ИИ генерирует 35% нового контента в интернете: данные исследования Pew Research Center

Se navigando online capita sempre più spesso di avere l’impressione che articoli, guide e pagine commerciali siano scritti nello stesso modo, potrebbe esserci una ragione. Una ricerca del Pew Research Center ha provato a misurare quanto testo prodotto dall’intelligenza artificiale è presente sul web, e il risultato è chiaro: il 35% delle pagine pubblicate dopo l’arrivo di ChatGPT mostra segni significativi di essere stato scritto o modificato in maniera sostanziale dall’AI. La percentuale riguarda le pagine più recenti, pubblicate dopo il 30 novembre 2022, quando OpenAI ha reso ChatGPT disponibile al pubblico. Se si considera anche l’enorme quantità di contenuti precedenti ancora presenti online, la percentuale scende sensibilmente. Nel campione raccolto nel luglio 2026, il 10% di tutte le pagine analizzate mostra segnali significativi di intervento dell’intelligenza artificiale. Come si misura quanta AI c’è nel web Il Pew Research Center ha utilizzato Common Crawl, uno dei più grandi archivi pubblici di Internet. È una delle principali fonti di dati utilizzate per addestrare i grandi modelli linguistici: è una parte importante dello stesso web sul quale gli attuali modelli generativi hanno imparato a scrivere. Dal gennaio 2021 al luglio 2026 i ricercatori hanno preso 49 diverse fotografie del web, estraendo casualmente da ciascuna 10 mila pagine in lingua inglese. Il campione complessivo comprende quindi circa 490 mila pagine. Per individuare i testi che mostrano segnali compatibili con la scrittura artificiale, Pew ha utilizzato Open Pangram, un sistema di rilevamento sviluppato da Pangram. Il modello analizza statisticamente la costruzione delle frasi, la scelta delle parole e numerose caratteristiche linguistiche per stabilire quanto un testo assomigli alla produzione di un modello generativo. Il risultato mostra una cesura molto evidente intorno alla fine del 2022. Prima dell’arrivo di ChatGPT i segnali riconducibili alla scrittura artificiale erano relativamente rari. Successivamente la curva ha iniziato a crescere rapidamente. Se dal campione di luglio 2026 vengono eliminate tutte le pagine precedenti al lancio di ChatGPT, quelle che mostrano un significativo intervento dell’AI arrivano appunto al 35%. Le società di AI stanno comprando milioni di libri per poi distruggerli Testo e contesto Attenzione, lo studio non sostiene che più di una pagina recente su tre sia stata generata integralmente da ChatGPT, Claude o Gemini. La definizione utilizzata comprende infatti testi probabilmente scritti dall’AI, ma anche contenuti “sostanzialmente modificati” utilizzando questi strumenti. È una distinzione sempre più difficile da fare: una persona può scrivere un testo e chiedere a un chatbot di riscriverlo, oppure produrre una prima versione con l’AI e modificarla successivamente. In entrambi i casi il risultato finale nasce da una collaborazione tra essere umano e macchina. Inoltre, i rilevatori di testi artificiali non sono infallibili. Possono classificare come artificiale un testo scritto da una persona oppure non riconoscere un testo generato da una macchina e successivamente modificato. Così l’analisi acquista significato soprattutto quando viene applicata a centinaia di migliaia di documenti e utilizzata per osservare l’evoluzione complessiva del linguaggio del web. L’AI non è distribuita allo stesso modo Un altro risultato interessante emerge osservando i domini. Sui siti commerciali con estensione .com, nel 2026 circa una pagina su dieci mostra segnali significativi di intervento dell’intelligenza artificiale. Nei domini .org la percentuale scende al 4,6%, mentre sui siti universitari .edu e su quelli governativi .gov si ferma intorno all’1%. La differenza non era altrettanto marcata pochi anni fa. All’epoca del lancio di ChatGPT i segnali riconducibili all’AI erano distribuiti in maniera relativamente simile tra le diverse categorie di domini. La crescita successiva si è concentrata soprattutto nel web commerciale, dove sono prodotti continuamente nuovi contenuti: descrizioni di prodotti, pagine ottimizzate per i motori di ricerca, guide, comparazioni, recensioni, pagine di marketing e articoli destinati ad attirare traffico. La ricerca di Pew non è l’unica ad aver provato a misurare il fenomeno. Anche altre società specializzate nell’analisi dei motori di ricerca hanno condotto indagini analoghe, da cui sono emerse percentuali di contenuti generati da AI perfino più alte. Cambiano campioni, definizioni e sistemi di rilevamento, ma tutte sono concordi nel segnalare come dopo il 2022 la quantità di testo sintetico online è aumentata con una velocità senza precedenti. Quando le AI iniziano a leggere le AI I grandi modelli linguistici sono stati costruiti utilizzando enormi quantità di testi prodotti dagli esseri umani e raccolti online. Ma il web sul quale verranno addestrate le generazioni successive di modelli contiene ora una quantità crescente di materiale prodotto dalle generazioni precedenti di intelligenze artificiali. Il rischio è quello di creare un circuito chiuso: gli esseri umani producono il web, le AI imparano dal web, le AI producono nuovo web e le AI successive imparano anche da quello. In informatica si parla di model collapse, il deterioramento che può verificarsi quando un modello viene addestrato ripetutamente su dati sintetici prodotti da altri modelli. E inoltre, cosa succede ai sistemi di ricerca quando le fonti che recuperano sono sempre più spesso sintetiche? In alcuni esperimenti si è visto che, aumentando la quantità di contenuti generati dall’AI disponibili, i risultati tendevano a perdere diversità. Gli autori definiscono il fenomeno retrieval collapse. Il problema riguarda i sistemi di intelligenza artificiale che cercano informazioni sul web prima di formulare una risposta. Una AI potrebbe produrre una pagina che viene indicizzata da un motore di ricerca, recuperata da un’altra AI e utilizzata come fonte per generare un nuovo testo, che a sua volta torna online. Ci sono già alcuni indizi di questa trasformazione. Dopo il 2022 sono aumentati, per esempio, alcuni termini e costruzioni particolarmente frequenti nei testi prodotti dai chatbot, come è cresciuto anche l’uso di segni di punteggiatura e strutture stilistiche associate alla scrittura dei modelli. La conseguenza più triste è la progressiva omogeneizzazione del linguaggio online: se milioni di persone utilizzano gli stessi modelli per scrivere, correggere e riscrivere testi, una parte crescente del web passa attraverso un numero relativamente ristretto di sistemi che tendono a proporre strutture linguistiche simili. E modi di pensare simili.