L’essentiel
- Le Pew Research Center a passé près d’un demi-million de pages anglophones issues de Common Crawl au détecteur Open Pangram : environ 10 % portent des marques nettes d’écriture automatique.
- En ne gardant que les pages publiées après la sortie de ChatGPT, la proportion dépasse un tiers, et elle monte sans rupture depuis fin 2022.
- L’écart entre extensions est massif : près de 10 % sur les .com, 4,6 % sur les .org, environ 1 % sur les .edu et les .gov.
- Le tiret cadratin apparaît deux fois plus souvent qu’en 2023 et l’usage de la virgule de série a progressé de 63 %.
Personne n’écrit pour Common Crawl. Cette archive ouverte, où presque tous les grands modèles de langage puisent leur corpus d’entraînement, vient pourtant de servir de terrain de mesure au Pew Research Center : près d’un demi-million de pages web anglophones passées au détecteur Open Pangram.
Une page sur dix porte des marques d’écriture automatique. En ne conservant que celles mises en ligne après la sortie de ChatGPT, le compte dépasse un tiers. Ces pages ont une particularité : elles seront lues par des machines bien avant de l’être par un lecteur.
Un détecteur qui répond par oui ou par non
Open Pangram tranche de façon binaire : humain ou machine. Il ne dit ni quelle part du texte a été produite par un modèle, ni à quel moment celui-ci est intervenu. Or une page générée d’un bloc, un brouillon humain repassé au modèle et un article où la machine a écrit trois phrases de liaison n’ont pas grand-chose en commun. Les trois ressortent avec la même étiquette.
Une autre mesure, publiée en avril 2026 par Imperial College London, l’Internet Archive et Stanford, donne un ordre de grandeur voisin : environ 35 % des sites nouvellement publiés seraient générés en tout ou partie par une IA. Les mêmes auteurs relèvent une diversité sémantique en recul et une tonalité nettement plus positive. Deux protocoles différents, un même palier : la frontière entre écriture humaine et écriture assistée résiste à la mesure fine, l’ordre de grandeur, lui, ne bouge pas.
Dix fois plus d’IA sur le .com que sur le .edu
La ventilation par extension est la partie la plus exploitable de l’étude. Les domaines commerciaux affichent près de 10 % de pages marquées, les .org 4,6 %, les .edu et les .gov environ 1 % chacun. Le web marchand est dix fois plus concerné que celui des universités et des administrations.
L’écart tient aux incitations. Une page commerciale existe pour être trouvée, et le volume y a toujours été un avantage compétitif. Une page universitaire ou administrative passe par une chaîne de validation lente, indifférente au rythme de publication. La génération automatique s’est installée là où la vitesse payait.
Un corpus assemblé à partir de Common Crawl hérite de cette géographie : l’archive est massivement peuplée de .com, donc des pages les plus touchées. Les .edu, à 1 %, ne pèseront jamais assez pour compenser le reste.
Les tics de style deviennent la moyenne du web
Pew a aussi compté les marqueurs. Le tiret cadratin apparaît environ deux fois plus souvent qu’en 2023, l’usage de la virgule de série a bondi de 63 %, et un lexique reconnaissable (delve, interplay, pivotal, landscape, tapestry, meticulous, vibrant) a plus que doublé. Les parallélismes négatifs du type « it’s not just X, it’s Y » ont presque triplé, tout en restant rares en valeur absolue ; dans les communiqués d’entreprise, une autre étude les voit quadrupler depuis 2022.
Un modèle entraîné sur ce web apprend ces marqueurs comme la norme de l’anglais écrit, et les détecteurs bâtis sur les mêmes marqueurs perdent leur pouvoir discriminant à mesure que les auteurs humains les adoptent par mimétisme. Marquer l’origine dès la production devient alors l’un des rares signaux qu’un crawl ne peut pas recalculer après coup. Google appose déjà un filigrane, SynthID, sur le texte sorti de l’application Gemini, quand la coalition C2PA, qui réunit Adobe, Google, Meta, Microsoft et OpenAI autour d’un standard de traçabilité, mise sur des métadonnées signées attachées au fichier. Aucune des deux ne couvre les pages écrites avec un modèle tiers ou installé en local, c’est-à-dire l’essentiel de ce que ramasse un crawl.
La pente fait basculer le .com autour de 2027
La série de Pew monte sans rupture depuis fin 2022, et Common Crawl continue d’empiler des instantanés mensuels. Si la pente se prolonge, la majorité des pages .com nouvellement publiées portera des marques d’IA quelque part entre mi-2027 et 2028. Rien n’oblige la courbe à tenir : elle peut céder si les détecteurs progressent, si un standard de provenance s’impose, ou si les grands sites marchands changent de méthode de production.
Les laboratoires, eux, arbitreront avant. Les leviers sont connus : dater strictement les corpus et réserver le web d’avant fin 2022 à certaines couches d’entraînement, pondérer par extension de domaine, acheter du contenu sous licence plutôt que de ramasser du .com au kilo. Les fiches de modèles diront quand l’arbitrage a été rendu : une pondération par domaine ou une coupure de date annoncée noir sur blanc actera que la question est devenue un problème d’ingénierie.
La date et le domaine suffisent à protéger un corpus
Côté publication, les marqueurs comptés par Pew sont devenus la moyenne du web anglophone : les traquer ne dit plus rien de l’origine d’un texte. Les fuir mécaniquement appauvrit l’écriture, les empiler la banalise. Le travail utile pour un site est ailleurs : mesurer ce que ses propres archives contiennent, page par page, avant qu’un tiers ne le fasse à sa place avec un outil approximatif.
Côté indexation, la règle à câbler dès maintenant dans un pipeline de RAG (un modèle qui va chercher ses réponses dans une base documentaire avant de répondre) ou de fine-tuning tient à deux champs : la date de publication et l’extension du domaine. Conserver aujourd’hui des instantanés datés d’un corpus propre coûte quelques téraoctets ; le racheter en 2028 coûtera bien davantage. Et sur un texte isolé, le verdict d’un détecteur ne vaut rien : Pew raisonne sur 500 000 pages, pas sur la vôtre.
Le compteur repassera sur les mêmes pages l’an prochain. Le chiffre à lire se trouvera du côté des .edu et des .gov, pas dans la moyenne du web entier, trop diluée par l’archive ancienne. Si ces deux domaines quittent leur plancher de 1 %, le corpus perdra sa dernière zone témoin, et les modèles suivants s’entraîneront sans point de comparaison humain.
Mon avis
La contamination du corpus m’inquiète moins que la contamination du jugement. Je vois déjà des rédactions proscrire le tiret cadratin et la virgule de série pour ne pas « sonner IA », donc s’appauvrir volontairement devant un outil incapable de dire quelle part d’un texte vient d’un modèle. Mon pronostic pour 2027 : les laboratoires régleront leur problème avec de la datation, de la pondération et des licences, et leurs modèles s’en porteront très bien ; les auteurs humains, eux, écriront moins bien pendant deux ans par peur d’être pris pour des machines.
