La IA ya controla un tercio de la nueva web: cifras impactantes de la investigación
La escala de la implementación de redes neuronales generativas en el contenido web resultó ser mucho más profunda de lo que se suele pensar. Mi análisis de los datos recientes muestra: aproximadamente el 10% de todas las páginas web existentes presentan rastros evidentes de texto sintético. Sin embargo, esto es solo la punta del iceberg: si filtramos el contenido "prehistórico" creado antes de la era de los LLM modernos, el panorama se vuelve verdaderamente alarmante.
La era de ChatGPT revolucionó el mercado de contenido
La conclusión clave que quiero destacar: entre los materiales publicados después de noviembre de 2022 (el momento del lanzamiento de ChatGPT), la proporción de autoría de IA supera el 33%. Esto ya no son experimentos de entusiastas, sino un fenómeno sistémico. En comparación, en el conjunto general de datos, que incluye el legado de años anteriores, este indicador se diluye hasta el 10%: la antigua arquitectura web simplemente enmascara la velocidad real de adopción de la tecnología.
La distribución por zonas de dominio confirma mi antigua hipótesis sobre la comercialización de la síntesis. En la zona .com, una de cada diez páginas (10%) muestra signos de generación por IA, mientras que en .org este indicador es dos veces menor: 4,6%. Los recursos educativos (.edu) y gubernamentales (.gov) muestran solo un 1%: allí sigue dominando el trabajo manual, lo cual es lógico, dadas las exigencias de verificación de hechos.
Metodología y realidad
Es importante entender: el estudio se basa en el análisis de patrones lingüísticos característicos de los modelos generativos, no en el acceso directo al historial de ediciones. Esta es una métrica estimativa, no un recuento exacto. No obstante, la significancia estadística de la muestra de 10,000 páginas recopiladas a través de Common Crawl permite hablar de la representatividad de los datos.
De particular interés es el hecho de que las plataformas comerciales explotan la IA de manera más activa para crear textos SEO, descripciones de productos y materiales de referencia. Esto crea un efecto de "ruido informativo" que, a largo plazo, podría devaluar la confianza en el contenido web en general.
Mi veredicto: estamos presenciando un cambio tectónico en la producción de información. Ya ahora, un tercio de la nueva web es sintética, y este proceso es irreversible. La cuestión no es si se detendrá, sino qué tan rápido se adaptarán los algoritmos de búsqueda y los reguladores a la nueva realidad. El etiquetado de contenido, similar al que implementó Anthropic para Claude, es solo el primer paso hacia la higiene del espacio informativo.