Prendendo una pagina web pubblicata dopo l’arrivo di ChatGPT, c’è ormai più di una possibilità su tre che il suo testo mostri “tracce significative” di scrittura o di modifica tramite intelligenza artificiale.
È il risultato di un’analisi del Pew Research Center, uno dei più noti istituti statunitensi di ricerca sociale e demografica, che ha esaminato circa 490.000 pagine in inglese raccolte negli ultimi cinque anni attraverso Common Crawl. Le pagine sono state ha analizzate con Open Pangram, un sistema che cerca nel testo schemi linguistici e statistici associati alla scrittura tramite IA.
Nell’intero campione di luglio 2026 la percentuale è del 9,6%, ma dentro ci sono anche milioni di pagine nate quando ChatGPT ancora non esisteva. Se invece si considerano soltanto quelle pubblicate dopo il 30 novembre 2022, la quota arriva al 35%.
Il numero va comunque letto per quello che è. Open Pangram può produrre falsi positivi e falsi negativi e Pew parla esplicitamente di segnali di scrittura o modifica sostanziale tramite IA.
Non sappiamo quindi se il 35% di quelle pagine sia stato materialmente scritto da un chatbot. Sappiamo solamente che la loro struttura linguistica presenta abbastanza caratteristiche associate agli LLM da essere riconosciuta come tale.
Internet sta cambiando modo di scrivere
Il Pew Research Center non si è limitato a contare le pagine sospette, ma ha osservato come è cambiato il linguaggio del web dall’arrivo di ChatGPT. E alcuni dei tic che oggi fanno pensare immediatamente a un chatbot, stanno diventando molto più frequenti.
I trattini lunghi (—), molto utilizzati dai modelli per introdurre incisi, compaiono circa il doppio rispetto al 2023. È cresciuto del 63% anche l’uso della cosiddetta Oxford comma, una convenzione della lingua inglese che prevede di mettere una virgola anche prima della congiunzione che introduce l’ultimo elemento di un elenco. In italiano, per capirci, è come scrivere “mele, banane, e arance” invece del normale “mele, banane e arance”.
Più che raddoppiata anche la frequenza di un gruppo di parole particolarmente amate dagli LLM, quali ad esempio “significativo”, “cruciale” e “fondamentale” L’analisi riguarda però testi in inglese, quindi non misura direttamente i loro equivalenti italiani, che abbiamo aggiunto noi in questo caso.
Quasi triplicato, infine, il cosiddetto parallelismo negativo: costruzioni come “non è X, è Y”, diventate talmente riconoscibili da essere ormai uno dei manierismi più evidenti della scrittura generata dai chatbot. Nessuno di questi elementi, preso singolarmente, dimostra però che dietro un testo ci sia un’IA.
Pew Research Center: il cambiamento è nei .com
La trasformazione non procede alla stessa velocità in tutta Internet. Prima dell’arrivo di ChatGPT, i segnali individuati da Pew comparivano con frequenze abbastanza simili nei principali domini analizzati. Poi le traiettorie hanno cominciato a separarsi.
Nei siti .com la quota è passata dall’1,07% del luglio 2022 al 9,35% del gennaio 2026, e la crescita è continua in tutte le rilevazioni intermedie. Nei .org si è passati dallo 0,63% al 4,59%, mentre .edu e .gov sono rimasti rispettivamente all’1,03% e allo 0,76%.
Va però sottolineato che i campioni sono molto diversi. Nel gennaio 2026 Pew ha analizzato 41.116 pagine .com, contro 6.363 .org, 1.571 .edu e appena 669 .gov. Il quadro resta comunque chiaro: la crescita delle tracce linguistiche associate all’IA è molto più evidente nel web commerciale.
Il problema di quando l’IA impara dall’IA
C’è poi una conseguenza tecnica che avevamo affrontato già nell’aprile 2024. Allora avevamo raccontato un problema con cui le aziende di IA stavano iniziando a fare i conti: per addestrare modelli sempre più grandi servono enormi quantità di testi scritti dagli esseri umani, ma quelli disponibili su Internet non sono infiniti.
Una delle soluzioni prese in considerazione era far produrre nuovi dati direttamente alle IA e usarli per addestrare le generazioni successive di modelli. Il però rischio era quello che avevamo definito una sorta di “consanguineità digitale”.
Pochi mesi dopo, uno studio pubblicato su Nature mostrava il cosiddetto “model collapse”: addestrando indiscriminatamente generazioni successive di modelli sui contenuti prodotti dalle precedenti, gli errori possono accumularsi e parti della distribuzione originaria dei dati possono andare perdute. I ricercatori sottolineavano proprio il valore crescente dei contenuti prodotti realmente dagli esseri umani.
Lo studio del Pew Research Center conferma quanto avevamo già anticipato: se il 35% delle pagine pubblicate dopo ChatGPT mostra tracce “significative” di IA, chi oggi raccoglie testi dal web per addestrare nuovi modelli deve fare i conti con una quota crescente di contenuti che potrebbero essere già stati prodotti o rielaborati da altri LLM.
Quando smetteremo di accorgercene?
C’è infine una questione culturale, già emersa anche nei commenti all’articolo sul watermark di Anthropic.
Oggi ci chiediamo ancora se un articolo, una mail o una pagina web siano stati scritti da una persona oppure da un’IA. Cerchiamo gli indizi, riconosciamo certi tic e costruiamo strumenti per provare a distinguerli. Ma tra dieci anni questa distinzione potrebbe interessarci molto meno. L’IA potrebbe essere diventata uno strumento talmente ordinario nella produzione dei contenuti da smettere semplicemente di farci caso.
Del resto è già successo più volte in questi anni e ora non ci sorprende più che sia un sistema di raccomandazione a suggerirci il prossimo film da guardare, che Google Maps decida quale strada conviene percorrere o che un’app come Tinder selezioni le persone che potremmo voler conoscere. Sono decisioni ben più importanti della scelta delle parole in un tresto, che abbiamo demandato all’algoritmo al punto da non percepirlo più.
Oggi il dato del Pew Research Center fa notizia perché il 35% ci sembra enorme e vogliamo ancora sapere quanto Internet sia scritto dalle persone e quanto dalle macchine. Forse, tra dieci anni, potremmo trovare molto più strana questa domanda che non la risposta.
Fonte: Pew Research Center
