Pew encontra forte avanço de conteúdo produzido ou editado por IA na web após o ChatGPT

A internet pós-ChatGPT não apenas abriga conteúdo criado com inteligência artificial: cada vez mais, textos recém-publicados parecem ter sido produzidos ou significativamente editados por esses sistemas. Essa é a principal conclusão de uma análise do Pew Research Center, que examinou quase meio milhão de páginas em inglês arquivadas pelo Common Crawl.

O que o estudo encontrou

O Pew selecionou 10 mil páginas de cada uma das 49 capturas do Common Crawl realizadas entre janeiro de 2021 e julho de 2026, totalizando 490 mil páginas. O texto principal de cada página foi analisado pelo Open Pangram, um modelo de detecção de conteúdo gerado por IA.

Na amostra aleatória de 10 mil páginas coletada em julho de 2026, 10% apresentaram sinais significativos de autoria ou edição por IA. O resultado indica a presença desses sinais naquele retrato da web em inglês — não que 10% de toda a internet seja necessariamente escrita por máquinas.

A proporção foi ainda maior entre as páginas que tinham uma data de publicação identificável e foram publicadas depois do lançamento do ChatGPT, em 30 de novembro de 2022: 35% mostraram os mesmos sinais. Como apenas uma parcela das páginas trazia uma data utilizável, esse número se refere a um subconjunto não aleatório e não deve ser interpretado como uma estimativa de todas as páginas publicadas no período.

O crescimento começou depois da chegada do ChatGPT e não ocorreu de maneira uniforme entre os tipos de domínio. Em 2026, aproximadamente uma em cada dez páginas com final .com apresentava sinais de IA. A taxa era de 4,6% nos domínios .org e de cerca de 1% tanto nos .edu quanto nos .gov.

Quais sinais linguísticos foram observados

O Open Pangram não procura uma “impressão digital” única. O modelo avalia uma combinação de padrões linguísticos que aparecem com mais frequência em textos produzidos por IA do que em textos humanos.

Entre os exemplos discutidos pelo Pew estão:

• uso mais frequente do travessão — o chamado em dash, comum em textos em inglês;
• maior presença da vírgula de Oxford, usada antes de “e” ou “ou” em listas de três ou mais itens;
• vocabulário favorecido por modelos de IA;
• construções de paralelismo negativo, como estruturas equivalentes a “não apenas X, mas também Y”.

Esses elementos são sinais probabilísticos, não provas definitivas de autoria. Uma pessoa pode usar qualquer um deles, e um texto inicialmente gerado por IA pode ter passado por uma edição humana extensa. Por isso, a formulação mais precisa é “páginas com sinais de autoria por IA ou de edição relevante por IA”, e não “páginas inteiramente escritas por IA”.

Por que os números exigem cautela

Detectores de IA podem cometer falsos positivos — classificar como artificial um texto humano — e falsos negativos — deixar de identificar um texto gerado por máquina. Mesmo ferramentas com bom desempenho em avaliações controladas podem apresentar resultados diferentes conforme o gênero textual, o tamanho do trecho, o modelo avaliado e o grau de edição aplicado ao conteúdo.

Há também limites importantes na amostra do Pew:

• O Common Crawl reúne páginas publicamente acessíveis. Sites cujo conteúdo exige pagamento ou login provavelmente aparecem menos no arquivo.
• Apenas 10% a 15% das páginas analisadas tinham um campo utilizável de data de publicação. Por isso, a taxa de 35% vale apenas para esse subconjunto datado e não aleatório.
• A pesquisa cobriu textos em inglês na web, mas não imagens, vídeos, conteúdo em outros idiomas ou a totalidade da internet.

Um cenário de web cada vez mais automatizada

Os dados do Pew ganham contexto diante de outro movimento: a Cloudflare relatou que o tráfego não humano superou o tráfego humano em sua rede em maio de 2026. Essa métrica, porém, contabiliza solicitações automatizadas e bots — não textos escritos por IA.

As duas tendências apontam para uma web cada vez mais produzida, rastreada e acessada por sistemas automatizados. Isso não significa que a IA tenha substituído a autoria humana ou que as pessoas tenham deixado de ser as principais usuárias da internet. Significa, sobretudo, que distinguir entre conteúdo humano, conteúdo assistido por IA e conteúdo gerado por máquinas se tornou uma tarefa mais relevante — e mais complexa.