El Pew Research Center ha medido cuánta web se escribe con IA y le sale que el 35% de las páginas publicadas después de ChatGPT tiene señales significativas de autoría automática. El estudio se publicó el 20 de agosto y está hecho sobre Common Crawl.
Puntos clave
- Casi 500.000 páginas web en inglés recogidas históricamente, más una muestra aleatoria de 10.000 páginas de julio de 2026.
- Páginas posteriores al lanzamiento de ChatGPT en noviembre de 2022: más de un tercio, el 35%.
- Sobre el total de la muestra, incluyendo web anterior a 2022, la cifra cae a alrededor del 10%.
- Los .com salen unas diez veces por encima de los .edu y .gov, que rondan el 1%. Los .org están en el 4,6%.
- El detector es Pangram.
Qué separa un .com de un .edu
La brecha por dominio es el dato más útil del estudio. Diez veces más señales de IA en .com que en .edu y .gov no se explica por la calidad de la escritura, se explica por el incentivo.
Un .com publica para captar tráfico. El volumen es la estrategia, y el coste marginal de una página más bajó a casi cero en noviembre de 2022. Un .edu publica para documentar, y su tráfico no depende de cuántas páginas tenga.
Los .org, en el 4,6%, se quedan a medio camino. Tiene sentido: publican por misión, pero compiten por atención.
El detalle que da gusto leer
Entre las señales que Pew mide como marcadores de escritura automática hay tres que suben claramente desde 2022: los guiones largos, las comas de Oxford y la fórmula "no es X, es Y".
Ese último patrón aparece en nuestra propia guía de estilo como el tic número uno a eliminar de cualquier texto. Verlo medido a escala de medio millón de páginas confirma que no era manía nuestra.
Es también una pequeña lección sobre cómo funcionan estos detectores. No leen ideas, leen hábitos. Y los hábitos de un modelo entrenado con RLHF son sorprendentemente estables entre versiones.
Lo que el estudio no puede decir
Pew es honesto con la limitación principal. Pangram, como cualquier detector de IA, "puede clasificar mal páginas como escritas por IA cuando no lo eran". La propia institución matiza que a escala el dato es "al menos direccionalmente correcto".
Ese matiz importa. Un falso positivo del 5% sobre 35% mueve mucho la cifra final, y no hay forma de auditar el error real sin un corpus etiquetado a mano.
Hay además una zona gris que ningún detector resuelve: el texto escrito por una persona y pulido por un modelo. Sale marcado como IA y es trabajo humano con corrector. La cifra del 35% mide superficie lingüística, no autoría en sentido legal ni editorial.
Y el corpus es de páginas en inglés. Nadie ha medido lo mismo en español, aunque la mecánica del incentivo es idéntica y no hay motivo para pensar que aquí la cifra sea mucho más baja.
Por qué importa
Si publicas contenido para SEO, el dato relevante es el de la competencia, no el tuyo. El listón de "publicar mucho" ya no distingue nada, porque cualquiera puede publicar mucho desde hace tres años.
Lo que sí distingue es tener datos propios que nadie más puede escribir. Un número de tu operación, un experimento que hiciste, un error que te costó dinero. Ningún modelo genera eso porque no lo sabe.
Y si usas un modelo para redactar, arreglar los tres marcadores del estudio es media hora de trabajo. Quitar los guiones largos, revisar la puntuación y borrar todos los "no es X, es Y". No hace tu texto mejor, pero deja de gritar de dónde salió.
Relacionado
