L'équipe Data Labs du Pew Research Center a publié un rapport d'échantillonnage de pages web : sur chacun des 49 instantanés de Common Crawl entre janvier 2021 et juillet 2026, 10 000 pages en anglais ont été extraites, soit 490 000 pages au total, chacune passée au crible d'un détecteur de texte généré par IA. Sur l'ensemble de l'échantillon, 10 % des pages présentent des traces manifestes de participation d'une IA ; en écartant les anciennes pages antérieures au lancement de ChatGPT, cette proportion bondit à 35 %.
10 % et 35 % : deux calculs bien différents
Ces deux chiffres sont souvent cités de façon confuse, alors que leurs périmètres diffèrent nettement. Les 10 % portent sur l'ensemble de l'échantillon, saturé de pages résiduelles de 2021 et 2022, une époque où aucun modèle n'était encore capable de rédiger des textes à grande échelle, ce qui dilue le dénominateur. Les 35 % ne considèrent que les pages apparues après novembre 2022, et répondent à la vraie question : quelle part du contenu nouvellement créé porte la marque de l'IA. Pew rappelle lui-même que le modèle de détection affiche un taux de faux positifs plus élevé pour les années précédant la démocratisation de l'IA, si bien que la courbe 2021-2022 ne doit pas être prise au pied de la lettre.
Le seuil de détection fixé à 0,2
Le détecteur utilisé est editlens_Llama-3.2-3B, un modèle open source de Pangram, qui produit un score compris entre 0 et 1, où 0 signifie entièrement rédigé par un humain et 1, entièrement généré par une machine. Pew place la ligne de démarcation à 0,2 : au-delà, on considère qu'il y a « participation significative de l'IA ». Ce seuil est assez permissif : un texte rédigé par une personne mais simplement relu et corrigé grammaticalement une fois par un modèle a de fortes chances de le franchir également. Ce que mesure réellement le rapport, ce n'est donc pas tant « combien l'IA a écrit » que « combien de contenu l'IA a touché ».
Pour vérifier la fiabilité du modèle open source, Pew a soumis 62 370 pages en parallèle à la version commerciale 3.3 de Pangram ; les conclusions concordaient à 96 %, mais le coefficient kappa de Cohen sur l'échantillon test n'atteignait que 0,61, soit un niveau d'accord modéré. Le verdict porté sur une page isolée ne peut donc pas servir de preuve ; seule la tendance globale est significative.
Tirets, virgule d'Oxford et le mot « delve »
Le rapport en a profité pour comptabiliser plusieurs indicateurs stylistiques. Entre janvier 2023 et janvier 2026, le nombre de tirets pour 10 000 mots est passé de 5,79 à 11,19, soit presque un doublement ; la virgule d'Oxford est passée de 34,04 à 55,51, en hausse de 63 % ; la fréquence de mots comme delve, interplay ou testament a plus que doublé ; et le « parallélisme négatif » (rejeter d'abord une formulation avant d'en proposer une autre) est passé de 0,87 à 2,36, soit près d'un triplement.
Cette liste n'est pas une bonne nouvelle pour ceux qui écrivent. Le tiret et la virgule d'Oxford sont en soi des habitudes de ponctuation parfaitement légitimes en anglais, mais, à force d'être surutilisés par les modèles, ils sont désormais devenus des indices suspects. Plus les outils de détection se répandent, plus les auteurs humains doivent prouver l'innocence de leurs propres habitudes d'écriture.
Un facteur dix entre .com et .gov
En ventilant par domaine, dans l'échantillon 2026, environ un dixième des pages en .com présentent des traces d'IA, contre 4,6 % pour .org, et environ 1 % pour .edu comme pour .gov. Cet écart correspond assez bien à la pression de production de contenu propre à chaque type de site : les sites commerciaux échangent fréquence de mise à jour contre trafic, tandis que les sites académiques et gouvernementaux n'y sont pas soumis.
L'échantillon ne couvre que des pages en anglais et exclut le contenu situé derrière des murs de connexion ou des paywalls ; il s'apparente donc davantage à une coupe transversale de l'internet anglophone public. Dans le monde sinophone, personne n'a encore réalisé de mesure avec la même méthodologie, mais une estimation grossière suggère une proportion encore plus élevée, tant le degré d'industrialisation des fermes de contenu y est déjà visible. Plus délicat encore : ces mêmes pages sont en train de devenir le corpus d'entraînement de la prochaine génération de modèles, et le seuil de détection de 0,2 devra probablement encore être relevé à l'avenir.
Sources : rapport et page méthodologique de l'équipe Data Labs du Pew Research Center, CocoLoop, The Independent, TechCrunch ; la taille d'échantillon de 490 000, le seuil de détection de 0,2, les parts par domaine et les fréquences de ponctuation pour 10 000 mots suivent la page méthodologique de Pew.