Un article mis en ligne sur arXiv le 30 septembre chiffre une question que le domaine se dispute depuis 2023 : quelle part du web ouvert est désormais écrite par des machines, et ce qu’il advient d’un modèle entraîné dessus. La réponse à la première est 27,5% des tokens dans les données web de juin 2026, et 31,1% en août.
La réponse à la seconde est plus intéressante, car ce n’est pas le récit de l’effondrement. “How Much Is an AI Token Worth?” conclut que le texte généré par IA est utile dans certaines conditions et nuisible dans d’autres, et précise lesquelles.
Ce qu’ils ont fait
Les auteurs ont entraîné 800 modèles de langage selon des proportions variables de tokens IA et humains, puis mesuré la perte sur du texte humain réservé. Deux régimes se dégagent.
Pour un modèle limité par les données — faute de texte humain en quantité suffisante — ajouter des tokens IA réduit d’abord la perte sur le texte humain. Le gain sature puis s’inverse. Pour un modèle entraîné sur une quantité substantielle de texte humain, les tokens IA augmentent la perte immédiatement. Il n’existe aucune fenêtre où ils aident.
Cette distinction compte sur le plan commercial. Un laboratoire disposant d’archives sous licence et d’un vaste corpus humain ne gagne rien à aspirer du texte synthétique et y perd en l’intégrant. Une équipe qui s’entraîne sur ce qu’elle peut collecter relève du premier régime, où une part de contenu synthétique est bénéfique jusqu’au moment où elle ne l’est plus.
La loi d’échelle
L’article propose une loi d’échelle révisée tenant compte de la proportion de tokens IA. Les auteurs indiquent qu’elle prédit la perte sur texte humain réservé pour des modèles jusqu’à 3,6 fois plus grands avec une erreur inférieure de 41% à la meilleure loi existante, et ce à toutes les proportions d’IA. Ils publient aussi WildAI, un corpus de 83 milliards de tokens étiquetés par document, avec les 800 modèles entraînés.
L’hypothèse qui porte tout
Chaque chiffre repose sur le détecteur. Les étiquettes viennent de Pangram, un classifieur commercial de texte IA, et deux des auteurs — Max Spero et Bradley Emi — en sont respectivement le directeur général et le directeur technique chez Pangram Labs. L’article ne le dissimule pas : les affiliations y figurent. Mais une mesure de la part du web écrite par IA ne vaut que ce que vaut l’outil qui tranche, et cet outil est vendu par des personnes de la liste d’auteurs.
Ce qui rend malgré tout le résultat vérifiable, c’est la publication des données. Les étiquettes de WildAI et les 800 modèles sont publics : quiconque dispose d’un autre détecteur peut réétiqueter le corpus et voir si la loi d’échelle tient.
À surveiller
Si un groupe indépendant reproduit les 27,5% avec un autre classifieur. Si la proportion tient, la question des données cesse de porter sur la disponibilité pour porter sur la provenance : non plus combien de tokens un laboratoire peut obtenir, mais combien ont été écrits par le modèle d’un autre.
