Un terzo delle pagine web post-ChatGPT mostra segni significativi di paternità dell'IA, rileva Pew
Punti chiave
- •Pew ha analizzato circa 490.000 pagine di Common Crawl comprese tra gennaio 2021 e luglio 2026 utilizzando il rilevatore di IA Open Pangram.
- •Circa il 10% di un'istantanea di luglio 2026 ha mostrato segni significativi di paternità dell'IA, mentre la quota è salita al 35% per le pagine pubblicate dal lancio di ChatGPT.
- •Le pagine sui domini .com hanno mostrato segnali di paternità dell'IA a un tasso di circa 10 volte superiore rispetto ai siti .edu e .gov e di circa il doppio rispetto ai siti .org.
- •Pew ha affermato che il rilevatore può classificare erroneamente singole pagine e che il materiale segnalato potrebbe essere stato assistito dall'IA anziché interamente generato da macchine.
- •Lo studio ha evidenziato che i motori di ricerca e le aziende di IA si orientano sempre più verso la provenienza dei contenuti e misure antispam man mano che il testo scritto dall'IA diventa più diffuso.
Una pagina web in lingua inglese su dieci mostra oggi segni significativi di essere stata scritta dall'IA (intelligenza artificiale), secondo uno studio del Pew Research Center pubblicato giovedì. Limitando il campione alle sole pagine pubblicate da quando ChatGPT—lanciato da OpenAI a novembre 2022—la quota sale al 35%.
I risultati arrivano dopo che i ricercatori hanno estratto circa 490.000 pagine dall'archivio web Common Crawl, compreso tra gennaio 2021 e luglio 2026, e hanno analizzato i testi con Open Pangram, un modello di rilevamento dell'IA. Il dieci per cento di un'istantanea di luglio 2026 del corpus mostra segni significativi di paternità dell'IA. La scelta del corpus ha un peso particolare: Common Crawl è da tempo una fonte di dati di addestramento per i modelli linguistici di grandi dimensioni, quindi l'archivio utilizzato per misurare la diffusione dell'IA sul web è anche materia prima per i modelli che stanno scrivendo quel web.
Un'impronta non uniforme
L'impronta dell'IA non è distribuita uniformemente sul web. Le pagine sui domini .com mostrano segni di paternità dell'IA a un tasso di circa 10 volte superiore rispetto ai domini .edu o .gov, che si attestano vicini all'1% ciascuno, e circa doppio rispetto al tasso del 4,6% dei siti .org. Nel 2021, prima che gli strumenti di IA generativa raggiungessero un uso diffuso, tutti e quattro i tipi di dominio apparivano quasi identici.
Come Pew ha individuato le macchine
Il rilevatore non segnala singole parole o frasi, ma valuta pattern statistici su grandi quantità di testo. Ciononostante, alcuni segnali individuali sono diventati molto più comuni dal 2023: i trattini lunghi (em dash) compaiono oggi all'incirca il doppio delle volte, l'uso della virgola di Oxford è aumentato del 63% e parole predilette dall'IA come "delve", "interplay" e "testament" hanno più che raddoppiato la loro frequenza.
Il "parallelismo negativo"—costruzioni come "it's not just X, it's Y"—è quasi triplicato dal 2023, anche se Pew sottolinea che resta complessivamente raro. Decrypt aveva già analizzato questi stessi segnali, e Merriam-Webster l'ha reso ufficiale a dicembre, nominando "slop" parola dell'anno.
I limiti del rilevamento
Pew si premura di segnalare i limiti dello studio: i modelli di rilevamento possono classificare erroneamente singole pagine in entrambe le direzioni, e "segni significativi di paternità dell'IA" non significa che una pagina sia stata scritta interamente da una macchina—gran parte del testo segnalato era probabilmente assistito dall'IA piuttosto che interamente generato dall'IA.
Open Pangram è sviluppato da Pangram Labs, il cui rilevatore è emerso anche in una ricerca separata che ha riscontrato testo generato dall'IA in circa il 9% degli articoli dei giornali statunitensi quest'anno, comprese le pagine delle opinioni di testate come The New York Times.
Il rilevamento dell'IA potrebbe tuttavia diventare nel tempo un compito più semplice—non per via dei pattern linguistici, ma grazie alla tecnologia sottostante. Grandi aziende di IA come Anthropic stanno già lavorando a un sistema di impronte testuali a livello di modello, che renderebbe il testo dell'IA facile da identificare riducendo al minimo gli errori. Questo punta alla provenienza—dimostrare da dove proviene un contenuto—piuttosto che alle supposizioni a posteriori, lo stesso principio alla base dello standard C2PA che le aziende mediatiche e tecnologiche hanno adottato per allegare credenziali ai contenuti.
Una linea di tendenza ripida
Il divario tra i domini riflette chi pubblica e perché. I siti accademici e governativi passano attraverso revisioni editoriali, approvazioni istituzionali e cicli di pubblicazione più lenti; i domini .com comprendono di tutto, dalle redazioni giornalistiche alle fattorie di contenuti di affiliate marketing che producono pagine a un ritmo che nessun editor umano potrebbe sostenere. I motori di ricerca hanno già iniziato a rispondere a questa ondata: Google ha iniziato a far rispettare nel 2024 una politica di "abuso di contenuti su larga scala" che penalizza le pagine prodotte in serie, indipendentemente dal fatto che siano state scritte da umani o da macchine.
Su larga scala, la linea di tendenza è in ogni caso ripida: il tasso di paternità dell'IA sui domini .com è salito da circa l'1% a gennaio 2021 al 9,35% cinque anni dopo, solo a gennaio 2026.
