研究揭 LinkedIn 成全網 AI 灌水重災區

研究顯示 LinkedIn 上由 AI 生成的貼文比例遠高於其他平台，使這個職場社群成為 AI 內容灌水的重災區。而其主要後果，是內容作為專業能力訊號的價值持續貶值。

這個現象的成因，與平台的內容特性密切相關。職場社群上的貼文有相當固定的形式——產業觀察、專業心得、職涯反思與成就分享；這些內容的結構高度模式化，語氣要求正面且專業，而長度也在一定範圍內。這些特徵恰好是語言模型最擅長生成的類型；而使用者只需提供一個主題，就能得到一篇形式完整的貼文。

動機面同樣清楚。在職場社群上維持能見度被視為有助於職涯發展——建立專業形象、擴展人脈、吸引招募方注意。但持續產出有品質的內容需要時間與思考，而多數專業工作者的時間有限。當工具能在數十秒內產出形式合格的內容，使用的誘因便相當強烈。

問題在於，這破壞了內容原本的功能。專業貼文的價值不只在資訊本身，更在於它作為一種訊號——願意投入時間整理想法、具備該領域的實際見解、以及表達能力。當所有貼文都由 AI 產出且品質相當，這些訊號便全數失效；讀者無法從文字判斷作者的實際專業程度，而平台的內容價值也隨之下降。

這與近期觀察到的另一個現象形成同一結構：當發信與回信兩端都由 AI 代勞，溝通的實質資訊反而減少。兩者的共通點是，生成端與接收端同時自動化，而原本作為判斷依據的訊號隨之貶值。這是能力普及化的必然副作用。

對平台而言，這構成實質的營運挑戰。內容品質下降會影響使用者的停留時間與互動意願；而若使用者認為內容不再值得閱讀，平台的核心價值便受損。可能的因應包括調整推薦演算法以降低模式化內容的權重、引入來源標示機制，或是把重心轉向更難以自動化的互動形式。

對個別使用者的啟示，則是策略需要調整。當形式化的內容不再構成差異化，真正有價值的變成那些難以被模型生成的部分——具體的第一手經驗、可驗證的實際成果、以及帶有個人判斷的獨特觀點。這些內容的產出成本更高，但正因如此才保有訊號價值。

從更廣的角度，這也是一個反覆出現的模式：任何以「產出量」作為評價依據的機制，在生成成本大幅下降後都會失效，而評價體系必須轉向更難偽造的指標。

後續觀察重點包括：平台在內容政策與演算法上的調整、使用者互動數據的變化，以及專業社群的評價機制是否出現轉型。