L’IA a édité ou généré 35% des pages web anglophones publiées depuis novembre 2022

Dans quelle proportion des textes sur internet l’IA est-elle intervenue? Une nouvelle étude américaine estime que depuis novembre 2022, 35% des nouvelles pages web anglophones ont été éditées ou générées artificiellement par des grands modèles de langage (LLM).

Il n’y a pas si longtemps, en novembre 2022, l’entreprise Open AI présentait son outil ChatGPT au grand public. Aujourd’hui, beaucoup d’entre nous utilisent régulièrement des LLM (Large Language Model) – des IA conçues pour comprendre, analyser et générer du texte de type humain – comme ChatGPT, Claude ou encore Gemini. L’acceptation rapide de ces nouveaux outils a incité les chercheurs et chercheuses à s’interroger sur la quantité de contenus textuels générés par IA.

Une équipe de recherche américaine du Pew Research Center a donc décortiqué des contenus web anglophones entre 2021 et 2026 pour connaître la part représentée par les contributions textuelles d’outils comme ChatGPT. Les scientifiques ont analysé 490’000 pages issues d’archives numériques (Common Crawl) en les soumettant à un outil de détection, Open Pangram, qui repère les tournures et constructions de phrase spécifiques des LLM.

Environ 10% de l’internet anglophone est généré artificiellement

A ce stade, 10% des contenus analysés ont été générés par l’IA, selon l’étude publiée le 20 août, ce qui peut paraître assez peu. Sauf que l’analyse a porté sur un ensemble de contenus borné entre 2021 et 2026. Pour une part non négligeable d’entre eux, ils ont donc été mis en ligne avant le lancement des LLM.

Par contre, une fois l’analyse focalisée sur ce qui a été mis en ligne depuis novembre 2022, à la suite du lancement de ChatGPT, plus d’un tiers du contenu (35%) présente des traces d’écriture ou d’édition par des LLM. Depuis, la courbe est clairement exponentielle. Cette part devrait d’ailleurs continuer à augmenter progressivement.

L’analyse englobe la génération complète et la simple coécriture humain-IA (textes rédigés par des humains mais largement édités, reformulés ou optimisés pour les moteurs de recherche). Les sites commerciaux en .com sont nettement plus touchés que les sites gouvernementaux (.gov) ou éducatifs (.edu). Et seulement 10% à 15% des pages web du corpus analysé possèdent une balise de date lisible dans leur code HTML. Ce sous-groupe de pages « datées » n’est pas représentatif de l’intégralité du web. 

Vers l’artificialisation totale?

Est-ce qu’un jour, l’essentiel de l’internet mondial pourrait être réalisé uniquement par de l’IA? Ce scénario est envisagé indépendamment de l’étude du Pew Research Center. Certains évoquent la possibilité d’un modèle autophage, c’est-à-dire un système qui s’auto-alimente, avec des IA qui génèrent du contenu sur la base de contenus eux-mêmes générés par des IA, sans plus aucune intervention humaine.

Le résultat pourrait alors être l’effondrement même du modèle, ou surtout la fin de la fiabilité de l’information, car les LLM fonctionnent comme d’énormes moteurs de prédiction statistique, sur la probabilité qu’un mot suive un autre. Avec des IA qui génèrent des textes sur la base de textes eux-mêmes générés par des IA, le tout en répétition, dans une boucle infinie, les finesses culturelles, les traits spécifiques et les nuances sémantiques pourraient tendre à la disparition.

Surtout, sans opérateur humain pour nourrir les LLM, l’émergence de la nouveauté au fil de l’histoire, le déroulement du présent, de la plus simple actualité aux phénomènes sociaux ou environnementaux les plus complexes, est imperceptible pour des LLM.

Ils ne fonctionnent encore, pour l’heure, que cloisonnés dans leurs écosystèmes digitaux – les LLM n’ont pas (encore) d’organes sensoriels pour faire l’expérience du monde physique –, à l’aide de textes numériques venant nécessairement du passé. Même avec des modèles connectés à internet en temps réel, les LLM dépendent toujours d’un humain qui a déjà écrit sur un événement ou un phénomène nouveau pour pouvoir en « reparler ». Les LLM sont donc structurellement en retard sur le présent.

World Opinion + Agences