Quanto da internet já é escrita por inteligência artificial?

Em novembro de 2022, o ChatGPT colocou a escrita automática nas mãos de milhões de pessoas. Desde então, textos para blogs, lojas, notícias, fóruns e páginas institucionais passaram a ser produzidos, revisados ou traduzidos com modelos de linguagem. Para entender essa virada, vale conhecer também como funciona a inteligência artificial generativa.

A pergunta parece simples, mas envolve várias medidas. Quantas páginas têm texto gerado por IA? Quantas receberam apenas uma edição automatizada? A resposta depende do idioma, do tipo de site e do conjunto de páginas observado. Uma análise do Pew Research Center ajuda a separar impressão, evidência e limite metodológico.

O estudo examinou quase 490 mil páginas em inglês coletadas no Common Crawl, com amostras entre janeiro de 2021 e julho de 2026. Em uma amostra aleatória de 10 mil páginas capturadas em julho de 2026, 10% mostraram sinais significativos de autoria por IA. Entre páginas publicadas depois do lançamento do ChatGPT, a proporção passou de um terço.

Mais de um terço das páginas publicadas depois do lançamento público do ChatGPT apresentou sinais de autoria ou edição substancial por inteligência artificial. O número vem de uma análise do Pew Research Center sobre páginas em inglês. Ele descreve uma amostra específica, não uma contagem de toda a internet.

Segundo o Pew Research Center, 35% das páginas publicadas após novembro de 2022 mostraram sinais significativos de autoria por IA na amostra de julho de 2026. O estudo também encontrou sinais em 10% de todas as páginas observadas, porque esse grupo incluía conteúdos antigos.

A diferença entre os dois números é decisiva. Uma página publicada em 2018 não poderia ter sido criada pelo ChatGPT, que foi lançado em 2022. Quando páginas antigas entram no cálculo, elas reduzem naturalmente a proporção geral. Quando o recorte considera apenas páginas posteriores, a presença estimada de IA cresce bastante.

Ainda assim, “escrita por IA” não significa necessariamente texto produzido do primeiro ao último parágrafo por um chatbot. O detector pode apontar uma página em que alguém gerou o rascunho inteiro. Também pode identificar uma reportagem traduzida, um texto reescrito ou uma publicação editada com assistência automática.

Essa distinção aparece na própria cobertura do estudo. A matéria da TechCrunch descreve o resultado como páginas “escritas” ou “substancialmente editadas” por IA. São situações diferentes para quem quer avaliar autoria, responsabilidade editorial e qualidade.

Imagine um especialista que escreve os dados, pede ao modelo para reorganizar os parágrafos e corrige tudo depois. O resultado tem participação de IA, mas preserva experiência, apuração e decisão humana. Agora imagine cem páginas criadas a partir do mesmo prompt, sem revisão. O detector pode encontrar sinais semelhantes, embora o impacto para o leitor seja outro.

Por isso, o número de 35% deve ser lido como estimativa de presença de sinais. Ele indica uma mudança grande na produção recente da web. Não permite afirmar que 35% dos textos foram integralmente gerados por máquinas, nem que todos tenham baixa qualidade.

A análise também não inclui automaticamente redes sociais fechadas, documentos internos, páginas não capturadas ou conteúdos em outros idiomas. Como o estudo trabalha com páginas disponíveis no Common Crawl, a fotografia depende do que foi arquivado e de como a amostra foi construída.

Os pesquisadores analisaram padrões estatísticos de linguagem para estimar se uma página provavelmente foi escrita ou editada por IA. O modelo observou palavras, frases, estruturas e escolhas de pontuação mais comuns em textos produzidos por modelos. O resultado é probabilístico, portanto pode conter falsos positivos e falsos negativos.

O Pew Research Center usou o Open Pangram sobre textos coletados do Common Crawl. A ferramenta não consulta o histórico de edição de cada site. Ela compara características linguísticas do documento com padrões aprendidos em textos associados a modelos de linguagem.

Em grandes volumes, certos sinais aparecem com mais frequência. O estudo observou que travessões longos ficaram cerca de duas vezes mais comuns, vírgulas de Oxford cresceram 63% e palavras associadas ao vocabulário típico de IA mais que dobraram em relação a 2023. Esses sinais ajudam no agregado, mas não condenam um texto isolado.

Uma pessoa pode usar travessões, escrever listas de três itens ou preferir palavras como “adicionalmente” e “significativo”. Um editor pode padronizar a pontuação de uma redação inteira. Um tradutor automático pode alterar a distribuição das frases sem que o conteúdo original tenha sido criado por IA.

O estudo acadêmico The Impact of AI-Generated Text on the Internet adotou outra estratégia. Os autores testaram quatro métodos de detecção, fizeram verificações de consistência e escolheram o Pangram v3 para a análise principal. O trabalho estimou que 35% dos sites publicados até meados de 2025 eram gerados ou assistidos por IA.

As metodologias não são idênticas. O Pew usou quase 490 mil páginas em inglês, enquanto a pesquisa acadêmica buscou uma amostra representativa de páginas arquivadas pela Wayback Machine. A análise da Ahrefs também estudou um conjunto próprio de páginas e encontrou 74% de novas páginas com algum conteúdo classificado como IA.

Como comparar esses números? Com cuidado. Cada estudo define “conteúdo de IA” de um jeito, usa bases diferentes e aplica critérios próprios para amostragem. Eles apontam para uma direção semelhante, crescimento forte da participação de IA, mas não formam uma medição única da internet.

Detectores trabalham melhor como instrumentos de pesquisa, auditoria e triagem. Eles ajudam a enxergar tendências em milhares de documentos. Para decidir se uma pessoa plagiou, fraudou uma avaliação ou publicou informação falsa, é preciso evidência adicional. Histórico de versões, fontes, entrevistas e revisão editorial oferecem contexto que um classificador não tem.

A presença de sinais de IA varia bastante conforme o domínio. Na amostra do Pew, páginas .com apresentaram a maior frequência recente, enquanto sites .org ficaram abaixo e domínios .edu e .gov tiveram taxas muito menores. O resultado mostra concentração por tipo de endereço, mas não explica sozinho as razões.

Em janeiro de 2026, o Pew Research Center encontrou sinais em 9,35% das páginas .com, 4,59% das .org, 1,03% das .edu e 0,76% das .gov. A TechCrunch resumiu a diferença dizendo que .com tinha taxa próxima de dez vezes a observada em .edu e .gov.

O domínio .com reúne empresas, lojas, blogs comerciais, páginas de afiliados, serviços e muitos sites que dependem de tráfego. Esse grupo tem incentivos claros para publicar em escala. Ainda assim, não dá para concluir que toda página comercial usa IA ou que todo conteúdo educacional é escrito por humanos.

Também há diferenças dentro de cada categoria. Uma loja pode usar IA para descrições de produtos e manter uma equipe humana em guias técnicos. Um jornal pode empregar automação em resultados esportivos, mas produzir reportagens com apuração própria. Um órgão público pode publicar textos padronizados, que confundem classificadores mesmo sem geração automática.

O recorte geográfico e linguístico importa. O Pew observou páginas em inglês disponíveis no Common Crawl. Isso exclui uma parcela enorme de sites em português, espanhol, hindi, mandarim e outros idiomas. A experiência de quem navega na web brasileira não pode ser estimada diretamente a partir dessa base.

O dado mais seguro é a existência de uma distribuição desigual. O estudo não fornece uma tabela completa por setor, assunto, empresa ou formato editorial. Portanto, afirmar que notícias têm determinada taxa ou que páginas de comércio eletrônico concentram todo o conteúdo automático iria além da evidência disponível.

Esse cuidado evita uma leitura simplista. A IA pode estar presente em uma página institucional bem revisada e ausente em um texto ruim escrito manualmente. A origem do texto ajuda a formular perguntas, mas não substitui a avaliação do que foi publicado. Afinal, quem se beneficia de uma informação correta: o detector ou o leitor?

Para profissionais de dados, a lição é conhecida. Antes de comparar percentuais, defina a população, a unidade de análise, a janela temporal e o classificador. “Internet” pode significar páginas indexadas, sites arquivados, novos URLs ou textos acessíveis a um robô. Sem esse contrato de medição, dois números podem parecer contraditórios e ainda estar corretos dentro de seus próprios escopos.

A internet pode ficar mais homogênea quando muitos produtores usam modelos treinados em padrões semelhantes e aceitam a primeira resposta. A hipótese envolve repetição de estruturas, vocabulário previsível e redução de vozes locais. Há evidência de queda na diversidade semântica, mas os dados ainda não comprovam uma perda geral de diversidade estilística.

O estudo The Impact of AI-Generated Text on the Internet encontrou que, até meados de 2025, o aumento de texto gerado ou assistido por IA esteve associado a menor diversidade semântica e maior presença de sentimento positivo. Os autores não encontraram evidência estatisticamente significativa de queda na precisão factual ou na diversidade estilística.

Essa separação importa. Diversidade semântica trata da variedade de ideias e significados expressos. Diversidade estilística envolve a forma de escrever, como ritmo, registro, escolha de palavras e organização. Um conjunto de textos pode usar estilos variados e, mesmo assim, repetir as mesmas respostas, exemplos e conclusões.

Modelos de linguagem tendem a produzir uma resposta plausível para um pedido comum. Se milhares de produtores perguntam “como começar em análise de dados?”, muitos receberão listas parecidas. O problema cresce quando ninguém acrescenta experiência de campo, dados próprios, exemplos locais ou uma posição editorial clara.

A homogeneização também pode nascer do processo de distribuição. Ferramentas de busca e plataformas recomendam formatos que já funcionam. Empresas observam os concorrentes, replicam os tópicos e usam modelos treinados em textos semelhantes. Em pouco tempo, uma página começa a influenciar a próxima, e o conjunto perde contraste.

Isso não transforma toda assistência automática em conteúdo vazio. Um modelo pode ajudar uma pessoa a organizar uma entrevista, adaptar um texto para leitores com deficiência ou traduzir uma documentação técnica. O efeito depende da tarefa, do controle humano e da contribuição original que entra antes e depois da geração.

A pesquisa acadêmica oferece um alerta, não uma sentença definitiva. Os próprios autores registram resultados que não confirmam todas as preocupações populares. Esse é um bom exemplo de como ler estudos sobre IA: separar correlação de causalidade e observar o que foi medido, em vez de escolher apenas o número mais assustador.

Para preservar diversidade, equipes editoriais podem buscar fontes primárias, entrevistas, dados proprietários, relatos de uso e autores com experiências diferentes. Também podem registrar quando uma ferramenta foi usada e revisar trechos que soam genéricos. O ganho não aparece apenas no estilo. Aparece na capacidade do texto de dizer algo que ainda não está repetido em cem páginas.

AI slop é o conteúdo produzido em grande volume com baixa revisão, pouca originalidade ou utilidade limitada. O termo critica o resultado editorial, não qualquer uso de inteligência artificial. Uma ferramenta pode apoiar pesquisa, edição e acessibilidade. O problema aparece quando a escala vira prioridade e ninguém responde pela qualidade do que foi publicado.

A CNN Brasil descreve “AI slop” como uma expressão associada ao desleixo de conteúdos produzidos por IA. A ideia ganhou força porque imagens, vídeos, textos e páginas automáticas passaram a circular em volume alto, muitas vezes sem contexto, revisão ou contribuição própria.

O fenômeno tem uma lógica econômica. Se uma empresa acredita que cem páginas podem capturar mais buscas do que dez textos bem apurados, a automação reduz o custo de publicação. O resultado pode preencher sites com variações superficiais da mesma resposta, títulos chamativos e referências difíceis de verificar.

Essa estratégia costuma mirar mecanismos de busca, anúncios, afiliados e tráfego de redes sociais. Nem toda página criada para SEO é AI slop. Um guia produzido com dados originais, revisão de especialistas e atualização contínua pode ser útil, mesmo com auxílio de um modelo.

O que diferencia os casos é a relação entre promessa e entrega. O título promete uma resposta específica, mas o texto repete generalidades. A página cita estudos sem links. Os exemplos parecem inventados. As recomendações ignoram o contexto do leitor. A linguagem flui, porém não ajuda ninguém a tomar uma decisão melhor.

A expressão também funciona como crítica cultural. Ela aponta para uma internet em que o volume de material sintético cresce mais rápido que a capacidade das pessoas de verificar tudo. Quando textos automáticos alimentam novos modelos, erros e clichês podem circular novamente, misturados a informações corretas.

Como escapar desse ciclo? Comece pelo processo. Defina quem será responsável pela apuração, mantenha links para fontes primárias, registre revisões e elimine trechos que não acrescentam informação. Se a IA ajudou a estruturar a pauta, isso pode ser útil. Se substituiu a apuração, a publicação precisa de uma segunda avaliação.

A discussão também interessa a quem trabalha com produto e dados. Métricas como número de URLs e palavras publicadas não medem utilidade. Tempo de leitura, retorno do usuário, correções, buscas internas e resolução da tarefa oferecem sinais melhores. Produzir mais páginas não garante que a web ficou mais informativa.

A melhor forma de avaliar conteúdo produzido com IA é combinar leitura crítica, verificação de fontes e análise do processo editorial. Observe especificidade, coerência, referências, transparência e sinais de revisão humana. Um detector pode orientar a investigação, mas não deve ser tratado como prova isolada de autoria automática.

A Ahrefs afirma que detectores enfrentam dificuldades com textos parcialmente editados, conjuntos de treinamento estreitos e ferramentas que tentam “humanizar” a escrita. A empresa recomenda não usar esse tipo de sistema sozinho em decisões graves, mesmo quando ele oferece dados úteis para marketing.

Comece pelas fontes. O texto apresenta documentos, pesquisas, entrevistas ou páginas oficiais? Os links abrem e sustentam a afirmação? Uma referência real pode estar sendo usada para apoiar uma conclusão que ela nunca apresentou. Conferir a fonte é mais trabalhoso que observar o estilo, mas produz evidência melhor.

Depois, procure especificidade. Conteúdo fraco costuma falar em benefícios amplos sem mostrar contexto, limites ou exemplos verificáveis. Um texto sobre um projeto de dados deveria explicar quais dados foram usados, quais métricas importaram e onde o método falhou. Detalhes concretos revelam trabalho editorial ou ausência dele.

Também vale observar consistência. As definições permanecem iguais ao longo do texto? Os números fecham? As conclusões respondem à pergunta inicial? Modelos podem construir parágrafos bem formados e, ainda assim, misturar conceitos, inventar relações ou trocar a unidade de medida no meio da explicação.

A transparência ajuda. Sites podem informar quando usam automação em tradução, resumo, descrição de produto ou geração de rascunho. Essa informação não resolve todos os problemas, mas dá ao leitor uma pista sobre como interpretar o material e quem deve responder por eventuais erros.

Em uma equipe, a auditoria pode incluir comparação com versões anteriores, histórico de commits, registros de prompts, fontes consultadas e revisão por especialista. Não é necessário publicar cada detalhe operacional. É preciso manter evidências suficientes para explicar como uma afirmação entrou no texto.

E os sinais linguísticos? Eles podem levantar uma hipótese. Frases muito genéricas, listas simétricas, repetições e transições previsíveis merecem revisão. Porém, estilo não identifica autoria com certeza. Um escritor humano pode adotar o mesmo padrão, enquanto um modelo bem editado pode não deixar marcas óbvias.

A pergunta mais útil não é apenas “foi IA?”. Pergunte se o conteúdo é correto, relevante, original e responsável. Um texto assistido por modelo pode passar nesses critérios. Um texto totalmente humano pode falhar em todos. A origem interessa, mas a decisão editorial deve considerar o que chega ao leitor.

Não existe um percentual único para toda a internet. O Pew encontrou sinais de autoria ou edição substancial por IA em 35% das páginas publicadas após novembro de 2022, dentro de uma amostra de páginas em inglês. A Ahrefs encontrou 74% de novas páginas com algum conteúdo classificado como IA em sua própria análise.

Não há um teste visual definitivo. Verifique fontes, exemplos, consistência, especificidade, referências e transparência editorial. Um classificador pode indicar probabilidade, mas não comprova autoria. O guia do Data Hackers sobre verificação de textos reúne sinais e limitações para essa avaliação.

Eles são úteis para identificar tendências em grandes conjuntos, mas erram em documentos individuais. O Pew reconhece falsos positivos e falsos negativos. A Ahrefs também aponta dificuldades com edição parcial e ferramentas de alteração de estilo. Por isso, a pontuação deve ser combinada com histórico, fontes e revisão humana.

AI slop descreve conteúdo automático produzido em volume, com pouca revisão, baixa originalidade ou utilidade limitada. O termo não significa que toda aplicação de IA seja ruim. Ele critica páginas que priorizam escala, tráfego ou monetização e entregam respostas genéricas, erros factuais e pouca contribuição própria.

O uso de IA, sozinho, não determina a qualidade nem o desempenho de uma página. O risco aparece quando o conteúdo é repetitivo, impreciso, pouco útil ou criado apenas para capturar tráfego. A melhor avaliação combina experiência do leitor, originalidade, fontes verificáveis e capacidade de responder bem à busca.

Os dados indicam que a participação de IA na produção recente da web cresceu muito desde novembro de 2022. Eles também mostram limites: amostras diferentes produzem estimativas diferentes, detectores trabalham com probabilidade e nenhum estudo mediu todos os idiomas e páginas existentes. A discussão precisa sair do binário entre humano e máquina.

O diferencial tende a estar na apuração, na experiência de quem escreve, na transparência sobre ferramentas e na capacidade de oferecer informação original. Um modelo pode acelerar tarefas repetitivas. Ainda cabe a pessoas definir perguntas, verificar fatos, escolher evidências e assumir responsabilidade pelo que foi publicado.

A pesquisa do Pew Research Center encontrou 10% de páginas com sinais significativos de autoria por IA em uma amostra geral de julho de 2026 e mais de um terço entre páginas posteriores ao ChatGPT. O número é grande o bastante para mudar a forma como lemos a web.

Mas a escala não resolve a questão da confiança. Se uma página repete outras, não informa de onde veio e não explica seus limites, pouco importa se foi escrita por uma pessoa ou por um modelo. A qualidade nasce da relação entre evidência, contexto e responsabilidade editorial.

A web também precisa de diversidade. Vozes regionais, relatos de implementação, pesquisas negativas, experimentos que falharam e opiniões bem justificadas ajudam leitores a comparar possibilidades. Quando tudo assume o mesmo tom neutro, a informação pode parecer clara, mas perde textura e capacidade de representar experiências diferentes.

Para quem produz conteúdo, a regra prática é simples: use IA onde ela economiza trabalho sem apagar a contribuição humana. Revise números, preserve links, acrescente exemplos próprios e deixe claro quando uma automação alterou o material. Para quem lê, desconfie de certezas fáceis e siga as fontes até a origem.

Quer acompanhar discussões sobre dados, inteligência artificial e tecnologia sem depender de conteúdo genérico? Inscreva-se na newsletter do Data Hackers para receber análises e novidades diretamente no seu e-mail.