La IA conquista la web: más de un tercio de las nuevas páginas son creadas por redes neuronales
La magnitud de la penetración de los modelos generativos en el espacio web resultó ser mucho más grave de lo que se suele pensar. Mi análisis de los datos recientes muestra: aproximadamente el 10% de todas las páginas web existentes en internet presentan rastros evidentes de texto sintético. Sin embargo, si consideramos solo el contenido publicado después del debut de ChatGPT en noviembre de 2022, el panorama se vuelve verdaderamente alarmante: la proporción de estos materiales supera un tercio.
Metodología: cómo distinguir a una persona de una máquina
La investigación se basa en una muestra aleatoria de 10 000 páginas en inglés, recopiladas en julio de 2026 a través del archivo Common Crawl. Para la identificación se utilizó un modelo de aprendizaje automático que detectaba en los textos patrones lingüísticos característicos propios de los algoritmos generativos. Es importante entender: esto no es un recuento exacto, sino una estimación probabilística de autoría.
A primera vista, el 10% puede parecer una cifra modesta. Pero la muestra incluía una enorme capa de contenido obsoleto, creado mucho antes de la era de los LLM modernos. Cuando descarto las páginas "prehistóricas" y me centro en los materiales posteriores a 2022, la proporción de contenido sintético se dispara al 34-36%. Esto es una evidencia directa de lo rápido que ChatGPT, Claude, Gemini y sus competidores están transformando el campo informativo.
El sector comercial: la principal zona de impacto
La distribución del contenido de IA por zonas de dominio es extremadamente desigual, y esto dice mucho. En la zona .com, los indicios de generación se detectan en aproximadamente una de cada diez páginas, el doble que en .org (4,6%). En cambio, en los segmentos académicos (.edu) y gubernamentales (.gov), la proporción de contenido sintético apenas alcanza el 1%.
Esta desproporción es explicable. Las plataformas comerciales históricamente han estado orientadas a la producción masiva de textos: descripciones de productos, artículos SEO, feeds de noticias. Precisamente estos formatos son los más fáciles de automatizar. Las redacciones y los blogs corporativos utilizan activamente la IA para abaratar la producción de contenido, sacrificando calidad y singularidad en favor del volumen.
Salvedades y riesgos reales
Cabe destacar: la investigación no afirma que cada uno de estos textos haya sido escrito desde cero por una red neuronal. Se trata de contenido "escrito o sustancialmente editado". Las correcciones menores, como arreglos de gramática, no entran en esta categoría. No obstante, la tendencia es evidente: internet se está llenando rápidamente de contenido sintético, y este proceso se está acelerando.
En este contexto, el paso de Anthropic hacia el etiquetado global del contenido de Claude parece oportuno, pero insuficiente. La transparencia sobre el origen de los textos se vuelve críticamente importante para preservar la confianza en la información. Sin estándares claros y mecanismos de verificación, corremos el riesgo de ahogarnos en un flujo de generación verosímil pero sin alma, que difumina la frontera entre la experiencia real y la probabilidad estadística.
Mi opinión experta: el mercado necesita urgentemente herramientas de autenticación de contenido a nivel de protocolos, no iniciativas voluntarias de empresas individuales. De lo contrario, en un par de años no podremos distinguir el análisis de las alucinaciones del modelo, y esto golpeará a todo el ecosistema de los medios digitales.