
Naïlé Titah
Claude hoort bij de beste schrijvers die je in een browsertabblad kunt openen, en op LinkedIn is dat in 2026 juist het probleem. De standaardtekst is gepolijst, evenwichtig, netjes gestructureerd. Precies dat register is de feed als generiek gaan lezen en stilletjes aan minder mensen gaan tonen.
AI gebruiken is prima. Ruwe Claude-tekst publiceren is het deel dat je iets kost.
Dit is geen "raak AI nooit aan"-stuk. LinkedIn zegt zelf dat het "prima is om AI te gebruiken om te helpen schrijven". Het probleem is smaller en praktischer.
Een algemene chatbot heeft geen idee hoe bereik op LinkedIn werkt, schrijft niet in jouw stem en neigt naar dezelfde handvol vormen waar elk AI-concept op uitkomt. Hieronder: wat er misgaat, de data erachter en wat je in plaats daarvan doet.
TL;DR: Claude is een uitstekende schrijver, en juist daarom heeft zijn ruwe tekst het nu moeilijk op LinkedIn. Zijn reflexen (de kastlijn, het contrast "niet X, maar Y", de wrijvingsloze gladheid) zijn de sjabloonvormen die de feed in 2026 lager zet, en elk model drijft naar diezelfde gemiddelde stem (de modelcollaps, model collapse). Laat het een concept schrijven, haal er dan de patronen uit die bereik kosten en houd je stem, of gebruik een AI die voor LinkedIn is gebouwd.
Is Claude goed voor het schrijven van LinkedIn-posts?
Als schrijver, ja. Claude levert nette, zelfverzekerde, goed georganiseerde tekst, en dat is echt handig voor een eerste concept. Het probleem is dat "net, zelfverzekerd, goed georganiseerd" inmiddels een AI-signaal is.
Begin 2026 kondigde LinkedIn aan dat het posts "die generiek aanvoelen" aan minder mensen zou tonen. In een bericht met de titel "Keeping conversations real on LinkedIn" benoemde Laura Lorenzetti (VP and Executive Editor, LinkedIn Global Editorial) het doelwit: de "AI slop". Haar definitie: content "die aan de oppervlakte gepolijst kan klinken maar elk echt eigen perspectief of substantie mist". De kernzin, in LinkedIns eigen woorden:
"Het is prima om AI te gebruiken om te helpen schrijven, maar je posts en reacties moeten jouw stem en jouw standpunten vertegenwoordigen. De echte waarde komt van de mens achter het gereedschap."
De polish die Claude indrukwekkend maakt bij een essay is dezelfde polish die LinkedIn nu afwaardeert bij een post. Het gereedschap is niet de boosdoener. De boosdoener is zijn standaardstem ongewijzigd publiceren.
Waarom klinkt Claude op LinkedIn als AI?
Omdat zijn instincten recht op de patronen wijzen die de feed als machinaal leest. Drie daarvan in het bijzonder.
De kastlijn. Claude grijpt voortdurend naar de kastlijn, zoals gepolijst drukwerk dat doet. In 2026 is de kastlijn het eerste wat lezers checken als een post naar AI ruikt, een onmiskenbaar teken dat in duizenden LinkedIn-threads wordt herhaald. We pluizen het echte signaal uit in is de kastlijn een teken van AI?.
De contrast- en onthullingsstructuren. "Niet X, maar Y." "Dit vertelt niemand je." "Het resultaat?" Deze symmetrische, dramatische wendingen zijn Claudes comfortzone, en het zijn precies de sjabloonvormen die lezers nu als AI herkennen.
De wrijvingsloze balans. Claude waagt zich zelden aan een scherpe, scheve, net iets te persoonlijke mening. Hij rondt de hoeken af. Op LinkedIn is het de afgeronde hoek die ondersneeuwt, omdat die leest als ieders concept.
Toen we onze eigen AI-detector over concepten van de grote modellen lieten lopen, leunde die van Claude het sterkst naar precies deze structuren. Dat was een interne lezing, geen gepubliceerd onderzoek, maar het strookt met wat schrijvers in het openbaar melden: van de grote modellen is Claudes tekst een van de meest herkenbaar "door AI gepolijste".
Waarom drijven alle AI-modellen naar dezelfde stem?
Dit is geen kuur van Claude die je met een goede prompt oplost. Het is structureel, en het heeft een naam.
Modellen trainen steeds vaker op tekst die eerdere modellen produceerden. Generatie na generatie worden de zeldzame, eigenzinnige, duidelijk menselijke randjes van het schrijven eruit gefilterd, totdat de output samenkomt in een glad, uniform midden.
Het team uit Oxford en Cambridge dat dit formaliseerde, publiceerde het in 2024 in Nature: trainen op recursief gegenereerde data laat "de staarten van de oorspronkelijke contentverdeling verdwijnen", en het resultaat stort in naar één enkele, gemiddelde modus (Shumailov et al., Nature).
Een Nature-commentaar bij het onderzoek schetst het traject: voer een model te veel AI-gegenereerde data en de output vlakt eerst af naar eenvormigheid, en ontaardt daarna, na genoeg generaties, in wartaal (Wenger, Nature). LinkedIn zit in de vroege fase van die curve, de afvlakking, niet de wartaal.

Die lus draait al op LinkedIn, en je kunt hem voeden zonder het door te hebben.
Je blijft hangen bij een post die je bewondert, die misschien zelf door een AI is geschreven. Je vraagt een model om "iets soortgelijks", en dat model is getraind op posts die al zijn afgesteld om als AI te klinken. Je publiceert, en je post wordt nog een voorbeeld dat de volgende lezer kopieert en waarop het volgende model leert. Elke ronde brengt nog een laag van dezelfde lak aan.
Dat gemiddelde midden is in de praktijk wat LinkedIn slop noemt: gepolijst aan de oppervlakte, zonder echt perspectief eronder. Het is ook waarom deze paar patronen nu overal tegelijk opduiken, het hele verhaal in hoe AI-schrijven de LinkedIn-feed overnam en waar de patronen vandaan kwamen.
Het is ook waarom veel prompt engineering of aangebouwde "skills" maar tot op zekere hoogte iets veranderen. Je kunt Claude voor één concept van zijn reflexen wegduwen. Maar de zwaartekracht trekt altijd terug naar het gemiddelde, want het gemiddelde is wat hij heeft leren produceren.
Er is een keerzijde die het waard is om in het oog te houden. Hoe meer de feed zich vult met gemiddelde AI-tekst, hoe zeldzamer een echt origineel menselijk bericht wordt, en hoe meer het opvalt. In 2026 zijn aandachtig lezen, zelf nadenken en schrijven in een stem die geen enkel model naar het midden kan middelen niet zomaar goede manieren. Het is het beslissende voordeel.
Kost het publiceren van ruwe Claude-tekst je echt bereik?
Ja, en de kosten zijn nieuw. We hebben het gemeten over 287.120 LinkedIn-posts, waarbij we elke auteur alleen met zijn eigen andere posts vergeleken, zodat de omvang van het publiek het resultaat niet kan verklaren. Een handvol sjabloonwendingen trekken elk een post onder het eigen normaal van de auteur. Het zijn de wendingen waar een algemeen model standaard naar grijpt. Het effect was statistisch afwezig vóór 2026.

Wending | Klinkt als | Bereikkosten binnen dezelfde auteur |
Generieke adviesformule | "Stop met jagen op likes, begin problemen op te lossen" | -6,7 % |
"Het is geen wervingsprobleem, het is een procesprobleem" | -4,9 % | |
De brug "Het resultaat?" | "...ze presteren onder. Het resultaat? Ze verliezen de deal" | -4,8 % |
"Dit vertelt niemand je over werving" | -4,3 % |
Geen van deze is een verboden woord. Het zijn vormen, en het zijn Claudes reflexen. Dat is de valstrik van het gangbare advies: de "AI-woorden" die iedereen je afraadt (delve, tapestry, "in the realm of") wegen nauwelijks nog, terwijl deze structurele wendingen zijn wat echt bereik kost.
Het volledige bewijs binnen dezelfde auteur staat in ons bereikonderzoek, en het strookt met LinkedIns eigen stap van begin 2026. Het platform meldt dat het "generieke content 94 % van de tijd correct herkent", en dat generieke posts "minder kans hebben om breed verspreid te worden buiten het directe netwerk".
Dit is een echt effect van de tweede orde, geen magische hefboom. Bereik wordt nog steeds vooral bepaald door je publiek en je onderwerp. Maar de richting is duidelijk: de ruwe Claude-vorm is de vorm die de feed is gaan tegenhouden.
Kun je Claude niet gewoon beter prompten of een skill toevoegen?
Een beetje, ja, maar het houdt geen stand. Twee redenen.
Het drijft terug. De standaardinstelling van een model is de gemiddelde stem waarop het is getraind: een slimme prompt repareert één concept, niet de volgende vijftig.
Het overcorrigeert. Een algemene instructie als "laat dit minder als AI klinken" kan de wendingen die bereik kosten niet onderscheiden van de menselijke gewoonten die het opleveren. In dezelfde data van 2026 zijn drie zetten die "LinkedIn-achtig klinken" eigenlijk goed voor het bereik:
Echte oprechtheid (een echte, ongepolijste bekentenis): +4,6 %
Een P.S. of een afsluiting met oproep tot actie: +7,5 %
Een echte slotvraag: neutraal voor het bereik, en ze trekt de reacties aan die het voeden
Een generieke "anti-AI"-prompt vlakt dit alles samen met de steiger af, dus je haalt de delen weg die je hielpen. Het werk is chirurgisch: vier specifieke structuren weghalen, drie specifieke gewoonten beschermen, in jouw stem. Dat doet een opgeslagen prompt niet goed.
Hoe moet je AI gebruiken voor LinkedIn in 2026?
Op dezelfde manier als LinkedIn het formuleert: AI is een hulpmiddel, de waarde is de mens erachter. In de praktijk:
Laat Claude ontwerpen, nooit beslissen. Gebruik het om sneller woorden op de pagina te krijgen. De mening, het voorbeeld en de conclusie zijn van jou, anders heeft de post geen auteur.
Veranker elke post in één ding dat alleen jij zou kunnen zeggen. Een echt getal, een situatie van een genoemde klant, een fout die je iets heeft gekost. Eén specifiek detail dat een model niet zou kunnen verzinnen, is de snelste manier om menselijk over te komen.
Schrap de vier bereik-killers, behoud de drie gewoonten. Herschrijf het contrast, de onthullende opener, de "Het resultaat?"-brug en de adviesformule als gewone beweringen. Laat de oprechtheid, de vraag en de afsluiting met rust.
Gebruik een AI die is gebouwd voor LinkedIn, niet een algemene chatbot. Dit is het echte verschil, en het is het verschil tussen Claude en een speciaal gebouwde tool:
Een algemene chatbot (Claude) | Een AI gebouwd voor LinkedIn (MagicPost) | |
Weet wat bereik kost op LinkedIn | Nee | Ja, uit het onderzoek van 287.120 posts |
Schrijft in je stem | Standaard generiek | Leert je stijl, drie intensiteitsniveaus |
Verwijdert de patronen die de feed degradeert | Nee, het produceert ze | Ja, structureel, bij elke generatie |
Behoudt de menselijke gewoonten die helpen | Vlakt ze af | Beschermt oprechtheid, vraag, afsluiting |

Dat is precies waar de Humanizer van MagicPost voor is gebouwd. Het draait binnen de post generator. Schakel het eenmalig in en elke post wordt geleverd zonder de sjabloonachtige wendingen, met behoud van je eigen stem. Je profiteert nog steeds van de snelheid van AI, zonder de generieke vorm die tegenwoordig bereik kost. Gratis te proberen, geen creditcard vereist.
Veelgestelde vragen
Is het slecht om Claude te gebruiken voor LinkedIn-posts?
Claude gebruiken om een concept te schrijven is prima. Het probleem is zijn output ongewijzigd publiceren. Claudes standaardstem is gepolijst en sjabloonmatig, precies de "generieke" vorm die LinkedIn in 2026 aan minder mensen ging tonen. Bewerk hem in jouw stem, of haal hem door een gereedschap dat voor LinkedIn is gebouwd, voordat je publiceert.
Detecteert LinkedIn door AI geschreven posts?
Het detecteert generieke content, niet AI op zich. LinkedIns redactieteam meldde dat het in eerste tests "generieke content 94 % van de tijd correct herkent", en die posts worden minder verspreid. Door AI ondersteund schrijven dat leest als een echt persoon met een standpunt is uitdrukkelijk prima.
Waarom klinkt Claude zo sterk als AI?
Twee redenen. Zijn reflexen (de kastlijn, het contrast "niet X, maar Y", de gepolijste balans) zijn de vormen die lezers nu als machinaal herkennen. En alle grote modellen drijven naar een gemiddelde, uniforme stem terwijl ze trainen op door AI gegenereerde tekst. Dat effect is gedocumenteerd als "modelcollaps" (Shumailov et al., Nature, 2024).
Kan prompt engineering Claude menselijke LinkedIn-posts laten schrijven?
Alleen in de marge. Een goede prompt repareert één concept, maar het model drijft terug naar zijn gemiddelde stem. En een algemene instructie als "klink minder als AI" overcorrigeert en vlakt de oprechtheid en de afsluiting af die het bereik echt helpen. De betrouwbare oplossing is structureel en stembewust, en dat is wat een LinkedIn-specifiek gereedschap doet.
Wat moet ik in plaats van Claude gebruiken voor LinkedIn?
Een AI die voor LinkedIn is gebouwd in plaats van een algemene chatbot. MagicPost genereert posts in je eigen stem met de Humanizer aan, haalt de sjabloonwendingen weg die bereik kosten en houdt de menselijke gewoonten die het opleveren, en laat je ze daarna op één plek inplannen en meten.
11 Patronen om een door AI geschreven LinkedIn Post te herkennen in 2026
We analyseerden 46.000 LinkedIn-posts om de 11 patronen te vinden die een post in 2026 als AI laten klinken, met echte voorbeelden van topcreators en hoe je elk patroon oplost.
"Het is niet X, het is Y": de meest gerapporteerde AI-formule van LinkedIn
„"It's not X, it's Y"" is de meest als AI gemarkeerde formule op LinkedIn. Elke topcreator gebruikt hem, waarom het een tell werd, en het bereik dat het je in 2026 kost (around -9% in French).
Is de em-dash een teken van AI op LinkedIn? (Gegevens van 2026)
Is het kastlijntje een teken van AI op LinkedIn? Ja. Het gebruik sprong met ChatGPT van onder 2% van de posts naar boven 15%. De data, en wat je in plaats daarvan gebruikt.
"Here's How" en "Here's What": AI-openers die bereik kosten
„"Here's how"" is LinkedIns meest voorkomende AI-overgang. Hij ging met ChatGPT van minder dan 3 % van de posts naar meer dan 16 %. Waarom hij als AI overkomt, en hoe je hem varieert.
Te vermijden AI-woorden op LinkedIn (129.000 Posts, 2026)
De beroemde te vermijden AI-woorden (delve, tapestry) zijn al dood op LinkedIn. We checkten 129.000 posts. Het echte signaal verschoof van woordkeuze naar structuur.
Bestraft LinkedIn AI-content? Wat de data zeggen (2026)
Bestraft LinkedIn AI? Niet echt. Het beperkt de verspreiding van generieke posts, niet AI. We scoorden 46.000 topposts: 97 % leest als menselijk. Lees hier meer.
AI-schrijven op LinkedIn in 2026: De kenmerken en hun oorsprong
AI heeft LinkedIn een huisstijl gegeven. Dit zijn de patronen die in 2026 inmiddels als AI lezen, en de ongemakkelijke waarheid over waar ze echt vandaan komen.
LinkedIn Post Humanizer: Wat echt werkt in 2026
De meeste AI-humanizers herstellen het verkeerde probleem. Op LinkedIn is vocabulaire dood; de weggever is de structuur. Wat een LinkedIn-posthumanizer echt zou moeten doen, met data.










