Un análisis de 490.000 páginas en inglés encontró indicios de que el contenido web con IA abarca el 10% de la muestra general de julio de 2026. La cifra llegó al 35% entre las páginas con fecha detectable publicadas después del lanzamiento de ChatGPT.
Un análisis de Pew Research Center estima que el 10% de una muestra aleatoria de páginas web en inglés recopilada en julio de 2026 presentó señales significativas de autoría o edición mediante inteligencia artificial. La proporción ascendió al 35% cuando los investigadores observaron únicamente páginas con fecha detectable publicadas después del lanzamiento público de ChatGPT, ocurrido el 30 de noviembre de 2022, según el informe.
La segunda cifra requiere una precisión importante. Pew pudo identificar una fecha de publicación en apenas entre el 10% y el 15% de las páginas examinadas en cada rastreo. Ese subconjunto no es una selección aleatoria de la web, por lo que el 35% refleja la presencia de señales de IA entre contenidos fechados y no entre todas las páginas publicadas desde la aparición de ChatGPT.
Una muestra de 490.000 páginas
El equipo seleccionó 10.000 páginas en inglés de cada una de las 49 capturas realizadas por Common Crawl entre enero de 2021 y julio de 2026. La muestra total alcanzó las 490.000 páginas públicas. Los sitios con muros de pago o que requieren iniciar sesión pueden estar infrarrepresentados, de acuerdo con la metodología.
Los textos fueron procesados con Open Pangram, un modelo abierto que asigna una puntuación según la probable participación de IA. Pew consideró que una página presentaba señales significativas cuando alcanzaba una puntuación de 0,2 o superior. Como control, los investigadores compararon una parte de la muestra con el modelo comercial Pangram 3.3. Ambos sistemas coincidieron en el 96% de los casos examinados.
La coincidencia no convierte al detector en una prueba definitiva para documentos individuales. Pew advierte que estas herramientas son probabilísticas y pueden clasificar erróneamente textos humanos como contenido generado por IA. El modelo abierto, por ejemplo, produjo una tasa cercana al 1% en páginas anteriores a ChatGPT, cuando el uso de estas herramientas todavía no era habitual. Su utilidad en este trabajo reside en seguir tendencias agregadas sobre una colección extensa.
Más señales en los dominios comerciales
La presencia estimada de textos creados o modificados con IA varía según el dominio. En las muestras de 2026, cerca de una de cada diez páginas .com presentó esas señales. La proporción fue del 4,6% en los dominios .org y se situó alrededor del 1% en .edu y .gov.
El estudio no determina las causas de esas diferencias ni permite concluir que una categoría de dominios tenga mayor o menor calidad editorial. Los resultados describen la frecuencia con que el detector encontró determinados patrones lingüísticos en cada grupo.
Las pistas lingüísticas no bastan por sí solas
Pew también midió la evolución de ciertos recursos asociados con los modelos generativos. Entre las páginas posteriores a noviembre de 2022, el uso de la raya larga se duplicó respecto de 2023, la coma de Oxford aumentó un 63%, algunas palabras frecuentes en respuestas de IA más que duplicaron su presencia y las construcciones del tipo «no es solo X, es Y» casi se triplicaron.
Ninguno de estos rasgos demuestra por sí mismo que un texto haya sido generado por una máquina. Son recursos empleados por escritores humanos y solo adquieren valor estadístico cuando se analizan grandes colecciones junto con patrones más complejos de vocabulario y estructura.
Resultados similares con otra metodología
Los resultados coinciden en términos generales con una investigación independiente de especialistas de Imperial College London, Internet Archive y Stanford University. Ese trabajo, basado en la Wayback Machine y en una metodología distinta, calculó que alrededor del 35% de los sitios nuevos publicados hacia mediados de 2025 incluía texto generado o asistido por IA.
El aumento del contenido sintético es un fenómeno diferente del crecimiento del tráfico automatizado. En julio de 2026, Cloudflare informó que más de la mitad del tráfico observado en su red ya era no humano y que el 52% de las solicitudes de rastreadores se destinaba al entrenamiento de IA en junio. Una medición estudia quién accede a las páginas y la otra analiza posibles señales sobre quién escribió sus textos.
Fuentes
- Pew Research Center, How Much of the Internet Is Written With AI?
- Pew Research Center, metodología del análisis
- The Impact of AI-Generated Text on the Internet
- Cloudflare, Content Independence Day, one year on
Ilustración: captura del sitio
📬 Newsletter gratuito
