøre LinkedIn bedre til at forstå den faglige sammenhæng mellem medlemmer og indhold, også når sammenhængen ikke kan findes ved blot at se på de samme nøgleord.

Hristo Danchev skriver også, at målet er at fremhæve værdifuldt indhold, selv når det kommer fra personer, du aldrig har været forbundet med.

Det betyder ikke, at dit netværk er blevet ligegyldigt, men relationen mellem to personer er ikke det eneste, der kan gøre et opslag relevant.

Hvis LinkedIn vurderer, at dit opslag fagligt matcher en persons interesser og professionelle kontekst, kan det også komme i betragtning til vedkommendes feed, selv om I ikke er forbundet.

For dig, der poster indhold, betyder det, at et opslag kan nå ud over dit eget netværk, hvis LinkedIn vurderer, at det er relevant for de rigtige mennesker.

Når retrieval har fundet en pulje af relevante kandidater, kommer ranking.

Tim Jurka har forklaret, at feedet nu bruger LLM-baseret retrieval og såkaldte generative recommenders til ranking.

Og hvad er så en generativ recommender på dansk?

Meget forenklet er det et AI-baseret anbefalingssystem, der forsøger at forudsige, hvilket indhold der er mest relevant for det enkelte medlem.

Systemet ser heller ikke kun på hver enkelt visning, reaktion eller kommentar isoleret.

LinkedIn ser altså også på din adfærd over tid:

• Hvad læser du?
• Hvad engagerer du dig i?
• Hvad vender du tilbage til?
• Og hvad springer du konsekvent over?

På den måde kan LinkedIn vurdere relevansen af et opslag i forhold til den enkelte persons professionelle interesser og adfærd over tid.

Det betyder også, at du ikke kan vurdere et opslags relevans for LinkedIn alene ud fra, hvor mange hurtige reaktioner det får.

Hristo Danchev beskriver også et system, der løbende opdaterer sin forståelse af både medlemmer og indhold.

Når et nyt opslag bliver publiceret eller får mere aktivitet, bliver informationen om opslaget hurtigt opdateret i systemet. Og når du engagerer dig i nyt indhold eller opdaterer din profil, bliver LinkedIns forståelse af dine interesser også opdateret.

Ifølge LinkedIn sker den slags opdateringer inden for minutter.

Dit feed er altså ikke baseret på en statisk vurdering af, hvad du interesserer dig for. Systemet tilpasser sig løbende nye samtaler, nye signaler og ændringer i dine interesser.

Hristo skriver samtidig, at LinkedIn løbende gennemgår modellerne for at sikre, at opslag fra forskellige indholdsskabere konkurrerer på lige fod, og at oplevelsen i nyhedsfeedet er konsistent på tværs af medlemmer.

LinkedIn skriver også, at systemet bygger på professionelle signaler og engagementsmønstre og ikke på demografiske oplysninger.

Samlet set viser de forskellige dele, hvor personaliseret LinkedIns nyhedsfeed er.

LinkedIn forsøger først at finde indhold, der kan være relevant for det enkelte medlem. Derefter forsøger systemet at vurdere, hvilke af kandidaterne der er mest relevante for netop denne person.

Det er også med til at forklare, hvorfor to personer ikke nødvendigvis får vist de samme opslag, og hvorfor et opslag ikke bare konkurrerer om at blive vist til flest muligt.

LinkedIn har samtidig understreget, at målet ikke er viralitet i sig selv, men at få relevant professionelt indhold frem til de mennesker, som kan have værdi af det.

Hvorfor er alt det vigtigt?

Fordi det giver dig et bedre grundlag for at forholde dig kritisk til de mange påstande og gode råd om LinkedIn-algoritmen, som du møder.

Hvis nogen eksempelvis ser et fald i rækkevidden efter at have gjort X og konkluderer, at algoritmen derfor straffer X, er det værd at huske på, hvor mange forskellige faktorer der er med til at afgøre, hvad der ender i den enkelte persons nyhedsfeed.

En observation kan være interessant. Men den fortæller ikke nødvendigvis noget om årsagen.

Og hvis dit billede af, hvordan algoritmen fungerer, er forkert fra starten, risikerer dine konklusioner også at blive det.

Så nej, LinkedIn-algoritmen straffer ikke opslag, hvor du har klippet/klistret tekst fra eksempelvis Claude, ChatGPT, Copilot eller for den sags skyld Word 😉

Dette er for øvrigt et rigtig godt eksempel på faren ved at tolke på egne observationer og gøre dem til sandheder om algoritmen. For observationer er ikke det samme som fakta, og korrelation er ikke det samme som kausalitet.

Richard van der Blom kan sagtens have observeret, at opslag skrevet direkte i LinkedIn i hans datasæt i gennemsnit fik 22 % større rækkevidde end opslag, hvor teksten var kopieret ind.

Men det dokumenterer ikke, hvorfor forskellen opstod. Og dermed heller ikke, at LinkedIn-algoritmen belønner dig for at skrive teksten direkte i appen.

Det er faktisk præcis denne form for konklusion, LinkedIn selv har advaret imod.

Daniel Roth, der er Editor in Chief og VP of Content Development hos LinkedIn, har forklaret, at folk ofte analyserer deres egne opslag og forsøger at arbejde sig baglæns frem til en forklaring på, hvordan LinkedIn fungerer, men at forklaringen ofte er forkert.

Tim Jurka, som er nævnt tidligere i blogindlægget, peger samtidig på, at distributionen er stærkt personaliseret og påvirkes af så mange forskellige faktorer, at det er svært at generalisere ud fra den slags observationer.

Det betyder ikke, at eksterne analyser og undersøgelser er værdiløse. De kan være interessante, når vi skal finde mønstre og opstille hypoteser.

Men i dette tilfælde behøver vi ikke gætte på årsagen. Sam Corrao Clanon siger direkte, at LinkedIn ikke straffer opslag, fordi teksten er blevet kopieret ind.

Så du kan roligt skrive dit opslag i Claude, ChatGPT, Copilot, Word eller et helt femte sted og derefter klippe/klistre teksten ind på LinkedIn 😉

Og copy/paste-påstanden er langt fra det eneste eksempel. Der findes flere sejlivede påstande og gode råd om LinkedIn-algoritmen, som LinkedIn selv har forholdt sig til.

Lad os derfor se nærmere på nogle af dem.

Du har måske også hørt om begrebet “360Brew”, som mange har omtalt som en del af LinkedIns rankingsystem, altså det system, der er med til at bestemme, hvad du ser i dit feed.

Det har Tim Jurka imidlertid afvist i et opslag på LinkedIn i april 2026.

Her skrev han, at 360Brew ikke bruges som del af LinkedIns rankingsystem, og at det var en intern AI-model, som blev testet på en mindre gruppe medlemmer, men senere lukket ned, fordi den ikke var det rette fit for platformen.

Mange har ellers læst 360Brew som en direkte forklaring på, hvordan LinkedIns nyhedsfeed fungerer i dag. Det er ikke det, LinkedIn selv siger.

Hvis du har lyst til at læse mere detaljeret om 360Brew, kan du downloade det bagvedliggende forskningspaper lige her.

Der findes en sejlivet myte om, at algoritmen straffer opslag, hvor der er links i teksten, da LinkedIn ikke ønsker, at folk forlader platformen for at besøge eksempelvis et website. Derfor skulle LinkedIn efter sigende begrænse spredningen.

Heldigvis har Rishi Jobanputra, der er Senior Director for Product Management, afmonteret myten i en video ved at fortælle, at LinkedIn ikke bevidst straffer opslag med links i teksten.

Han understreger dog, at du kun bør tilføje links, hvis de skaber reel værdi for læseren. Hvis det er tydeligt, at du blot forsøger at trække trafik til dit website, vil det typisk påvirke rækkevidden negativt, simpelthen fordi færre vælger at engagere sig.

Lauras anbefalinger i forhold til publiceringstidspunkter passer for øvrigt godt med vores egne erfaringer, som du kan læse mere om her.

Min læsning af ændringerne er ret enkel: Relevans betyder mere end jagten på maksimal rækkevidde.

LinkedIn forsøger i højere grad at vise indhold til de personer, som faktisk har interesse i det. Samtidig forsøger platformen at skrue ned for blandt andet ligegyldige opslag, clickbait, kommentarlokkemad og kunstigt engagement.

Det betyder ikke, at rækkevidde er blevet ligegyldig, eller at gode opslag ikke længere kan nå bredt ud. Men bred rækkevidde er ikke nødvendigvis et mål i sig selv.

Et opslag kan sagtens være værdifuldt, selv om det ikke når ud til titusindvis af mennesker, hvis det til gengæld bliver vist til de mennesker, som indholdet er relevant for.

For mit eget vedkommende oplever jeg faktisk, at LinkedIn er lykkedes ganske godt med ændringerne. I hvert fald synes jeg, at kvaliteten og relevansen af mit eget nyhedsfeed er steget i løbet af det sidste års tid.

Når du selv poster på LinkedIn, kan du med fordel bruge mindre energi på algoritmehacks og mere på at skabe indhold, der er relevant for de mennesker, du gerne vil være synlig overfor.

Det handler altså ikke om, at du skal ignorere algoritmen, men derimod om at sætte den på sin rette plads.

For der er stor forskel på at forstå, hvordan LinkedIn fungerer, og på hele tiden at lede efter små tricks, som du tror kan presse lidt ekstra rækkevidde ud af et opslag.

Jeg vil derfor anbefale, at du især fokuserer på:

• Skriv til en tydelig faglig målgruppe
• Del relevant viden, erfaringer og perspektiver
• Gør det tydeligt, hvilke emner du har viden og erfaring inden for
• Brug links naturligt, når de tilfører værdi
• Brug hashtags og tagging med måde
• Deltag i relevante faglige dialoger
• Prioritér relevans frem for algoritmetricks

Og så vil jeg stadig anbefale, at du møder op regelmæssigt på LinkedIn.

Ikke fordi algoritmen nødvendigvis belønner dig for at poste et bestemt antal gange om ugen, men fordi konsistens og vedholdenhed gør det lettere at opbygge genkendelighed og relationer over tid.

Hvis jeg skal koge hele blogindlægget ned til én anbefaling, er det denne: Vær kritisk, når du møder skråsikre påstande om LinkedIn-algoritmen.

Et datasæt, en observation eller en enkelt persons erfaring kan sagtens være interessant. Men det er ikke nødvendigvis dokumentation for, hvordan algoritmen fungerer.

Du behøver ikke forstå algoritmen for at kunne arbejde professionelt med LinkedIn.

Hvis du er nysgerrig på, hvordan algoritmen fungerer, er det selvfølgelig fint.

Men i praksis synes jeg, at du får mere ud af at bruge din energi på målgruppen, din faglighed, relevante dialoger og den adfærd, du faktisk selv kan styre.

Så er det også dig selv, der har hånden på rattet, ikke algoritmen 😉