Un equipo de investigadores de la Universidad del Sur de California (USC) desarrolló DeGenTWeb, una metodología sistemática para identificar sitios web cuyo contenido principal es texto generado por modelos de lenguaje (MGT, por sus siglas en inglés). El estudio, que será presentado en una conferencia de redes, analizó 147,000 sitios y 2.2 millones de páginas para medir la prevalencia de este fenómeno en la web abierta.
Los resultados son contundentes: el 20.9% de los sitios archivados por Common Crawl entre enero y julio de 2026 son dominados por MGT, es decir, su prosa informativa fue generada casi en su totalidad por inteligencia artificial. Además, el 13.6% de los sitios que aparecen en los resultados de búsqueda de Bing en 2025 también lo son. La proporción ha crecido de manera sostenida: en el segundo semestre de 2022 era del 2.0%, y para el primer semestre de 2025 alcanzó el 25.0%.
El método DeGenTWeb combina el detector Binoculars con un filtrado de páginas y una agregación de puntuaciones a nivel de sitio para reducir los falsos positivos. Los investigadores reportan una tasa de falsos positivos del 0.12% y una de falsos negativos de aproximadamente 2% en su conjunto de datos de validación. Sin embargo, el estudio advierte que estas cifras son un límite inferior, pues los detectores de código abierto no identifican texto generado por los modelos más recientes.
El análisis también revela que los sitios dominados por MGT suelen tener incentivos financieros claros: el 79.6% busca monetizar, en comparación con el 59.9% de los sitios escritos por humanos. Además, muchos comparten propietarios: se identificaron 86 identificadores de AdSense o etiquetas de afiliados que agrupan a 256 sitios, de los cuales 171 son MGT-dominantes. Un solo clúster de 18 sitios editoriales, todos bajo una misma cuenta de AdSense, suma más de 290,000 publicaciones.
El estudio concluye que la metodología es escalable y transparente, y que podría adaptarse con nuevos detectores a medida que los modelos de lenguaje evolucionen. Los autores liberarán el código y los datos tras la publicación.