En artikel som lades upp på arXiv den 30 september sätter siffror på något som fältet har tvistat om sedan 2023: hur mycket av den öppna webben som numera skrivs av maskiner, och vad som händer med en modell som tränas på den. Svaret på det första är 27,5 procent av tokens i webbdata från juni 2026, och 31,1 procent i augusti.
Svaret på det andra är mer intressant, eftersom det inte är kollapsberättelsen. “How Much Is an AI Token Worth?” finner att AI-genererad text är användbar under vissa förutsättningar och skadlig under andra, och pekar ut vilka.
Vad de faktiskt gjorde
Författarna tränade 800 språkmodeller med varierande andel AI-tokens mot mänskliga tokens, och mätte sedan förlusten på undanhållen mänsklig text. Två regimer faller ut av resultaten.
För en modell som är databegränsad — där det inte finns tillräckligt med mänsklig text — minskar förlusten på mänsklig text till en början när AI-tokens läggs till. Nyttan mättas sedan och vänder. För en modell som tränas på en betydande mängd mänsklig text ökar AI-tokens förlusten omedelbart. Det finns inget fönster där de hjälper.
Skillnaden har kommersiell betydelse. Ett labb med licensierade arkiv och ett stort mänskligt korpus vinner ingenting på skrapad syntetisk text och förlorar något på att ta med den. Ett team som tränar på vad det kan crawla befinner sig i den första regimen, där en viss mängd syntetiskt innehåll är positivt tills det inte längre är det.
Skalningslagen
Artikeln föreslår en reviderad skalningslag som tar hänsyn till andelen AI-tokens. Författarna uppger att den förutsäger förlusten på undanhållen mänsklig text för modeller upp till 3,6 gånger större med 41 procent lägre fel än den bästa befintliga lagen över alla AI-andelar. De släpper också WildAI, ett korpus på 83 miljarder tokens med märkning per dokument, tillsammans med de 800 tränade modellerna.
Antagandet som bär allt
Varje siffra här vilar på detektorn. Märkningen kommer från Pangram, en kommersiell klassificerare av AI-text, och två av artikelns författare — Max Spero och Bradley Emi — är vd respektive teknikchef för Pangram Labs. Artikeln döljer det inte; tillhörigheterna står i den. Men en mätning av hur mycket av webben som är AI-skriven är bara så bra som verktyget som avgör saken, och här säljs verktyget av personer på författarlistan.
Det som ändå gör resultatet granskningsbart är publiceringen. WildAI:s märkning och de 800 modellerna är offentliga, så den som har en annan detektor kan märka om korpuset och se om skalningslagen håller.
Att följa
Om en oberoende grupp reproducerar 27,5 procent med en annan klassificerare. Håller andelen handlar datafrågan inte längre om tillgång utan om ursprung: inte hur många tokens ett labb kan få tag på, utan hur många av dem som skrevs av någon annans modell.
