LinkedIn Algorithmus: Relevanz und Expertise statt Viralität

Was der LinkedIn Algorithmus bewertet

Zwischen 2024 und 2026 hat LinkedIn seinen Feed umgebaut, und zwar weg von Viralität als Zielgröße. Statt einen Beitrag an möglichst viele Menschen zu verteilen, versucht das System, ihn an die passenden zu verteilen. Daniel Roth, VP und Editor in Chief bei LinkedIn, hat das sinngemäß zusammengefasst: Ziel der Plattform sei nicht, Inhalte den meisten Menschen zu zeigen, sondern den richtigen.

Daraus ergeben sich drei Dimensionen, die Fachanalysen wie Hootsuites LinkedIn-Algorithmus-Guide einzeln beschreiben:

Relevance: Das System gleicht deinen Beitrag mit den Interessen einzelner Mitglieder ab, nicht mit deiner Follower-Liste. Ein Post über Payload-Migrationen erreicht Entwickler, die sich für Headless CMS interessieren, auch wenn sie dir nicht folgen, und erreicht deine eigenen Kontakte aus dem Vertrieb möglicherweise gar nicht.

Expertise: LinkedIn leitet aus Profil und Posting-Historie ab, wofür jemand steht. Wer konstant zu einem Thema publiziert, wird eher als Autorität behandelt. Das ist ein Bestandssignal, das über Monate aufgebaut wird, nicht über einen einzelnen Post.

Engagement-Qualität: Nicht die Menge der Reaktionen zählt, sondern ihre Art. Ein durchdachter Kommentar sagt mehr über Relevanz aus als ein Like im Vorbeiscrollen, und laut Hootsuite wirkt ein Save rund fünfmal so stark auf die Reichweite wie ein Like.

Diese Dreiteilung ist kein von LinkedIn veröffentlichtes Gewichtungsmodell. Sie ist die brauchbarste Zusammenfassung dessen, was aus Plattform-Statements, Engineering-Papers und Drittanalysen ableitbar ist. Wer sie als Formel behandelt, überschätzt die Datenlage.

Warum die Reichweite gefallen ist, und wie belastbar die Zahlen sind

Die meistzitierte Quelle zum Reichweitenverfall ist Richard van der Bloms Algorithm InSights Report 2025. Seine Auswertung nennt Views minus 50 Prozent, Engagement minus 25 Prozent und Follower-Wachstum minus 59 Prozent im Jahresvergleich, basierend auf 1,8 Millionen Posts, 58.000 Profilen und 31.000 Company Pages über zwölf Monate bis Februar 2025. Sein Update von Oktober 2025 über rund 400.000 Profile misst Sichtbarkeit minus 47 Prozent, Engagement minus 39 Prozent und Follower-Wachstum minus 42 Prozent. Eine separate Q4-2025-Analyse des SayWhat-Teams beziffert die Median-Impressionen mit 65 Prozent Rückgang seit 2023.

Drei Einschränkungen, die in den meisten LinkedIn-Posts zu diesem Thema fehlen. Erstens stammt keine dieser Zahlen von LinkedIn, es sind Drittanalysen mit eigenen Stichproben. Zweitens unterscheiden sich Basisjahr und Methode, weshalb minus 47, minus 50 und minus 65 Prozent nicht dasselbe messen. Drittens sind die Vollreports kostenpflichtig, überprüfbar ist jeweils nur die Zusammenfassung. Nimm die Richtung ernst, die Nachkommastelle nicht.

Aufschlussreicher als der Durchschnitt ist die Verteilung: Laut derselben Auswertung stieg der Sichtbarkeitsanteil der Top-Creator von 15 auf 31 Prozent, während der Anteil der übrigen Creator von 57 auf 28 Prozent fiel. Die Reichweite ist also kleiner geworden und zugleich ungleicher verteilt. Für Unternehmen mit wenigen aktiven, thematisch klar positionierten Profilen ist das eher eine Chance als ein Problem.

Wie der LinkedIn Algorithmus technisch rankt

Seit 2025 ist die Mechanik teilweise öffentlich dokumentiert. Das Paper „Large Scale Retrieval for the LinkedIn Feed using Causal Language Models" beschreibt einen auf LLaMA 3 feinabgestimmten Dual-Encoder, der aus hunderten Millionen Kandidaten rund 2.000 Posts pro Anfrage auswählt, mit einem Latenzbudget von wenigen Millisekunden. Erst diese 2.000 Kandidaten gehen ins eigentliche Ranking.

Davor liegt 360Brew, ein Decoder-Modell mit 150 Milliarden Parametern, das über 30 Vorhersageaufgaben löst, für die zuvor dedizierte Modelle zuständig waren. Stand der Veröffentlichung im Jänner 2025 bezeichnen die Autoren es als Pre-Production-Modell. Das Paper wurde später wegen eines Lizenzproblems von arXiv zurückgezogen, abrufbar ist nur noch das Abstract. Angaben Dritter, das Modell sei auf 40 bis 100 Prozent der Oberflächen ausgerollt, sind ausdrücklich als Schätzung gekennzeichnet, nicht als LinkedIn-Bestätigung.

Die strukturelle Folge ist dieselbe wie bei den anderen großen Plattformen: Distribution läuft über Interessen, nicht über das Beziehungsnetz. Wie diese Pipeline aus Kandidatengenerierung, Vorsortierung und Ranking generell aufgebaut ist, steht im Überblick zum Empfehlungsalgorithmus.

Signale, die tatsächlich belegt sind

Dwell Time, also die Zeit bis zum Weiterscrollen, hat LinkedIn Engineering bereits 2020 als Feed-Signal beschrieben, inklusive eines Modells, das die Wahrscheinlichkeit des Überspringens vorhersagt. Das Signal ist alt und stabil. Was nicht belegt ist: die kursierenden Prozentwerte je Sekundenbucket, etwa 15,6 Prozent Engagement bei über 61 Sekunden. Diese Zahlen haben keine auffindbare Primärquelle, LinkedIn veröffentlicht solche Aufschlüsselungen nicht.

Bei den Reaktionsarten liefert AuthoredUps Auswertung die konkretesten Werte: Kommentare zählen in 621.833 ausgewerteten Posts etwa doppelt so viel wie Likes, Saves und sofortige Reposts sind die stärksten Reichweitentreiber. Für das Timing gilt weiterhin, dass die ersten 30 bis 60 Minuten die Reichweiten-Trajektorie bestimmen, Beiträge mit echten Gesprächen aber zwei bis drei Wochen im Feed sichtbar bleiben. Der zweite Teil ist die eigentliche Neuigkeit: Der Longtail ist zurück, was gut recherchierte Inhalte gegenüber Tagesaktualität bevorzugt.

Ein praktisches Detail aus derselben Quelle: Über 91 Prozent des Browsings passiert mobil, während 80 Prozent der Profilbearbeitung am Desktop stattfindet. Wer seine Texte am 27-Zoll-Monitor formatiert, kontrolliert selten, wie die ersten drei Zeilen am Handy aussehen. Genau die entscheiden über Dwell Time.

Formate und Formfaktoren

Bei den Formaten ist die Datenlage schmaler, als die Ratgeberliteratur nahelegt, und sie verschiebt sich mit jedem Update. Dieselbe AuthoredUp-Auswertung weist für Personenprofile aktuell Umfragen mit einem Reichweiten-Multiplikator von 1,64 und Dokument-Posts mit 1,45 aus, bei Unternehmensseiten führen Dokumente mit 1,40. Multiplikatoren dieser Größenordnung entscheiden nichts, wenn Relevanz und Expertise nicht stimmen. Sie verstärken einen Beitrag, der ohnehin passt, und sie retten keinen, der am Publikum vorbeigeht.

Zwei Formfaktoren sind konkreter. Als Textlänge nennt die Auswertung 800 bis 1.000 Zeichen als Sweet Spot, was ungefähr einer Argumentation mit einem Beispiel entspricht, nicht einem Statement und nicht einem Essay. Und Hashtags helfen weniger als ihr Ruf: Drei bis fünf Hashtags senken die Sichtbarkeit laut derselben Analyse eher leicht, statt sie zu erhöhen. Die viel zitierten 12,6 Prozent Hashtag-Boost stammen aus einer alten, plattformübergreifenden Untersuchung und sind für LinkedIn nicht belastbar.

Bestätigt, studienbasiert, Folklore

Die Tabelle ist der eigentliche Arbeitsauftrag: Prüfe bei jeder LinkedIn-Taktik, in welcher Zeile sie steht, bevor du Redaktionsressourcen darauf ausrichtest.

Der Evergreen-Test und was er bedeutet

Im Juli 2025 fiel vielen Nutzern auf, dass wochenalte Beiträge wieder oben im Feed auftauchten. Gyanda Sachdeva, Vice President of Product Management bei LinkedIn, bestätigte den Test und erklärte, es gehe darum, wertvolle Einsichten und Karriere-Meilensteine wieder sichtbar zu machen. Nach Nutzerkritik wurde der Test laut Branchenberichten teilweise zurückgedreht.

Behandle das als Richtungsanzeige, nicht als Dauerzustand. Wenn Relevanz das Sortierkriterium ist, verliert Aktualität an Gewicht. Inhalte, die in sechs Monaten noch stimmen, gewinnen gegenüber Kommentaren zur Nachrichtenlage von gestern.

Was das für DACH-B2B heißt

LinkedIn zählt im DACH-Raum rund 24 Millionen registrierte Mitglieder (LinkedIn-Angaben via socialmediastatistik.de, Stand Anfang 2025). Die Zahl ist mit Vorsicht zu behandeln, weil die verfügbaren Länderaufteilungen registrierte Mitglieder, monatlich aktive Nutzer und Werbereichweite vermischen und dabei rechnerisch nicht aufgehen. Global nennt LinkedIn selbst über eine Milliarde Mitglieder, 63 Millionen Entscheider und 10 Millionen C-Level-Führungskräfte; die dort ebenfalls genannte Angabe, vier von fünf Mitgliedern träfen Geschäftsentscheidungen, stützt sich auf eine Studie von 2016 und ist entsprechend alt.

Operativ folgt daraus dreierlei.

Enge Positionierung: Richte Profile auf ein Themenfeld aus statt auf das gesamte Leistungsspektrum. Expertise ist ein Bestandssignal, und ein Konto, das drei Themen parallel bedient, liefert dem System für keines davon ein klares Muster.

Zielgruppe als Bezugsgröße: Miss Reichweite pro Post gegen das erreichbare Publikum, nicht gegen die Follower-Zahl. Als Faustregel gilt, dass unterhalb von rund zwei Prozent organischer Reichweite pro Post trotz konsequentem Expertise-Fokus eine Umschichtung Richtung Employee Advocacy und Paid sinnvoll wird.

Rollen klären: Lege früh fest, was die Unternehmensseite leisten soll und was die Personenprofile leisten. Den direkten Vergleich der beiden Reichweiten liefert der Beitrag zu Unternehmensseite und Profil. Für die Frage, ob XING im DACH-Raum daneben noch eine Rolle spielt, lohnt der Vergleich der beiden B2B-Plattformen.

Typische Fehler

Themensprünge: Wer diese Woche über Recruiting, nächste über Kryptowährungen und danach über Führung schreibt, liefert dem Expertise-Signal nichts Auswertbares. Das System kann nur verstärken, was es wiedererkennt.

Link-Preview-Card stehen lassen: Setzt du einen Link in den Beitrag, entferne die automatisch erzeugte Vorschaukarte. Das ist eine der wenigen Formatempfehlungen, die in großen Datensätzen konsistent auftaucht.

Engagement-Pods: Koordinierte Kommentare erzeugen Reaktionen ohne inhaltliche Passung. Wenn Relevanz das Rankingkriterium ist, produziert das Signale, die zum falschen Publikum führen, und verschlechtert die Verteilung mittelfristig.

Reichweite an Followern messen: Follower sind bei interessenbasierter Distribution eine Bestandsgröße ohne Verteilungsgarantie. Welche Bezugsgrößen stattdessen taugen, steht im Beitrag zu Engagement Rates und Benchmarks.

Was du messen solltest

Drei Kennzahlen reichen für den Anfang. Impressionen pro Post im Verhältnis zur erreichbaren Zielgruppe zeigen, ob die Verteilung überhaupt stattfindet. Der Anteil der Kommentare, Saves und Reposts an allen Reaktionen zeigt, ob die Verteilung an die richtigen Leute geht. Und die Entwicklung über zwölf Wochen zeigt, ob das Expertise-Signal greift, denn einzelne Ausreißer sagen bei dieser Systemarchitektur wenig aus.

Dwell Time selbst lässt sich von außen nicht auslesen. Als Näherung taugt der Vergleich zwischen kurzen und ausführlichen Beiträgen desselben Kontos: Sammeln die längeren bei gleichem Thema konstant mehr Reaktionen ein, spricht das für Verweildauer als Treiber. Ein Beweis ist es nicht, es bleibt eine Korrelation innerhalb deines eigenen Kontos.

Bei der Auswertung gehen zwei Dinge regelmäßig durcheinander. Das erste ist der Ausreißer: Ein Beitrag, der in eine große Interessenblase gerutscht ist, sagt nichts über die Verteilungsqualität der übrigen. Das zweite ist die Vermischung von Post- und Kontoebene. Fällt die Reichweite über alle Profile eines Unternehmens gleichzeitig, liegt die Ursache eher im Feed-System als in einzelnen Beiträgen; fällt sie nur bei einem Profil, ist der Themenzuschnitt die naheliegendere Erklärung.

Stand August 2026. Die Prinzipien, also interessenbasierte Verteilung, Vorsortierung durch Retrieval und Bewertung nach Reaktionsqualität, sind stabiler als die Einzelzahlen. Die Zahlen ändern sich mehrmals im Jahr, das Prinzip seit 2024 nicht mehr.