Executive Summary

주요 수치

앞의 세 숫자는 도메인별 격차의 크기와 그 격차가 생긴 속도입니다. 마지막 하나는 이 조사에서 가장 조심해서 다뤄야 할 한계입니다.

출처: Pew Research Center 본문 차트 원자료 및 방법론 문서 (2026-08-20)

퓨리서치는 2021년 1월부터 2026년 7월까지 커먼크롤이 만든 49개 크롤에서 매번 영어 웹페이지 1만 건씩을 무작위로 뽑았습니다. 그렇게 모은 49만 건을 탐지 모델에 통과시킨 뒤, 결과를 상위 도메인별로 나눠 6개월 평균으로 찍었습니다. 이 시계열이 이 조사에서 가장 값진 부분입니다. 한 시점의 비율은 여러 매체가 이미 인용했지만, 그 비율이 어떤 순서로 갈라졌는지는 시계열에만 남아 있습니다.

챗GPT가 공개되기 직전인 2022년 7월 크롤을 보면 닷컴 1.07%, 닷오알지 0.63%, 닷에듀 0.64%, 닷거브 0.25%입니다. 네 선이 바닥에 붙어 거의 겹쳐 있습니다. 그 뒤 2023년 상반기부터 닷컴이 먼저 떨어져 나가고, 닷오알지가 절반 정도의 속도로 뒤따르고, 닷에듀와 닷거브는 4년 내내 1% 언저리를 오르내립니다.

퓨리서치는 이 격차의 원인을 따로 주장하지 않습니다. 관찰된 것은 상관관계뿐이고, 왜 닷에듀와 닷거브만 낮은 자리에 남았는지는 조사 범위 밖입니다. 다만 네 도메인 사이의 관측 가능한 차이 하나는 분명합니다. 닷에듀와 닷거브는 누구나 등록할 수 있는 주소가 아니고, 그 아래 올라가는 문서에는 대개 소속과 실명, 기관의 승인 절차가 붙습니다. 게시까지 걸리는 마찰이 큰 채널일수록 축적 속도가 느렸다는 사실은 데이터가 보여 주는 그대로입니다.

측정 도구는 팡그램이 공개한 오픈웨이트 탐지 모델 editlens_Llama-3.2-3B입니다. 페이지 본문을 넣으면 0에서 1 사이 점수가 나오고, 퓨리서치는 0.2 이상을 의미 있는 AI 저작 또는 편집 흔적으로 분류했습니다. 이 문턱값은 아무렇게나 정한 값이 아닙니다. 상용 모델과 결과를 맞추려고 보정했다고 방법론 문서에 적혀 있습니다. 크롤 7개에서 뽑은 62,370건을 상용 모델 팡그램 3.3과 대조했을 때 두 모델의 판정은 96%에서 일치했고, 코헨 카파는 0.61이었습니다. 페이지별로는 어긋나는 판정이 남았지만 크롤 단위로 집계한 전체 비율은 두 모델이 서로 가깝게 붙었고, 시간이 갈수록 올라간다는 추세의 모양도 같았습니다.

모델에 들어간 것은 페이지 HTML 전체가 아닙니다. 퓨리서치는 커먼크롤이 원본 HTML과 따로 만들어 두는 본문 텍스트 파일을 썼습니다. 이미지도 마크업도 없이 글만 뽑아낸 산출물이고, 웹 코퍼스로 학습 데이터를 만드는 쪽이 첫 단계에서 집어 드는 파일도 대개 이것입니다. 이 조사는 실제로 학습에 들어가는 텍스트를 그대로 쟀습니다.

널리 인용된 35%라는 숫자에는 조건이 붙습니다. 크롤 표본에서 HTML에 발행일 필드가 남아 있는 페이지는 10%에서 15% 사이입니다. 35%는 그 부분집합 중 챗GPT 공개일 이후로 확인되는 페이지에서 나온 값입니다. 퓨리서치는 이 대목을 감추지 않고 방법론 문서에 직접 적었습니다. 날짜가 확인되는 페이지는 웹의 무작위 부분집합이 아니므로, 이 추정치는 웹 전체가 아니라 날짜가 달린 콘텐츠의 비율로 읽어야 한다는 문장입니다. 헤드라인에서 이 단서가 떨어져 나가면서 숫자만 남았습니다.

단서가 붙는다고 35%가 허수라는 뜻은 아닙니다. 퓨리서치는 같은 방법론 문서에서 인터넷 아카이브 자료로 새로 발행된 사이트를 조사한 독립 연구가 다른 경로로 같은 35%에 닿았다는 사실도 나란히 실었습니다. 두 숫자 모두 새로 발행된 것으로 확인되는 문서를 대상으로 하고, 그 범위 안에서는 서로를 뒷받침합니다. 문제는 이 값이 웹 전체의 비율로 옮겨 인용될 때 생깁니다.

같은 문서에 도메인 격차를 읽을 때 더 중요한 단서가 하나 더 있습니다. 오픈 팡그램은 AI 사용이 흔해지기 전에 만들어진 페이지에서 오탐률이 더 높고, 2021년과 2022년 크롤에서 이 모델이 내놓은 추정치는 약 1%였습니다. 같은 페이지들에 상용 모델을 돌리면 값이 훨씬 낮게 나옵니다. 챗GPT 이전 웹에 AI 문장이 1%쯤 있었다고 읽으면 안 됩니다. 이 모델의 오탐 바닥이 그 정도입니다.

2.1웹의 문장이 같이 옮겨 갔다

퓨리서치는 탐지 모델 점수와 별개로 표본 텍스트를 한 번 더 셌습니다. 특정 표기와 어휘가 만 단어당 몇 번 나오는지를 직접 집계한 것입니다. 발행일이 챗GPT 공개 이후로 확인되는 페이지만 놓고 2023년 1월 지점과 2026년 1월 지점을 비교하면 네 항목이 모두 올라갑니다.

만 단어당 사용 횟수, 6개월 평균. 어휘군은 delve, interplay, testament, bolstered 등 퓨리서치가 미리 정해 둔 27개 항목이고, 부정 병렬 구문은 단순히 A가 아니라 B라는 형태의 대조를 말합니다. 출처: 퓨리서치센터 본문 차트 원자료

퓨리서치는 이 표시들을 AI가 쓴 페이지에서만 세지 않았습니다. 사람이 쓴 페이지까지 포함한 표본 전체에서 셌고, 그러니 웹의 평균 문장이 그쪽으로 옮겨 간 것입니다. 곡선의 모양도 단순하지 않습니다. 줄표는 2023년 하반기와 2024년에 오히려 4점대로 내려앉았다가 2025년부터 가팔라져 두 배가 됐습니다. 부정 병렬 구문은 세 배 가까이 늘었지만 만 단어당 2.36회로 여전히 드물고, 퓨리서치도 이런 표시 하나하나가 AI 저작의 증거는 아니라고 못 박았습니다.

페블러스가 한국어 원고를 검수할 때 쓰는 문체 점검표에도 줄표 남용과 단순히 A가 아니라 B라는 구문이 들어 있습니다. 같은 표시가 영어권 웹에서 통계로 확인된 셈인데, 실무에서 더 중요한 대목은 방향입니다. 이 표시들이 흔해질수록 표시에 기대는 판별은 힘을 잃고, 문장 바깥에 남아 있는 정보의 값이 올라갑니다. 어느 주소에서 온 문서인지가 그중 하나입니다.

퓨리서치가 차트와 함께 내려받게 해 둔 원자료에는 도메인별 표본 수도 들어 있습니다. 2026년 상반기 창에서 네 도메인에 잡힌 페이지는 모두 49,719건이고, 그중 41,116건이 닷컴입니다. 닷오알지 6,363건, 닷에듀 1,571건, 닷거브 669건이 나머지를 채웁니다. 열에 여덟이 넘는 페이지가 한 도메인에서 나옵니다. 이 표에는 네 상위 도메인에 잡힌 페이지만 들어 있어 닷넷이나 국가 도메인은 빠져 있지만, 네 도메인만 놓고 보면 닷에듀와 닷거브를 합쳐도 4.5%에 머뭅니다.

이 구성비가 앞의 두 숫자를 다시 읽게 만듭니다. 2026년 7월 표본 1만 건 전체에서 AI 저작 흔적이 나온 비율은 10%였고, 닷컴만 따로 세면 9.35%였습니다. 두 값은 측정 창이 다릅니다. 10%는 2026년 7월 크롤 한 번의 스냅숏이고 9.35%는 2026년 1월 지점의 6개월 평균이라, 서로 더하거나 뺄 수 있는 숫자가 아닙니다. 그런데도 두 값이 나란히 붙어 있는 것은 우연이 아닙니다. 표본에서 가장 큰 덩어리가 닷컴이니, 웹 평균이라고 부르는 숫자는 사실상 닷컴을 다시 말한 값에 가깝습니다. 닷에듀와 닷거브가 아무리 깨끗해도 평균을 끌어내릴 무게가 없습니다.

표본이 무엇을 놓치는지도 같은 방향으로 기울어 있습니다. 커먼크롤에 들어가려면 페이지가 누구에게나 열려 있어야 합니다. 퓨리서치도 페이월이 걸려 있거나 로그인을 요구하는 사이트는 이 표본에서 과소대표됐을 것이라고 방법론 문서에 밝혔습니다. 구독으로 닫힌 언론과 학술 아카이브, 기관 계정 뒤에 있는 문서는 애초에 세어지지 않았습니다. 이 조사가 잰 것은 웹의 공개 구역이고, 크롤을 받아 학습 데이터를 만드는 쪽도 정확히 같은 구역만 물려받습니다.

커먼크롤을 가공해 만드는 사전학습 코퍼스도 같은 구성비를 물려받습니다. 오염은 코퍼스 전체에 균일한 안개처럼 깔리지 않고 도메인 모양을 하고 들어옵니다. 어느 출처의 문서를 얼마나 담느냐가 그 코퍼스가 실제로 얼마나 오염됐는지를 결정합니다. 페블러스는 이전에도 깨끗한 데이터라는 말이 증명 없이 쓰이는 문제를 다룬 적이 있는데, 이번 데이터는 그 증명의 최소 단위가 무엇인지 한 가지를 알려 줍니다. 총량이 아니라 출처별 분포입니다.

웹 평균 10%라는 숫자 하나를 손에 쥐고 필터를 설계하면 어떤 일이 생기는지는 앞의 구성비가 그대로 말해 줍니다. 오염도가 균일하다고 가정한 채 코퍼스 전체를 같은 강도로 훑으면, 실제 오염이 몰린 닷컴 문서는 대부분 살아남고 애초에 문제가 없던 기관 문서가 같은 비율로 깎입니다. 남는 것은 오염 비율이 거의 그대로인, 다만 크기만 줄어든 코퍼스입니다.

실무에서 바꿀 수 있는 지점은 생각보다 앞쪽에 있습니다. 크롤 데이터를 정제할 때 원본 URL을 함께 보관하고 있다면, 상위 도메인은 이미 손에 쥔 정보입니다. 문서마다 탐지 점수를 매기기 전에 출처를 먼저 층으로 나누고, 층마다 다른 문턱과 다른 표본 비율을 적용하는 편이 같은 예산으로 더 많은 오염을 걷어냅니다. 탐지 모델을 돌리는 비용도 함께 줄어듭니다. 오염이 거의 없는 층에 같은 계산을 쏟을 이유가 없습니다.

4.1파이프라인에서 오늘 확인할 네 가지

퓨리서치의 조사 설계 자체가 코퍼스를 다루는 쪽에 몇 가지 실무 규칙을 남깁니다.

• 출처 필드를 파생 데이터셋까지 끌고 갑니다. URL이나 상위 도메인이 중간 단계에서 떨어져 나가면 층화 필터링은 그 시점에 불가능해집니다.
• 탐지 점수를 이진 라벨로 굳히지 말고 연속값으로 보관합니다. 퓨리서치의 0.2도 상용 모델에 맞추려고 고른 값이고, 문턱을 옮기면 그림이 달라집니다.
• 층별 표본 수를 함께 기록합니다. 표본이 수백 건뿐인 층에서 나온 비율은 몇 건 차이로 흔들리므로, 그 층에는 자동 규칙보다 표본 검수를 붙이는 편이 안전합니다.
• 탐지기의 오탐 바닥을 먼저 잽니다. AI 사용 이전 시기의 문서를 같은 모델에 통과시켜 나오는 값이 그 층의 하한이고, 그보다 낮은 차이는 신호로 읽지 않습니다.

마지막 규칙은 탐지기를 쓰는 모든 자리에 해당합니다. 페블러스가 앞서 다룬 ICLR 2026 리뷰 21%가 AI였다는 조사도 같은 벤더의 탐지 모델을 썼고, 그때도 판정의 신뢰도는 개별 문서가 아니라 대량 집계에서 나왔습니다. 문서 한 건의 판정은 확률적 도구의 출력이고, 파이프라인에서 그것을 사실로 굳히는 순간 오탐이 라벨이 됩니다.

조사 보고서

• 1.Bestvater, S., Smith, A., TerBush, C., Baronavski, C., & Chavda, J. (2026). "How Much of the Internet Is Written With AI?" Pew Research Center, 2026-08-20.
• 2.Pew Research Center. (2026). "How Much of the Internet Is Written With AI? Methodology." 2026-08-20.
• 3.Dolezal, J. 외. (2026). "The Impact of AI-Generated Text on the Internet." 인터넷 아카이브 데이터 기반 독립 연구, 퓨리서치 방법론 문서에서 대조 근거로 인용.

도구와 데이터

• 4.Pangram. "editlens_Llama-3.2-3B." Hugging Face (2026-08-26 확인). 이 조사에 쓰인 오픈웨이트 AI 탐지 모델.
• 5.Pangram. "Introducing Open Pangram." (2026-08-26 확인).
• 6.Common Crawl. "Common Crawl." (2026-08-26 확인). 표본이 추출된 웹 아카이브.