O Pew Research Center reuniu quase meio milhão de páginas em inglês do arquivo Common Crawl, coletadas entre janeiro de 2021 e julho de 2026, e passou o texto delas por um detector de autoria de máquina, o Open Pangram. Na amostra de julho de 2026, 10% de todas as páginas mostravam sinais significativos de autoria de IA. Filtrando a amostra para incluir só páginas publicadas depois do lançamento do ChatGPT, o índice passa de um terço.
A distribuição é desigual por tipo de endereço. Cerca de uma em cada dez páginas de domínio .com traz sinais de autoria de IA, contra 4,6% nos .org e algo perto de 1% nos .edu e nos .gov, ou seja, dez vezes menos em sites de instituições de ensino e de governo. Quando o ChatGPT foi lançado, os quatro grupos apareciam em patamares semelhantes: a diferença é recente e cresce onde há incentivo comercial para publicar volume.
As marcas que o texto deixa
Comparando a web de hoje com um retrato de 2023, o Pew encontrou padrões que ficaram bem mais comuns. O travessão aparece cerca de duas vezes mais. Palavras de que os modelos gostam, como delve, interplay e testament, mais que dobraram de frequência. O paralelismo negativo, aquela construção do tipo não é só X, é Y, quase triplicou, embora siga raro em números absolutos. Os modelos também recorrem mais que humanos à vírgula de Oxford e a listas de três itens.
Vale dizer que nenhum desses sinais condena um texto sozinho: gente também usa travessão, e o próprio Pew faz questão de registrar isso. Aqui na casa o travessão é proibido no texto publicado por decisão de estilo, e um script roda antes de todo build para garantir. A regra não existe para despistar detector, existe porque a pontuação escolhida é parte da voz de um veículo.
O que o estudo não consegue dizer
O limite mais sério é conceitual, e o Pew não esconde. Detectores erram nos dois sentidos, e nenhum deles distingue o texto totalmente gerado por máquina do rascunho humano revisado por um modelo, ou do parágrafo em que a IA entrou por duas frases. O editor do the-decoder, que testou a ferramenta em centenas de textos próprios, descreve o resultado como um palpite grosseiro sobre quem escreveu, sem indicação de quanto e em que etapa. São formas de trabalhar muito diferentes, e o número as trata como uma coisa só.
O segundo limite interessa em especial a quem lê daqui: o levantamento cobre apenas páginas em inglês. Não há, por ora, medida equivalente para a web em português, e não dá para transportar o percentual sem apuração própria.
A leitura da casa é que a pergunta está mal formulada. Saber se um texto passou por um modelo diz pouco sobre ele valer a leitura. O que separa página útil de lixo indexado é o que já separava antes: fato verificável, fonte com link, alguém que assume a responsabilidade pelo erro. É por isso que cada matéria daqui carrega selo de origem e a lista de fontes, e não uma declaração sobre qual ferramenta foi usada para escrever.
