Un tiers du contenu web post-ChatGPT présente des signes de rédaction par IA
Une étude révolutionnaire de Pew Research a révélé un changement massif dans le paysage numérique, dévoilant qu'une partie importante du nouveau contenu web est générée par l'intelligence artificielle. À mesure que les grands modèles de langage (LLM) s'intègrent dans les flux de travail de création de contenu, la frontière entre le texte généré par l'homme et celui généré par la machine s'estompe rapidement.
L'explosion du contenu généré par l'IA
Pour quantifier l'impact de l'IA générative sur Internet, Pew Research a analysé près de 500 000 pages web en anglais en utilisant l'archive web Common Crawl. En employant la technologie de détection d'Open Pangram, l'étude a cherché à différencier les textes rédigés par des humains de ceux assistés par l'IA.
Bien qu'un échantillon aléatoire de 10 000 pages datant de juillet 2026 ait montré un taux de rédaction par l'IA de 10 %, ce chiffre était biaisé par l'inclusion de contenus anciens publiés avant l'essor de l'IA générative. Cependant, lorsque les chercheurs ont filtré l'ensemble de données pour n'inclure que les pages publiées après le lancement de ChatGPT en novembre 2022, les chiffres ont bondi. L'étude a révélé que plus d'un tiers (35 %) de toutes les pages web publiées durant cette ère récente présentent des signes significatifs d'avoir été écrites ou « substantiellement éditées » par l'IA.
Disparités de domaines et la « boucle des bots »
La prolifération du contenu généré par l'IA n'est pas uniforme sur le web. L'étude a mis en évidence un contraste frappant entre les différents domaines de premier niveau (TLD), suggérant que les intérêts commerciaux sont les moteurs de l'adoption la plus agressive des outils de rédaction par l'IA.
Selon les données, les URL avec un domaine .com présentent un taux de rédaction par l'IA environ 10 fois supérieur à celui des sites académiques ou gouvernementaux. Plus précisément, les domaines .edu et .gov n'ont affiché qu'un taux de 1 %, tandis que les domaines .org se situaient à 4,6 %. Cette tendance pointe vers un web commercialisé où la vitesse et l'échelle — souvent obtenues grâce aux LLM — sont privilégiées par rapport à la supervision éditoriale traditionnelle.
Cette explosion du contenu par l'IA survient parallèlement à un jalon inquiétant rapporté par Cloudflare : le trafic des bots a officiellement dépassé le trafic humain sur le web. Cela crée une boucle de rétroaction potentielle de type « internet mort » (dead internet), où les bots parcourent et extraient de plus en plus de contenus qui ont eux-mêmes été écrits par d'autres bots.
Indices linguistiques et défis de détection
L'étude a également identifié des schémas linguistiques spécifiques qui servent d'« indices » pour le texte généré par l'IA. À mesure que les LLM deviennent plus sophistiqués, leurs empreintes stylistiques deviennent plus prévisibles. Les chercheurs ont noté une prévalence accrue de structures syntaxiques spécifiques, telles que :
- L'utilisation intensive des tirets cadratins et de la virgule d'Oxford.
- Des motifs de phrases rythmiques tels que « Ce n'est pas X, c'est Y ».
- Des tendances stylistiques spécifiques optimisées pour la lisibilité mais manquant de nuance humaine.
Bien que l'étude reconnaisse que les outils de détection d'IA comme Pangram ne sont pas infaillibles et peuvent souffrir de faux positifs, l'ampleur des données suggère que ces conclusions sont globalement exactes. Pour les développeurs et les fondateurs, cela met en lumière un défi critique : à mesure que le web se sature de données synthétiques, maintenir la qualité des ensembles d'entraînement pour les futurs modèles devient de plus en plus difficile.
Points clés à retenir
- Changement massif dans la création de contenu : 35 % des pages web publiées depuis le lancement de ChatGPT présentent des signes clairs de rédaction par l'IA ou d'une édition intensive par l'IA.
- Dominance commerciale : Les domaines .com sont les principaux moteurs du contenu généré par l'IA, dépassant les domaines .edu et .gov d'un facteur 10.
- L'écosystème des bots : La hausse du contenu écrit par l'IA coïncide avec le dépassement du trafic humain par le trafic des bots, signalant un passage vers un écosystème web dominé par les machines.