El rastro de la IA en la web: más de un tercio de los textos nuevos son de autoría artificial

Desde que ChatGPT irrumpió en la escena pública en noviembre de 2022, la inteligencia artificial generativa ha transformado la creación de contenido. Lo que era una intuición compartida por muchos ahora tiene una cifra concreta: el 35% de las páginas web publicadas después del lanzamiento de ChatGPT muestran indicios significativos de haber sido escritas o editadas sustancialmente por IA . Esta es la principal conclusión de un estudio del Pew Research Center que ha analizado cerca de medio millón de páginas en inglés del archivo Common Crawl utilizando tecnología de detección de Open Pangram .

El dato cobra relevancia cuando se contextualiza: 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 es la que importa. La web anterior a la era de los grandes modelos de lenguaje era prácticamente humana. La web posterior se está escribiendo, en una proporción cada vez mayor, con la ayuda de máquinas .

Comercial vs. académico: la desigual distribución de la IA

El estudio de Pew revela que la autoría IA no se distribuye de manera uniforme. Existe una brecha significativa según el tipo de dominio. Los dominios .com muestran autoría IA a una tasa del 9,4%, una cifra diez veces mayor que la de los dominios .edu o .gov, que rondan ambos el 1% . Los dominios .org se sitúan en un 4,6% .

Esta distribución no es sorprendente. Los sitios comerciales tienen más incentivos para publicar contenido a gran volumen y, a menudo, menos restricciones editoriales . La automatización que permite la IA es especialmente atractiva para generar descripciones de productos, artículos de referencia o contenido optimizado para buscadores (SEO). En cambio, los dominios educativos y gubernamentales operan con procesos de revisión más estrictos y culturas institucionales que penalizan el plagio o la falta de autoría humana verificable .

Más allá de los números: la huella estilística de la IA

Pew no solo ha cuantificado el fenómeno, sino que ha identificado marcadores lingüísticos que se han disparado en el contenido web posterior a ChatGPT. Se trata de rasgos estilísticos que los modelos de lenguaje han aprendido de sus datos de entrenamiento, a menudo textos de alta calidad editorial, y que reproducen con una frecuencia superior a la estadísticamente esperable en un texto humano promedio .

Entre estos indicadores se encuentran el uso de rayas largas (—), que se ha duplicado; las comas de Oxford, que han aumentado un 63%; y construcciones de paralelismo negativo del tipo «no es X, es Y», que casi se han triplicado . Palabras como «delve», «interplay» o «testament», mucho más frecuentes en el lenguaje de los LLMs, también han visto incrementado su uso de manera notable . Estos marcadores estilísticos se han convertido, paradójicamente, en una especie de «firma» que delata el origen artificial de un texto.

Model collapse: el efecto dominó en el entrenamiento de futuras IA

El hallazgo de Pew lleva directamente a una de las preocupaciones más profundas de la investigación en IA: el colapso del modelo o model collapse . Si una fracción tan significativa del nuevo contenido web —que es la principal fuente de datos para entrenar futuros modelos de lenguaje— es generada por IA, se crea un bucle de retroalimentación. Los modelos del futuro se entrenarán, en parte, con datos que ellos mismos han generado .

Este fenómeno, documentado en diversos estudios académicos, describe un proceso degenerativo. Cuando un modelo se entrena repetidamente con sus propias salidas, la diversidad de su lenguaje tiende a reducirse. Comienza a favorecer patrones estilísticos y semánticos comunes, perdiendo la riqueza y variación del texto humano original. Se «olvida» de las colas de la distribución, de lo excepcional y lo complejo, y sus respuestas se vuelven cada vez más homogéneas y menos creativas .

Investigadores de instituciones como el University College London ya están trabajando en estrategias para mitigar este efecto, como la detección de texto generado por máquina para filtrar datos de entrenamiento o el remuestreo para favorecer contenido de origen humano . El estudio de Pew no aborda este punto directamente, pero subraya la urgencia del problema que la industria ya está gestionando: la necesidad de curar los corpus de entrenamiento con criterios de calidad que vayan más allá del volumen bruto .

¿Cómo nos afecta a los usuarios?

Para el usuario final, las implicaciones son múltiples. Por un lado, la web se está llenando de lo que algunos ya llaman «contenido basura» o slop , textos que cumplen con la función de llenar un espacio pero que aportan poco valor, son superficiales o directamente incorrectos. La proliferación de este contenido puede erosionar la confianza en la información que se encuentra en línea.

Por otro lado, los motores de búsqueda y plataformas como Google ya están ajustando sus algoritmos para penalizar el contenido que detectan como generado por IA, priorizando la experiencia humana y la autoridad . Esto significa que para los creadores de contenido, la diferenciación ya no es solo una cuestión de estilo, sino de supervivencia en los rankings. Escribir de forma personal, específica, con experiencia directa y opinión propia se convierte en una ventaja competitiva clave.

Preguntas frecuentes sobre la autoría IA en la web

¿El estudio de Pew afirma que el 35% de toda la web está escrita por IA?

No. El estudio indica que el 35% de las páginas web publicadas después del lanzamiento de ChatGPT (noviembre de 2022) muestran signos de autoría o edición sustancial por IA. En el conjunto total de la web, la cifra es del 10%, ya que la mayor parte del contenido archivado es anterior a la era de la IA generativa .

¿Cómo se ha realizado esta medición?

Pew Research Center analizó 490.000 páginas web en inglés del archivo Common Crawl, que abarcan desde 2021 hasta julio de 2026. Utilizaron un modelo de detección de IA llamado Open Pangram para identificar patrones lingüísticos típicos de los modelos de lenguaje, como ciertos usos de puntuación, palabras y estructuras sintácticas .

¿Es fiable la detección de autoría IA?

La metodología tiene limitaciones. Un detector de IA puede clasificar erróneamente un texto humano muy pulido como generado por IA, y también puede no detectar contenido de IA que haya sido suficientemente editado o parafraseado . Sin embargo, los investigadores consideran que, a gran escala, las tendencias que muestra el estudio son sólidas y probablemente reflejan la realidad .

¿Qué es el «model collapse» y por qué es importante?

El «model collapse» o colapso del modelo es un fenómeno por el cual, cuando una IA se entrena repetidamente con datos generados por IA, la calidad y diversidad de sus resultados se degradan progresivamente . El estudio de Pew es relevante porque cuantifica la cantidad de datos sintéticos que podrían estar alimentando este ciclo, lo que supone un desafío técnico para el desarrollo de futuros modelos de lenguaje .

Recuerde que…

La web está viviendo una transformación silenciosa pero profunda. La inteligencia artificial ya no es solo una herramienta de consumo, sino un actor principal en la creación del contenido que consumimos a diario. El estudio de Pew Research nos ofrece la primera gran radiografía de este cambio, revelando que más de un tercio de los textos nuevos llevan la firma estilística de una máquina. Esta realidad plantea desafíos importantes: desde la erosión de la confianza en la información hasta el riesgo técnico del colapso de los propios modelos de IA. Para los usuarios, la habilidad de discernir y buscar fuentes diversas y con autoría humana clara se vuelve más valiosa que nunca. Para los creadores, la autenticidad y la perspectiva personal dejan de ser un valor añadido para convertirse en un requisito indispensable.

Pueden encontrar más contenido en https://fernandojuca.com, así como videotutoriales y pódcast en https://youtube.com/fernandojucamaldonado