Co dzieje się z zasięgami na LinkedIn bez AI. Badanie 600 postów profilu Michała S.

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.

Narzędzie pobiera tyle postów, ile pokazuje publiczna lista aktywności profilu, a limit ustawiliśmy na kilka tysięcy. U Michała S. lista urwała się jednak na 600 postach i dalej nie da się jej przewinąć bez logowania. Przy kilkunastu postach miesięcznie to około trzech lat historii.

Pozostałe badane profile zmieściły się na liście w całości, bo publikowały krócej albo rzadziej. Dlatego u Michała S. porównujemy lata od 2024, a u pozostałych autorów mamy też starsze posty.

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 Michała S. z 31.07.2023 dostał 12 punktów. W uzasadnieniu model napisał między innymi: Tekst jest krótki, konkretny, z osobistym doświadczeniem i naturalnym rytmem.

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 Michała S. opublikowane w marcu 2026. Oba mają grafikę. Tekst pierwszego model ocenił na 62 punkty za cechy AI, a sam post zebrał 50 reakcji. Tekst drugiego dostał 15 punktów, a post zebrał 302 reakcje. Model statystyczny robi takie porównanie dla setek par jednocześnie.

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.

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 Michała S. z listopada 2024. Autor opublikował wtedy 14 postów, a reakcje pod nimi układają się tak: 22, 39, 43, 64, 101, 110, 118, 127, 139, 285, 379, 571, 778, 1713. W połowie tej listy stoją dwa posty, z 118 i 127 reakcjami. Typowy post leży dokładnie między nimi i ma 122,5 reakcji.

Średnia z tych samych postów wynosi 321, 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.

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.

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.

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.

Układamy posty według daty i szukamy miejsc, w których poziom reakcji wyraźnie się zmienił. Algorytm PELT dzieli historię profilu na odcinki. Wewnątrz jednego odcinka reakcje są na podobnym poziomie, a między odcinkami wyraźnie się różnią.

Za każde dodatkowe cięcie algorytm dostaje karę, dlatego nie tnie historii przy każdym drobnym wahnięciu. Najkrótszy odcinek musi mieć 12 postów. Jeśli algorytm zostawi jeden odcinek, znaczy to, że poziom reakcji nie skoczył, a zmiany były co najwyżej łagodne.

Czasem porównujemy dwie grupy postów, na przykład ostatnie 180 dni z poprzednimi 180 dniami. Wtedy nie wystarczy zestawić dwóch typowych postów. Test Manna-Whitneya ustawia wszystkie posty z obu grup w jednej kolejce, od najsłabszego do najmocniejszego. Potem sprawdza, czy posty z jednej grupy częściej trafiają wyżej, niż dałby to przypadek. Ten test dobrze pasuje do LinkedIn, gdzie większość postów ma kilkadziesiąt reakcji, a pojedyncze mają ich tysiące.

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 Michała S. W 45. tygodniu 2023 roku autor opublikował 8 postów, a typowy z nich zebrał 120 reakcji. W 35. tygodniu 2026 roku opublikował jeden post, który zebrał 216 reakcji. Jedna para tygodni to za mało na wniosek, dlatego model liczy to na wszystkich tygodniach naraz.

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.

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 Michała S. z ponad 50 reakcjami najwięcej rozmowy miał post z 07.08.2024. Zebrał 96 reakcji i 229 komentarzy, czyli 238,5 komentarza na sto reakcji. Najmniej rozmowy miał post z 08.04.2026, który zebrał 127 reakcji i 2 komentarze.

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 Michała S. z 04.02.2024 dostał 68 punktów. Model wskazał w nim między innymi takie cechy:

• encyklopedyczna wstawka bez konkretów: „Różnorodność flory i fauny… gatunków roślin i zwierząt, które nie występują nigdzie indziej”
• typowy łącznik generatywny „Dodatkowo, bogata kultura i historia regionu…”
• pusta fraza podsumowująca „dodają temu miejscu wyjątkowego charakteru”

Post z 09.01.2024 dostał tylko 3 punkty. W uzasadnieniu model napisał między innymi: Tekst jest osobistą anegdotą z konkretami, potocznym językiem, emoji w naturalnym miejscu i drobnymi błędami interpunkcyjnymi - typowo ludzki 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.

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.

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.

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.

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 Michała S. opublikowanych w odstępie 3 dni. Zdjęcie z ręki z 11.08.2023 ma 0 punktów za retusz i zebrało 123 reakcje. Portret wypiękniony z 08.08.2023 ma 0 punktów i zebrał 415 reakcji. Przy portrecie model wskazał takie cechy:

• studyjne, reżyserowane światło i filmowa gradacja kolorów
• aranżacja produktowa: piramida kubków, rozsypane ziarna, kakaowe 'wydmy’
• opakowania z grafikami sugerującymi generowanie AI

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 Michała S. ta sama scena wróciła w 2 postach. Za pierwszym razem, 12.09.2025, post zebrał 369 reakcji. Za drugim razem, 17.09.2025, zebrał 248 reakcji.