El 35% de las páginas web publicadas desde la llegada de ChatGPT presenta indicios de autoría de IA
Una de cada tres páginas web publicadas desde noviembre de 2022, cuando se lanzó ChatGPT, muestra señales significativas de haber sido redactada o editada de forma sustancial con herramientas de inteligencia artificial. La estimación procede del análisis de cerca de medio millón de páginas en inglés recopiladas por Common Crawl, uno de los mayores archivos abiertos de Internet.
El estudio utiliza Pangram, una tecnología especializada en detectar patrones lingüísticos asociados a modelos de lenguaje. Estas herramientas no pueden determinar con absoluta certeza quién ha escrito un texto, pero sí identifican combinaciones de palabras, estructuras y rasgos estilísticos que aparecen con más frecuencia en contenidos generados por sistemas como ChatGPT, Gemini o Claude.
El 35% se refiere al contenido posterior a ChatGPT
El dato requiere una lectura precisa. El 35% no representa la proporción de todas las páginas almacenadas actualmente en Internet, sino la de aquellas publicadas después de la llegada de ChatGPT. La diferencia es importante porque los archivos web también contienen millones de documentos creados antes de que los generadores de texto se popularizaran.
En una muestra aleatoria de 10.000 páginas del archivo web de julio de 2026, que mezcla contenidos antiguos y recientes, alrededor del 10% presentó rastros de autoría de IA. La cifra aumenta hasta el 35% cuando se analizan específicamente las páginas publicadas desde noviembre de 2022.
El resultado confirma la rápida expansión de la escritura automática en la web, aunque no implica necesariamente que todo el contenido identificado haya sido creado íntegramente por una máquina. También puede incluir textos escritos por una persona y posteriormente resumidos, traducidos, ampliados o corregidos con ayuda de un modelo de lenguaje.
Los dominios comerciales concentran la mayor presencia de IA
La proporción varía de forma notable según el tipo de dominio. Las páginas con dirección .com presentan una tasa de autoría artificial aproximadamente diez veces superior a la de los dominios educativos y gubernamentales, que se sitúan en torno al 1%.
- .com: la mayor presencia de indicios de generación o edición mediante IA.
- .edu: alrededor del 1% de las páginas analizadas.
- .gov: también cerca del 1%.
- .org: aproximadamente el 4,6%.
La diferencia puede explicarse por el volumen de publicación de las empresas, especialmente en comercio electrónico, medios digitales, posicionamiento en buscadores y marketing. En cambio, las instituciones educativas y las administraciones suelen trabajar con procesos de revisión más estrictos y normas internas que limitan el uso no declarado de contenido automático.
Rayas largas y fórmulas repetidas, entre las señales detectadas
El análisis también identifica algunos rasgos estilísticos que se han vuelto más frecuentes en las páginas posteriores a 2022. Entre ellos aparecen el uso de la raya larga, conocida como em dash —, las comas de Oxford y construcciones como no es X, es Y.
Estos elementos no demuestran por sí solos que un texto haya sido creado con IA. Una persona puede utilizarlos perfectamente, y un modelo puede evitarlos si recibe instrucciones específicas. Sin embargo, su presencia repetida en grandes volúmenes de contenido puede servir como indicador estadístico cuando se combina con otros patrones lingüísticos.
Los modelos de lenguaje aprenden a partir de enormes colecciones de textos humanos. Durante ese proceso absorben tanto el vocabulario como las estructuras sintácticas y los hábitos de estilo de los documentos utilizados para su entrenamiento. Después tienden a reproducir algunos de esos rasgos con una frecuencia superior a la habitual en la escritura humana media.
Los detectores no son infalibles
La metodología tiene limitaciones. Los detectores de IA pueden clasificar como artificial un texto humano muy pulido, especialmente si utiliza un estilo formal y predecible. También pueden no identificar contenidos generados por un modelo cuando han sido reescritos, traducidos o editados de manera suficiente.
Por este motivo, los resultados deben interpretarse como una estimación a gran escala y no como una prueba individual de autoría. En una muestra cercana al medio millón de páginas, las tendencias generales pueden resultar relevantes aunque exista un margen de error en cada documento concreto.
La web se acerca a un circuito de contenidos generado por máquinas
El crecimiento de los textos producidos con IA coincide con otro cambio en Internet: el aumento del tráfico automatizado. Cloudflare ya señaló que el tráfico de bots había superado al humano en algún momento de 2026, antes de lo previsto por la compañía. El nuevo análisis plantea la otra mitad del fenómeno: no solo hay más sistemas automáticos leyendo la web, sino también más sistemas automáticos escribiéndola.
Esta dinámica preocupa especialmente por sus efectos sobre el entrenamiento de futuros modelos de lenguaje. Si un sistema aprende a partir de textos generados por modelos anteriores, puede acabar incorporando sus errores, repeticiones y sesgos estilísticos. El proceso se conoce como colapso del modelo o model collapse.
El colapso del modelo describe una posible pérdida progresiva de diversidad y calidad. Cuando los datos sintéticos sustituyen a una parte creciente de los textos humanos, la distribución del lenguaje se estrecha y los sistemas resultantes tienden a repetir las fórmulas más frecuentes. Las tareas de razonamiento complejo podrían ser algunas de las primeras en verse afectadas.
Curar los datos será clave para los próximos modelos
El problema tiene posibles respuestas técnicas, como filtrar los contenidos sintéticos, conservar la fecha y el origen de cada documento y dar prioridad a fuentes anteriores a la popularización de los modelos generativos. También será necesario mejorar los sistemas capaces de distinguir entre asistencia de escritura y autoría automatizada.
Para medios, empresas y creadores, el hallazgo refuerza la necesidad de publicar contenidos más específicos, documentados y personales. La redacción genérica y formulaica puede ser rápida de producir, pero resulta más difícil de diferenciar y más vulnerable a los sistemas que intentan identificar patrones automáticos.
La frontera entre escribir con ayuda de la IA y delegar en ella la autoría seguirá siendo difusa. Pero la tendencia ya es clara: una parte cada vez mayor de la información que circula por Internet no solo está siendo consumida por máquinas, sino también creada con su ayuda.
