Un tiers des nouvelles pages web sont écrites par l’IA : le web a basculé

Le web a franchi un seuil symbolique : plus d’un tiers des pages publiées depuis fin 2022 montrent des signes d’écriture par intelligence artificielle, selon une vaste étude du Pew Research Center. Une transformation qui redéfinit la création de contenu en ligne et pose des questions inédites sur la qualité, la confiance et l’avenir du web.

490 000 pages passées au crible : l’ampleur de la transformation

Le 20 août 2026, le Pew Research Center a publié l’une des analyses les plus ambitieuses jamais réalisées sur la présence de l’IA dans le contenu web. L’équipe de Data Labs a examiné près de 490 000 pages web anglophones issues de l’archive Common Crawl, couvrant la période de janvier 2021 à juillet 2026. Leur objectif : répondre à une question que tout le monde se pose depuis l’explosion de ChatGPT : quelle part du web est désormais écrite par des machines plutôt que par des humains ?

La méthodologie s’appuie sur Open Pangram, un modèle de détection spécialisé capable d’identifier les signatures stylistiques caractéristiques des textes générés par IA. Les chercheurs ont analysé 10 000 pages par cycle de collecte de Common Crawl, soit 49 cycles au total, pour obtenir un échantillon représentatif du web anglophone.

Le verdict est sans appel : 10% de l’ensemble des pages analysées en juillet 2026 présentent des signes significatifs d’écriture ou d’édition par intelligence artificielle. Mais ce chiffre global masque une réalité bien plus frappante : lorsqu’on isole uniquement les pages publiées après novembre 2022 — date du lancement public de ChatGPT — la proportion grimpe à plus de 35%.

Une géographie inégale : les .com en première ligne

L’étude révèle des disparités considérables selon les types de domaines. Les sites commerciaux en .com concentrent l’essentiel du phénomène, avec environ 10% de leurs pages marquées par l’IA. C’est un taux dix fois supérieur à celui observé sur les domaines éducatifs (.edu) et gouvernementaux (.gov), qui plafonnent autour de 1%.

Les domaines en .org occupent une position intermédiaire avec 4,6% de pages présentant des traces d’IA. Cette répartition dessine une cartographie claire : le contenu IA prolifère d’abord dans les espaces commerciaux, là où la pression à produire du volume pour attirer du trafic est la plus forte.

Selon les analyses croisées de plusieurs sources, cette concentration sur les domaines commerciaux s’explique par la course au référencement. Les « fermes de contenu » — sites produisant massivement des articles optimisés pour Google — ont été parmi les premiers adopteurs massifs de l’IA générative, cherchant à automatiser la production pour maximiser les revenus publicitaires.

Les marqueurs invisibles qui trahissent les machines

Comment détecter qu’un texte a été écrit par une IA ? L’étude du Pew Research identifie plusieurs « tics » linguistiques révélateurs. Le plus surprenant : l’usage du tiret cadratin (—) apparaît environ deux fois plus fréquemment dans les textes générés par IA que dans le contenu humain. Cette marque de ponctuation, peu utilisée dans l’écriture web informelle, fait partie du « style » appris par les modèles de langage.

D’autres indices incluent une diversité lexicale particulière, l’utilisation de la virgule avant les conjonctions de coordination dans les énumérations (virgule d’Oxford), et certaines tournures de phrases caractéristiques. Comme le souligne un analyste cité par Les Actus du Net : « Ce ne sont pas des blogs obscurs perdus au fond du classement Google, c’est une bonne partie du web que vous lisez tous les jours. »

Toutefois, les experts rappellent que ces détecteurs ne sont pas infaillibles. Des études récentes montrent que les outils de détection d’IA peuvent afficher des taux de faux positifs significatifs, identifiant parfois du contenu humain comme généré par machine, et inversement.

Implications pour les créateurs : menace ou opportunité ?

Pour les professionnels de la création de contenu, ces chiffres confirment une transformation déjà ressentie sur le terrain. « La pression à la baisse sur les tarifs de rédaction web est réelle », constate un rédacteur freelance interrogé par BFM Tech. « Les clients savent qu’ils peuvent obtenir un premier jet avec ChatGPT en quelques minutes. »

Pourtant, plusieurs analyses suggèrent un « paradoxe de la productivité IA » : plus le web se remplit de contenu générique généré automatiquement, plus le contenu humain authentique, approfondi et vérifié prend de la valeur. Une étude portant sur 331 000 pages web montre que seulement 14% des articles qui rankent dans Google sont générés par IA, et cette proportion diminue encore pour les premières positions.

« Google ne pénalise pas le contenu IA en tant que tel, il pénalise le mauvais contenu », explique un expert SEO cité par Search Engine Journal. « L’origine — humaine ou machine — importe moins que l’utilité réelle pour l’utilisateur. » Cette distinction est cruciale : l’IA peut produire du contenu de qualité si elle est correctement supervisée, éditée et enrichie par une expertise humaine.

La boucle récursive : quand l’IA apprend de l’IA

Un enjeu moins visible mais potentiellement majeur émerge de cette transformation : les futures générations d’IA seront entraînées sur un web contenant de plus en plus de contenu… généré par IA. Cette « boucle récursive » pose un problème de dégénérescence du modèle : les intelligences artificielles apprenant d’autres IA risquent de perdre en originalité, de reproduire et d’amplifier les biais existants.

Plusieurs chercheurs en apprentissage automatique ont déjà alerté sur ce phénomène de « pollution des données d’entraînement ». Si le web devient majoritairement synthétique, les modèles futurs pourraient manquer de la diversité et de l’ancrage dans l’expérience humaine réelle qui font la richesse du langage.

Cette perspective soulève une question stratégique pour les entreprises d’IA : comment garantir l’accès à du contenu humain authentique pour entraîner les prochaines générations de modèles ? On voit déjà émerger des partenariats entre OpenAI, Google et des éditeurs de presse pour sécuriser l’accès à du contenu journalistique vérifié.

Vers un web à deux vitesses ?

L’analyse du Pew Research dessine les contours d’un futur web potentiellement segmenté. D’un côté, un web « commoditisé » où le contenu générique — fiches produits, tutoriels basiques, actualités reformulées — serait massivement automatisé et fourni à coût marginal quasi-nul. De l’autre, un web « premium » où le contenu humain certifié, l’investigation approfondie, l’analyse experte conserveraient une valeur élevée.

Cette bifurcation rappelle l’évolution du marché alimentaire avec l’émergence du bio : face à l’industrialisation massive, une demande pour l’authentique et le traçable s’est structurée. Plusieurs initiatives explorent déjà des « labels » de contenu humain certifié, utilisant la blockchain ou d’autres technologies de vérification.

« La vraie question n’est pas ‘IA ou humain’ mais ‘contenu utile ou spam’ », résume un analyste du secteur. « Les plateformes et régulateurs devraient se concentrer sur des critères de qualité objectifs plutôt que sur l’origine du contenu. »

Questions ouvertes et perspectives

Cette étude, malgré son ampleur, laisse plusieurs questions en suspens. La méthodologie de détection, bien que robuste, n’est pas infaillible. Les modèles d’IA évoluent rapidement et apprennent à « masquer » leurs signatures caractéristiques. À l’inverse, des rédacteurs humains peuvent adopter des styles que les détecteurs identifient comme artificiels.

L’impact sur la désinformation reste à mesurer précisément. Si l’IA facilite la production de contenu trompeur à grande échelle, elle offre aussi des outils de fact-checking automatisé. La course entre génération et détection s’accélère.

Pour les prochains mois, plusieurs développements sont attendus : Google devrait clarifier sa position sur le contenu IA lors de futures conférences, les régulateurs européens commenceront à appliquer les obligations de transparence de l’AI Act, et de nouvelles études affineront notre compréhension de cette transformation.

Une certitude émerge : le web de 2026 n’est déjà plus celui de 2022. La frontière entre création humaine et synthétique devient floue, et notre rapport à l’information en ligne doit s’adapter. Développer un esprit critique renforcé, vérifier les sources, privilégier les médias de confiance : ces réflexes, toujours importants, deviennent essentiels dans un web où un tiers du contenu naît d’algorithmes.

La question n’est plus de savoir si l’IA va transformer le web, mais comment nous allons collectivement définir ce qui fait la valeur d’un contenu — quelle que soit son origine.