Um artigo publicado no arXiv a 30 de setembro põe números numa questão que a área discute desde 2023: que parte da web aberta é hoje escrita por máquinas, e o que acontece a um modelo treinado com ela. A resposta à primeira é 27,5% dos tokens em dados web de junho de 2026, e 31,1% em agosto.
A resposta à segunda é mais interessante, porque não é a história do colapso. “How Much Is an AI Token Worth?” conclui que o texto gerado por IA é útil em certas condições e prejudicial noutras, e identifica quais.
O que fizeram de facto
Os autores treinaram 800 modelos de linguagem com proporções variáveis de tokens de IA face a tokens humanos, e mediram depois a perda sobre texto humano reservado. Dos resultados saem dois regimes.
Para um modelo limitado por dados — sem texto humano suficiente — acrescentar tokens de IA reduz inicialmente a perda sobre texto humano. O benefício satura e depois inverte-se. Para um modelo treinado com uma quantidade substancial de texto humano, os tokens de IA aumentam a perda de imediato. Não há janela em que ajudem.
A distinção importa comercialmente. Um laboratório com arquivos licenciados e um grande corpus humano não ganha nada com texto sintético recolhido da web e perde algo ao incluí-lo. Uma equipa que treina com o que consegue rastrear está no primeiro regime, onde algum conteúdo sintético é positivo até deixar de ser.
A lei de escala
O artigo propõe uma lei de escala revista que tem em conta a proporção de tokens de IA. Os autores afirmam que prevê a perda sobre texto humano reservado para modelos até 3,6 vezes maiores com 41% menos erro do que a melhor lei existente em todas as proporções de IA. Publicam também o WildAI, um corpus de 83 mil milhões de tokens com etiquetagem por documento, juntamente com os 800 modelos treinados.
O pressuposto que sustenta tudo
Todos os números assentam no detetor. As etiquetas vêm do Pangram, um classificador comercial de texto de IA, e dois dos autores do artigo — Max Spero e Bradley Emi — são o presidente executivo e o diretor de tecnologia da Pangram Labs. O artigo não o esconde: as afiliações constam dele. Mas uma medição de quanto da web é escrito por IA vale o que valer a ferramenta que decide, e aqui a ferramenta é vendida por pessoas da lista de autores.
O que torna o resultado verificável mesmo assim é a divulgação dos dados. As etiquetas do WildAI e os 800 modelos são públicos, pelo que qualquer pessoa com outro detetor pode reetiquetar o corpus e ver se a lei de escala resiste.
O que acompanhar
Se um grupo independente reproduzir os 27,5% com outro classificador. Se a proporção se mantiver, a questão dos dados deixa de ser de disponibilidade e passa a ser de proveniência: não quantos tokens um laboratório consegue obter, mas quantos deles foram escritos pelo modelo de outra pessoa.
