Oltre un terzo delle nuove pagine Web mostra segnali dell'AI

Una parte crescente dei contenuti pubblicati sul Web presenta caratteristiche linguistiche associate all’uso dell’Intelligenza Artificiale.

A rilevarlo è uno studio del Pew Research Center, che ha esaminato 490.000 pagine in lingua inglese raccolte da Common Crawl tra gennaio 2021 e luglio 2026.

I ricercatori hanno utilizzato Open Pangram, un modello di rilevamento progettato per individuare schemi statistici compatibili con testi generati o sostanzialmente modificati dall’AI. Nel campione complessivo, il 10% delle pagine mostra segnali significativi di intervento artificiale. Limitando l’analisi alle pagine pubblicate dopo il 30 novembre 2022, data del debutto pubblico di ChatGPT, la quota supera invece un terzo.

L’AI lascia segnali sempre più visibili nelle pagine Web

Il dato cambia sensibilmente in base al tipo di dominio. Nel campione relativo al 2026, circa il 10% delle pagine con estensione .com presenta segnali compatibili con la scrittura AI, contro il 4,6% dei siti .org e circa l’1% sia per .edu sia per .gov. La differenza suggerisce una diffusione non uniforme degli strumenti generativi, anche se il metodo non consente di stabilire con certezza chi abbia scritto una singola pagina.

Il Pew Research Center ha osservato anche alcuni cambiamenti nelle caratteristiche linguistiche dei testi pubblicati dopo il lancio di ChatGPT. Tra il 2023 e il 2026, l’uso dell’em dash è circa raddoppiato, mentre la Oxford comma è aumentata del 63%. Alcune parole ricorrenti nei testi prodotti dai modelli linguistici, tra cui “delve”, “interplay” e “testament”, hanno più che raddoppiato la propria frequenza. È cresciuto anche il cosiddetto negative parallelism, una costruzione che contrappone due elementi con formule come “non X, ma Y”.

Questi elementi non costituiscono però una firma certa dell’Intelligenza Artificiale. L’em dash e la Oxford comma appartengono da tempo alla scrittura umana, soprattutto in ambito giornalistico e accademico. La ricerca acquista valore quando considera grandi quantità di documenti e combina numerosi indicatori linguistici, invece di affidarsi a una singola parola o a un segno di punteggiatura. Anche per questo il risultato va interpretato come una stima statistica, non come una prova di paternità.

Perché i rilevatori AI non danno certezze assolute

Open Pangram analizza schemi di parole, frasi e strutture linguistiche che risultano più frequenti nei contenuti generati dai modelli. Secondo il Pew Research Center, strumenti di questo tipo possono comunque classificare erroneamente testi scritti da persone oppure non riconoscere alcuni contenuti prodotti dall’AI. Il limite diventa ancora più importante quando un autore modifica pesantemente un testo generato, oppure quando un modello viene utilizzato soltanto per correggere e riformulare una bozza.

Esiste inoltre un limite nella raccolta dei dati. Common Crawl archivia pagine pubblicamente accessibili, quindi i siti protetti da paywall o da sistemi di autenticazione possono risultare sottorappresentati. La stima relativa ai contenuti pubblicati dopo ChatGPT riguarda inoltre soltanto le pagine per le quali è disponibile una data di pubblicazione. Il Pew Research Center precisa quindi che quel sottoinsieme non rappresenta in modo perfettamente casuale l’intero Web.

Il risultato più significativo della ricerca non è dunque la possibilità di riconoscere automaticamente ogni testo generato dall’AI. È piuttosto la crescita, misurabile su larga scala, di caratteristiche linguistiche associate ai modelli generativi. Per chi pubblica contenuti online, la distinzione è fondamentale: l’originalità e l’affidabilità di un testo non possono essere valutate sulla base di pochi segnali stilistici, ma richiedono fonti verificabili, controllo editoriale e trasparenza sul processo di produzione.