Contenu généré par IA : le web se mange-t-il lui-même ?

L’image d’un web qui « se mange lui-même » réunit deux phénomènes différents. Le premier : des sites produisent en masse du contenu généré par IA, et les modèles suivants apprennent sur ce contenu. Le second : les moteurs de réponse lisent les pages à la place des lecteurs, qui n’ont plus toujours besoin de cliquer vers les sites d’où vient l’information.

Les deux sont réels. Aucun des deux ne condamne le web. Ils changent ce qu’un site doit apporter pour mériter d’être lu, cité ou visité.

Ce que montrent les données

L’appauvrissement des modèles est démontré, en conditions contrôlées. En juillet 2024, Ilia Shumailov (université d’Oxford) et ses coauteurs ont publié dans Nature l’étude « AI models collapse when trained on recursively generated data ». Elle montre que lorsqu’un modèle est entraîné en boucle, sans discernement, sur du contenu généré par des modèles, il subit des défauts irréversibles : les « queues » de la distribution d’origine disparaissent. Dit simplement, les cas rares s’effacent d’abord ; or, rappellent les auteurs, ces cas rares concernent souvent des groupes marginalisés. Une correction des auteurs, publiée le 21 mars 2025, rectifie une notation de la partie théorique ; elle ne change pas cette conclusion.

Une limite importante : il s’agit d’un entraînement récursif contrôlé, mené notamment sur un petit modèle de langage (OPT-125m, publié par Meta), affiné à chaque génération sur les textes produits par la précédente. Les modèles en production mélangent données humaines et synthétiques, et l’ampleur de l’effet sur eux n’est pas établie.

Les assistants d’IA deviennent une porte d’entrée vers l’information. Le Digital News Report 2025 du Reuters Institute, qui couvre 48 marchés, a posé la question pour la première fois : 7 % des personnes interrogées utilisent chaque semaine un chatbot d’IA pour s’informer, et 15 % chez les moins de 25 ans. L’enquête a été menée en ligne par YouGov, de la mi-janvier à la fin février 2025 (méthodologie). C’est encore minoritaire, deux fois plus fréquent chez les moins de 25 ans, et trop récent pour parler de tendance.

Reste à savoir si ces lecteurs cliquent encore vers les sites : c’est aussi la question que posent les résumés affichés par Google en tête de ses résultats, que nous traitons dans notre analyse des AI Overviews.

Position 1 : le web s’épuise

Le premier camp décrit une spirale. Le contenu généré ne coûte presque rien à produire, donc il inonde les résultats de recherche. Les moteurs de réponse résument les pages sans envoyer de visiteurs, donc les sites qui produisent l’information perdent le trafic qui les finançait. Moins de revenus, moins de contenu original, plus de contenu généré : le web s’appauvrit, et les modèles qui s’en nourrissent avec lui.

Ce raisonnement a pour lui l’étude de Nature et une inquiétude que le Reuters Institute relève chez les éditeurs de presse : à mesure que les grandes plateformes intègrent des résumés générés par l’IA, ils craignent de perdre encore du trafic vers leurs sites et leurs applications. Il a contre lui de supposer que rien ne viendra corriger la tendance.

Position 2 : le contenu médiocre a toujours existé

Le second camp rappelle que les fermes de contenu, les textes écrits pour les robots et les pages copiées d’autres pages existaient bien avant l’IA, et que les moteurs de recherche ont toujours dû trier. Les auteurs de l’étude de Nature le rappellent eux-mêmes : les fermes de contenu ont conduit les moteurs à modifier leurs algorithmes, et Google a rétrogradé les articles produits à la chaîne. Les laboratoires d’IA, de leur côté, ont tout intérêt à repérer les données humaines de qualité : la même étude conclut que les données recueillies sur de vraies interactions humaines avec ces systèmes prendront de la valeur.

Ce camp a raison sur l’histoire. Il sous-estime peut-être l’échelle, et c’est encore l’étude de Nature qui le dit : ce qui change avec les grands modèles de langage, c’est l’échelle que peut atteindre cet empoisonnement une fois automatisé.

Ce que nous en pensons

Nous opérons un moteur de contenu multilingue en production, sur six langues, et nous appliquons à ce site les corrections que nous recommandons. Notre lecture rejoint les deux camps à la fois : il est devenu très facile de publier une page, et beaucoup plus difficile d’en publier une qui sert à quelque chose.

Notre avis tient en une phrase : une page qui ne contient que ce qu’un modèle aurait écrit seul n’a aucune raison d’être citée, ni par Google, ni par un moteur de réponse, ni par un lecteur. Le modèle sait déjà produire la moyenne. Ce qu’il ne sait pas, c’est ce qui s’est passé chez vous : une mesure que vous avez faite, une erreur que vous avez corrigée, un prix que vous pratiquez, un avis que vous assumez.

Un exemple tiré de nos missions : l’audit de Palmora, un portail d’annonces immobilières en Thaïlande que nous avons construit et que nous opérons, a montré que le robots.txt servi par le CDN fermait tout le site à GPTBot, ClaudeBot, CCBot et Google-Extended, alors que rien de tel n’apparaissait dans son dépôt. Ce genre de constat, propre à un site et vérifiable, est précisément ce qu’un modèle ne peut pas inventer. Nous le racontons en détail dans notre article sur la façon d’être cité par ChatGPT.

Ce qui nous ferait changer d’avis : si les moteurs de réponse cessaient complètement de citer leurs sources, ou si l’on démontrait que les modèles en production se dégradent réellement à cause du contenu synthétique. Ni l’un ni l’autre n’est établi en octobre 2026.

Ce que ça change concrètement pour un site

• Publier moins, mais du propre. Dix pages avec des chiffres que vous avez mesurés valent mieux que cent pages reformulées. L’IA peut aider à rédiger ; elle ne doit pas fournir le fond, et la relecture humaine reste non négociable, comme nous l’expliquons dans ce qu’une agence SEO IA doit vraiment livrer.
• Sourcer et dater. Une affirmation avec sa source primaire et sa date est plus facile à citer qu’une affirmation vague, pour un lecteur comme pour un assistant.
• Répondre tout de suite. Une page qui répond à sa question dès les premières lignes est celle qu’un moteur de réponse peut reprendre, avec un lien.
• Décider qui lit le site. Ouvrir ou fermer son contenu aux robots d’IA est un choix éditorial légitime. Le subir sans le savoir ne l’est pas, et c’est ce qui arrivait sur Palmora. Le fichier llms.txt aide les agents qui lisent un site à la demande, mais aucun grand moteur ne dit s’en servir pour choisir qui citer.
• Mesurer ce qui vient des assistants. Le trafic envoyé par les assistants se suit à part du trafic de recherche classique, avec les autres relevés de notre protocole de mesure de la visibilité dans les IA.

Et si votre équipe sait des choses qu’aucun modèle ne peut écrire à sa place, notre moteur SEO et GEO part de là : nous préparons les brouillons, vous relisez et validez avant toute publication.

Questions fréquentes

Le contenu généré par IA est-il pénalisé par Google ?

Pas en tant que tel. Dans ses conseils publiés le 8 février 2023, Google écrit qu’il se concentre sur la qualité du contenu plutôt que sur la façon dont il est produit. Ses règles sur le spam visent en revanche la production de nombreuses pages pour manipuler le classement, par exemple avec l’IA, sans valeur pour les utilisateurs : un site qui s’y livre peut être moins bien classé, voire retiré des résultats.

Qu’est-ce que l’effondrement des modèles d’IA ?

C’est le nom que donnent Ilia Shumailov et ses coauteurs, dans leur étude publiée par Nature en 2024, à la dégradation d’un modèle entraîné, génération après génération, sur des données produites par des modèles. Ils en distinguent deux stades : d’abord, le modèle perd l’information sur les cas rares ; ensuite, il converge vers une distribution qui ressemble peu à celle d’origine, souvent beaucoup moins variée. En anglais, on parle de model collapse.

L’effondrement des modèles est-il déjà en cours ?

Rien ne l’établit en octobre 2026. Le phénomène est démontré en laboratoire, quand un modèle est réentraîné en boucle, sans discernement, sur des données générées. Dans la même étude, garder à chaque génération 10 % des données d’origine ne laissait qu’une dégradation mineure des performances. Les modèles en production mélangent données humaines et synthétiques, et l’ampleur de l’effet sur eux n’est pas établie.