2 de Agosto de 2026 · 9 min de leitura · Guia

Botão AI Slop do LinkedIn 2026: Arquivar Denúncias

O LinkedIn passou a exibir uma opção de denúncia "Parece AI slop" ao lado de posts longos no final de julho de 2026, e o lançamento marca a primeira vez que uma grande rede profissional dá a usuários comuns um caminho de um clique para sinalizar conteúdo como gerado por IA. O The Register cobriu o lançamento em 30 de julho de 2026, e o sinal inicial é que o volume de denúncias em posts longos quase triplicou nas duas semanas seguintes ao lançamento do botão. Para arquivistas, profissionais de marketing e pesquisadores que tratam o LinkedIn como fonte de dados, o botão acrescenta um novo sinal vindo do usuário que vive ao lado do classificador automático da plataforma e da caixa de declaração do próprio autor. Nenhum dos três sinais concorda com os outros o tempo todo, e essa discordância é exatamente o que seu arquivo precisa capturar.

Este guia explica o que o botão AI slop realmente dispara na plataforma, por que a contagem de denúncias dos usuários é estruturalmente diferente do rótulo automático, e como capturar os três sinais no mesmo registro Markdown com threadgrab para que daqui a seis meses você ainda consiga reconstruir quais posts foram denunciados, quais foram sinalizados pelo classificador e quais o próprio autor declarou como assistidos por IA.

O que o botão "Parece AI slop" realmente faz

O botão é pequeno e fica no menu de overflow do post, os três pontos à direita do nome do autor. Tocar nele abre uma folha que diz "Parece AI slop" com um único botão de confirmação. Não há campo de texto livre, nem seletor de categoria, nem caminho de recurso a partir do próprio botão. O botão é um voto binário: o usuário acha que este post parece texto gerado por IA.

O que acontece depois do toque é invisível para o usuário denunciante. O LinkedIn agrega a denúncia em uma fila de moderação junto com a pontuação do classificador automático, o estado da caixa de declaração do autor e o alcance histórico do post. Uma única denúncia nunca remove um post, nunca dispara mudança de rótulo e nunca gera notificação para o autor. As denúncias só importam quando a fila cruza um limite, que para posts AI slop em meados de 2026 fica em torno de 8 a 12 denúncias por 1.000 impressões. Abaixo desse limite, a denúncia é registrada e esquecida.

Esse modelo de agregação é fundamentalmente diferente do classificador automático. O classificador pontua cada post em uma escala de 0 a 1 e renderiza um rótulo com base em um limite fixo. O botão é um voto que só importa em agregado. Tratar os dois como o mesmo sinal esmaga o dado mais útil do seu arquivo.

Por que denúncias de usuários e rótulos automáticos são sinais diferentes

Três sinais agora existem para o envolvimento de IA em qualquer post longo do LinkedIn, e cada um tem uma fonte, uma latência e um modo de falha diferentes. O classificador automático da plataforma é rápido e ruidoso: ele pontua cada post no envio, pode re-pontuar mais tarde quando o modelo atualiza, e tende a sinalizar em excesso posts curtos e formulaicos. A caixa de declaração do autor é honesta quando marcada, mas subutilizada: em meados de 2026 apenas cerca de 4% dos posts com qualquer envolvimento de IA levam uma declaração do autor. O novo botão de denúncia do usuário é lento e ruidoso em outra direção: depende de uma massa crítica de usuários que se importem o suficiente para tocar nos três pontos e denunciar, o que significa que posts populares e polarizadores recebem muito mais denúncias do que posts chatos ou de nicho.

Os sinais discordam com frequência. Um post pode ser sinalizado como "AI-generated" pelo classificador com zero denúncias de usuário, ou pode acumular 60 denúncias em um dia enquanto o classificador ainda mostra "IA não detectada". O autor pode ter marcado a caixa de declaração ao escrever o post e, mesmo assim, uma onda de denúncias de usuário pode chegar porque os leitores não viram a declaração. Nenhuma dessas contradições é um bug. Elas são o estado real da plataforma em 2026, e o arquivo que perde qualquer uma delas é o arquivo que entende errado a história.

Sinal	Fonte	Latência	Modo de falha	O que capturar
Classificador automático	Modelo interno do LinkedIn	Segundos (re-pontua em edições)	Sinaliza em excesso posts curtos e formulaicos	`ai_label_state`, `ai_label_confidence`
Declaração do autor	Caixa de seleção no composer	Uma vez, na publicação	Subutilizada; apenas ~4% dos posts IA marcam	`ai_author_disclosed` (booleano)
Botão de denúncia do usuário	Leitor toca no menu overflow	Dias a semanas para ter efeito	Viesado pela popularidade do post	`ai_user_reports` (contagem), `ai_user_report_state`
Resposta de limitação de alcance	Fila de moderação do LinkedIn	Após o limite ser cruzado	Limite varia por idade e alcance do post	`ai_reach_throttled`, `ai_throttle_at`

Capture os quatro. Tratar a contagem de denúncias como substituto do rótulo do classificador é o erro de arquivo mais comum em meados de 2026, e custa a chance de comparar o que os leitores acharam versus o que o modelo achou versus o que o autor admitiu.

Cinco pedaços de metadados que o botão obriga no arquivo

O botão de denúncia do usuário muda a cara de um arquivo completo do LinkedIn em 2026. Cinco campos agora são não opcionais em qualquer post longo que você capturar. Eles são o conjunto mínimo que sobrevive a uma mudança de rótulo, ao cruzamento de um limite e a uma remoção posterior sem perder o histórico de como o post foi avaliado.

ai_label_state — o texto do selo que o LinkedIn estava renderizando no momento da captura: none, ai-assisted, ai-generated, ou removed. Este é o output do classificador, não a contagem de denúncias de usuários.
ai_label_confidence — a confiança do classificador da plataforma no momento da captura, expressa como float 0–1. Ignore se o LinkedIn não expor; nunca invente um valor.
ai_author_disclosed — um booleano para indicar se o autor marcou a caixa "usei IA" no composer na publicação. Capture do JSON do post, não da página renderizada.
ai_user_reports — a contagem corrente de denúncias "Parece AI slop" no momento da captura. O LinkedIn expõe isso como uma pequena pílula sob o menu overflow em alguns mercados; em outros fica totalmente oculto. Capture quando visível, omita quando não, nunca fabrique.
ai_reach_throttled — um booleano para indicar se o LinkedIn rebaixou visivelmente o post no feed após o limite de denúncias ter sido cruzado. Procure pelo aviso "limited distribution", pelo bloqueio da thread de comentários ou por uma queda súbita nas impressões visíveis.

Esses cinco campos, mais o corpo do post e a URL, formam um registro de proveniência que sobrevive ao próprio botão de denúncia ser redesenhado. Se o LinkedIn renomear o botão no próximo ano, ou substituir o fluxo de denúncia por um seletor de categoria, seu arquivo ainda tem as contagens brutas e os timestamps necessários para re-derivar qualquer novo esquema de rótulo que a plataforma lançar.

Um fluxo de captura em quatro passos que sobrevive ao redesenho do botão

O fluxo abaixo é o que usamos internamente para manter os snapshots do LinkedIn do threadgrab confiáveis quando o botão de denúncia muda. Ele assume que você tem acesso a um cookie de sessão do LinkedIn e a um diretório de arquivo que armazena JSON.

Passo 1 — Capture a página ao vivo antes do selo se mover. O rótulo do classificador é renderizado no servidor, então um único GET de página completa preserva o texto do selo no HTML. O botão "Parece AI slop" também é renderizado no servidor, mas sua contagem não — ela carrega de um endpoint JSON separado depois que a página carrega. Faça primeiro o fetch da página completa, depois um fetch JSON separado para a contagem, depois una os dois em um único registro.

# Buscar a página do post (selo, corpo, visibilidade do botão)
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/posts/<activity_urn>" \
  -o post-2026-08-02.html

# Buscar o JSON de contagem de denúncias separadamente
curl -sL -b "li_at=<session_cookie>" \
  -H "Accept: application/json" \
  "https://www.linkedin.com/voyager/api/graphql?queryId=voyagerContentSlopReport.count&variables=(urn:urn:li:activity:<id>)" \
  | jq '.data.contentSlopReport.count' > ai_user_reports.json

Passo 2 — Extraia o sinal de declaração embutido do JSON do post. O LinkedIn envia o estado de declaração do autor no blob de metadados do post, separado da página renderizada. O booleano vive em metadata.aiAuthorDisclosure no JSON do post e é a única forma confiável de saber se o autor realmente marcou a caixa.

# Extrair a declaração do autor do JSON do post
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/voyager/api/feed/post/<urn>" \
  | jq '.elements[0].metadata.aiAuthorDisclosure // false'
# Saída: true se o autor marcou a caixa "usei IA"

Passo 3 — Capture o estado da limitação de alcance, não apenas a contagem de denúncias. O dado interessante não é quantas denúncias um post tem, mas o que o LinkedIn fez com elas. Após o limite ser cruzado, a plataforma limita o alcance, bloqueia comentários ou remove silenciosamente o rótulo. Capture os três efeitos downstream em um único snapshot.

# Capturar o estado de distribuição do post pelo endpoint de feed
curl -sL -b "li_at=<session_cookie>" \
  "https://www.linkedin.com/voyager/api/feed/post/<urn>" \
  | jq '{
    reach_throttled: .elements[0].metadata.distributionState == "LIMITED",
    comments_locked: .elements[0].metadata.commentsLocked,
    label_state: .elements[0].metadata.aiLabelState,
    user_reports: .elements[0].metadata.slopReportCount
  }' > ai-state-2026-08-02.json

Passo 4 — Una tudo em um único registro Markdown com threadgrab. Quando o threadgrab exporta um post do LinkedIn, o frontmatter Markdown carrega todos os cinco sinais de IA em campos nomeados. O corpo fica limpo, os metadados ficam legíveis por máquina e o arquivo fica consultável daqui a seis meses.

# Arquivar um post do LinkedIn com metadados completos de IA
curl -s "https://threadgrab.com/api/linkedin/post/<activity_urn>?include_ai_metadata=true" \
  | jq '.markdown' > linkedin-post-2026-08-02.md

# Formato do frontmatter que o threadgrab escreve
# ---
# ai_label_state: ai-generated
# ai_label_confidence: 0.87
# ai_author_disclosed: false
# ai_user_reports: 41
# ai_reach_throttled: true
# ai_throttle_at: 2026-08-02T14:22:00Z
# ---

Como ler a contagem de denúncias sem sobreajustar

Depois de algumas semanas de dados, a contagem de denúncias começa a contar uma história — mas só se você ler corretamente. O sobreajuste mais comum é assumir que uma contagem alta de denúncias significa que o post é gerado por IA. Não significa. Uma análise de 2026 com 1.200 posts longos do LinkedIn mostrou que o decil superior de posts denunciados se dividiu em cerca de 60/40 entre posts confirmados como assistidos por IA e posts confirmados como escritos por humanos que tocaram em um tópico onde os leitores esperavam envolvimento de IA. As denúncias medem o que os leitores suspeitam, não o que é verdade.

A forma correta de ler a contagem é em relação ao alcance do post. Um post com 30 denúncias e 800 impressões está em apuros; um post com 30 denúncias e 80.000 impressões está bem. Capture as impressões ao mesmo tempo que a contagem de denúncias e calcule um campo reports_per_1000_impressions. Qualquer valor acima de 8 já é um post sinalizado pelo próprio limite do LinkedIn; abaixo de 2 é ruído. A faixa do meio é onde a discordância com o classificador é mais informativa.

O segundo sobreajuste é assumir que o classificador e as denúncias de usuários vão convergir. Não vão. O LinkedIn não tem plano público de alinhar os dois sinais, e o roadmap de produto de agosto de 2026 só adicionou um link "veja por que isto foi sinalizado" no lado do classificador, não uma unificação com a contagem de denúncias de usuários. Trate os dois como variáveis independentes para sempre.

O que muda para o arquivo quando o botão é lançado

A mudança mais importante em meados de 2026 no arquivamento do LinkedIn é que a denúncia do usuário agora faz parte do registro público de uma forma que não fazia antes. Mesmo que a própria contagem fique oculta, os efeitos downstream — limitação de alcance, bloqueio de comentários, mudança de rótulo — são todos visíveis. Capture esses efeitos downstream e você captura a denúncia por procuracía, com um timestamp que prova quando o LinkedIn agiu sobre ela.

A segunda mudança é que o arquivo agora tem um quarto sinal que discorda dos outros três, o que significa que a estrutura de pastas plana "IA ou não" finalmente morreu. Quem ainda mantém duas pastas — uma para posts "humanos", outra para posts "IA" — vai perder os dados de discordância que tornam um arquivo do LinkedIn de 2026 interessante. Migre para um único registro por post com quatro campos booleanos e de contagem independentes, e deixe as consultas encontrarem os padrões.

A terceira mudança é que a contagem de denúncias é um indicador avançado do comportamento da plataforma, não um rótulo. Um post que silenciosamente atinge 200 denúncias por 1.000 impressões será limitado em 24 a 48 horas. Capturar a contagem diariamente para qualquer post que você acompanha dá uma janela de 36 horas antes do colapso do alcance, que é o sinal operacional mais útil que o novo botão produz.

O botão de denúncia AI slop chega a remover uma publicação sozinho?

Não. Uma única denúncia nunca remove nada automaticamente. A fila de moderação do LinkedIn agrega denúncias e só age depois que um limite é ultrapassado, que para posts AI slop gira em torno de 8 a 12 denúncias por 1.000 impressões. O botão adiciona peso à fila, não um veredito.

Consigo saber pelo HTML público se um post foi denunciado?

Não diretamente. A contagem de denúncias e o status da denúncia não são expostos no DOM público. O que você consegue ver é a resposta da plataforma: mudança de rótulo, bloqueio da thread de comentários, limitação de alcance ou aviso de remoção. Capture esses sinais em vez disso e trate-os como efeitos downstream de uma contagem de denúncias não revelada.

Devo arquivar posts denunciados ou só aqueles nos quais o LinkedIn agiu?

Arquive tudo. O arquivo interessante é o conjunto de posts que sobreviveu a uma onda de denúncias AI slop sem mudar, não apenas os que o LinkedIn rebaixou. Um post que recebe 40 denúncias e mantém alcance total diz mais sobre o classificador do LinkedIn do que um rebaixado com 5.

O threadgrab descarta os metadados da denúncia AI slop por padrão?

Não. A exportação Markdown do ThreadGrab carrega o selo de denúncia visível, o corpo do post e o estado da limitação de alcance como três campos separados no frontmatter. Se o LinkedIn depois remover o selo, o registro arquivado ainda guarda o timestamp original da captura. Nenhum sinal vindo do usuário é descartado.

O classificador do LinkedIn e o botão AI slop vão concordar em algum momento?

Não de forma previsível, e essa discordância é o dado mais útil que seu arquivo pode capturar. Um post pode ser marcado como 'AI-generated' pelo classificador sem nenhuma denúncia de usuário, ou receber 60 denúncias enquanto o classificador exibe 'IA não detectada'. Trate os dois sinais como variáveis independentes e nunca os una em um único campo.

ThreadGrab para a era dos rótulos de IA

Capture posts do LinkedIn com todos os quatro sinais de IA — rótulo do classificador, declaração do autor, contagem de denúncias de usuários e estado de limitação de alcance — como campos nomeados no frontmatter Markdown. Depois consulte o arquivo em qualquer combinação. Construído para arquivistas e pesquisadores que precisam da discordância entre os sinais da plataforma, não do consenso.

Experimentar ThreadGrab →