Le web écrit par IA atteint un tiers des pages

Le Pew Research Center a passé près de 500 000 pages anglophones au détecteur Pangram et trouve des signes marqués de rédaction automatique sur plus d’un tiers des pages mises en ligne depuis la sortie de ChatGPT. Rapporté à l’ensemble du web archivé, la part de web écrit par IA tombe à 10 %. L’écart entre les deux chiffres raconte à lui seul la vitesse de la bascule.

Pour résumer

• Plus d’un tiers des pages publiées après novembre 2022 portent des marqueurs de texte généré, contre 10 % pour l’ensemble du corpus analysé.
• Le .com affiche environ dix fois le taux du .edu et du .gov, qui restent tous les deux autour de 1 %.
• Depuis 2023, la fréquence des tirets longs a doublé et celle des parallélismes négatifs a presque triplé dans le texte publié.

Un demi-million de pages passées au détecteur Pangram

Le corpus vient des archives Common Crawl, qui collectent périodiquement des instantanés du web ouvert. L’équipe du Pew Research Center y a tiré près de 500 000 pages anglophones réparties entre janvier 2021 et juillet 2026, ce qui donne une base de comparaison antérieure à la diffusion grand public des modèles de langage.

La détection repose sur Pangram, un modèle d’apprentissage automatique entraîné à repérer les régularités de vocabulaire, de tournure et de structure plus fréquentes dans un texte produit par une machine que sous une plume humaine. C’est le même outil qui avait servi à mesurer la part de rédaction automatique sur une plateforme sociale unique, ce qui rend les deux relevés comparables entre eux.

Le résultat central tient en deux chiffres qui ne disent pas la même chose. Sur l’instantané de juillet 2026, 10 % des pages toutes dates confondues portent des signes marqués de rédaction automatique. En filtrant sur les seules pages mises en ligne après novembre 2022, la proportion dépasse le tiers, et le Pew Research Center détaille cette mécanique dans son relevé sur la part du web écrite avec l’aide d’une IA.

L’écart s’explique par la composition du web archivé. Une grande partie des pages échantillonnées est antérieure aux modèles génératifs et ne pouvait pas être écrite par eux. Le web écrit par IA se concentre donc sur une fenêtre courte, ce qui amplifie mécaniquement sa densité dans les publications récentes.

L’équipe pose ses limites sans les enterrer en note de bas de page. Le détecteur se trompe parfois sur un document isolé et ne devient fiable qu’à l’échelle de grands volumes de texte. Les auteurs, Samuel Bestvater, Aaron Smith, Carson TerBush, Chris Baronavski et Janakee Chavda, présentent leurs chiffres comme une tendance de masse, pas comme un verdict page par page.

Le .com bascule, le .gov reste à l’écart

La répartition par extension de domaine est le passage le plus utile du relevé. Le .com se situe autour de 10 % sur l’instantané de juillet 2026, le .org à 4,6 %, tandis que le .edu et le .gov restent tous les deux aux alentours de 1 %.

L’ordre de grandeur compte plus que la décimale. Un domaine commercial porte environ dix fois plus de traces de génération automatique qu’un domaine universitaire ou gouvernemental. La bascule suit donc l’incitation économique, pas la disponibilité de l’outil, puisque les trois catégories ont accès aux mêmes modèles depuis la même date. Le même écart entre plateformes s’était vu quand LinkedIn concentrait 41 % des posts longs écrits par IA.

Le second axe de mesure porte sur les habitudes d’écriture elles-mêmes. Depuis 2023, la fréquence des tirets longs a doublé dans le texte publié, celle de la virgule d’Oxford a progressé de 63 %, le vocabulaire typiquement associé aux modèles a plus que doublé et les constructions en parallélisme négatif ont presque triplé.

Ces marqueurs ne prouvent rien pris isolément, et c’est justement leur intérêt statistique. Une virgule d’Oxford ne trahit personne. Une inflexion simultanée sur quatre marqueurs distincts, mesurée sur des centaines de milliers de pages, décrit un déplacement du style moyen du web anglophone.

Le décor d’usage complète le tableau. Environ la moitié des adultes américains déclarent utiliser un agent conversationnel et 24 % le font quotidiennement. La production de texte assisté n’est plus le fait d’une profession, elle est devenue un geste courant.

Cette diffusion large explique pourquoi le web écrit par IA ne se laisse plus circonscrire à une catégorie de sites. Les pages commerciales tirent le total vers le haut, mais aucune extension mesurée n’est restée à son niveau de 2021. Le mouvement touche tout le corpus, à des intensités très différentes.

D’autres articles sur Horizon

• OpenAI surveille les abus sans garder vos données
• Claude conçoit des protéines qui fonctionnent en labo
• Cursor Origin défie GitHub pendant six heures de panne

Ce que la mesure change pour les éditeurs et les moteurs

Pour un éditeur, le chiffre déplace la question. Publier un texte assisté n’est plus un choix différenciant puisque c’est devenu la norme statistique du .com. Ce qui distingue une page tient désormais à ce qu’elle apporte au-delà du texte, une donnée propriétaire, un relevé terrain, une source nommée que le lecteur peut vérifier.

Le sujet croise directement celui de la déclaration d’usage. La question s’était posée en des termes très concrets quand huit lauréats du Pulitzer 2026 ont déclaré avoir utilisé l’IA dans leur travail, avec des degrés d’implication très variables d’un dossier à l’autre.

Côté moteurs, la mesure arrive au moment où la tolérance des internautes se raidit. La progression de DuckDuckGo, dont la hausse de 30 % traduisait un rejet des réponses IA imposées, tient à cette même fatigue. Un index qui se remplit de texte généré rend le tri plus coûteux à mesure que le volume grossit.

La pression retombe aussi sur les éditeurs de détecteurs. Pangram tire sa valeur d’une capacité à mesurer une masse, pas à condamner un document, et cette nuance sera difficile à tenir face à des acheteurs qui cherchent un verdict binaire sur une copie d’élève ou une candidature.

Les régulateurs disposent maintenant d’un ordre de grandeur là où ils n’avaient que des estimations. Un texte réglementaire qui impose de signaler un contenu généré ne vise plus une pratique marginale mais une part majoritaire de ce qui paraît sur les domaines commerciaux, ce qui change la charge de mise en conformité pour les plateformes concernées.

Pour les équipes éditoriales, la conséquence pratique est un déplacement du contrôle qualité. Vérifier si un texte a été assisté devient moins utile que vérifier ce qu’il avance, puisque le web écrit par IA contient aussi bien des synthèses correctes que des pages vides de substance.

Reste la question du corpus d’entraînement. Les modèles de demain apprendront sur un web dont un tiers des pages récentes porte la marque des modèles d’hier, et aucun des acteurs mesurés ici ne publie ce que cette boucle produit à l’échelle de plusieurs générations.

Affaire à suivre sur Horizon.