En pocas palabras: Un estudio de Pew Research publicado el 22 de agosto de 2026 reveló que el 35% de las páginas web publicadas desde el lanzamiento de ChatGPT en noviembre de 2022 muestra rastros significativos de autoría IA, tras analizar cerca de 500.000 páginas en inglés del archivo Common Crawl.
Pew Research hizo público este 22 de agosto de 2026 un estudio que pone números a lo que muchos intuíamos: el 35% de las páginas web publicadas desde el lanzamiento de ChatGPT, en noviembre de 2022, muestra indicios significativos de haber sido escritas o editadas sustancialmente por inteligencia artificial.
El análisis cubrió cerca de 500.000 páginas en inglés (que no es poco) extraídas del archivo de Common Crawl, un repositorio abierto que rastrea y almacena copias de la web a escala masiva para investigación, y aplicó la tecnología de detección de Pangram para identificar autoría artificial. El contraste clave: en una muestra aleatoria de 10.000 páginas del archivo de julio de 2026, que mezcla contenido reciente con material anterior a ChatGPT, los rastros de IA bajan al 10%. Esa distancia entre 10% y 35% es, en concreto, el tamaño del cambio que GPT metió en la web: hoy un tercio de lo nuevo que se publica lleva la firma estadística de la máquina.
En 30 segundos
- 35% de las páginas nuevas tienen rastros de IA. Es el dato central del estudio de Pew Research difundido el 22 de agosto de 2026 sobre todo lo publicado desde noviembre de 2022.
- El promedio histórico es otro: 10%. Una muestra aleatoria de 10.000 páginas del archivo de julio de 2026 apenas llega a ese porcentaje, porque incluye décadas de contenido anterior a ChatGPT.
- Los dominios comerciales lideran. Muestran las tasas más altas de autoría IA; los .org están en 4,6% y los .edu y .gov rondan el 1%.
- Hay marcas estilísticas delatoras. El uso de rayas largas y comas de Oxford aumentó en el contenido post-ChatGPT, al igual que la fórmula «no es X, es Y».
- El riesgo a futuro tiene nombre: colapso de modelo. Si los próximos LLMs se entrenan sobre este corpus, absorben sus propios outputs y degradan diversidad y calidad.
¿Qué diferencia el contenido publicado después de ChatGPT del anterior?
La diferencia es de proporción: el 35% corresponde a páginas publicadas desde noviembre de 2022, mientras que una muestra aleatoria del archivo completo de julio de 2026 se queda en 10%. La web previa a ChatGPT casi no tiene contenido generado por IA, como cabría esperar, y la posterior lo tiene en cantidades importantes. Esa brecha de 3,5 veces es el número que hay que mirar.
Ponele que agarrás al azar cien páginas publicadas el mes pasado: unas 35 llevan la firma estadística de la máquina. Si tirás la misma moneda sobre todo el archivo histórico, incluidas páginas de los noventa, el número cae a diez.
¿Entonces un tercio de internet es IA? No, y conviene no repetir ese titular recortado que ya viene dando vueltas. El 35% describe lo que se está publicando ahora; el archivo acumulado, con décadas de texto humano, diluye esa proporción hasta el 10%.
Sobre la metodología: el equipo trabajó con casi medio millón de páginas en inglés del archivo de Common Crawl y el detector de Pangram, según el detalle publicado por WWWWhat’s New. Medio millón de documentos no es todo internet, pero como radiografía de tendencias sirve, y mucho.
Dos cifras, una conclusión.
¿Qué patrones de escritura delatan a un texto hecho con IA?
Los marcadores más consistentes son estilísticos. Pew identificó que, en el contenido posterior a ChatGPT, el uso de rayas largas y comas de Oxford ha aumentado, al igual que la construcción «no es X, es Y». Son hábitos que los modelos absorbieron de los textos con los que se entrenaron y reproducen con una frecuencia mayor a la esperable en escritura humana promedio.
¿De dónde sale esta manía tipográfica? De los datos de entrenamiento. Muchos de los textos con los que los modelos fueron alimentados son de alta calidad editorial, y de esa prosa heredaron la raya larga y la coma de Oxford. Cubrimos ese tema en detalle en qué es ChatGPT y cómo funciona.
| Patrón lingüístico | Cambio observado post-ChatGPT |
|---|---|
| Rayas largas (em dash) | En aumento |
| Comas de Oxford | En aumento |
| Construcción «no es X, es Y» | En aumento |
| Origen probable del patrón | Textos de alta calidad editorial del corpus de entrenamiento |
Ningún marcador aislado es una prueba definitiva, pero juntos dibujan una firma reconocible. (Sí, mientras escribía esto revisé dos veces cuántas rayas largas estaba usando.)
¿Basta con sacar las rayas largas para pasar por humano? No. El problema de fondo es la genericidad, no la tipografía.
¿Qué tipos de sitios web tienen más contenido generado por IA?
Los dominios comerciales concentran el fenómeno. Muestran las tasas más altas de autoría IA, los .org están en 4,6% y los .edu y .gov rondan el 1%, según la distribución que difundió Pew Research.
- .com: las tasas más altas. Volumen alto de publicación, incentivos de tráfico y pocas restricciones editoriales hacen el caldo ideal para producción asistida.
- .org: 4,6%. Las organizaciones sin fines de lucro publican menos a volumen y suelen tener revisión interna antes de salir al aire.
- .edu y .gov: cerca del 1%. Procesos de revisión estrictos y culturas institucionales que penalizan el plagio mantienen la proporción mínima.
La lectura es directa: el problema crece donde hay presión comercial. Cualquiera que tenga que llenar un calendario editorial para competir en Google siente el tirón del chat; donde hay revisión por pares, la cosa cambia.
Si manejás un sitio de contenido, esto te compete de lleno: competís contra fábricas de texto capaces de producir decenas de artículos por día.
¿Qué es el colapso de modelo y por qué importa?
El colapso de modelo (model collapse) es la pérdida de calidad y diversidad que sufre un modelo de lenguaje cuando se entrena sobre datos generados por modelos anteriores. Pew no lo aborda en profundidad, pero es la implicación más delicada del hallazgo: si el 35% del corpus nuevo es sintético, los próximos modelos van a terminar aprendiendo de su propia producción.
El mecanismo es estadístico. Cuando el corpus de entrenamiento se llena de texto sintético, la distribución del lenguaje se estrecha: los modelos favorecen los patrones más frecuentes (justamente esas rayas largas y comas de Oxford que Pew marcó) y pierden la variación que hacía útil al texto humano como material de aprendizaje. Los primeros trabajos sobre el tema sugieren que lo primero en degradarse es el rendimiento en tareas de razonamiento complejo, que es justo la capacidad que más se paga.
El círculo es vicioso: publicás un texto asistido por el chat, rankea mejor que el del competidor, el competidor imita la fórmula, el corpus se llena de versiones parecidas, el próximo modelo aprende de esas versiones y genera texto todavía más parecido, hasta que dentro de unos ciclos todos los artículos del rubro suenan al mismo primo lejano. Te puede servir nuestra cobertura de todo sobre los modelos GPT.
¿Hay salida? Técnica, sí: curación de datos, filtrado del corpus, datar las fuentes y preferir las anteriores a 2022. Estructural, no, mientras un tercio de lo publicado tenga origen sintético. Los equipos de datos de los grandes laboratorios ya trabajan sobre esto, y los modelos que dominen 2027 y 2028 van a llevar dentro bastante texto post-ChatGPT, con efectos difíciles de predecir con precisión.
¿Cómo detectar texto hecho con IA? Herramientas y límites
Pew usó Pangram, un detector probabilístico que evalúa patrones estadísticos del texto en lugar de reglas fijas, sobre casi 500.000 páginas. A escala de tendencias funciona bien; a nivel de documento individual, ningún detector es sentencia firme.
Si alguna vez pegaste un texto tuyo bien editado en un detector y te lo devolvió como generado por IA, ya viviste en carne propia el falso positivo. Es el talón de Aquiles de toda esta industria.
Pangram puede clasificar como IA un texto humano muy pulido, y puede dejar pasar contenido sintético lo bastante parafraseado. Los propios autores del estudio reconocen estas limitaciones: a medio millón de páginas, las tendencias son confiables aunque los números individuales no sean perfectos.
| Herramienta | Dato relevante |
|---|---|
| Pangram | Detector probabilístico usado por Pew sobre ~500.000 páginas |
| Winston AI | Opción comercial popular para verificación editorial |
| Copyleaks | Enfoque en entornos educativos y corporativos |
| Scribbr | Orientada al ámbito académico |
Mi consejo después de años viendo estos bichos: usá los detectores como termómetro, nunca como juez. Un resultado aislado no prueba nada; una tendencia consistente sobre muchos textos, sí dice algo.
¿Cómo impacta el contenido IA en Google y el posicionamiento?
Los motores de búsqueda ya penalizan el contenido que marcan como IA, y señales estilísticas del tipo raya larga o coma de Oxford podrían entrar en los criterios de clasificación, con impacto directo en visibilidad. Para quien vive del tráfico orgánico, el mensaje es incómodo: el texto formulaico empieza a costar posiciones.
Escribir de forma más personal, específica y menos formulaica dejó de ser una elección de estilo; es una decisión de supervivencia en los rankings. Mirando cómo evolucionan los resultados, el contenido con experiencia primera mano, datos propios y casos concretos resiste mejor que la ficha genérica producida en serie. Complementá con las novedades de GPT-5.6 Sol.
¿Alguien verificó de forma independiente que Google ya usa las rayas largas como señal de ranking? Todavía no hay política anunciada; por ahora es una inferencia razonable a partir de cómo funcionan los sistemas de calidad.
Ahora bien, la frontera se mueve rápido. Gemini acepta instrucciones personalizadas dentro de Google Docs para adaptar su estilo de redacción, así que la línea entre “asistencia de escritura” y “autoría de IA” va a seguir borrosa un buen tiempo.
Y si tu respuesta a todo esto es relanzar tu sitio con contenido propio, no descuides la base técnica: un dominio bien elegido y un hosting estable (para proyectos en Argentina, donweb.com resuelve dominio, hosting y correo en un mismo lugar) te evita pelear en dos frentes a la vez.
¿Qué ejemplos reales muestran esta paradoja?
El caso más picante es el del Vaticano. La Santa Sede tuvo que contratar a una empresa especializada para demostrar que su encíclica sobre los riesgos de la IA era de autoría humana, después de que circularan acusaciones de que el documento era automático. Pensemos la ironía: especialistas en humanidades, escribiendo sobre los peligros de la automatización, acusados de ser una máquina. (Spoiler: el documento era humano.)
El contexto agranda la foto. Cloudflare informó que el tráfico de bots superó al tráfico humano en algún punto de 2026, un hito que llegó antes de lo previsto. El estudio de Pew agrega la otra cara de la ecuación: una parte creciente del contenido que esas máquinas leen también sale de herramientas automáticas.
Entre ese escenario y herramientas como Gemini adaptando estilos a pedido, no sería raro que el 35% siga subiendo en los próximos trimestres. Habrá que ver.
¿Por qué las cifras de contenido IA varían entre estudios?
Porque cada estudio mide una cosa distinta con métodos distintos. Según cómo se defina el contenido IA y cómo se lo mida, los resultados cambian bastante. La expresión contenido IA no significa lo mismo en cada trabajo.
- Definiciones distintas. Algunos estudios cuentan cualquier texto con asistencia de IA; otros, solo el generado de punta a punta.
- Métodos de medición distintos. Proyecciones de mercado, análisis de volumen y detección estilística sobre archivos web no dan los mismos números.
- Contenido mixto. Gran parte de lo publicado combina borrador de IA con edición humana, y cada estudio decide dónde cortar.
Crecimiento real, sí. Apocalipsis inminente, todavía no. Lo sensato es tratar estas cifras como fotos de un proceso en movimiento y seguir monitoreando. Lo explicamos a fondo en cómo armar un recepcionista virtual.
Qué está confirmado y qué sigue pendiente
Confirmado, con fuente:
- El 35% en contenido post-lanzamiento. Difundido por Pew Research el 22 de agosto de 2026 sobre casi 500.000 páginas en inglés.
- El 10% en la muestra aleatoria. Correspondiente a 10.000 páginas del archivo de julio de 2026.
- La distribución por dominios. Los .org en 4,6%, los .edu y .gov alrededor del 1% y los dominios comerciales con las tasas más altas.
- Los marcadores estilísticos. Aumento de rayas largas, comas de Oxford y construcciones del tipo «no es X, es Y» en el contenido post-ChatGPT.
- El hito de Cloudflare. Tráfico de bots por encima del humano durante 2026.
Pendiente o sujeto a matices:
- La precisión caso por caso. Pangram admite falsos positivos y negativos; los números individuales no son perfectos.
- El impacto real del colapso de modelo. Los efectos sobre los modelos de 2027 y 2028 siguen siendo difíciles de predecir.
- El uso formal de marcadores por Google. Que las rayas largas entren como criterio de clasificación es una posibilidad, no una política anunciada.
- La trayectoria futura del 35%. Puede subir con herramientas como Gemini, pero nadie tiene una proyección seria todavía.
Errores comunes al interpretar estos datos
- Leer el 35% como un tercio de toda internet. El dato cubre solo lo publicado desde noviembre de 2022; el archivo acumulado está en 10%. Repetir el titular recortado te deja mal parado frente a cualquiera que haya leído la metodología.
- Tratar un detector como prueba definitiva. El caso del Vaticano demuestra que hasta un texto humano impecable puede comerse un falso positivo. Antes de acusar a un redactor, mirá el conjunto de evidencia.
- Maquillar el estilo en vez de sumar sustancia. Borrar rayas largas no humaniza un texto genérico. Lo que diferencia es la especificidad: nombres, números, experiencia propia, opiniones con fundamento.
- Asumir que toda ayuda de IA está condenada. Lo que los buscadores castigan es el contenido sin aporte propio. Usar IA para borradores y después editar con criterio, datos y voz propia sigue siendo un camino válido.
Preguntas Frecuentes
¿Cuánto contenido de internet está hecho con IA?
Según Pew Research (agosto de 2026), el 35% de las páginas publicadas desde el lanzamiento de ChatGPT en noviembre de 2022 tiene rastros de autoría IA. Sobre el archivo acumulado completo de julio de 2026, la cifra baja al 10%.
¿Cuáles son los indicadores de que un texto fue hecho con IA?
Los principales son estilísticos: el aumento de rayas largas y comas de Oxford, y las construcciones del tipo «no es X, es Y». Se suman el tono formulaico y la falta de detalles específicos verificables.
¿Qué es el colapso de modelo?
Es la degradación de calidad y diversidad que sufren los modelos de lenguaje cuando se entrenan sobre datos generados por otros modelos. Los primeros estudios sugieren que el rendimiento en razonamiento complejo es lo primero que se deteriora.
¿Google penaliza el contenido hecho con IA?
Los motores de búsqueda ya penalizan el contenido que marcan como IA, y señales como las rayas largas podrían usarse en la clasificación. Lo que pesa al final es el aporte propio: la escritura personal y específica resiste mejor que el texto formulaico.
¿Se puede distinguir con certeza contenido IA de contenido humano?
No a nivel individual. Los detectores dan falsos positivos con texto humano muy pulido y fallan con IA bien parafraseada. A gran escala, las tendencias sí son confiables.
Conclusión
La web que se publica hoy es distinta de la de 2021, y por primera vez hay una medición seria que lo cuantifica: un tercio de lo nuevo lleva rastros de máquina. Es un punto de datos que obliga a ajustar cómo escribimos, cómo leemos y cómo entrenamos los próximos modelos.
Si publicás contenido, apostá a lo que la máquina no tiene: experiencia primera mano, datos propios, una opinión con nombre y apellido. Si consumís contenido, desconfiá tanto del texto sospechosamente liso como de los detectores “infalibles”. Y si entrenás modelos, empezá a datar y curar tu corpus antes de que el bucle se cierre solo.
El tercio ya está acá. Lo que haga cada uno con esa información marca la diferencia entre adaptarse y quedarse quejándose.
Fuentes
- WWWWhat’s New – Un tercio de las páginas web publicadas desde el lanzamiento de ChatGPT tienen rastros de autoría IA (22/08/2026)
- Pew Research Center – sitio oficial del instituto autor del estudio
- Common Crawl – archivo abierto de la web usado como corpus del análisis
- Pangram – tecnología de detección de texto IA utilizada en la investigación