Un artículo publicado en arXiv el 30 de septiembre pone cifras a algo que el campo discute desde 2023: cuánto de la web abierta lo escriben ya las máquinas, y qué le ocurre a un modelo entrenado con ello. La respuesta a lo primero es el 27,5% de los tokens en datos web de junio de 2026, y el 31,1% en agosto.
La respuesta a lo segundo es más interesante, porque no es la historia del colapso. “How Much Is an AI Token Worth?” concluye que el texto generado por IA resulta útil en unas condiciones y dañino en otras, e identifica cuáles.
Qué hicieron exactamente
Los autores entrenaron 800 modelos de lenguaje con proporciones variables de tokens de IA frente a tokens humanos, y midieron después la pérdida sobre texto humano reservado. De los resultados salen dos regímenes.
Para un modelo limitado por datos — sin suficiente texto humano disponible — añadir tokens de IA reduce al principio la pérdida sobre texto humano. El beneficio se satura y después se invierte. Para un modelo entrenado con una cantidad sustancial de texto humano, los tokens de IA aumentan la pérdida de inmediato. No hay ninguna ventana en la que ayuden.
La distinción importa comercialmente. Un laboratorio con archivos licenciados y un gran corpus humano no gana nada con texto sintético raspado de la web y pierde algo al incluirlo. Un equipo que entrena con lo que puede rastrear está en el primer régimen, donde algo de contenido sintético es positivo hasta que deja de serlo.
La ley de escalado
El artículo propone una ley de escalado revisada que tiene en cuenta la proporción de tokens de IA. Los autores afirman que predice la pérdida sobre texto humano reservado para modelos hasta 3,6 veces mayores con un 41% menos de error que la mejor ley existente en todas las proporciones de IA. También publican WildAI, un corpus de 83.000 millones de tokens con etiquetado por documento, junto con los 800 modelos entrenados.
El supuesto que lo sostiene todo
Todas las cifras descansan en el detector. Las etiquetas proceden de Pangram, un clasificador comercial de texto de IA, y dos de los autores del artículo — Max Spero y Bradley Emi — son el consejero delegado y el director de tecnología de Pangram Labs. El artículo no lo oculta: las filiaciones figuran en él. Pero una medición de cuánta web está escrita por IA vale lo que valga la herramienta que lo decide, y aquí la herramienta la venden personas de la lista de autores.
Lo que hace comprobable el resultado de todos modos es la publicación de los datos. Las etiquetas de WildAI y los 800 modelos son públicos, de modo que cualquiera con otro detector puede volver a etiquetar el corpus y ver si la ley de escalado sobrevive.
Qué vigilar
Si un grupo independiente reproduce el 27,5% con otro clasificador. Si la proporción se mantiene, la cuestión de los datos deja de ser de disponibilidad y pasa a ser de procedencia: no cuántos tokens puede conseguir un laboratorio, sino cuántos de ellos los escribió el modelo de otro.
