Pew Research Center publicó hoy un estudio que cuantifica lo que muchos intuían pero nadie había medido a escala: el 35% de las páginas web publicadas desde el lanzamiento de ChatGPT en noviembre de 2022 muestran indicios significativos de haber sido escritas o editadas sustancialmente por IA. El dato proviene del análisis de cerca de medio millón de páginas en inglés recopiladas del archivo de Common Crawl, utilizando la tecnología de detección de Open Pangram para identificar la autoría artificial.
El número necesita contexto para no malinterpretarse. Si se toma una muestra aleatoria de 10.000 páginas del archivo web de julio de 2026 —que incluye tanto contenido reciente como páginas anteriores a ChatGPT— solo el 10% muestra rastros de autoría IA. Esa diferencia entre el 10% y el 35% es la que importa: la web pre-ChatGPT apenas tiene contenido generado por IA, como cabría esperar. La web post-ChatGPT lo tiene en proporciones significativamente mayores. El 35% describe la realidad de lo que se está publicando ahora, no del archivo acumulado.
¿Qué tipos de sitios tienen más contenido IA?
Los dominios .com muestran autoría IA a una tasa diez veces mayor que los dominios .edu o .gov, que rondan ambos el 1%. Los dominios .org están en el 4,6%. La distribución no es sorprendente: los dominios comerciales tienen más incentivos de publicación a volumen y menos restricciones editoriales, mientras que los dominios educativos y gubernamentales tienen procesos de revisión más estrictos y culturas institucionales que penalizan el plagio.
Pew también identificó indicadores secundarios que han aumentado en el contenido web post-ChatGPT: el uso de rayas largas (—), las comas de Oxford, y las construcciones del tipo «no es X, es Y». Son marcas estilísticas que los modelos de lenguaje han aprendido de los textos en los que fueron entrenados —muchos de ellos de alta calidad editorial— y que tienden a reproducir con una frecuencia mayor a la estadísticamente esperable en texto humano promedio.
La metodología tiene limitaciones reconocidas por los propios autores. Pangram, como cualquier detector de IA, puede clasificar erróneamente texto humano muy pulido como IA, y puede no detectar contenido de IA que haya sido suficientemente parafraseado o editado. A escala de medio millón de páginas, sin embargo, las tendencias son probablemente correctas aunque los números individuales no sean perfectos.
¿Qué significa esto para la web como fuente de información?
Cloudflare ya había informado de que el tráfico de bots superó al tráfico humano en algún punto de 2026 —un hito que la empresa dijo que había llegado antes de lo esperado. El estudio de Pew añade la otra cara de esa ecuación: no solo los lectores son bots, sino que una parte creciente del contenido que leen también fue generado por herramientas automáticas.
La consecuencia más directa es para los modelos de lenguaje que se entrenen en el futuro. Si el 35% del corpus web publicado desde 2022 fue generado por LLMs, los modelos entrenados sobre ese corpus absorben sus propios outputs como datos de entrenamiento. Es el fenómeno conocido como «colapso de modelo» o «model collapse»: la calidad y diversidad del output tiende a degradarse cuando los modelos se entrenan sobre datos generados por modelos anteriores. Pew no aborda este punto directamente, pero es la implicación más técnicamente preocupante del hallazgo.
Para los editores y creadores de contenido, el estudio añade urgencia a la pregunta de cómo diferenciarse. Los motores de búsqueda y los algoritmos de distribución ya están penalizando el contenido que marca como IA. El uso de rayas largas y comas de Oxford como señales de autoría IA que Google o Cloudflare podrían usar como criterio de clasificación tiene consecuencias directas en visibilidad. Escribir de forma más personal, más específica y menos formulaica no es solo una elección editorial; empieza a ser una decisión de supervivencia en los rankings.
El episodio del Vaticano que cubrimos hoy —donde la Santa Sede tuvo que contratar a una empresa para demostrar que su encíclica sobre los riesgos de la IA era de autoría humana— ilustra la paradoja: el documento que advertía sobre los peligros de la automatización fue acusado de ser automático. La facilidad con que Gemini en Google Docs acepta instrucciones personalizadas para adaptar su estilo de redacción en empresas y organizaciones sugiere que la línea entre «asistencia de escritura» y «autoría de IA» va a seguir siendo borrosa. Y la capacidad de Gemini para la publicidad y el marketing de contenidos sugiere que esa proporción del 35% puede seguir creciendo en los próximos trimestres.
¿Qué implica esto para el futuro de los modelos de lenguaje?
El hallazgo de Pew lleva directamente a la pregunta que más preocupa a los investigadores de IA teórica: el «colapso del modelo» o model collapse. Si los LLMs se entrenan sobre datos generados por LLMs anteriores, la distribución estadística del lenguaje en el corpus de entrenamiento se estrecha. Los modelos resultantes tienden a ser menos diversos en sus outputs, a favorecer los patrones estilísticos más frecuentes en el corpus sintético —exactamente esas rayas largas y comas de Oxford que Pew identifica como marcadores— y a perder la riqueza de variación que hacía útil el texto humano como dato de entrenamiento.
Es un problema con solución técnica —curación de datos, filtrado del corpus, datar las fuentes y preferir las más antiguas— pero sin solución estructural mientras el 35% del nuevo texto publicado tenga origen en herramientas de IA. Los modelos que dominen el mercado en 2027 o 2028 estarán entrenados con un corpus que incluye cantidades significativas de texto post-ChatGPT. Los efectos de ese bucle de retroalimentación son todavía difíciles de predecir con precisión, pero los primeros estudios sobre model collapse sugieren que la calidad del output en tareas de razonamiento complejo es la primera en degradarse cuando el corpus de entrenamiento tiene demasiado texto sintético. El estudio de Pew no es alarmista sobre esto —el método Pangram tiene sus limitaciones— pero sí confirma una tendencia que los equipos de datos de los principales laboratorios de IA ya están gestionando activamente: la necesidad de curar el corpus de entrenamiento con criterios de calidad que van más allá del volumen bruto de texto disponible.