Jak sprawdzić, czy AI zabiera zasięgi na LinkedIn. Badanie 612 postów jednego profilu
- Przeanalizowaliśmy 612 postów jednego publicznego profilu na LinkedIn. Najstarszy pochodzi ze stycznia 2015, a najnowszy z września 2026. Korzystaliśmy tylko z tego, co każdy widzi pod postem: z reakcji, komentarzy, udostępnień i grafiki.
- Typowy post zbierał od stycznia do sierpnia 2023 roku 148 reakcji. W tych samych miesiącach tego roku zbiera już tylko 81, choć autor publikuje nawet więcej postów niż wtedy. Przez ostatnie 24 miesiące reakcji ubywało co miesiąc o około 1,7%.
- Tekstów z cechami pisania modelem językowym szybko przybywało. W 2023 roku miał je co setny post, a od 2025 roku ma je co trzeci. Takie posty zbierają o 27% mniej reakcji niż posty tego samego autora bez tych cech, nawet po wyrównaniu innych różnic.
- Typowy post ze zdjęciem z ręki, czyli zwykłym zdjęciem z telefonu, zbiera 143 reakcje. Post ze sceną wygenerowaną przez AI, z podpisem i hasłem, zbiera ich 84. Po wyrównaniu innych różnic to o 52% mniej.
Czego się dowiesz z tego artykułu?
- Kogo i jak sprawdziliśmy
- Czy ten profil rośnie, czy maleje
- Kiedy zaczął publikować więcej i co to dało
- Tekst pisany z AI: ile go jest i co robi z reakcjami
- Zdjęcie z ręki kontra portret z AI
- Trzy etapy wdrażania AI w grafikach
- Co z tego wynika dla Twojego profilu
- Jak emedia może w tym pomóc
- Podsumowanie
- Najczęstsze pytania
Maciej L. publikuje na LinkedIn 12 postów miesięcznie. Ma tysiące obserwujących, mocną markę i zdarzają mu się posty z 1500 reakcjami. Mimo to jego typowy post zbiera dziś prawie o połowę mniej reakcji niż dwa i pół roku temu. W tym samym czasie co trzeci jego tekst nabrał cech pisania modelem językowym, a od jesieni 2025 roku co drugie zdjęcie z jego twarzą jest sceną wygenerowaną przez AI. Sprawdziliśmy na liczbach, czy te zmiany mają ze sobą związek.
To drugie badanie w dziale Badania emedia. Sprawdziliśmy, jak zmieniały się reakcje, jak często autor publikował, które formaty działały i ile AI było w tekstach oraz w grafikach. Na końcu opisujemy trzy etapy, w których AI wchodziło do jego zdjęć. Nie podajemy nazwiska i nie linkujemy profilu, bo interesuje nas schemat, który widać także na wielu innych profilach. W tekście autor występuje jako Maciej L.
Kogo i jak sprawdziliśmy
Badaliśmy jeden profil, którego autor jest ekspertem od analityki marketingowej i od marca 2022 roku publikuje regularnie. Pobraliśmy wszystko, co widzi każdy zalogowany użytkownik LinkedIn:
- 612 postów opublikowanych na tym profilu,
- reakcje, komentarze i udostępnienia pod każdym z tych postów,
- typ każdego posta, czyli tekst, grafikę, karuzelę, wideo, ankietę albo udostępnienie,
- pierwszą grafikę z każdego posta.
Nie mieliśmy natomiast trzech rzeczy:
- zasięgu ani wyświetleń, bo LinkedIn nie pokazuje ich publicznie,
- danych o tym, jak zmieniała się liczba obserwujących,
- grupy kontrolnej, czyli podobnych profili z tego samego okresu.
iJak to policzyliśmy: skąd biorą się liczby
Wszystkie liczby spisaliśmy spod postów, tak jak widzi je każdy zalogowany użytkownik LinkedIn. Pod każdym postem jest liczba reakcji, czyli kciuków, serc i pozostałych kliknięć, a obok liczba komentarzy i udostępnień. Pobraliśmy te dane jednego dnia dla całego profilu. Użyliśmy narzędzia, które przewija publiczną listę aktywności tak jak człowiek, tylko dużo szybciej.
Pomijamy posty z ostatnich dwóch tygodni, bo wciąż zbierają reakcje. Świeży post wypadłby w porównaniu gorzej tylko dlatego, że jeszcze nie skończył ich zbierać.
Nie widzimy zasięgu, czyli liczby osób, które zobaczyły post, bo LinkedIn pokazuje go wyłącznie autorowi. Dlatego piszemy o reakcjach i komentarzach, a nie o zasięgu.
Kilka słów wraca w całym tekście i zawsze znaczy to samo:
- Reakcje to kliknięcia pod postem, czyli kciuki, serca, brawa i pozostałe ikony. To główna miara w tym badaniu, bo widać ją publicznie.
- Zaangażowanie to reakcje, komentarze i udostępnienia policzone razem.
- Zasięg to liczba osób, które zobaczyły post. LinkedIn pokazuje go tylko autorowi, więc go nie mierzymy. Najbliższym publicznym śladem zasięgu są reakcje.
- Typowy post to post środkowy, gdy ułożymy wszystkie posty z danego okresu od najsłabszego do najmocniejszego. Statystycy nazywają tę wartość medianą. Średniej nie używamy, bo jeden post z 4000 reakcji zawyżyłby wynik całego okresu.
Spadek zaangażowania może dotyczyć całego LinkedIn. Bez grupy kontrolnej nie da się tego sprawdzić, dlatego porównujemy posty tego samego autora z tych samych miesięcy. Post z cechami AI zestawiamy z postem bez nich, a zdjęcie z ręki ze sceną z AI. Każdy rok porównujemy z tymi samymi miesiącami poprzedniego roku. Zmiana algorytmu dotyka wszystkich postów autora naraz, więc nie tłumaczy różnic między jego własnymi postami.
Cechy AI ocenialiśmy w trzech przejściach, zawsze na ślepo i bez daty posta:
- w tekście model przyznawał od 0 do 100 punktów za schematy typowe dla modeli językowych, na przykład listy zdań o identycznej budowie, ogólniki albo pytanie z puentą w osobnej linii,
- w grafice rozpoznawał rodzaj obrazu, na przykład zdjęcie z ręki, sesję, kartę cytatu, szablon, zrzut ekranu albo mem, i oceniał, ile jest w nim retuszu lub obróbki AI,
- przy zdjęciach z osobą rozstrzygał, czy to prawdziwe ujęcie, prawdziwe zdjęcie z domontowanymi elementami, czy scena w całości wygenerowana.
Na koniec sprawdziliśmy, czy model nie przesadza. Wzięliśmy 71 postów sprzed premiery ChatGPT, które nie mogły powstać z modelu językowego. Model dał im średnio 9 punktów na 100 i żadnego nie oznaczył jako tekstu z AI. Spośród 32 zdjęć z osobą sprzed pierwszej sceny AI uznał za wygenerowane tylko jedno. Taki poziom pomyłek może wpływać na każdą liczbę poniżej.
iJak to policzyliśmy: sprawdzenie, czy model nie widzi AI wszędzie
Model oceniający teksty mógłby widzieć AI wszędzie, więc sprawdziliśmy go na tekstach, które na pewno powstały bez modelu językowego. To posty opublikowane przed premierą ChatGPT, czyli przed 30 listopada 2022. Gdy profil nie ma tak starych postów, bierzemy najstarsze dostępne.
Jeśli stare teksty dostają niskie oceny, model odróżnia naturalny styl autora od stylu modelu. Gdyby dostawały wysokie, cała ocena nie miałaby sensu.
Post Macieja L. z 09.11.2022 dostał 25 punktów. W uzasadnieniu model napisał między innymi: Struktura jest bardzo regularna, ale to tłumaczenie cudzej listy z jawną atrybucją, literówkami, potocznym żartem 'Keep it simple, stupid!’ i konkretem - to wskazuje na autora-człowieka.
Pominęliśmy posty młodsze niż 14 dni, bo wciąż zbierają reakcje. Gdy porównujemy dwie grupy postów, wyrównujemy różnice, które mogłyby zafałszować wynik: rodzaj posta, dzień tygodnia, liczbę postów w tygodniu i długość tekstu. Statystycy nazywają takie liczenie regresją. Wszystkie liczby pochodzą z jednego zestawu wyników ze stanem na 14 września 2026 roku.
iJak to policzyliśmy: porównanie po wyrównaniu różnic
Posty różnią się nie tylko tym, czy mają cechy AI. Jedne mają grafikę, inne są samym tekstem albo karuzelą. Wychodzą w różne dni tygodnia, mają różną długość, a w niektórych tygodniach autor publikuje więcej. Gdybyśmy zestawili wprost posty z AI i bez AI, moglibyśmy wziąć za wpływ AI coś innego, na przykład to, że posty z AI częściej wychodzą w piątek.
Dlatego używamy modelu statystycznego, który analizuje wszystkie posty naraz. Dla każdej cechy, takiej jak rodzaj posta, dzień tygodnia, liczba postów w tygodniu czy długość tekstu, model sprawdza, jak zwykle zmienia ona liczbę reakcji. Potem odlicza ten wpływ. Różnica, która zostaje, należy do badanej cechy, na przykład do tekstu z cechami AI.
Wynik podajemy w procentach. Jeśli piszemy, że post z daną cechą ma 27% mniej reakcji, to zbiera on zwykle o tyle mniej niż taki sam post bez tej cechy. Statystycy nazywają tę metodę regresją. Użyliśmy jej odmiany dopasowanej do danych, w których większość postów ma niewiele reakcji, a kilka ma ich tysiące.
Najprostszy przykład, jeszcze bez modelu, to dwa posty Macieja L. opublikowane w lipcu 2026. Oba mają grafikę. Tekst pierwszego model ocenił na 78 punktów za cechy AI, a sam post zebrał 93 reakcje. Tekst drugiego dostał 10 punktów, a post zebrał 347 reakcji. Model statystyczny robi takie porównanie dla setek par jednocześnie.
iJak to policzyliśmy: kiedy wynik jest pewny, a kiedy może być przypadkiem
Przy każdej różnicy sprawdzamy, czy mogła wyjść przypadkiem. Statystycy zapisują to jako liczbę p. To szansa, że taka różnica pojawiłaby się sama, nawet gdyby w rzeczywistości żadnej różnicy nie było. Na przykład p równe 0,019 znaczy, że przypadek dałby taki wynik mniej więcej w dwóch badaniach na sto.
Przyjmujemy powszechnie stosowaną granicę 0,05. Poniżej niej piszemy, że wynik jest pewny statystycznie. Powyżej piszemy, że wynik jest niepewny, i nie budujemy na nim wniosków, nawet jeśli procent wygląda na duży. Przy małej liczbie postów, na przykład dziewięciu, pewność jest mniejsza, bo danych jest mało.
Czy ten profil rośnie, czy maleje
Wszystko wskazuje na to, że profil powoli maleje. Porównanie całych lat wprowadzałoby w błąd, bo rok 2026 jeszcze się nie skończył. Dlatego w każdym roku bierzemy ten sam okres, od stycznia do sierpnia, i sprawdzamy, ile reakcji zbierał w nim typowy post. Wyniki dla kolejnych lat pokazuje wykres poniżej.
W 2023 roku typowy post zbierał 148 reakcji. W tym roku zbiera już tylko 81. Od 2024 roku autor publikuje prawie tyle samo postów, a mimo to w ciągu ostatniego roku typowy post stracił 30% reakcji. Wobec 2023 roku strata wynosi 45%.
iJak to policzyliśmy: typowy post, czyli mediana
Typowy post to post środkowy. Bierzemy wszystkie posty z danego okresu, układamy je od najsłabszego do najmocniejszego i patrzymy na ten, który wypada w połowie. Statystycy nazywają tę wartość medianą.
Weźmy posty Macieja L. z marca 2026. Autor opublikował wtedy 13 postów, a reakcje pod nimi układają się tak: 23, 36, 50, 52, 64, 65, 78, 81, 85, 109, 125, 370, 461. W połowie tej listy stoi 78 i tyle reakcji zebrał typowy post tego miesiąca.
Średnia z tych samych postów wynosi 123, bo podbijają ją najmocniejsze posty. Dlatego w całym badaniu patrzymy na typowy post. Pojedynczy bardzo mocny albo bardzo słaby post nie zmienia wtedy obrazu całego miesiąca.
Poniżej są trzy posty z tej listy: najsłabszy, środkowy i najmocniejszy. Pod każdym widać liczbę reakcji, która weszła do obliczenia.
iJak to policzyliśmy: te same miesiące w każdym roku
Rok 2026 jeszcze się nie skończył, więc nie porównujemy go z całym rokiem 2025. W 2026 mamy dopiero osiem pełnych miesięcy, a lato i grudzień wyglądają na LinkedIn inaczej niż wiosna. Dlatego w każdym roku bierzemy ten sam okres, od stycznia do sierpnia, i sprawdzamy, ile reakcji zbierał w nim typowy post.
Obok podajemy, ile postów weszło do każdego okresu, żeby było widać, że porównujemy podobne liczby postów. Zaangażowanie łącznie to reakcje, komentarze i udostępnienia ze wszystkich postów okresu, podzielone przez liczbę jego miesięcy.
Ten sam kierunek widać, gdy zamiast lat kalendarzowych weźmiemy okresy po 12 pełnych miesięcy, każdy kończący się w sierpniu. Z okresu na okres typowy post tracił reakcje: w najstarszym zbierał 150, a w najnowszym 97.
Drugi test patrzy na każdy post osobno i wyrównuje różnice między postami. Według niego przez ostatnie 24 miesiące reakcji ubywało o 1,7% miesięcznie. W ostatnim roku spadek przyspieszył do 3,5% miesięcznie. Oba wyniki są statystycznie pewne, czyli trudno uznać je za przypadek. Trzeci test, liczony na typowym poście z każdego miesiąca, nie dał pewnego wyniku. Dlatego piszemy ostrożnie, że profil raczej maleje.
iJak to policzyliśmy: okresy po dwanaście pełnych miesięcy
Zamiast lat kalendarzowych bierzemy okresy po dwanaście pełnych miesięcy. Każdy kończy się w sierpniu, bo to ostatni pełny miesiąc przed pobraniem danych. Najnowszy okres trwa od września 2025 do sierpnia 2026, a każdy wcześniejszy zaczyna się i kończy rok przed nim. Wszystkie mają tyle samo miesięcy i te same pory roku, więc można je uczciwie porównać.
iJak to policzyliśmy: jak sprawdzamy, czy profil rośnie, czy spada
Trend sprawdzamy dwoma sposobami, bo jeden mógłby się pomylić. W pierwszym liczymy typowy post dla każdego miesiąca i układamy miesiące po kolei. Potem sprawdzamy, czy kolejne miesiące częściej wypadają niżej, czy wyżej od wcześniejszych. Ten test nazywa się testem Manna-Kendalla i patrzy tylko na kierunek zmian, więc jeden wyjątkowy miesiąc nie psuje wyniku.
W drugim sposobie bierzemy każdy post osobno i sprawdzamy, ile reakcji ubywa z miesiąca na miesiąc po wyrównaniu różnic w rodzaju posta, dniu tygodnia, częstotliwości i długości. Wynik wychodzi w procentach, na przykład 1,7% mniej na miesiąc.
Piszemy, że profil maleje, tylko wtedy, gdy oba sposoby pokazują spadek i oba wyniki są pewne statystycznie. Gdy pewny jest tylko jeden z nich, piszemy, że profil raczej maleje.
Rośnie za to liczba komentarzy w stosunku do reakcji. Dziś na każde 100 reakcji przypada od 22 do 33 komentarzy. Dwa lata temu było ich od 12 do 18. Klika mniej osób, ale ci, którzy zostali, częściej piszą. Algorytm LinkedIn lubi komentarze, jednak autorowi niewiele to daje, jeśli piszą je ciągle te same osoby.
iJak to policzyliśmy: komentarze na sto reakcji
Sumujemy komentarze ze wszystkich postów z danego okresu, dzielimy przez sumę reakcji i mnożymy przez 100. Jeśli wynik wynosi 23,5, to na każde sto reakcji przypada 23,5 komentarza. Ta liczba pokazuje, czy ludzie tylko klikają, czy też piszą. Liczymy ją na sumach, a nie jako średnią z postów, żeby małe posty nie ważyły tyle samo co duże.
Spośród postów Macieja L. z ponad 50 reakcjami najwięcej rozmowy miał post z 24.05.2024. Zebrał 141 reakcji i 197 komentarzy, czyli 139,7 komentarza na sto reakcji. Najmniej rozmowy miał post z 05.06.2023, który zebrał 98 reakcji i 0 komentarzy.
Chcesz wiedzieć, jak wypada Twój profil albo profil Twojej firmy?
Tą samą metodą sprawdzimy, które Twoje posty zbierają reakcje, a które je tracą. Powiemy też, czy ma to związek z AI w tekście albo w grafice. Wynik dostaniesz w liczbach.
Kiedy zaczął publikować więcej i co to dało
Do lutego 2022 roku Maciej L. publikował na LinkedIn raz na kilka miesięcy. W marcu 2022 zaczął pisać regularnie, a od 2023 roku publikuje kilkanaście razy w miesiącu. Regularność przyniosła efekt:
- liczba postów wzrosła z 0,4 do 10,6 posta miesięcznie,
- zaangażowanie łącznie w miesiącu wzrosło 75 razy,
- typowy post zbierał 123 reakcje zamiast 48.
Ten wzrost miał jednak granicę. Najwięcej reakcji typowy post zbierał w 2022 roku, kiedy autor publikował niecałe 4 posty miesięcznie. Zbierał wtedy 194 reakcje. Zaangażowanie łącznie było najwyższe w 2024 roku, gdy autor publikował 12 postów miesięcznie. Dawało to 3296 reakcji, komentarzy i udostępnień w miesiącu. W tym roku autor publikuje 13 postów miesięcznie, a zaangażowanie łącznie spadło do 2639.
Więcej postów dało więc większe zaangażowanie łącznie, ale każdy kolejny post dostawał mniej reakcji. Policzyliśmy to dokładnie: gdy w tygodniu wychodzi dwa razy więcej postów, każdy z nich zbiera o 20% mniej reakcji. Od 2025 roku spada już także zaangażowanie łącznie, choć autor publikuje tak samo często.
iJak to policzyliśmy: więcej postów w tygodniu
Dla każdego posta liczymy, ile własnych postów autor opublikował w tym samym tygodniu. Ta liczba jest jedną z cech, których wpływ model wyrównuje przy porównaniach. Dzięki temu widać osobno, co z reakcjami robi sama częstotliwość.
Wynik 20% mniej oznacza, że post z tygodnia z sześcioma postami zbiera zwykle o jedną piątą mniej reakcji niż taki sam post z tygodnia z trzema postami. Gdy wynik jest niepewny, nie mamy dowodu, że kolejne posty odbierają sobie reakcje.
Porównajmy dwa tygodnie z profilu Macieja L. W 9. tygodniu 2026 roku autor opublikował 5 postów, a typowy z nich zebrał 76 reakcji. W 1. tygodniu 2026 roku opublikował jeden post, który zebrał 176 reakcji. Jedna para tygodni to za mało na wniosek, dlatego model liczy to na wszystkich tygodniach naraz.
iJak to policzyliśmy: zaangażowanie łącznie
Zaangażowanie łącznie to reakcje, komentarze i udostępnienia ze wszystkich postów z okresu, podzielone przez liczbę miesięcy. Typowy post pokazuje, ile zbiera jeden zwykły post, a zaangażowanie łącznie pokazuje, ile w miesiącu zbiera cały profil. Gdy autor publikuje więcej, zaangażowanie łącznie zwykle rośnie, nawet jeśli typowy post słabnie. Dlatego pokazujemy obie liczby obok siebie.
Porównaliśmy też formaty ze zwykłym postem z grafiką, znowu po wyrównaniu różnic między postami. Wobec takiego posta:
- karuzela PDF zbiera 58% więcej reakcji, a autor opublikował 31 takich postów,
- sam tekst bez grafiki nie różni się wyraźnie od posta z grafiką, a typowy taki post ma 164 reakcje,
- wideo wgrane wprost na LinkedIn też nie różni się wyraźnie, ale autor ma tylko 9 filmów, więc nie wyciągamy z tego wniosków,
- udostępnienie cudzego posta z komentarzem zbiera 75% mniej reakcji,
- ankieta zbiera 82% mniej reakcji.
Udostępnień bez komentarza nie mierzymy, bo LinkedIn nie prowadzi dla nich osobnych liczników. Reakcje pod takim udostępnieniem należą do oryginalnego posta.
iJak to policzyliśmy: jak rozpoznajemy rodzaj posta
Rodzaj posta odczytujemy z danych LinkedIn, a nie z oceny modelu. Plik PDF w poście oznacza karuzelę, film wgrany wprost na LinkedIn oznacza wideo natywne, a brak załącznika oznacza sam tekst. Cudzy post z dopisanym komentarzem autora liczymy jako udostępnienie z komentarzem, a ankietę jako osobny rodzaj.
Link do YouTube, Vimeo albo TikToka w treści oznaczamy osobno jako link do wideo. Udostępnienia cudzych postów bez komentarza pomijamy, bo reakcje pod nimi należą do autora oryginału.
Dla każdego rodzaju liczymy, ile reakcji zbiera typowy post. Potem model porównuje każdy rodzaj z postem z grafiką, po wyrównaniu pozostałych różnic.
Tekst pisany z AI: ile go jest i co robi z reakcjami
Sprawdzian na postach sprzed premiery ChatGPT wypadł dobrze. Model nie oznaczył żadnego z nich jako tekstu z AI, więc naturalny styl autora uznaje za ludzki. Później tekstów z cechami AI zaczęło szybko przybywać. W 2023 roku miał je co setny post, a w dwóch ostatnich latach już co trzeci. Dokładne udziały z każdego roku pokazuje wykres poniżej.
W ostatnich 12 miesiącach tekst albo grafikę z cechami AI ma 38% postów. Tekst z oceną od 50 do 74 punktów nazywamy tekstem pisanym z pomocą AI, a tekst z oceną od 75 punktów w górę tekstem ewidentnie z AI. Tych drugich jest niewiele, co roku od 1 do 3% postów. Najczęściej trafia się tekst pisany z pomocą AI, w którym schematy modelu mieszają się z konkretami i osobistym stylem autora.
iJak to policzyliśmy: ocena tekstu za cechy AI
Tekst każdego posta ocenił model językowy, który nie widział daty ani nazwiska autora. Dostał polecenie, żeby w skali od 0 do 100 ocenił, na ile tekst wygląda na napisany przez model, i wypisał cechy, na których opiera ocenę.
Ocenę podwyższały między innymi kontrasty w stylu to nie X, to Y, ciągi zdań o identycznej budowie i pytanie z krótką puentą w osobnej linii. Podwyższały ją też ogólniki bez liczb, długie myślniki, kalki z angielskiego i pytanie do czytelnika na końcu, które nie ma związku z treścią. Ocenę obniżały konkretne liczby, nazwy własne, osobiste historie, nierówny rytm, żart i drobne błędy.
Post Macieja L. z 12.09.2025 dostał 93 punkty. Model wskazał w nim między innymi takie cechy:
- schemat kontrastu „X to nie Y. To Z.”: „GA4 nie mierzy klików / GA4 mierzy ludzkie decyzje”, „Dane to nie tabelki. To historie o ludziach.”
- anafora i paralelizm: „Nie wygrywają Ci… Wygrywają Ci…”
- numerowana lista 5 punktów o identycznej budowie hasło → pytanie
Post z 10.05.2023 dostał tylko 3 punkty. W uzasadnieniu model napisał między innymi: Tekst pełen specyficznego, polskiego humoru, gier słownych i memicznych odniesień, z konkretnym doświadczeniem technicznym i osobistą puentą o liczbie dni - to typowo ludzki, nieregularny styl.
Od 50 punktów nazywamy tekst tekstem z pomocą AI, bo schematy modelu mieszają się w nim z konkretami autora. Od 75 punktów piszemy o tekście ewidentnie z AI. Ocena opisuje styl tekstu, a nie narzędzie, którego użył autor.
iJak to policzyliśmy: ile tekstów ma cechy AI
Dla każdego roku liczymy, jaka część własnych postów autora dostała za tekst co najmniej 50 punktów. Posty udostępnione od innych osób pomijamy, bo ich tekstu nie napisał autor. Gdy piszemy o ostatnich dwunastu miesiącach, chodzi o okres od września 2025 do sierpnia 2026.
Typowy post z tekstem bez cech AI zbiera 128 reakcji. Gdy tekst powstał z pomocą AI, typowy post zbiera ich 85. Posty ewidentnie pisane przez AI zbierają 88 reakcji, ale jest ich tylko 8.
Posty z cechami AI mogą jednak pochodzić z okresu, w którym spadały wszystkie wyniki. Dlatego zestawiliśmy je z postami bez tych cech z tych samych miesięcy. Autor publikował oba rodzaje tekstów w 24 miesiącach. W tych miesiącach post z cechami AI zbierał 0,74 tego, co post bez nich, czyli mniej więcej trzy czwarte.
iJak to policzyliśmy: porównanie w obrębie tego samego miesiąca
Czasem wszystkie posty z jednego miesiąca wypadają słabiej albo lepiej niż zwykle. Żeby to nie mieszało wyników, reakcje każdego posta dzielimy przez reakcje typowego posta porównawczego z tego samego miesiąca. Przy rodzajach postów porównujemy z postem z grafiką, a przy cechach AI z postem bez tych cech.
Wynik 1,00 oznacza tyle samo, co post porównawczy. Wynik 0,50 to połowa, a 2,00 to dwa razy więcej. Na koniec dla każdej grupy postów bierzemy typowy wynik ze wszystkich jej postów.
Test z wyrównaniem różnic w rodzaju posta, dniu tygodnia, częstotliwości i długości daje ten sam obraz. Tekst z pomocą AI zbiera 27% mniej reakcji i 23% mniej komentarzy. Ten wynik jest statystycznie pewny. Tekst ewidentnie z AI traci 45% reakcji. Każde 10 punktów oceny tekstu obniża liczbę reakcji o 7%.
AI w tekście nie tłumaczy jednak całego spadku. Gdy do testu trendu dodaliśmy informację, czy tekst ma cechy AI, spadek prawie się nie zmienił. Wyniósł 1,6% miesięcznie zamiast 1,7%. Tekst z AI zbiera mniej niż tekst bez AI, ale reakcje tego profilu spadają także z innych powodów. Jeden z nich widać w grafikach.
iJak to policzyliśmy: czy AI tłumaczy spadek profilu
Trend liczymy dwa razy tym samym modelem statystycznym. Za pierwszym razem model nie wie, które posty mają cechy AI, a za drugim wie. Jeśli po dodaniu tej informacji miesięczny spadek wyraźnie się zmniejsza, to część spadku brała się z rosnącej liczby postów z AI. Jeśli spadek zostaje prawie taki sam, AI obniża reakcje pojedynczych postów, ale spadek całego profilu ma też inne przyczyny.
Grzegorz Wysocki
CEO emedia
Komentarz autora: Myślę, że AI szkodzi postom wtedy, gdy z tekstu znika konkret, który ktoś chciałby skomentować. Sama pomoc przy pisaniu nie jest problemem. Posty, które u Macieja L. wciąż zbierają po tysiąc reakcji, to krótkie karty z jedną własną obserwacją i zdjęcia z prawdziwych sytuacji. Model potrafi napisać rytm, ale nie wie, co autor widział wczoraj u klienta.
Zdjęcie z ręki kontra portret z AI
W grafikach różnice są największe w całym badaniu. Model ocenił każdą grafikę osobno, bez tekstu posta, i przypisał ją do jednego rodzaju. Tabela pokazuje, ile reakcji zbiera typowy post z grafiką danego rodzaju.
| Rodzaj grafiki | Reakcje pod typowym postem | Liczba postów |
|---|---|---|
| mem albo kadr z filmu z podpisem | 207 | 24 |
| post bez grafiki | 154 | 138 |
| prawdziwe zdjęcie z ręki | 143 | 49 |
| karta cytatu w stylu wpisu z X | 126 | 64 |
| zrzut ekranu | 125 | 32 |
| szablon ze zdjęciem | 110 | 37 |
| szablon bez zdjęcia | 94 | 121 |
| portret z sesji, wypiękniony retuszem lub obróbką AI | 86 | 76 |
Po wyrównaniu pozostałych różnic, także cech AI w tekście, portret wypiękniony zbiera o 51% mniej reakcji niż zdjęcie z ręki. Ten wynik jest statystycznie pewny. Szablon bez zdjęcia zbiera o 47% mniej. Karta cytatu, mem i zrzut ekranu nie odstają wyraźnie od zdjęcia z ręki.
Osobno przejrzeliśmy 127 zdjęć z osobą. Okazało się, że każde 10 punktów oceny retuszu obniża liczbę reakcji o 16%. Belka z nazwiskiem i hasłem sama w sobie niczego nie zmienia. Znaczenie ma to, czy zdjęcie wygląda na zrobione w prawdziwej sytuacji, czy na wyprodukowane.
iJak to policzyliśmy: rodzaj grafiki i ocena retuszu
Pierwszą grafikę każdego posta osobno ocenił model rozpoznający obrazy, który nie widział tekstu posta ani daty. Każdej grafice przypisał jeden rodzaj: zdjęcie z ręki, portret wypiękniony, kartę cytatu w stylu wpisu z X, szablon ze zdjęciem albo bez, zrzut ekranu, wykres, mem albo grafikę AI. Portret wypiękniony to zdjęcie z sesji z mocną korektą kolorów, retuszem albo obróbką AI.
Zdjęciom z osobą model dawał też ocenę retuszu w skali od 0 do 100. Zwykłe selfie z telefonu dostaje od 0 do 15 punktów. Zdjęcie z profesjonalnej sesji bez śladów obróbki dostaje od 30 do 50. Widoczna obróbka AI to co najmniej 70 punktów.
Dobrze widać to na dwóch postach Macieja L. opublikowanych w odstępie 2 dni. Zdjęcie z ręki z 04.03.2026 ma 5 punktów za retusz i zebrało 461 reakcji. Portret wypiękniony z 02.03.2026 ma 42 punkty i zebrał 78 reakcji. Przy portrecie model wskazał takie cechy:
- reżyserowana scena w kawiarni z rekwizytami (notes, kawa)
- płytka głębia ostrości i mocno rozmyte tło
- spójna, chłodno-filmowa gradacja kolorów
Najważniejsze jest to, jak zmieniały się proporcje. Do 2024 roku portrety wypięknione prawie się nie pojawiały i stanowiły najwyżej 1% grafik autora. W 2025 roku było ich już 24%. W tym roku jest ich 38%. Udział zdjęć z ręki spadł w tym czasie z 16% do 7%. Autor zamienił więc format, który działał, na taki, który zbiera mniej reakcji, i zrobił to w tym samym czasie, w którym spadały jego wyniki.
Trzy etapy wdrażania AI w grafikach
Przeglądając profil, widzieliśmy, jak AI krok po kroku wchodzi do zdjęć. Wyróżniliśmy trzy etapy i okres przed nimi. Granicę każdego etapu wyznaczyliśmy po pierwszym poście nowego rodzaju i sprawdziliśmy na kolejnych grafikach.
Etap 0 trwał do stycznia 2025 roku. Autor publikował wtedy prawdziwe zdjęcia z życia, zrobione telefonem na wydarzeniu, w biurze albo podczas biegania. Często nakładał na nie kartę cytatu.
Etap A zaczął się w lutym 2025 roku, kiedy AI weszło do zdjęć po cichu. Podstawą wciąż było prawdziwe zdjęcie, ale tło stawało się zbyt czyste, a rekwizyt zbyt dobrze pasował do puenty. Na zdjęcie autor nadal nakładał kartę cytatu.
Etap B ruszył w czerwcu 2025 roku. Od tej pory cała scena z osobą jest wygenerowana, na przykład kawiarnia z laptopem, fotel z kubkiem albo auto dobrane do metafory z tekstu. Wygląda to jak sesja zdjęciowa, której nigdy nie było. Karta cytatu nadal jest na zdjęciu.
Etap C trwa od października 2025 roku. Post ma pełnokadrowe zdjęcie AI w wysokiej jakości, a na dole czarny gradient z ikonką, nazwiskiem, hasłem i dużym podpisem. Od wiosny 2026 roku autor używa też wariantu z belką u góry.
Z etapu na etap typowy post zbierał mniej reakcji. W etapie 0 było to 134, a w etapie C już 98. W tym samym czasie udział scen AI wśród zdjęć z osobą wzrósł od zera do 51%.
Model oceniający zdjęcia dostał wzorce z każdego etapu i znalazł w całym profilu 82 grafiki ewidentnie wygenerowane przez AI. Porównaliśmy je z prawdziwymi zdjęciami z ręki i wyrównaliśmy różnice między postami:
- zdjęcie z drobnymi elementami AI nie różni się wyraźnie od prawdziwego, ale to tylko 5 postów,
- scena AI z kartą cytatu zbiera 39% mniej reakcji, a takich postów było 18,
- scena AI z podpisem i hasłem zbiera 52% mniej reakcji, a takich postów było 66.
Oba spadki są statystycznie pewne. Im więcej AI w zdjęciu, tym mniej reakcji pod postem.
iJak to policzyliśmy: etapy AI w zdjęciach z osobą
Etapy wyznaczyliśmy ręcznie, przeglądając profil post po poście. Etap A otwiera pierwszy post, w którym na prawdziwe zdjęcie domontowano drobne elementy AI. Etap B zaczyna się od pierwszego posta z całą sceną wygenerowaną przez AI. Etap C liczymy od miesiąca, w którym pełnokadrowe zdjęcie AI z podpisem pojawiło się w większości postów.
Potem model rozpoznający obrazy dostał po kilka zdjęć wzorcowych z każdego etapu. Na tej podstawie każde zdjęcie z osobą w całym profilu przypisał do jednej z czterech grup:
- prawdziwe ujęcie
- prawdziwe zdjęcie z domontowanymi elementami
- scena wygenerowana z kartą cytatu
- scena wygenerowana z podpisem
Model widział też tekst posta. Scena dobrana pod metaforę z tekstu, na przykład auto przy tekście o wymianie oleju, mocno zdradza, że obraz jest wygenerowany.
Na koniec sprawdziliśmy, czy model się nie myli. Wśród zdjęć z osobą sprzed etapu A, kiedy AI jeszcze nie było w grafikach, uznał za scenę AI tylko 3%. Pozostałe badane profile dostały te same polecenia i te same wzorce, więc udział scen AI liczymy u wszystkich tą samą miarą.
W etapie C ta sama scena wraca w kolejnych postach w innym kadrze, więc sprawdziliśmy też powtórki zdjęć. Porównanie odcisków obrazów znalazło 12 scen użytych więcej niż raz, łącznie w 20 postach. Prawie wszystkie pochodzą z etapu C. Kolejne użycie sceny nie zbiera wyraźnie mniej reakcji niż pierwsze, więc nie widać, żeby samo powtarzanie zdjęć szkodziło. Słabiej wypadają za to sceny AI, niezależnie od tego, czy autor używa ich pierwszy raz, czy kolejny.
iJak to policzyliśmy: powtórzone zdjęcia
Dla każdej grafiki liczymy jej odcisk, czyli skrócony zapis tego, gdzie na obrazie są jasne, a gdzie ciemne plamy. Dwa obrazy z podobnym odciskiem to najpewniej to samo zdjęcie, nawet jeśli ktoś je inaczej przyciął albo dał na nie inny napis.
Odcisk liczymy dla całego obrazu i osobno dla samego środka, bo u góry i u dołu zwykle są belki i podpisy. Środek to obraz bez 18% wysokości z góry i z dołu. Porównujemy też krótkie opisy scen przygotowane przez model. Gdy opis miejsca, ubrania i rekwizytów jest prawie taki sam, uznajemy to za tę samą scenę.
U Macieja L. ta sama scena wróciła w 8 postach. Za pierwszym razem, 24.10.2025, post zebrał 74 reakcje. Za drugim razem, 21.11.2025, zebrał 94 reakcje.
Grzegorz Wysocki
CEO emedia
Komentarz autora: Najbardziej zaskoczyło mnie, że etapy A i B model rozpoznał dopiero wtedy, gdy pokazaliśmy mu przykłady z przeglądu profilu. Bez nich uznawał te sceny za profesjonalną sesję. Człowiek od razu zauważa, że auto pasuje do metafory z tekstu podejrzanie dobrze. Odbiorcy na LinkedIn też to widzą, choć tego nie nazywają, i nie klikają. Dla mnie to najważniejsza lekcja z tego badania.
Co z tego wynika dla Twojego profilu
Badaliśmy jeden profil, więc wyniki nie są regułą dla wszystkich. Schemat jest jednak wyraźny, a różnice duże. Na tym profilu najlepiej działały:
- zdjęcia z telefonu z prawdziwych sytuacji, na przykład z biegania, z warsztatu albo z biurka z kawą. Pory skóry i bałagan w tle pokazują, że zdjęcie jest prawdziwe,
- karty cytatu z jedną własną myślą, które nie odstają wyraźnie od zdjęcia z ręki i należą do najlepszych postów profilu,
- karuzele PDF, które zbierają o 58% więcej reakcji niż zwykły post z grafiką,
- memy z podpisem, które zbierają najwięcej reakcji ze wszystkich rodzajów grafik.
Najmniej reakcji zbierały natomiast:
- portrety wygenerowane albo mocno wyretuszowane, z belką i hasłem, które zbierają o połowę mniej reakcji,
- teksty pisane z pomocą AI bez konkretu, które zbierają o 27% mniej reakcji, a teksty ewidentnie z AI nawet o 45% mniej,
- ankiety i udostępnienia cudzych postów z komentarzem, które zbierają od 75 do 82% mniej reakcji.
Z tych liczb wynikają trzy praktyczne rady:
- Używaj AI do researchu i do skrótów, a puentę pisz sam, bo tylko Ty widziałeś sytuację, o której piszesz.
- Dobieraj częstotliwość do celu. Więcej postów daje większe zaangażowanie łącznie, ale każdy post zbiera wtedy mniej. Dwa razy więcej postów w tygodniu to 20% mniej reakcji pod każdym z nich.
- Raz na kwartał sprawdź, ile reakcji zbiera Twój typowy post w tych samych miesiącach rok do roku. Średnia i pojedynczy viral potrafią pokazać, że jest dobrze, nawet gdy nie jest.
Jak emedia może w tym pomóc
Taką samą analizę możemy zrobić dla Twojego profilu albo dla strony firmowej. Pobieramy posty, sprawdzamy trend w pełnych miesiącach, formaty oraz cechy AI w tekstach i grafikach. Na końcu dostajesz listę postów, które obniżają wyniki, i listę tych, które warto powtarzać. Pełne badanie 600 postów zajmuje nam dwa dni. Jeśli wolisz zacząć od rozmowy o tym, jak Twoja firma komunikuje się w social mediach, umów się na konsultację komunikacji w social mediach. O grafikach na LinkedIn piszemy też w tekście o wymiarach grafik na LinkedIn.
Podsumowanie
Profil Macieja L. nie upadł. Autor publikuje 12 razy w miesiącu i zbiera prawie 3000 reakcji, komentarzy i udostępnień miesięcznie. Nadal zdarzają mu się posty z 1500 reakcjami. Typowy post zbiera jednak z roku na rok mniej reakcji. W tym samym czasie zbiegły się trzy zmiany:
- co trzeci tekst ma dziś cechy AI, a takie teksty zbierają o 27% mniej reakcji,
- portret z AI wyparł zdjęcie z ręki, choć zbiera o połowę mniej reakcji,
- autor publikuje tak często, że kolejne posty nie zwiększają już zaangażowania łącznie.
Każdą z tych zmian widać w publicznych liczbach pod postami. Wystarczy je policzyć.
Najczęstsze pytania
Czy AI w postach na LinkedIn zawsze obniża zasięgi?
Nie wiemy, czy zawsze, ale w tym badaniu tak. Mierzyliśmy reakcje, bo zasięgu LinkedIn nie pokazuje publicznie. Teksty z cechami pisania modelem zbierały o 27% mniej reakcji niż teksty bez tych cech z tych samych miesięcy. Zdjęcia wygenerowane przez AI zbierały od 39 do 52% mniej niż zdjęcia z ręki. Teksty bez schematów modelu wypadały dobrze, więc liczy się styl tekstu, a nie samo użycie narzędzia.
Po czym poznać tekst pisany z pomocą AI?
Po kilku cechach, które pojawiają się naraz. Należą do nich kontrasty typu to nie X, to Y, listy zdań o identycznej budowie, pytanie z jednozdaniową puentą w osobnej linii i ogólniki bez liczb oraz nazw. Częste są też długie myślniki jako separatory i końcowe pytanie do odbiorcy, które nie ma związku z treścią. Jedna taka cecha niczego nie przesądza, ale pięć w jednym poście to wyraźny sygnał, także dla czytelników.
Czy zdjęcia z profesjonalnej sesji są złe na LinkedIn?
Na badanym profilu portrety z sesji, z retuszem albo z obróbką AI zbierały o 51% mniej reakcji niż zwykłe zdjęcia z telefonu. Taki wynik wyszedł po wyrównaniu innych różnic między postami. Każde 10 punktów oceny retuszu obniżało liczbę reakcji o 16%. Zdjęcie z sesji dobrze sprawdzi się w tle profilu albo na stronie firmowej, a w poście lepiej działa ujęcie z prawdziwej sytuacji.
Czy powtarzanie tego samego zdjęcia w kilku postach szkodzi?
Na badanym profilu nie widać, żeby szkodziło. Dwanaście scen wróciło łącznie w 20 postach, a kolejne użycie nie zbierało wyraźnie mniej reakcji niż pierwsze. Mniej reakcji zbierały same sceny wygenerowane przez AI, niezależnie od tego, czy były powtórzone.
Ile postów tygodniowo publikować na LinkedIn?
Na badanym profilu dwa razy więcej postów w tygodniu oznaczało o 20% mniej reakcji pod każdym postem. Zaangażowanie łącznie rosło, dopóki autor nie doszedł do około 12 postów miesięcznie. Od 2025 roku spada, choć autor publikuje tak samo często. Częstotliwość trzeba więc dobrać do celu. Jeśli liczy się zaangażowanie łącznie, pomagają częstsze posty, a jeśli wynik pojedynczego posta, pomagają przerwy.
Skąd te liczby i na ile są pewne?
Liczby pochodzą z publicznych danych spod postów jednego profilu, pobranych 14 września 2026 roku. Cechy AI oceniał model językowy na ślepo, bez daty posta. Sprawdziliśmy go na 71 postach sprzed ChatGPT i żadnego nie oznaczył jako tekstu z AI. Nie znamy zasięgu ani liczby obserwujących, nie mamy grupy kontrolnej i nie widzimy postów usuniętych przez autora. Przy każdym wyniku piszemy, czy jest statystycznie pewny, a w stopce wymieniamy, czego nie wiemy.
Jak to powstaje. Grzegorz Wysocki, właściciel emedia, wybrał temat, przejrzał profil, wyznaczył etapy i zatwierdził tekst. Model Claude Opus 5 w narzędziu Claude Code pobrał dane, policzył testy statystyczne, ocenił cechy AI i napisał pierwszą wersję tekstu. Grafiki powstały z naszych makiet z danymi. Każdy tekst przed publikacją czyta i poprawia człowiek.
Na czym to stoi. Badanie opiera się na 612 publicznych postach jednego profilu LinkedIn, które pobraliśmy 14 września 2026 roku przez Apify, aktorem harvestapi/linkedin-profile-posts, bez logowania. Trend sprawdziliśmy testem Manna-Kendalla z nachyleniem Sena na miesięcznych medianach. Pojedyncze posty porównaliśmy regresją ujemną dwumianową, która wyrównuje typ posta, dzień tygodnia, liczbę postów w tygodniu i długość tekstu. Użyliśmy też testu Manna-Whitneya i wykrywania punktów zmiany metodą PELT. Cechy AI ocenił Claude Opus 5 na ślepo, w trzech przejściach: tekst, rodzaj grafiki i styl zdjęcia z osobą na wzorcach z przeglądu. Kalibrację zrobiliśmy na postach sprzed 30 listopada 2022 roku, a powtórzenia zdjęć wykryliśmy odciskami percepcyjnymi pHash. Nie znamy zasięgu i wyświetleń, historii obserwujących ani postów usuniętych przez autora. Bez grupy kontrolnej nie oddzielimy też wpływu zmian algorytmu LinkedIn. Oceny AI opisują styl tekstu i obrazu, nie są dowodem, że autor użył narzędzia. Dane i oceny kosztowały około 22 USD.
Realizacja: artykuł zrealizowany przez człowieka we współpracy z systemami AI. Redakcję i publikację firmuje autor. Wykorzystane systemy: Anthropic.
Przeczytaj także
- Jak rozwinąć profil na LinkedIn - wyniki badania, wnioski z czterech profili
- Co dzieje się z zasięgami na LinkedIn bez AI. Badanie 600 postów profilu Michała S., profil kontrolny do tego badania
- Filmy z YouTube mają bardzo dobrą widoczność w Google na frazy dotyczące nauki, pierwsze badanie emedia
- 426 osób zaufało profilowi człowieka, który nie istnieje
- Wymiary grafik na LinkedIn 2026
Opublikowano 14.09.2026
Rozwiń z nami swój biznes on-line
Zobacz również
Grzegorz Wysocki
CEO emedia
Komentarz autora: Obserwuję ten profil od lat i lubię go, bo autor zna się na rzeczy. W pewnym momencie zauważyłem, że zdjęcia z telefonu ustępują dopieszczonym scenom, a teksty zaczynają brzmieć jednym rytmem. Zanim sam sięgnę po takie narzędzia we własnych postach, chciałem sprawdzić, czy tę zmianę widać w liczbach. Okazało się, że widać ją wyraźnie. Chodzi mi o schemat, a nie o konkretną osobę, dlatego nie podaję nazwiska.