何が起きたのか

Pew Research Center の Data Labs が2026年8月20日、「How Much of the Internet Is Written With AI?」と題した調査結果を公開しました（Pew Research Center 2026-08-20）。中心の数字は2つです。2026年7月に収集した英語ウェブページ1万件のランダムサンプルのうち10%が「AI著者性の明確な兆候（significant signs of AI authorship）」を示し、HTMLから公開日を検出でき、その日付がChatGPT公開後だったページに限ると、その割合は3分の1を超える、というものです。

後者の具体値は35%です。これは報道が丸めた数字ではなく、Pew の方法論ページ本文に明記されています（Pew Research Center methodology 2026-08-20）。TechCrunch はこの35%を見出しに取りました（TechCrunch 2026-08-20）。Decrypt も2026年8月22日に、TechCrunch とは別媒体として同じ Pew 調査の数値群（10%・35%・490,000ページ・.com 9.35%など）を報じています（Decrypt 2026-08-22）。

見出しとしては「ウェブの3分の1がAI製」で流通しています。ただし10%と35%は同じ母集団の数字ではなく、後者を支える分母は前者よりはるかに小さい。そして両方とも、Open Pangram という確率的な検出モデルが出したスコアを、0.2という閾値で切った結果です。順に分解します。

調査の設計：49万ページ、49回のクロール

方法論ページに手順が明記されています（Pew Research Center methodology 2026-08-20）。

  • 2021年1月から2026年7月までに作成された Common Crawl の49回のクロールそれぞれから、英語ページを1万件ずつランダム抽出。合計490,000ページ
  • 判定には Pangram が公開した open-weight モデル editlens_Llama-3.2-3B を使用
  • モデルは0から1のスコアを出力する。0が完全に人間執筆、1が完全にAI生成
  • スコアが0.2以上のページを「AI著者性または編集の意味のある兆候を含む」と分類
  • この0.2という閾値は、商用モデル Pangram 3.3 の結果に近づくよう較正して選ばれた

使われたモデルの素性も追えます。Pangram は2026年3月24日に Open Pangram を公開しており、ICLR 2026の論文で発表した EditLens 技術をベースにした open-weight 版です。ライセンスは CC BY-NC-SA 4.0 で商用利用不可、提供されるのは30億パラメータの editlens_Llama-3.2-3B（QLoRA、系列長1,024）と3.55億パラメータの editlens_roberta-large の2つです（Pangram 2026-03-24）。

ここで注意すべきなのは、Pangram 自身が公表しているベンチマーク値の性質です。同ブログによれば、editlens_Llama-3.2-3B は人間対AIの2値分類（in-domain テストセット）でマクロF1 1.000、偽陽性率0.000、偽陰性率0.000を記録しています。一方で「人間／AI／AI編集」の3値分類になると精度は0.895に落ちます。つまり「AIが手を入れたかどうか」の判定は、「AIが丸ごと書いたかどうか」よりはっきり難しい。ただしこれらの値はいずれも、開発元である Pangram 自身が自社の in-domain テストセットで測った自己評価であり、第三者による独立検証ではありません。

そして Pew の閾値0.2は、「AI著者性または編集の意味のある兆候」をひとまとめに拾う設計です。陽性と判定されたページのうち、どれだけが全文生成でどれだけが部分的な編集だったのかという内訳は、公開されているデータからは分かりません。

分母の話：35%を支えているページは何件か

Pew の方法論ページには、35%の由来がこう書かれています。「2026年7月のクロールのうち、ChatGPT以降の公開日を持つページの35%がAI著者性の兆候を示した」。

その直前に、見落としやすい一文があります。「あるクロールのサンプルのうち、HTMLコード内に公開日フィールドを含むウェブページは約10%から15%である」。

2026年7月のクロールから抽出されたのは1万件です。うち公開日フィールドを持つのは10〜15%、つまり約1,000〜1,500件。さらにそこから ChatGPT 公開（2022年11月30日）以前の日付を持つページを除いた残りが、35%という数字の分母になります。除外後の実数は公開されていないため、分母がどこまで小さくなるかは分かりません。言えるのは上限だけで、多くても約1,500件です（この見積もりは筆者によるものです）。1万件から10%という数字と、この部分集合から35%という数字は、統計的な重みが違います。

さらに厄介なのは、公開日フィールドを持つページがランダムな部分集合ではないという点です。ただし Pew が認めているのはここまでで、では具体的にどちら向きに偏っているのかは調査では測定されていません。

想像はできます。HTMLに article:published_time のようなメタデータを出力するのは、WordPress をはじめとする CMS、ニュースサイト、ブログプラットフォームです。逆に、企業のサービス紹介ページ、製品カタログ、フォーラムの古いスレッド、ドキュメントの類は日付を持たないことが多い。だとすれば日付付きの部分集合は CMS 由来のブログ記事に寄り、SEO目的の生成コンテンツが集中して35%が上振れする可能性があります。ただしこれは筆者の仮説であり、Pew の調査で測定されたものではありません。CMS への偏重も、SEO記事の集中も、上振れという方向も、いずれも検証されていない話です。

Pew はこの点を隠していません。方法論ページでは、公開日は「どのページが ChatGPT の一般公開（2022年11月30日）以降に公開されたかを判定するため」に用いたと記されており、あわせて「公開日が検出できるページはウェブのランダムな部分集合ではないため、ChatGPT以降の推計はウェブ全体ではなく日付が付いたコンテンツにおけるAI著者性の割合を反映する」という限界も明記されています（Pew Research Center methodology 2026-08-20）。なお「古いページを除外した」という言い回しは TechCrunch 側の要約表現です（TechCrunch 2026-08-20）。ただ「ChatGPT以降に公開されたウェブの3分の1」という見出しにすると、この選択バイアスは消えます。より正確には「2026年7月のクロールに含まれ、かつHTMLに公開日を明示し、かつその日付がChatGPT以降だったページの35%」です。

検出器の一致率を分解する：96%とκ=0.61

Pew は判定を検証するため、商用モデル Pangram 3.3 と結果を突き合わせています。報告されているのは「96%の一致、Cohen’s κ = 0.61」です。

ここで押さえておくべきなのは照合の範囲です。方法論ページには “we also ran 62,370 pages from seven crawls through their flagship commercial model Pangram 3.3” と書かれています。つまり49万ページ全体を2つのモデルにかけたのではなく、49クロールのうち7クロール分・62,370ページに限った突き合わせです。

96%という数字だけ見ると盤石に思えます。しかしκが併記されていることに意味があります。κは偶然の一致を差し引いた指標で、定義は次の通りです。

$$ \kappa = \frac{p_o - p_e}{1 - p_e} $$

$p_o$ は観測された一致率、$p_e$ は偶然による期待一致率です。$p_o = 0.96$、$\kappa = 0.61$ を代入すると $p_e$ が逆算できます。

$$ p_e = \frac{p_o - \kappa}{1 - \kappa} = \frac{0.96 - 0.61}{0.39} \approx 0.897 $$

両モデルの陽性率が等しく $q$ だと単純化すると $p_e = q^2 + (1-q)^2$ なので、$2q^2 - 2q + 0.1026 = 0$ を解いて $q \approx 0.054$。この62,370ページでの平均陽性率が5%前後という値は、2021年時点で約1%、2026年時点で約10%という時系列と整合します。

ここから2つのモデルの重なりが出せます。両方が陽性としたページの割合を $a$、片方だけが陽性の割合をそれぞれ $b, c$ とすると、$b + c = 0.04$（不一致4%）、$a + b = a + c = 0.054$ なので $b = c = 0.02$、$a \approx 0.034$。

$$ \frac{a}{a+b} = \frac{0.034}{0.054} \approx 0.63 $$

つまり、片方のモデルが「AIの兆候あり」と判定したページのうち、もう一方も同意するのは6割強という計算になります。ただしこの約63%はあくまで、両モデルの陽性率が等しいという仮定に依存する概算です。どちらのモデルが何件を陽性としたかという実際のクロス集計は公開されていません。

同じ仮定の下では、両方が陰性だったページは $100 - 3.4 - 4 = 92.6$、つまり約92.6%になります。全体の96%が一致するのは、この約92.6%で両モデルがそろって「陰性」と言い、残りの約3.4%でそろって「陽性」と言っているからで、肝心の陽性判定に限ると一致は緩い。κ = 0.61 が伝えているのはこの構造です。なお各モデル単独の陰性率と、この共同陰性率は別の量です。片方だけを見た陰性率のほうが高く出るので、混同すると一致の緩さを見落とします。

Pew 自身も本文で「AI検出モデルは完璧ではなく、人間が書いた文書をAI著者性の兆候ありと誤分類することも、その逆もある」と明記しています。個別ページの判定を決定的なものとして扱うべきではない、という趣旨の注記です。

.edu / .gov の1%前後は何を測っているのか

ドメイン別の内訳は、この調査で最も示唆的な部分です。2026年1月ラベルの値は .com が9.35%、.org が4.59%、.edu が1.03%、.gov が0.76%。.com は .edu / .gov のおよそ10倍です。

読むときの前提として、この図のプロットは単一月の値ではありません。Pew は図表の注記で “Plotted points represent six-month averages.” と断っています。2021年側も2026年側も、以下の数字はすべて6カ月平均です。

比較の起点になるのが2021年1月ラベルの値で、.com 1.09%、.org 0.83%、.edu 0.57%、.gov 0.41% です。Pew は本文で、ChatGPT公開の時点では “the kinds of linguistic patterns that can signal AI authorship appeared at similar rates across the main top-level web domains” と述べています。ただし数字を並べると、最大の .com と最小の .gov で約2.7倍の開きがあります。「主要ドメイン間で似た水準だった」という記述はその通りでも、「全ドメインが約1%で横並びだった」と言い換えるのは不正確です。

2021年1月はChatGPT公開の2年近く前で、LLMによるウェブ文章の生成は現在ほど一般的ではありませんでした。にもかかわらず検出器は、どのドメインでも0.41%から1.09%の範囲を陽性としています。

ここで、この低い値を偽陽性率そのものと見なして差し引き計算をしたくなります。ただし2つの理由で、そこは踏みとどまる必要があります。

1つは、2021年の観測陽性率が偽陽性率の下限ではないという点です。当時もLLMによる文章生成が皆無だったわけではない以上、2021年のページにも真にAIが関与したものが混じっている可能性があります。混じっていれば観測値は偽陽性率より上に出る。観測値が1.09%だったことから偽陽性率がいくつなのかは決まらず、目安として眺める以上のことはできません。

もう1つは、Pew 自身が「Open Pangram has a higher false-positive rate on pages created before AI use was common」と述べていることです。偽陽性率はページが作られた時期によって変わることが示唆される、という記述です。時期の違う2026年のページに2021年の値を持ち込むことも、.com で観測された値を .edu / .gov に流用することも、この記述と噛み合いません。

それでも感度分析としてなら計算はできます。観測される陽性率 $r$ を、真のAI混入率 $\pi$、感度（真陽性率）$s$、偽陽性率 $f$ で書くと、

$$ r = \pi s + (1 - \pi) f $$

これを $\pi$ について解くと、

$$ \pi = \frac{r - f}{s - f} $$

$f = 0.011$、$s = 0.9$ と置いて .com の $r = 0.0935$ を入れると、

$$ \pi = \frac{0.0935 - 0.011}{0.9 - 0.011} \approx 0.093 $$

9.3%程度になります。これは「9.35%という観測値が確からしい」ことの証明ではありません。$f$ を2021年の .com の観測値と等しいと仮定し、$s$ を0.9と置いたらこうなる、という条件付きの感度分析にすぎない。$s = 0.9$ に根拠はなく、$f$ の置き方も前述の通り正当化できていません。補正しても値がほとんど動かないのは、この仮定の組み合わせが持つ性質です。

.edu の1.03%、.gov の0.76%に同じ $f$ を入れる操作は、なおさら成り立ちません。偽陽性率をドメインと時期をまたいで流用できない以上、観測値から真のAI混入率を引き算で切り分けることは、公開されているデータだけではできません。

このデータから言えるのは、次の範囲までです。.edu は0.57%から1.03%へ、.gov は0.41%から0.76%へ動いています。絶対水準はどちらも1%前後の低位にとどまりますが、比率で見れば概ね倍増しており、「2021年から動いていない」わけではありません。同じ期間に .com が1.09%から9.35%へ動いたことと比べると増え方の桁が違う、というのが観測できることです。ただし .edu / .gov の真のAI混入率が何%なのかは、この数字からは判定できません。

言語指標は検出モデルを通さない別系統の集計

Pew はもう1つ、検出モデルを使わない集計を出しています。1万語あたりの出現頻度を2023年と2026年で比較した言語指標です。

指標2023年2026年変化
em dash（—）5.7911.19約2倍
Oxford comma34.0455.51+63%
AIが好む語（delve、interplay、testament 等）11.9426.022倍超
negative parallelism（it’s not X, it’s Y）0.872.36約3倍

これらは機械学習モデルの出力ではなく、テキストを数えただけの値です。検出器が壊れていてもこの数字は動かない。3年で em dash が2倍、negative parallelism が3倍という変化は、AI関与説と整合します。

ただしこの集計にも標本条件が付いています。図表の注記は “Samples filtered to pages published after Nov. 30, 2022. Plotted points represent six-month averages.” です。対象は「公開日を検出でき、かつ2022年11月30日より後に公開されたページ」に限られ、各プロットは6カ月平均。つまりこの文体集計は、35%の推計とまったく同じ「HTMLに公開日フィールドを持つページ」という選択バイアスを引き継いでいます。

整合することと、因果が確定することも別です。この時系列だけでは、クロールごとにサンプルの構成が変わった可能性も、人間の書き手がAI風の文体を模倣した可能性も排除できません。加えて、検出モデルを通さない別系統の分析ではあっても、数えている対象は検出器にかけたのと同じ Common Crawl の本文で、標本の絞り方も35%と共通です。完全に独立した証拠とまでは言えません。

そもそもこの指標群は「AIが書いた」ではなく「AIが好む表現が増えた」を測っています。編集者がLLMに推敲だけ頼むケース、さらには文章講座やスタイルガイドの流行も、同じ方向に効きます。Decrypt は Pew の見解として、「AI著者性の明確な兆候」は必ずしも全文が機械生成であることを意味せず、多くはAI支援であろうと報じています（Decrypt 2026-08-22）。

日本語で書いている側への含意

この調査は英語ページのみを対象としています。Common Crawl から抽出したのは English-language pages であり、日本語ウェブの割合はこの数字からは分かりません。言語指標の側も直接は移植できません。Oxford comma は英語固有の列挙規則ですし、em dash（全角ダッシュ）は日本語組版にも存在しますが、用法も頻度も英語とは異なります。

それでも実務上の含意は2つあります。

1つは、検出器が閾値0.2で運用されているという事実です。0.5ではなく0.2。Pew は Pangram 3.3 との較正のためにこの値を選んだと説明していますが、閾値を下げれば感度は上がり、偽陽性も増えます。「AI著者性または編集の意味のある兆候」を広く拾う設計です。人間が下書きし、LLMに推敲させただけの文章も、この閾値なら陽性側に入り得ます。もし将来、検索エンジンやプラットフォームが類似の検出器を運用したとき、どこに線が引かれるかで自分の記事の扱いは変わります。

もう1つは、κ = 0.61 が示した通り、陽性判定は検出器ごとにブレるという点です。集計レベルでの傾向はともかく、個別ページの判定を決定的な結果として扱うべきではありません。「このサイトはAI製と判定された」という個別の結果を根拠に何かを決めるのは、この調査自体が支持していない使い方です。

残された不確実性

  • 35%の分母が本文からは追えない：公開日フィールドを持つページが全体の10〜15%であることは明記されていますが、2026年7月クロールでChatGPT以降の日付を持つページが実際に何件だったかは、方法論ページの本文からは確認できません（示されているのは35%という割合と、クロールサンプルの約10〜15%だけが HTML に公開日フィールドを持つという記述のみです）（Pew Research Center methodology 2026-08-20）。本文の「多くても約1,500件」という上限は筆者の見積もりで、下限のほうは公開情報からは導けません
  • 公開日フィールドの選択バイアスが未定量：Pew が認めているのは「ランダムな部分集合ではない」ことだけで、どちら向きにどれだけ偏っているかは測定されていません。日付を持つページとそうでないページでAI混入率が同じかどうかも検証されていません。本文で触れたCMS偏重・SEO記事の集中・35%が上振れという読みは、いずれも筆者の仮説です。なお文体指標の集計も2022年11月30日より後に公開されたページに絞られており、同じ選択バイアスを共有します
  • ドメイン別の数値は6カ月平均：図表の注記に “Plotted points represent six-month averages.” とある通り、.com 9.35% などは単一クロール・単一月の値ではありません。月次の振れ幅は公開されていません
  • 偽陽性の目安は示されているが、限定的：Pangram は in-domain テストでFPR 0.000と報告していますが、これは開発元自身がベンチマークセットで測った自己評価であり、実際のウェブテキストでの値でも独立検証でもありません（Pangram 2026-03-24）。Pew の方法論ページは、AI利用が現在ほど一般的でなかったプレChatGPT期のクロールで Open Pangram の推計値が約1%だったことを挙げ、「Open Pangram has a higher false-positive rate on pages created before AI use was common」と述べています。ただしこれはあくまで旧クロールでの推計値の乖離であり、閾値0.2をChatGPT以降のCommon Crawlテキストに適用したときのFPRを直接測定した数字ではありません。あわせて示されているのは商用モデル Pangram 3.3 との一致率96%・Cohen’s κ = 0.61 という別種の検証で、こちらは7クロール・62,370ページを対象にした照合です（Pew Research Center methodology 2026-08-20）。本文で $f = 0.011$ と置いたのは2021年の .com の観測値を流用した仮定であり、Pewが偽陽性率として提示した値ではありません。観測陽性率は偽陽性率の下限でもありません
  • 感度も不明：$s = 0.9$ という仮定に根拠はありません。$s$ を下げれば .com の感度分析の値は上振れします
  • Common Crawl自体の代表性：Common Crawl はウェブ全体の網羅的スナップショットではなく、クロール戦略に依存した部分集合です。「インターネットの何%」という表現は、厳密には「Common Crawlの何%」です
  • 日本語ウェブは対象外：英語のみの調査であり、他言語への一般化はできません

まとめ

Pew Research Center の2026年8月20日の調査は、Common Crawl の49回のクロールから49万ページを抽出し、Open Pangram の editlens_Llama-3.2-3B にスコア0.2という閾値をかけて集計したものです。2026年7月のサンプル1万件で10%、公開日がChatGPT以降と分かるページに限れば35%が陽性でした。

この2つの数字は同じ母集団のものではありません。35%の分母は、HTMLに公開日を書いていたページに限定された、多くても約1,500件の部分集合です。Pew 自身がこれを「ランダムな部分集合ではない」と認めています。ドメイン別（6カ月平均）では .com が1.09%から9.35%へ、.edu が0.57%から1.03%へ、.gov が0.41%から0.76%へ動きました。.edu / .gov は絶対水準こそ1%前後の低位ですが、比率では概ね倍増しており「動いていない」わけではありません。ただし偽陽性率を仮定した引き算で真のAI混入率を切り分けることは、公開されたデータだけではできません。

言語指標のほうは検出モデルを通さない集計で、em dash 5.79→11.19、negative parallelism 0.87→2.36 という変化を示しています。ただしこちらも2022年11月30日より後に公開されたページに絞った6カ月平均で、35%と同じ「公開日フィールドを持つページ」という標本条件を共有しています。2系統の集計はともに「英語ウェブでAI関与が増えた」という解釈を支持していますが、同じ日付付き Common Crawl 標本に基づく以上、方向性まで完全に確定したわけではありません。

主要出典

関連する過去記事