L'IA uniformise le web : une uniformité joyeuse qui inquiète

L'impact croissant de l'IA sur le web

Une étude récente menée par l'Imperial College London, l'Internet Archive et l'Université de Stanford met en lumière l'influence grandissante des textes générés par l'IA sur Internet. Selon leurs conclusions, d'ici mi-2025, environ 35 % des nouveaux sites web seront partiellement ou entièrement créés par l'IA, une augmentation significative par rapport à la fin de 2022, où cette proportion était quasiment nulle.

Les chercheurs ont utilisé un échantillon de sites web en anglais, collecté via la Wayback Machine de l'Internet Archive, couvrant la période d'août 2022 à mai 2025. Pour détecter les textes générés par l'IA, ils se sont appuyés sur le détecteur Pangram v3, reconnu pour sa robustesse lors de tests de robustesse sur cinq dimensions.

Uniformité sémantique et positivité accrue

L'étude a testé six hypothèses sur l'impact de l'IA, mais seules deux ont été validées : la contraction sémantique et le changement de positivité. La contraction sémantique se traduit par une réduction de la diversité des idées en ligne, les textes IA étant 33 % plus similaires entre eux que ceux écrits par des humains. Cela pourrait réduire la "fenêtre d'Overton" du discours en ligne.

Par ailleurs, les textes générés par l'IA affichent un ton 107 % plus positif que ceux rédigés par des humains. Cette tendance à l'optimisme excessif pourrait marginaliser les voix dissidentes. Jonas Dolezal, chercheur à Stanford, suggère que permettre aux modèles d'IA d'avoir une personnalité plus distincte pourrait les rendre plus créatifs. "Plutôt que de forcer les modèles à être parfaitement conformes et agréables, leur permettre d'avoir une personnalité plus distincte ou une 'friction' pourrait les aider à agir comme un partenaire créatif plutôt qu'un remplacement de la voix humaine," a-t-il déclaré à 404 Media.

Absence de preuves d'erreurs factuelles accrues

Quatre autres hypothèses n'ont pas été confirmées, notamment l'absence de preuve d'une augmentation des erreurs factuelles. Les chercheurs ont utilisé GPT-4o-mini pour extraire des affirmations vérifiables, vérifiées ensuite par des annotateurs humains. Cependant, cette méthode repose sur un échantillon limité et ne capture qu'un type restreint de dégradation de la vérité.

Les chercheurs n'ont pas trouvé de corrélation statistiquement significative avec la part de contenu généré par l'IA concernant les erreurs factuelles. Cependant, ce résultat repose sur une base relativement étroite : chaque annotateur a vérifié des affirmations provenant de cinq articles, ce qui représente un sous-échantillon d'environ 250 sites web. Comparé aux environ 10 000 URL par mois sur 33 mois qui sous-tendent l'étude complète, c'est une petite portion. La méthode capture également seulement un type étroit de dégradation de la vérité : des affirmations clairement réfutables. Des formes plus subtiles, telles que des assertions vagues, suggestives ou simplement non vérifiables, qui sont probablement courantes dans le texte généré par l'IA, échappent complètement à l'analyse. De plus, comme un modèle d'IA décide à l'avance quelles déclarations comptent comme "vérifiables" et sont envoyées aux annotateurs, le test est biaisé de manière conservatrice.

Perception publique et recommandations

Un sondage auprès de 853 adultes américains a révélé que la perception publique est souvent en décalage avec les données. La majorité des répondants croient en des hypothèses négatives non validées, comme la disparition des styles d'écriture individuels.

Les personnes qui utilisent rarement l'IA étaient plus susceptibles de croire aux effets négatifs que les utilisateurs réguliers (88,3 % contre 76,2 %). Parmi les sceptiques de l'IA, l'écart était encore plus large (91,3 % contre 71,1 %).

Les chercheurs avertissent que la forte part de contenu généré par l'IA transforme le risque théorique de "collapsus des modèles" en un problème pratique. Au lieu de se fier à une détection a posteriori, ils recommandent des normes de provenance cryptographique comme C2PA, ainsi qu'une réévaluation des algorithmes de recherche et de recommandation pour récompenser la diversité sémantique.

Maty Bohacek de Stanford indique que l'équipe travaille déjà avec l'Internet Archive pour transformer l'analyse en un outil de suivi continu qui suit la part de contenu généré par l'IA sur le web au fil du temps. "Nous travaillons maintenant avec l'Internet Archive pour transformer cela en un outil continu qui continue de fournir ce signal à l'avenir, plutôt qu'un instantané fixe limité par la nature statique d'un article," a déclaré Bohacek à 404 Media.

L'étude présente des limites que les chercheurs reconnaissent eux-mêmes. Seuls des textes en anglais ont été analysés ; d'autres langues et formats comme les images ou les vidéos ont été laissés de côté. Toute l'analyse repose sur la fiabilité du détecteur Pangram v3, et son exactitude pourrait changer à mesure que les modèles linguistiques continuent d'évoluer. Les données proviennent également uniquement de l'Internet Archive, qui ne représente pas l'ensemble du web.