Pew Research Center przepuścił przez detektor 490 tysięcy anglojęzycznych stron zebranych przez Common Crawl między styczniem 2021 a lipcem 2026 roku. W próbce z lipca ślady autorstwa lub redakcji przez sztuczną inteligencję nosiła co dziesiąta strona, a wśród materiałów opublikowanych po premierze ChatGPT odsetek sięgnął ponad jednej trzeciej.
Kluczowe fakty:
- Pew Research Center przeanalizował 490 tysięcy anglojęzycznych stron zebranych przez Common Crawl między styczniem 2021 a lipcem 2026 roku – w próbce z lipca ślady autorstwa AI nosiła co dziesiąta strona, a wśród materiałów opublikowanych po premierze ChatGPT odsetek ten przekroczył jedną trzecią.
- Do wykrywania treści generowanych przez AI użyto otwartowagowego modelu editlens_Llama-3.2-3B (Open Pangram), który zwraca wynik od 0 do 1 – za próg „znaczących śladów" AI przyjęto wartość 0,2.
- Wiarygodność wyników sprawdzono, przepuszczając 62 370 stron przez komercyjny model Pangram 3.3 – oba detektory zgodziły się w 96 procentach przypadków, a współczynnik kappa Cohena wyniósł 0,61.
Badanie ukazało się 20 sierpnia 2026 roku i jest pierwszym tak dużym pomiarem wykonanym przez ośrodek, który zwykle zajmuje się sondażami opinii publicznej, nie skanowaniem archiwów sieci. Autorem analizy jest Samuel Bestvater, starszy analityk danych w Data Labs, zespole zajmującym się w Pew badaniami obliczeniowymi.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Jak liczono ślady maszyny w tekstach
Metoda jest prosta w opisie i dość brutalna w wykonaniu. Badacze wylosowali po 10 tysięcy anglojęzycznych stron z każdego z 49 zrzutów sieci wykonanych przez Common Crawl, co dało dokładnie 490 tysięcy dokumentów. Z każdego wyciągnięto sam tekst, bez kodu HTML, obrazów i osadzonych materiałów, a następnie przepuszczono go przez model editlens_Llama-3.2-3B, czyli otwartowagowy detektor Pangram znany jako Open Pangram.
Model zwraca wynik od 0 do 1. Zero oznacza tekst w całości ludzki, jedynka materiał wygenerowany maszynowo od pierwszego do ostatniego zdania. Pew ustawił próg na 0,2 i wszystko powyżej uznał za znaczące ślady autorstwa albo redakcji przez model.
Tu zaczyna się pierwszy problem, którego badacze wcale nie ukrywają. „Modele wykrywające AI nie są doskonałe” / „AI detection models aren’t perfect”, piszą wprost, dodając, że potrafią pomylić się w obie strony. Dlatego wynik dla pojedynczej strony nie jest wyrokiem, a sens ma dopiero agregat.
Żeby sprawdzić, czy cały obraz nie zależy od wyboru narzędzia, zespół przepuścił dodatkowo 62 370 stron z siedmiu zrzutów przez komercyjny model Pangram 3.3. Detektory zgodziły się w 96 procentach przypadków, a współczynnik kappa Cohena wyniósł 0,61. Zbieżność przyzwoita, choć nie idealna, i to właśnie ona ratuje arbitralnie wyglądający próg 0,2.
Dlaczego 10 procent i 35 procent to dwie różne opowieści
Dziesięć procent brzmi łagodnie. Ale losowa próbka z lipca 2026 zawiera ogromną masę stron, które fizycznie nie mogły zostać napisane przez model, bo powstały przed listopadem 2022 roku. Sieć jest archiwum, nie strumieniem świeżych publikacji.
Pew odfiltrował więc stare materiały, korzystając z pola daty publikacji zapisanego w kodzie strony. I tu leży druga słabość badania, którą autorzy również przyznają: datę w kodzie ma zaledwie 10 do 15 procent stron w każdej próbce, a ten podzbiór nie jest losową reprezentacją sieci. Wynik 35 procent mówi o datowanych stronach widocznych dla archiwum, nie o wszystkich nowych publikacjach w internecie.
Zbiega się jednak z niezależnym pomiarem. Praca „The Impact of AI-Generated Text on the Internet” (Dolezal i inni, 2026) sięgnęła po dane Internet Archive, użyła innej metody i wyszła na tych samych 35 procentach nowo publikowanych witryn z tekstem generowanym lub współtworzonym przez AI. Dwie różne drogi, ten sam numer. To już nie przypadek.
Do tego dochodzi kontekst, który AIPORT.pl opisywał wcześniej: ruch botów w sieci przekroczył ruch ludzki i według pomiarów Cloudflare Radar odpowiada dziś za około 57 procent zapytań HTTP. Matthew Prince, prezes Cloudflare, skomentował to krótko: „Cóż, stało się to szybciej, niż przewidywałem” / „Welp, that happened faster than I predicted”. Maszyny czytają strony pisane przez inne maszyny. Człowiek zaczyna być w tym układzie gościem.
Domena .com odjechała reszcie sieci
Najciekawsza część raportu dotyczy nie tego ile, tylko gdzie. W momencie premiery ChatGPT charakterystyczne wzorce językowe pojawiały się w podobnych proporcjach we wszystkich głównych domenach najwyższego poziomu. Pięć lat później różnice są dziesięciokrotne.
| Domena | styczeń 2021 | styczeń 2026 |
|---|---|---|
| .com | 1,09 proc. | 9,35 proc. |
| .org | 0,83 proc. | 4,59 proc. |
| .edu | 0,57 proc. | 1,03 proc. |
| .gov | 0,41 proc. | 0,76 proc. |
Dane: Pew Research Center, analiza 490 tysięcy anglojęzycznych stron z Common Crawl, średnie półroczne.
Wyjaśnienie nasuwa się samo i nie jest specjalnie pochlebne dla komercyjnej części sieci. W .com mieści się wszystko: sklepy z tysiącami opisów produktów, portale przepisujące cudze newsy pod pozycjonowanie, farmy treści utrzymujące się z reklam. Tam automat po prostu się opłaca. Uczelnie i administracja publikują wolniej, przez procedury odbioru i recenzje, więc statystyka wygląda przyzwoiciej. Wygląda, co nie znaczy, że jest.
Czytam ten raport z mieszanymi uczuciami i nie będę udawał, że mam gotową diagnozę. Z jednej strony obserwuję u siebie w redakcji, że narzędzia językowe realnie skracają research i porządkują notatki. To nie jest zło samo w sobie i nie zamierzam tego demonizować.
Z drugiej strony widzę, co się dzieje, gdy ktoś traktuje model jak automat do produkcji znaków. Wychodzi tekst, który brzmi gładko, nie zawiera ani jednej własnej obserwacji i marnuje czas czytelnika. Za taki materiał nikt nikomu nie płaci uczciwej stawki, a jednak ląduje on w wynikach wyszukiwania obok pracy dziennikarza, który spędził tydzień na telefonach.
Mam też wątpliwość wobec samego pomiaru, bo detektory bywają zawodne, a próg 0,2 to decyzja badaczy, nie prawo natury. Sprawdziłem metodologię i uważam, że kierunek zmian jest tu ważniejszy niż konkretna liczba. Skok z jednego procenta do dziewięciu w domenie .com w pięć lat to fakt, którego żaden spór o kalibrację nie unieważni.
Pytanie, które zostawiam otwarte: czy za dwa lata sensowne będzie jeszcze pytanie „kto to napisał”, czy raczej „czy ktokolwiek to sprawdził przed publikacją”? Bo dla czytelnika liczy się to drugie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Myślnik, przecinek oksfordzki i inne odciski palców
Osobna część analizy dotyczy stylometrii. Pew porównał sieć z 2023 roku z tą z początku 2026 i policzył częstość konstrukcji, po które modele sięgają chętniej niż ludzie. Wyniki liczone na 10 tysięcy słów:
- długi myślnik pojawia się mniej więcej dwa razy częściej (z 5,79 do 11,19)
- przecinek oksfordzki zanotował wzrost o 63 procent (z 34,04 do 55,51)
- słownictwo lubiane przez modele, takie jak „delve”, „interplay” czy „testament”, zwiększyło częstość ponad dwukrotnie
- paralela negatywna, czyli konstrukcja typu „to nie tylko X, to Y”, urosła prawie trzykrotnie, choć wciąż występuje rzadko
Lista słów, które Pew uznał za typowe dla modeli, obejmuje między innymi „crucial”, „key”, „significant”, „highlight”, „landscape” i „underscore”. Każdy, kto redaguje teksty po angielsku, zna ten zestaw z autopsji.
Sam Pew ostrzega, że pojedynczy myślnik niczego nie dowodzi, bo ludzie też ich używają. Ja dodam obserwację z polskiego podwórka: presja stylistyczna działa już w drugą stronę. Autorzy, którzy od zawsze pisali długim myślnikiem, zaczynają go porzucać, żeby nikt nie posądził ich o kopiowanie z czatu. Detekcja po tikach zmienia zachowanie ludzi szybciej, niż zmienia zachowanie modeli.
Czego to badanie nie mierzy
Trzeba wiedzieć, gdzie kończy się zasięg tej analizy, bo w cytowaniu raportu łatwo o nadinterpretację.
Common Crawl obejmuje wyłącznie strony publicznie dostępne, więc treści za opłatą i wymagające logowania są w próbce niedoreprezentowane. Cała analiza dotyczy tylko języka angielskiego. Do tego Open Pangram wskazywał około jednego procenta stron nawet w zrzutach z 2021 i 2022 roku, czyli sprzed premiery ChatGPT, co Pew interpretuje jako fałszywe alarmy, a nie dowód wczesnego użycia modeli.
Innymi słowy: to badanie nie mówi, ile procent internetu napisała maszyna. Mówi, jak szybko rośnie odsetek stron, w których statystyczny detektor widzi maszynową rękę. Różnica jest zasadnicza i akurat w tym przypadku dobrze udokumentowana przez samych autorów.
Polski kontekst jest ostrzejszy niż amerykański
W Polsce ten temat przestał być akademicki dokładnie 20 sierpnia, czyli tego samego dnia, w którym Pew opublikował raport. Fundacja Marka Polska Think Tank wypuściła opracowanie „Polaków portret własny”, w którym Katowice leżą w „północnym centrum” kraju, młodzi Polacy posługują się „językiem mandaryńskim”, a przypisy prowadzą donikąd. Sprawę nagłośnił Sebastian Meitz z Instytutu Sobieskiego wpisem na Twitterze. Barbara Mróz-Gorgoń, pełnomocniczka rządu do spraw promocji marki Polska i jedyna autorka dokumentu, przyznała w Polsat News, że raport powstawał ze wsparciem sztucznej inteligencji, po czym złożyła dymisję. Prokuratura Okręgowa w Warszawie zarejestrowała postępowanie w sprawie finansowania opracowania. Opisywaliśmy tę sprawę szczegółowo.
Do tego dochodzi warstwa regulacyjna, której Amerykanie nie mają. Od 2 sierpnia 2026 roku obowiązuje artykuł 50 AI Act, a wraz z nim obowiązek oznaczania treści generowanych przez AI po stronie podmiotów stosujących, czyli każdego, kto publikuje takie materiały zawodowo. Sankcja sięga 15 milionów euro albo 3 procent światowego obrotu, przy czym dla mniejszych firm bierze się kwotę niższą.
I tu rodzi się problem, który polska branża będzie musiała rozwiązać sama. Detektory takie jak Pangram trenowano na angielszczyźnie. Polska fleksja, szyk swobodny i zupełnie inny rozkład konstrukcji składniowych sprawiają, że przenoszenie progów wprost jest ryzykowne. Redakcja, agencja albo instytucja publiczna, która chciałaby dziś udowodnić przed KRiBSI, że tekst powstał bez modelu, nie ma po polskiej stronie narzędzia o zweryfikowanej skuteczności. Zostaje uczciwe ujawnienie, kto i na jakim etapie użył modelu. Deloitte po głośnej wpadce z raportem dla australijskiego rządu poszedł właśnie tą drogą. Polska administracja nie ma nawet wzoru takiej klauzuli w zamówieniach publicznych.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co z tego wynika dla wydawców
Największa zmiana nie dotyczy tego, kto pisze, tylko tego, komu przestaje się to opłacać. Jeśli 35 procent nowych stron nosi ślady maszyny, a boty odpowiadają za większość ruchu, model biznesowy oparty na masowej produkcji tekstu pod wyszukiwarkę traci sens z obu stron jednocześnie. Koszt wytworzenia spada niemal do zera, więc przewaga znika. Ruch ludzki, który miał to monetyzować, wędruje do odpowiedzi generowanych w wyszukiwarce.
Zostaje to, czego automat nie zrobi: własne pytania zadane konkretnym ludziom, dane zdobyte samodzielnie, ocena wyrażona przez kogoś, kto podpisuje się nazwiskiem. Reszta jest wypełniaczem, a wypełniacza w sieci jest już nadmiar.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym eseju danych „How Much of the Internet Is Written With AI?” Pew Research Center z dnia 20.08.2026 oraz opisu metodologii tego badania i relacji TechCrunch z tej samej daty. Wykorzystano także dane Cloudflare Radar dotyczące udziału ruchu automatycznego oraz doniesienia Rzeczpospolitej, Polsat News, RMF FM i Wirtualnej Polski w sprawie raportu „Polaków portret własny”. Cytaty Pew Research Center oraz Matthew Prince’a, prezesa Cloudflare, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych badań nad udziałem treści generowanych przez AI w sieci oraz nowych rozstrzygnięć dotyczących artykułu 50 AI Act w Polsce.
