Une page web sur dix en anglais présente désormais des signes significatifs d'écriture par IA, selon une étude du Pew Research Center publiée jeudi. Si l'on restreint l'échantillon aux pages publiées depuis ChatGPT — lancé par OpenAI en novembre 2022 —, la part bondit à 35 %.

Ces résultats font suite au travail de chercheurs qui ont extrait environ 490 000 pages de l'archive web Common Crawl, couvrant la période allant de janvier 2021 à juillet 2026, avant de faire passer le texte par Open Pangram, un modèle de détection d'IA. Dix pour cent d'un instantané du corpus de juillet 2026 présentent des signes significatifs d'écriture par IA. Le choix de ce corpus revêt une importance particulière : Common Crawl sert depuis longtemps de source de données d'entraînement pour les grands modèles de langage, si bien que l'archive utilisée pour mesurer la propagation de l'IA sur le web constitue aussi la matière première des modèles qui rédigent ce web.

Une empreinte inégale

L'empreinte de l'IA n'est pas répartie uniformément sur le web. Les pages des domaines .com présentent des signes d'écriture par IA à un taux environ 10 fois supérieur à celui des domaines .edu ou .gov, qui se situent chacun autour de 1 %, et environ le double du taux de 4,6 % observé sur les sites .org. En 2021, avant que les outils d'IA générative ne se généralisent, les quatre types de domaines affichaient des niveaux quasi identiques.

Comment Pew a repéré les machines

Le détecteur ne repère aucun mot ni aucune expression en particulier, mais évalue des motifs statistiques sur de grands lots de texte. Certains indices isolés sont toutefois devenus nettement plus fréquents depuis 2023 : les tirets cadratins apparaissent désormais environ deux fois plus souvent, l'usage de la virgule d'Oxford a progressé de 63 %, et des mots prisés par l'IA comme « delve », « interplay » et « testament » ont plus que doublé de fréquence.

Le « parallélisme négatif » — des constructions du type « it's not just X, it's Y » — a presque triplé depuis 2023, même si Pew note qu'il reste rare dans l'ensemble. Decrypt avait déjà recensé ces mêmes indices, et Merriam-Webster a officialisé la chose en décembre en désignant « slop » comme son mot de l'année.

Les limites de la détection

Pew tient à souligner les limites de l'étude : les modèles de détection peuvent mal classer des pages individuelles dans les deux sens, et la présence de « signes significatifs d'écriture par IA » ne signifie pas qu'une page a été entièrement rédigée par une machine — une grande partie du texte signalé a probablement été assistée par IA plutôt que générée intégralement par une machine.

Open Pangram est développé par Pangram Labs, dont le détecteur a également été mobilisé dans une autre recherche ayant révélé la présence de texte généré par IA dans environ 9 % des articles de presse américaine cette année, y compris les pages d'opinion de médias comme The New York Times.

La détection de l'IA pourrait toutefois devenir une tâche plus simple avec le temps — non pas grâce aux motifs linguistiques, mais grâce à la technologie sous-jacente. De grandes entreprises d'IA comme Anthropic travaillent déjà sur l'empreinte textuelle au niveau du modèle, qui permettrait d'identifier facilement le texte d'IA tout en minimisant les erreurs. Cela oriente vers la provenance — prouver l'origine d'un contenu — plutôt que vers la supposition a posteriori, selon le même principe que la norme C2PA adoptée par les entreprises de médias et de technologie pour associer des informations d'identification aux contenus.

Une courbe de tendance abrupte

L'écart entre domaines reflète qui publie et pourquoi. Les sites académiques et gouvernementaux passent par une relecture éditoriale, des validations institutionnelles et des cycles de publication plus lents ; les domaines .com englobent tout, des rédactions de presse aux fermes de contenu d'affiliation qui produisent des pages à un rythme qu'aucun éditeur humain ne pourrait soutenir. Les moteurs de recherche ont déjà commencé à réagir à ce déluge : Google a commencé à faire respecter en 2024 une politique de « scaled content abuse » (abus de contenu produit à grande échelle) qui pénalise les pages produites en masse, qu'elles aient été écrites par des humains ou par des machines.

À grande échelle, la courbe de tendance reste abrupte : le taux d'écriture par IA sur les domaines .com est passé d'environ 1 % en janvier 2021 à 9,35 % cinq ans plus tard, rien qu'en janvier 2026.