Dziesięć procent stron w otwartej sieci nosi wyraźne ślady autorstwa AI, a wśród stron opublikowanych po premierze ChatGPT ten odsetek przekracza jedną trzecią. Takie wnioski płyną z analizy, którą Pew Research Center opublikowało 20 sierpnia 2026 w ramach programu Data Labs. Badacze przejrzeli około 490 tysięcy anglojęzycznych stron z archiwum Common Crawl i pokazali coś, co branża SEO przeczuwała od dawna, ale czego nikt dotąd nie zmierzył w tej skali.
Skąd wzięły się te liczby
Pew Research Center nie jest firmą SEO ani dostawcą narzędzi do wykrywania AI, co w tym przypadku ma znaczenie. To ośrodek badawczy bez interesu w sprzedaży detektora treści, więc jego szacunki trafiają w branżę z inną wagą niż raporty producentów oprogramowania.
Metodologia jest opisana w osobnym dokumencie. Zespół pobrał próbki anglojęzycznych stron z Common Crawl, publicznego archiwum kopii internetu, obejmując okres od stycznia 2021 do lipca 2026. Łącznie przeanalizowano około 490 tysięcy adresów, a dla obrazu stanu na lipiec 2026 wylosowano reprezentatywną próbę 10 tysięcy stron. Do klasyfikacji użyto otwartego modelu detekcyjnego opracowanego przez Pangram, opartego na architekturze Llama 3.2 o 3 miliardach parametrów.
Kluczowe zastrzeżenie badacze stawiają sami: model nie jest nieomylny. Pojedynczy dokument może zostać źle sklasyfikowany, ponieważ ludzie piszą czasem dokładnie tak, jak modele językowe. Wiarygodność tego podejścia leży w skali. Kiedy analizujesz setki tysięcy dokumentów, błędy w obie strony w dużej mierze się znoszą, a wzorzec zbiorczy pozostaje odporny. Pew nie pytał autorów, czy korzystali z ChatGPT, i nie weryfikował historii edycji żadnej strony. To analiza statystycznych sygnałów językowych, nie audyt procesu produkcji treści.
Wybór Common Crawl jako źródła ma swoje konsekwencje i warto je znać, zanim zacznie się cytować wynik jako prawdę o całym internecie. Archiwum obejmuje publicznie dostępne strony indeksowalne przez robota, więc nie widzi treści za logowaniem, w aplikacjach, w zamkniętych grupach ani w serwisach agresywnie blokujących crawlery. Nie widzi też ogromnej części mediów społecznościowych. Badanie mierzy więc otwartą, indeksowalną sieć, czyli dokładnie ten wycinek, z którym pracują wyszukiwarki i systemy generatywne. Dla praktyka SEO jest to akurat najbardziej użyteczna definicja internetu, choć dla socjologa mediów byłaby zbyt wąska.
Drugie ograniczenie dotyczy języka. Próba jest anglojęzyczna, więc formalnie nie mówi nic o polskim internecie. Nie ma jednak powodu sądzić, że rynek polski zachowuje się inaczej co do kierunku, a jedynie co do tempa. Modele językowe radzą sobie z polszczyzną wyraźnie gorzej niż z angielskim jeszcze w 2023 roku, co opóźniło falę generowania o kilkanaście miesięcy. To opóźnienie zostało w dużej mierze nadrobione w 2025 roku.
Kluczowe fakty w liczbach
Najbardziej nośna liczba, czyli 10 procent, dotyczy całej próby z lipca 2026, a więc również stron, które istniały w sieci na długo przed listopadem 2022. To ważne, bo rozcieńcza wynik. Kiedy odfiltrujesz archiwalny internet i zostawisz wyłącznie strony opublikowane po premierze ChatGPT, obraz zmienia się drastycznie.
| Wskaźnik | Wartość |
|---|---|
| Strony ze śladami AI (cała próba, lipiec 2026) | ok. 10% |
| Strony opublikowane po premierze ChatGPT | ponad 35% |
| Domeny .com | 9,35% |
| Domeny .org | 4,59% |
| Domeny .edu | 1,03% |
| Domeny .gov | 0,76% |
| Wielkość próby (analiza pełna) | ok. 490 000 stron |
| Okres objęty badaniem | styczeń 2021 do lipca 2026 |
Rozbicie po domenach najwyższego poziomu to najciekawszy fragment całego raportu z perspektywy osób pracujących w wyszukiwarkach. Domeny komercyjne mają dwukrotnie wyższy wskaźnik niż organizacje pozarządowe i mniej więcej dziesięciokrotnie wyższy niż uczelnie i instytucje rządowe. Innymi słowy: AI nie rozlała się po sieci równomiernie. Skoncentrowała się dokładnie tam, gdzie toczy się walka o pozycje w Google, czyli w komercyjnym .com.
To spostrzeżenie warto odwrócić. Jeżeli prowadzisz sklep, serwis usługowy albo blog firmowy, twoja realna konkurencja w SERP nie ma wskaźnika 10 procent. Ma bliżej 35 procent albo więcej, bo składa się głównie z treści opublikowanych w ostatnich trzech latach na domenach .com i .pl. Dziesięcioprocentowa średnia jest uspokajająca, ale opisuje internet, w którym nie konkurujesz.
Em dash, przecinek oksfordzki i inne zdradzieckie nawyki
Osobna część analizy dotyczy nie klasyfikacji stron, lecz zmian w samym języku sieci. Pew policzył częstotliwość konkretnych markerów stylistycznych na 10 tysięcy słów i porównał rok 2023 z rokiem 2026. Wyniki są wymowne.
- Długa pauza (em dash): wzrost z 5,79 do 11,19 wystąpień na 10 tysięcy słów, czyli podwojenie.
- Przecinek oksfordzki: wzrost z 34,04 do 55,51, czyli o 63 procent.
- Negatywny paralelizm, czyli konstrukcja typu „to nie X, to Y”: wzrost z 0,87 do 2,36, a więc niemal potrojenie.
- Słownictwo typowe dla modeli językowych: więcej niż podwojenie częstotliwości.
Żaden z tych markerów samodzielnie nic nie dowodzi. Ludzie używają długiej pauzy od stuleci, a przecinek oksfordzki jest standardem w wielu podręcznikach stylu. Pew wyraźnie zaznacza, że pojedynczy znak interpunkcyjny nie identyfikuje pojedynczego dokumentu. Znaczenie ma dopiero zmiana rozkładu w skali całej sieci, a ta zmiana jest jednoznaczna: język publikowanych stron przesuwa się w stronę stylistyki modeli.
Dla redakcji prowadzących produkcję treści z udziałem AI to praktyczna wskazówka. Jeżeli twój proces zostawia w tekście podwójną dawkę długich pauz i konstrukcji „to nie X, to Y”, produkujesz materiał, który statystycznie wygląda jak wygenerowany, niezależnie od tego, ile pracy redakcyjnej w niego włożyłeś. Czyszczenie tych nawyków to dziś element higieny redakcyjnej, a nie kaprys stylistyczny. Pisaliśmy już o pokrewnym wątku przy okazji doniesień o tym, że Anthropic znakuje teksty Claude niewidzialnym znakiem wodnym, gdzie sygnał autorstwa jest wpisywany celowo, a nie wynika z nawyków modelu.
Co to znaczy dla SEO i AIO
Pierwszy wniosek jest niewygodny: skala generowania treści przestała być argumentem konkurencyjnym. Jeżeli ponad jedna trzecia nowych stron powstaje z udziałem modeli, to wolumen publikacji przestał odróżniać cokolwiek od czegokolwiek. Trzy lata temu opublikowanie stu artykułów miesięcznie było barierą wejścia. Dziś jest ustawieniem domyślnym u każdego konkurenta, który ma kartę kredytową i dostęp do API.
Drugi wniosek dotyczy tego, na co przesuwa się przewaga. Skoro tekst jest towarem, wartość migruje do rzeczy, których model nie potrafi wyprodukować samodzielnie: własnych danych, testów, zdjęć z realizacji, cen, przypadków klientów, doświadczenia operacyjnego. To dokładnie ten zestaw sygnałów, wokół którego Google zbudowało ramy E-E-A-T, a systemy generatywne używają go do wyboru cytowanych źródeł.
Trzeci wniosek jest o wykrywaniu. Raport Pew podkreśla, że narzędzia do edycji wspomaganej AI są dziś wbudowane w Google Docs i Microsoft Word, przez co coraz więcej stron ma autorstwo mieszane. Nie ma już czystego podziału na tekst ludzki i maszynowy, jest gradient. To osłabia sens polityk redakcyjnych opartych na progu detektora i wzmacnia sens polityk opartych na weryfikowalności faktów.
Czwarty wniosek dotyczy stanowiska Google. Wyszukiwarka nie karze treści za to, że powstała z udziałem AI. Karze treści produkowane masowo bez wartości dodanej dla użytkownika, co w wytycznych funkcjonuje jako scaled content abuse. Ta różnica ma dziś większe znaczenie niż kiedykolwiek, bo raport Pew pokazuje, jak duża część sieci mieści się w szarej strefie między jednym a drugim. Warto zestawić to z tym, jak wyglądał sierpniowy Spam Update, który Google domknęło w niecałe trzy doby.
Praktyczna lista kontrolna
- Sprawdź, ile z twoich publikacji z ostatnich 12 miesięcy zawiera choć jeden element niemożliwy do wygenerowania: własny screen, liczbę z twojego panelu, cytat z rozmowy, zdjęcie realizacji.
- Zmierz częstotliwość markerów stylistycznych we własnym archiwum. Jeżeli długa pauza pojawia się częściej niż raz na tysiąc słów, masz sygnał do korekty procesu.
- Uzupełnij strony autorów o realne biogramy i historię publikacji. W środowisku, gdzie tekst jest tani, atrybucja staje się droga.
- Przenieś część budżetu z liczby artykułów na głębokość pojedynczych materiałów, bo to głębokość decyduje o cytowaniu w odpowiedziach generatywnych.
- Przestań traktować wynik detektora jako kryterium akceptacji. Traktuj jako kryterium to, czy tekst zawiera coś, czego nie ma nikt inny.
Jak to wygląda na polskim rynku
Polska nie doczekała się odpowiednika badania Pew, więc mówimy o przesłankach, nie o pomiarze. Przesłanki są jednak spójne. Liczba nowych domen z rozbudowanym blogiem firmowym rosła w 2025 i 2026 roku szybciej niż liczba osób zatrudnionych w produkcji treści, co arytmetycznie oznacza wzrost udziału generowania. Widać to też po strukturze ofert w przetargach na content, gdzie stawki za tysiąc znaków w segmencie masowym spadły do poziomu nieosiągalnego przy pracy w pełni ręcznej.
Praktyczna różnica względem rynku anglojęzycznego dotyczy nasycenia. W wielu polskich niszach liczba stron konkurujących o daną frazę wciąż jest o rząd wielkości mniejsza niż w odpowiedniku angielskim, więc masowe generowanie nadal bywa skuteczne krótkoterminowo. To okno się jednak zamyka i zamyka się od góry: najpierw w niszach o najwyższej wartości komercyjnej, gdzie budżety są największe, a więc i tempo zalewania SERP najszybsze. Kredyty, ubezpieczenia, zdrowie i szeroko rozumiane porady prawne są już nasycone.
Wniosek operacyjny dla polskiego wydawcy jest odwrotny do intuicji. Nie chodzi o to, żeby przestać używać modeli, bo to oznaczałoby dobrowolne oddanie przewagi kosztowej. Chodzi o to, żeby przesunąć je z roli autora do roli narzędzia przyspieszającego pracę redakcyjną, a zaoszczędzony czas zainwestować w zdobywanie informacji, których w sieci jeszcze nie ma.
Reakcje branży i konkurencyjne szacunki
Raport został szybko podchwycony przez media technologiczne. Jak podaje TechCrunch, kluczową liczbą jest właśnie ta jedna trzecia stron opublikowanych po premierze ChatGPT, a nie uspokajające 10 procent całej próby. Search Engine Journal, który opisał badanie 24 sierpnia, zwrócił uwagę na rozkład domenowy i na to, że koncentracja w .com dotyczy dokładnie tego wycinka sieci, w którym pracują specjaliści SEO.
Warto jednak zestawić wynik Pew z innymi szacunkami, bo rozrzut jest duży. Firma Graphite raportowała, że w pierwszym kwartale 2026 blisko połowa nowo publikowanych artykułów była w przeważającej mierze generowana przez AI. Badacze z Imperial College London podawali z kolei około 35 procent dla połowy 2025. Te liczby nie są wprost porównywalne, bo różnią się jednostką analizy (strona kontra artykuł), językiem próby, źródłem danych i progiem klasyfikacji.
| Źródło | Okres | Szacunek | Jednostka |
|---|---|---|---|
| Pew Research Center | lipiec 2026 | 10% ogółu, ponad 35% po premierze ChatGPT | strona WWW |
| Graphite | I kwartał 2026 | ok. 49,9% | nowy artykuł |
| Imperial College London | połowa 2025 | ok. 35% | dokument |
Rozbieżność między 10 a 50 procentami nie jest dowodem, że któreś badanie się myli. Jest dowodem, że pytanie „ile internetu napisała AI” nie ma jednej dobrej odpowiedzi, dopóki nie doprecyzujesz, o jaki wycinek sieci pytasz i jaki próg detekcji przyjmujesz. Dla praktyka użyteczna jest tylko wersja zawężona: jaki odsetek stron konkurujących ze mną o moje frazy powstał z udziałem modelu. Odpowiedź brzmi: znacznie bliżej górnych szacunków niż dolnych.
Co dalej
Pew zapowiada kontynuację pomiarów, a sama metodologia jest opublikowana, więc wynik da się replikować i porównywać w kolejnych falach. To istotne, bo dopiero seria pomiarów pokaże, czy krzywa się wypłaszcza, czy dalej rośnie. Jeżeli tempo z lat 2023–2026 się utrzyma, w ciągu dwóch lat udział stron ze śladami autorstwa AI wśród nowych publikacji przekroczy połowę.
Dla wyszukiwarek oznacza to rosnącą presję na sygnały spoza tekstu. Kiedy sam tekst przestaje różnicować, wagi naturalnie przesuwają się na to, co trudniej podrobić: historię domeny, wzorce zachowań użytkowników, powiązania encji, oryginalne dane, wzmianki poza własnym serwisem. Modele generatywne idą w tę samą stronę, bo ich problem jest identyczny. Przy nadmiarze zbieżnych tekstów o tym samym, wybór cytowanego źródła musi opierać się na czymś innym niż zgodność semantyczna z zapytaniem.
Dla wydawców i agencji praktyczna konsekwencja jest prosta, choć kosztowna. Rok 2023 nagradzał tych, którzy najszybciej wdrożyli generowanie. Rok 2026 zaczyna nagradzać tych, którzy najszybciej wdrożą coś odwrotnego: proces wytwarzania informacji, których nie da się wygenerować, bo trzeba je najpierw zdobyć.
FAQ
Czy Google karze treści napisane przez AI?
Nie za sam fakt użycia AI. Wytyczne Google odnoszą się do masowej produkcji treści bez wartości dodanej dla użytkownika, opisywanej jako scaled content abuse. Artykuł powstały z udziałem modelu, ale zawierający oryginalne dane, weryfikowalne fakty i realne doświadczenie autora, nie narusza tych zasad. Problemem jest wolumen bez wkładu, nie narzędzie.
Czy detektory treści AI są wiarygodne?
Na poziomie pojedynczego dokumentu nie. Sami autorzy badania Pew zaznaczają, że model może błędnie sklasyfikować konkretną stronę, ponieważ ludzie piszą czasem w stylu zbieżnym z modelami. Detektory mają sens statystyczny przy dużych próbach, a nie jako kryterium akceptacji pojedynczego tekstu w redakcji.
Dlaczego 10 procent i 35 procent to tak różne liczby w tym samym badaniu?
Bo dotyczą różnych zbiorów. Dziesięć procent opisuje całą próbę stron istniejących w lipcu 2026, wliczając archiwalne materiały sprzed listopada 2022, kiedy generowanie na masową skalę było niedostępne. Ponad 35 procent dotyczy wyłącznie stron opublikowanych po premierze ChatGPT. To drugie jest właściwym punktem odniesienia dla nowych publikacji.
Co ta zmiana oznacza dla widoczności w AI Overviews i chatbotach?
Rosnąca podaż zbieżnych treści podnosi wartość sygnałów, których model nie znajdzie w setkach podobnych tekstów: własnych danych liczbowych, jasnej atrybucji autorskiej, oryginalnych badań i cytowań spoza serwisu. To one decydują o wyborze źródła, kiedy dziesiątki stron mówią o tym samym w niemal identyczny sposób.
Jak sprawdzić, czy moje własne treści wyglądają na generowane?
Policz w archiwum częstotliwość markerów wskazanych przez Pew: długiej pauzy, przecinka oksfordzkiego i konstrukcji typu „to nie X, to Y” na 10 tysięcy słów. Porównaj z wartościami z raportu. Ważniejsze jednak od kosmetyki językowej jest pytanie merytoryczne: czy w tekście jest choć jedna informacja, której nie ma w żadnym innym artykule na ten temat.