Algoritmo de LinkedIn: relevancia y experiencia, no viralidad

Qué evalúa el algoritmo de LinkedIn

Entre 2024 y 2026, LinkedIn reestructuró su feed y dejó de tener la viralidad como objetivo. En lugar de distribuir una publicación al mayor número posible de personas, el sistema intenta hacerla llegar a las adecuadas. Daniel Roth, VP y Editor in Chief de LinkedIn, lo resumió en esencia así: el objetivo de la plataforma no es mostrar los contenidos a la mayoría de las personas, sino a las adecuadas.

De ahí se derivan tres dimensiones que análisis especializados como la guía del algoritmo de LinkedIn de Hootsuite describen por separado:

Relevancia: el sistema compara tu publicación con los intereses de cada miembro, no con tu lista de seguidores. Una publicación sobre migraciones a Payload llega a desarrolladores interesados en headless CMS aunque no te sigan, y puede que ni siquiera llegue a tus propios contactos del área comercial.

Conocimiento experto: LinkedIn deduce del perfil y del historial de publicaciones qué representa cada persona. Quien publica de forma constante sobre un tema tiene más probabilidades de que se le trate como una autoridad. Es una señal acumulativa que se construye a lo largo de meses, no con una sola publicación.

Calidad de la interacción: no cuenta la cantidad de reacciones, sino su tipo. Un comentario elaborado dice más sobre la relevancia que un like dado de pasada mientras haces scroll, y según Hootsuite un guardado influye en el alcance unas cinco veces más que un like.

Esta división en tres no es un modelo de ponderación publicado por LinkedIn. Es el resumen más útil de lo que se puede deducir de las declaraciones de la plataforma, los artículos técnicos de ingeniería y los análisis de terceros. Quien la trata como una fórmula sobrestima los datos disponibles.

Por qué ha caído el alcance y qué fiabilidad tienen las cifras

Las cifras más citadas sobre la caída del alcance proceden de Richard van der Blom. Su Algorithm InSights Report 2025 indica una caída interanual del 50 % en visualizaciones, del 25 % en interacción y del 59 % en crecimiento de seguidores, a partir de 1,8 millones de publicaciones, 58.000 perfiles y 31.000 páginas de empresa durante doce meses hasta febrero de 2025. Su actualización de octubre de 2025 sobre unos 400.000 perfiles mide una caída del 47 % en visibilidad, del 39 % en interacción y del 42 % en crecimiento de seguidores. Un análisis independiente del equipo de SayWhat (Q3 LinkedIn Algorithm Report 2025) cifra la caída de la mediana de impresiones en un 65 % desde 2023.

Tres matices que faltan en la mayoría de las publicaciones de LinkedIn sobre este tema. Primero, ninguna de estas cifras procede de LinkedIn: son análisis de terceros con sus propias muestras. Segundo, el año base y el método difieren, por lo que una caída del 47, del 50 o del 65 % no mide lo mismo. Tercero, los informes completos son de pago y solo se puede verificar el resumen de cada uno. Toma en serio la tendencia, no los decimales.

Más reveladora que la media es la distribución: según Saleshigher, desde 2022 la cuota de visibilidad de los principales creadores pasó del 15 al 31 %, mientras que la del resto de creadores cayó del 57 al 28 %. El alcance se ha reducido y, a la vez, se reparte de forma más desigual. Para empresas con pocos perfiles activos y un posicionamiento temático claro, esto es más una oportunidad que un problema.

Cómo funciona técnicamente el ranking del algoritmo de LinkedIn

Desde 2025, la mecánica está documentada públicamente en parte. El artículo «Large Scale Retrieval for the LinkedIn Feed using Causal Language Models» describe un dual encoder afinado a partir de LLaMA 3 que selecciona unas 2.000 publicaciones por consulta entre cientos de millones de candidatos, con un presupuesto de latencia de pocos milisegundos. Solo esos 2.000 candidatos pasan al ranking propiamente dicho.

Para la fase de ranking, LinkedIn presentó 360Brew, un modelo decoder de 150 mil millones de parámetros que resuelve más de 30 tareas de predicción de las que antes se encargaban modelos dedicados. En el momento de su publicación, en enero de 2025, los autores lo describían como un modelo en preproducción. Más tarde, el artículo se retiró de arXiv por un problema de licencia y solo sigue disponible el abstract. Las afirmaciones de terceros de que el modelo se ha desplegado en entre el 40 y el 100 % de las áreas de la plataforma están marcadas expresamente como estimación, no como confirmación de LinkedIn.

La consecuencia estructural es la misma que en las demás grandes plataformas: la distribución se basa en intereses, no en la red de contactos. Cómo se estructura en general este pipeline de generación de candidatos, preselección y ranking lo explica el resumen sobre el algoritmo de recomendación.

Señales que están realmente demostradas

El dwell time, es decir, el tiempo que pasa hasta que alguien sigue haciendo scroll, lo describió LinkedIn Engineering ya en 2020 como señal del feed, junto con un modelo que predice la probabilidad de que una publicación se salte. La señal es antigua y estable. Lo que no está demostrado son los porcentajes por tramo de segundos que circulan, como un 15,6 % de interacción con más de 61 segundos. Estas cifras no tienen ninguna fuente primaria localizable: LinkedIn no publica desgloses de este tipo.

En cuanto a los tipos de reacción, el análisis de AuthoredUp ofrece los valores más concretos: en 621.833 publicaciones analizadas, los comentarios cuentan aproximadamente el doble que los likes, y los guardados y las republicaciones inmediatas son los mayores impulsores del alcance. Respecto al momento de publicación, sigue siendo válido que los primeros 30 a 60 minutos determinan la trayectoria del alcance, aunque las publicaciones con conversaciones reales siguen visibles en el feed entre dos y tres semanas. La segunda parte es la verdadera novedad: la cola larga ha vuelto, lo que favorece los contenidos bien documentados frente a la actualidad del día.

Un detalle práctico de la misma fuente: más del 91 % de la navegación se hace desde el móvil, mientras que el 80 % de la edición de perfiles se realiza en el ordenador. Quien da formato a sus textos en un monitor de 27 pulgadas rara vez comprueba cómo se ven las tres primeras líneas en el móvil. Y son precisamente esas líneas las que deciden el dwell time.

Formatos y factores de forma

En cuanto a formatos, los datos son más escasos de lo que sugieren las guías, y cambian con cada actualización. El mismo análisis de AuthoredUp indica actualmente para perfiles personales un multiplicador de alcance de 1,64 para las encuestas y de 1,45 para las publicaciones con documento; en páginas de empresa, los documentos lideran con 1,40. Multiplicadores de este orden no deciden nada si la relevancia y el conocimiento experto no acompañan. Refuerzan una publicación que ya encaja, pero no salvan una que no conecta con su público.

Dos factores de forma son más concretos. Como longitud de texto, el análisis señala entre 800 y 1.000 caracteres como punto óptimo, lo que equivale aproximadamente a un argumento con un ejemplo: ni una simple declaración ni un ensayo. Y los hashtags ayudan menos de lo que dice su fama: según el mismo análisis, de tres a cinco hashtags tienden a reducir ligeramente la visibilidad en lugar de aumentarla. El tan citado aumento del 12,6 % gracias a los hashtags procede de un estudio antiguo y multiplataforma, y no es fiable para LinkedIn.

Confirmado, basado en estudios, mito

La tabla es el verdadero encargo: antes de dedicar recursos editoriales a cualquier táctica de LinkedIn, comprueba en qué fila está.

El test evergreen y lo que significa

En julio de 2025, muchos usuarios notaron que publicaciones de hacía semanas volvían a aparecer arriba en el feed. Gyanda Sachdeva, Vice President of Product Management de LinkedIn, confirmó la prueba y explicó que el objetivo era volver a dar visibilidad a reflexiones valiosas e hitos profesionales. Según informes del sector, tras las críticas de los usuarios la prueba se revirtió en parte.

Tómalo como una indicación de hacia dónde van las cosas, no como un estado permanente. Si la relevancia es el criterio de ordenación, la actualidad pierde peso. Los contenidos que seguirán siendo válidos dentro de seis meses ganan frente a los comentarios sobre las noticias de ayer.

Qué significa esto para el B2B

En la región DACH (Alemania, Austria y Suiza), LinkedIn cuenta con unos 24 millones de miembros registrados (datos de LinkedIn vía socialmediastatistik.de, a principios de 2025). La cifra debe tomarse con cautela, porque los desgloses por país disponibles mezclan miembros registrados, usuarios activos mensuales y alcance publicitario, y las cuentas no cuadran. A escala global, la propia LinkedIn indica más de mil millones de miembros, 63 millones de responsables de decisiones y 10 millones de directivos C-level; el dato que también menciona, según el cual cuatro de cada cinco miembros toman decisiones de negocio, se basa en un estudio de 2016 y es, por tanto, antiguo.

En la práctica, de ello se derivan tres consecuencias.

Posicionamiento acotado: orienta los perfiles a un área temática en lugar de a toda la gama de servicios. El conocimiento experto es una señal acumulativa, y una cuenta que atiende tres temas en paralelo no le da al sistema un patrón claro para ninguno de ellos.

El público objetivo como referencia: mide el alcance por publicación frente al público alcanzable, no frente al número de seguidores. Como regla general, si el alcance orgánico por publicación se queda por debajo de aproximadamente el dos por ciento pese a un enfoque coherente en el conocimiento experto, conviene redistribuir recursos hacia employee advocacy y campañas de pago.

Aclarar roles: define pronto qué debe aportar la página de empresa y qué aportan los perfiles personales. La comparación directa entre ambos alcances está en el artículo sobre página de empresa y perfil. Si te preguntas si XING sigue teniendo algún papel en la región DACH, merece la pena leer la comparación de ambas plataformas B2B.

Errores habituales

Saltos de tema: quien escribe esta semana sobre selección de personal, la siguiente sobre criptomonedas y después sobre liderazgo no le da a la señal de conocimiento experto nada que evaluar. El sistema solo puede amplificar lo que reconoce.

Dejar la tarjeta de vista previa del enlace: si incluyes un enlace en la publicación, elimina la tarjeta de vista previa generada automáticamente. Es una de las pocas recomendaciones de formato que aparecen de forma constante en grandes conjuntos de datos.

Engagement pods: los comentarios coordinados generan reacciones sin encaje temático. Si la relevancia es el criterio de ranking, esto produce señales que llevan al público equivocado y empeora la distribución a medio plazo.

Medir el alcance por seguidores: con una distribución basada en intereses, los seguidores son una cifra acumulada que no garantiza distribución. Qué referencias sirven en su lugar lo explica el artículo sobre engagement rates y benchmarks.

Qué deberías medir

Para empezar bastan tres métricas. Las impresiones por publicación en relación con el público objetivo alcanzable muestran si la distribución llega a producirse. La proporción de comentarios, guardados y republicaciones sobre el total de reacciones muestra si la distribución llega a las personas adecuadas. Y la evolución a lo largo de doce semanas muestra si la señal de conocimiento experto funciona, porque con esta arquitectura de sistema los casos aislados dicen poco.

El dwell time en sí no se puede leer desde fuera. Como aproximación sirve comparar publicaciones cortas y extensas de la misma cuenta: si las más largas, sobre el mismo tema, consiguen de forma constante más reacciones, eso apunta al tiempo de permanencia como impulsor. No es una prueba, sigue siendo una correlación dentro de tu propia cuenta.

En el análisis se confunden con frecuencia dos cosas. La primera es el caso atípico: una publicación que se ha colado en una gran burbuja de intereses no dice nada sobre la calidad de distribución del resto. La segunda es mezclar el nivel de publicación con el de cuenta. Si el alcance cae a la vez en todos los perfiles de una empresa, la causa está más probablemente en el sistema del feed que en publicaciones concretas; si cae solo en un perfil, la explicación más plausible es el enfoque temático.

Datos a agosto de 2026. Los principios, es decir, la distribución basada en intereses, la preselección mediante recuperación y la evaluación según la calidad de las reacciones, son más estables que las cifras concretas. Las cifras cambian varias veces al año; el principio no ha cambiado desde 2024.