Um estudo identificou que aproximadamente um terço de todas as páginas web publicadas desde novembro de 2022, quando o ChatGPT foi lançado, apresenta características de autoria ou edição por inteligência artificial. A análise examinou padrões linguísticos e estruturais típicos de texto gerado por modelos de linguagem em milhões de páginas indexadas.
A pesquisa não diferencia entre conteúdo totalmente gerado por IA e texto humano editado por ferramentas como ChatGPT, Claude ou outros LLMs. O percentual representa uma mudança significativa na composição da web em menos de quatro anos, considerando que antes de 2022 esse tipo de conteúdo era praticamente inexistente.
O modelo do ano que vem treina no texto do modelo de hoje
Para quem treina modelos ou constrói sistemas de RAG, isso complica a curadoria de dados. Um terço da web recente potencialmente contém viés e padrões de LLMs anteriores, o que pode contaminar bases de treinamento e criar loops de degradação. Se você raspa conteúdo para alimentar agentes ou assistentes, precisa filtrar ou validar origem com mais rigor.
Para aplicações que dependem de busca e indexação, a qualidade média do conteúdo disponível provavelmente caiu. Páginas geradas em massa por IA tendem a ser genéricas, repetitivas e menos confiáveis como fonte de verdade. Isso afeta diretamente a precisão de sistemas que buscam informação na web para responder perguntas ou tomar decisões.
O lado prático: se você vende serviços de conteúdo gerado por IA, seus clientes competem num mar onde 33% já faz o mesmo. A diferença não está mais em usar IA, mas em como você valida, edita e agrega valor humano real ao output. Conteúdo puro de LLM virou commodity.