Trecinu novih veb-stranica pise masina: na .gov i .edu to je jedan odsto, na .com deset puta vise

Jedno istrazivanje americkog centra Pew Research izmerilo je ono sto su svi pretpostavljali, ali niko nije brojao: koliko interneta vise ne pise covek. Odgovor, za stranice objavljene posle novembra 2022. godine, kada je izasao ChatGPT, jeste 35 odsto. Svaka treca nova stranica na mrezi nosi jasne tragove da ju je sastavila ili temeljno preradila masina.

Metod je dovoljno jednostavan da se proveri. Iz arhive Common Crawl izvuceno je oko pola miliona stranica na engleskom jeziku iz poslednjih pet godina, namerno uzetih i iz perioda pre nego sto je ChatGPT postojao. Zatim je kroz njih pustena alatka Open Pangram, koja procenjuje da li je tekst masinski. U slucajnom uzorku od 10.000 stranica prikupljenih u julu ove godine, 10 odsto pokazalo je znacajne znake vestackog autorstva. Ali tu su i stare stranice, napisane kada ovakvih alatki nije bilo. Kada je Pew uklonio starije i ostale samo one posle ChatGPT-a, brojka je skocila na pomenutih 35 odsto.

Gde zivi masinski tekst

Podela po domenima je deo koji govori najvise. Komercijalne .com adrese pokazuju vestacko autorstvo oko deset puta cesce od .edu i .gov, koje se drze na oko jedan odsto. Organizacije sa .org su na 4,6 odsto. Drugim recima: tamo gde se tekst pise da bi se nesto prodalo ili uhvatio klik, masina je vec preuzela smenu. Tamo gde se neko potpisuje svojim imenom i institucijom, jos uvek nije.

Izvestaj dolazi nekoliko nedelja nakon sto je Cloudflare saopstio da je saobracaj botova premasio onaj od ljudi, i to brze nego sto je sama kompanija predvidjala. Sastavite dva merenja i dobijate sliku koja je teza nego sto zvuci: botovi koji citaju stranice napisane od strane drugih botova. Covek je u toj razmeni sve vise izborni.

Pew i sam priznaje da merenje nije savrseno. Pangram, kao i svaka alatka za detekciju, ume pogresno da oznaci ljudski tekst kao masinski. Ali na skali od pola miliona stranica, smer se tesko dovodi u pitanje, cak i ako se tacna brojka pomeri za nekoliko procenata.

Zanimljiv je i spisak sitnih navika koje su porasle sa godinama: duze crte, oksfordski zarez, konstrukcija „nije X, nego Y”. Nista od toga samo po sebi nije dokaz. Ali kada cela mreza pocne da pise istim ritmom i istim manirizmima, razlika izmedju deset izvora i jednog izvora postaje kozmeticka.

Pitanje koje ostaje nije tehnolosko. Ako je trecinu novog na internetu sastavila masina obucena na starijem sa interneta, sta ce tacno uciti sledeci modeli? I kada neko sledece godine bude trazio odgovor na nesto banalno, da li ce naci ono sto je neko zaista znao, ili samo ono sto se dobro rimuje sa svime drugim napisanim u medjuvremenu?