Pourquoi les modèles entraînés sur le web d'aujourd'hui se dégradent-ils progressivement à mesure que l'IA en écrit davantage?

Le web est désormais le corpus d'entraînement principal des modèles de pointe et est déjà saturé de textes générés par l'IA qu'aucun filtre déployé ne détecte de façon fiable. Les recherches publiées entre 2024 et 2026 montrent que même une fraction de pourcent de données synthétiques dans un cycle d'entraînement déclenche un effondrement distributionnel au fil des générations successives, réduisant la diversité des sorties et dégradant les performances en queue de distribution. La boucle de rétroaction est structurelle : les modèles entraînés cette année produisent du contenu qui contamine le corpus pour le cycle d'entraînement de l'année suivante. Les mesures d'atténuation proposées, telles que les listes blanches au niveau des sources, les filtres à filigranes et les vérificateurs de données synthétiques, présentent chacune des vecteurs de contournement, et aucune n'a été déployée à l'échelle d'un robot d'indexation web. Il n'existe aucun protocole convenu pour identifier et mettre en quarantaine les données d'entraînement générées par l'IA avant leur intégration dans un modèle.