Quanto del web è scritto con l’IA? I dati di Pew dopo ChatGPT

L’intelligenza artificiale non è ancora sinonimo di un web scritto interamente dalle macchine. Ma, secondo una nuova analisi del Pew Research Center, è diventata una componente sempre più visibile della produzione di contenuti online.

Il risultato più significativo è questo: nel luglio 2026, una pagina web in inglese su dieci mostrava segnali rilevanti di essere stata scritta o sostanzialmente modificata con l’IA. Non significa che ogni pagina sia stata generata da zero da un chatbot: la rilevazione individua tracce statistiche compatibili con un intervento dell’IA, anche quando il testo è stato poi rivisto da una persona.

Un’analisi di 490.000 pagine

Per ricostruire l’evoluzione del fenomeno, Pew ha utilizzato Common Crawl, un archivio non profit che raccoglie copie di grandi quantità di pagine web pubblicamente accessibili. I ricercatori hanno selezionato 10.000 pagine in inglese da ciascuno dei 49 snapshot disponibili tra gennaio 2021 e luglio 2026, arrivando a un totale di 490.000 pagine. Il testo principale delle pagine è stato poi analizzato con il modello di rilevamento Open Pangram.

Nel campione casuale di 10.000 pagine raccolto nel luglio 2026, il 10% presentava segnali significativi di autorialità o modifica con l’IA. La crescita, secondo l’analisi, è iniziata dopo il lancio pubblico di ChatGPT, il 30 novembre 2022.

Il 35% dopo il lancio di ChatGPT: un dato da leggere con cautela

La percentuale sale al 35% quando Pew considera soltanto le pagine che hanno una data di pubblicazione rilevabile e che risultano pubblicate dopo il lancio di ChatGPT. È il dato che ha attirato maggiormente l’attenzione, ma non equivale a dire che il 35% di tutte le pagine pubblicate dal 2022 in poi sia scritto dall’IA.

Soltanto il 10%-15% delle pagine campionate conteneva infatti un campo utilizzabile per determinare la data di pubblicazione. Quel 35% riguarda quindi un sottoinsieme non casuale e non può essere proiettato automaticamente sull’intero web.

La distribuzione cambia in base al dominio

I segnali non sono distribuiti in modo uniforme. Nel 2026, circa una pagina su dieci tra quelle con dominio .com mostrava indicatori compatibili con una scrittura o una modifica sostanziale tramite IA. La quota scendeva al 4,6% per i domini .org e si aggirava attorno all’1% sia per .edu sia per .gov.

Il confronto suggerisce che l’adozione degli strumenti generativi varia sensibilmente tra diversi tipi di siti, ma da solo non spiega le ragioni della differenza. I domini .edu e .gov, per esempio, rappresentano solo una parte del web e possono avere caratteristiche editoriali, tecniche e istituzionali diverse dai siti commerciali.

Quali tracce linguistiche cerca il modello?

Open Pangram non cerca una singola parola o una formula capace di “smascherare” automaticamente un chatbot. Valuta combinazioni di caratteristiche linguistiche che, nei dati analizzati, ricorrono più spesso nei testi prodotti o modificati dall’IA che in quelli scritti esclusivamente da esseri umani.

Tra gli esempi discussi da Pew ci sono:

• un uso più frequente del trattino lungo, o em dash;
• la virgola seriale, nota in inglese come Oxford comma;
• vocaboli e formule espressive favoriti dai modelli linguistici;
• il cosiddetto parallelismo negativo, costruzioni del tipo “non solo X, ma anche Y”.

Questi elementi, presi singolarmente, non dimostrano nulla. Un autore umano può usarli naturalmente e un testo generato dall’IA può essere riscritto in modo approfondito. Per questo Pew parla di “segnali di autorialità o modifica con l’IA”, non di un conteggio certo delle pagine interamente scritte da una macchina.

Il limite dei rilevatori di IA

Anche i rilevatori più accurati possono produrre falsi positivi, cioè segnalare come artificiale un testo umano, e falsi negativi, cioè non riconoscere un testo generato dall’IA. Le valutazioni indipendenti mostrano risultati promettenti per Pangram in diversi tipi di testo, ma ricordano anche che le prestazioni dipendono dai modelli, dalla lunghezza e dal genere dei contenuti sottoposti al test.

Il risultato di Pew va quindi interpretato a livello aggregato: è utile per osservare una tendenza nella composizione del web, non per attribuire con certezza la paternità di una singola pagina o accusare un autore specifico. Le modifiche, la parafrasi e l’uso di modelli non presenti nei dati di addestramento possono inoltre influenzare l’esito dei rilevamenti.

Che cosa resta fuori dall’indagine

Lo studio ha alcuni limiti importanti:

• Common Crawl raccoglie pagine accessibili pubblicamente, quindi i siti a pagamento o protetti da accesso riservato sono probabilmente sottorappresentati.
• L’analisi riguarda testi in lingua inglese e non comprende immagini, video, contenuti non testuali o pagine in altre lingue.
• Il campione non rappresenta automaticamente tutto il web: i risultati descrivono l’insieme delle pagine intercettate dall’archivio e dai criteri di selezione adottati.

Un web prodotto e visitato sempre più dalle macchine

Il dato di Pew arriva in un momento in cui anche il traffico online sta cambiando. Cloudflare ha riferito che, nel maggio 2026, il traffico non umano ha superato quello umano sulla propria rete. Si tratta però di una misura delle richieste automatiche generate da bot e sistemi automatizzati, non di una stima dei contenuti scritti dall’IA.

Messi insieme, i due segnali descrivono un web sempre più mediato dall’automazione: le macchine contribuiscono alla produzione dei testi, li scansionano e interagiscono con le pagine in quantità crescente. I dati, tuttavia, non dimostrano che l’IA abbia sostituito l’autorialità umana o che le persone abbiano smesso di essere i principali utenti del web nel suo complesso.