Jeszcze kilka lat temu wyborca, który chciał sprawdzić kandydata na prezydenta miasta, musiał wejść na jego stronę, przejrzeć media (w tym te „tradycyjne”), obejrzeć debatę, zapytać znajomych albo przewinąć kilka stron wyników Google. Dziś coraz częściej może zrobić coś prostszego – zadać pytanie ulubionemu czatowi (dużemu modelowi językowemu).
Nie musi nawet… znać nazwisk. Nie musi wiedzieć, kto jest z jakiego komitetu. Nie musi śledzić konferencji prasowych. Generalnie, niezbyt wiele musi. Za to może. Może zapytać: „kto w Krakowie ma najlepszy program transportowy?”, „który kandydat jest związany z Nową Hutą?”, „kto chce zmienić Strefę Czystego Transportu?”, „czy kandydat PiS ma doświadczenie samorządowe?”, „kto w tych wyborach mówi konkretnie o kosztach życia?”.
I dostanie odpowiedź.
Nie listę linków. Nie klasyczny wynik wyszukiwania. Nie neutralną bazę dokumentów. Dostanie syntetyczny opis sceny politycznej, zbudowany przez LLM na podstawie tego, co model znajdzie, zapamięta, zinterpretuje, uzna za ważne i ułoży w odpowiednią hierarchię. I to pod tego użytkownika, który po części „wychował” sobie „Tamagotchi” rodem z trzeciej dekady (jak to brzmi!) XXI wieku. Tylko nie karmi go i nie myje przyciskając guziczki, a podrzuca kąski samego siebie zdradzające przyzwyczajenia.
To jest nowa warstwa kampanii wyborczej. Cicha, prywatna, trudna do monitorowania i – w wyborach lokalnych – potencjalnie bardzo istotna.
Kraków jako laboratorium wyborów w epoce GenAI
Kraków jest dobrym miejscem, żeby zobaczyć tę zmianę w praktyce. To nie jest mała gmina, ale też nie ogólnokrajowa kampania, w której każdy kandydat jest stale obecny w głównych mediach. Według danych GUS na koniec 2025 roku Kraków miał 816 614 mieszkańców. To duży, złożony organizm miejski: z centrum, Nową Hutą, dzielnicami peryferyjnymi, uczelniami, turystyką, biznesem, transportem, konfliktami o zieleń, planowanie przestrzenne, ceny usług miejskich i sposób zarządzania miastem. źródło: Kraków w liczbach
Do tego dochodzi wyjątkowy kontekst polityczny. W referendum lokalnym z 24 maja 2026 roku frekwencja w głosowaniu dotyczącym odwołania prezydenta Krakowa wyniosła 29,99 proc. — wystarczająco, aby referendum było ważne i rozstrzygające. W równoległym głosowaniu dotyczącym odwołania Rady Miasta frekwencja wyniosła 29,97 proc., a więc ustawowy próg nie został przekroczony. Różnica pozornie minimalna, skutki polityczne całkowicie różne. źródło: Miasto Kraków
Kraków ma też świeże doświadczenie bardzo wyrównanej rywalizacji. W drugiej turze wyborów prezydenckich w 2024 roku Aleksander Miszalski uzyskał 51,04 proc. głosów, a Łukasz Gibała 48,96 proc. Według relacji opartych na danych PKW różnica wyniosła 5434 głosy. źródło: Rzeczpospolita
To są liczby, przy których warto uważać na każde nowe źródło wpływu informacyjnego. Nie dlatego, że chatbot „wybierze prezydenta Krakowa”. To zbyt mocna teza. Ale dlatego, że w kampanii, w której kilka tysięcy głosów może zmienić wynik, znaczenie ma także to, kto jest widoczny, kto jest pomijany, z czym jest kojarzony i jak zostaje opisany w odpowiedziach generatywnej sztucznej inteligencji, po które coraz częściej sięgają użytkownicy.
Wyborca nie tylko szuka. Wyborca rozmawia
Najważniejsza zmiana nie polega na tym, że AI potrafi wygenerować spot, mem albo deepfake. To oczywiście też ma znaczenie, ale jest już dość dobrze rozpoznanym tematem. Dużo się o tym mówi, są o tym kampanie – mniej lub bardziej społeczne. Mniej lub bardziej opłacane przez dane komitety wyborcze.
Ciekawsza i mniej oczywista zmiana dotyczy tego, że LLM-y stają się prywatnymi doradcami informacyjnymi. Wyborca może nie pytać: „jaki jest program Michała Drewnickiego”. Może nawet nie pamiętać tego nazwiska. Może za to zapytać: „kto w Krakowie ma doświadczenie w samorządzie?”, „który kandydat mówi o Nowej Hucie?”, „kto ma konkretne, jasne stanowisko wobec SCT?”, „czy kandydat PiS w Krakowie jest tylko partyjny, czy ma lokalne doświadczenie?”.
Takie pytania są znacznie bliższe realnemu procesowi decyzyjnemu. Ludzie rzadko porównują całe programy od deski do deski. (swoją drogą… która z partii w 2024 roku opisała swój klarowny program wyborczy, a nie leciała na fali zmieniających się sondaży, okrzyków na wiecach i pieniactwa mierzonego w „mediach społecznościowych”?) Częściej szukają odpowiedzi na własny problem: dojazdy, ceny, zieleń, szkoła, chodnik, parkowanie, zabudowa za oknem, poczucie chaosu w urzędzie albo brak wpływu na decyzje miasta.
Właśnie tu duże modele językowe zaczynają działać jak nowy pośrednik. Nie tylko dostarczają informacji. One porządkują scenę. Wybierają, których kandydatów wymienić. Decydują, które fakty uznać za istotne. Skracają złożony kontekst do kilku akapitów. I często robią to w sposób, którego nie zobaczymy w klasycznym monitoringu mediów, SEO ani analizie social media. Tym samym można domniemywać, że pracownie sondażowe i ich „przestrzelenia” coraz będą jednymi z głównych tematów komentarzy po exit poolach.
To już nie jest nisza technologiczna
Jeżeli ktoś zakłada, że „chatboty” to nadal zabawka dla studentów i branży technologicznej, dane szybko studzą ten pogląd. Według raportu Gemius/PBI w czerwcu 2025 roku z ChatGPT w Polsce korzystało ponad 9,3 mln realnych użytkowników. Oznaczało to 31,4 proc. internautów i 28,6 proc. populacji w wieku 7–75 lat. Raport wskazywał też, że wśród użytkowników ChatGPT nadreprezentowane są osoby poniżej 35. roku życia, a w grupie 25–34 lata średni czas korzystania w czerwcu wynosił 2 godziny i 42 minuty. źródło: Gemius/PBI
W skali europejskiej Eurostat podał, że w 2025 roku z narzędzi generatywnej AI korzystało 32,7 proc. mieszkańców UE w wieku 16–74 lata. W grupie 16–24 lata odsetek ten wynosił już 63,8 proc. źródło: Eurostat
To ważne, bo młodsi wyborcy są jednocześnie grupą skłonniejszą do używania nowych narzędzi informacyjnych i grupą, która w lokalnych wyborach często bywa mniej stabilna frekwencyjnie. Nie trzeba zakładać masowego przejścia całej kampanii do systemów wspieranych sztuczną inteligencją. Wystarczy zauważyć, że dla istotnej części użytkowników rozmowa z chatbotem staje się jednym z naturalnych sposobów porządkowania informacji.
AI jako narzędzie do newsów, polityki i decyzji
Dane Reuters Institute pokazują, że AI chatboty są już używane do konsumpcji informacji, choć nadal nie dominują. W 2026 roku 10 proc. badanych na 45 rynkach deklarowało cotygodniowe korzystanie z chatbotów AI do newsów, wobec 7 proc. rok wcześniej. Jeszcze ciekawsze jest to, jak ludzie ich używają: 42 proc. użytkowników chatbotów newsowych zadaje pytania pogłębiające, 35 proc. używa ich do uzyskania najnowszych informacji, 34 proc. do streszczania, 30 proc. do upraszczania złożonych tematów, a 33 proc. do oceny wiarygodności źródeł. źródło: Reuters Institute Digital News Report
To niemal gotowy opis zachowania wyborcy w kampanii lokalnej. „Wyjaśnij mi, o co chodzi ze Strefą Czystego Transportu”. „Streść różnice między kandydatami”. „Kto jest wiarygodny w temacie transportu?”. „Czy ten kandydat naprawdę ma doświadczenie w samorządzie?”. „Jakie źródła potwierdzają jego deklaracje?”.
W tym miejscu AI przestaje być tylko narzędziem do pisania tekstów. Staje się interfejsem do rzeczywistości publicznej.
Najmocniejszy sygnał ostrzegawczy – wyborcy już pytają GenAI o wybory
Jedna z najciekawszych liczb pochodzi z badania dotyczącego wyborów parlamentarnych w Wielkiej Brytanii w 2024 roku. Reprezentatywne badanie 2499 dorosłych wykazało, że w tygodniu przed wyborami 32 proc. użytkowników chatbotów (13 proc. wszystkich uprawnionych wyborców) używało konwersacyjnej AI do szukania informacji bezpośrednio związanych z decyzją wyborczą. źródło: arXiv, badanie UK 2024
To nie jest marginalny detal. To jest sygnał, że chatboty wchodzą w sam środek procesu wyborczego: nie jako abstrakcyjna technologia, ale jako narzędzie używane wtedy, gdy wyborca właśnie podejmuje decyzję, porządkuje argumenty albo próbuje zrozumieć scenę polityczną. Często tuż przed wejściem do lokalu wyborczego.
Co istotne, autorzy tego badania nie formułują prostego alarmistycznego wniosku. W serii eksperymentów z udziałem 2858 uczestników stwierdzili, że korzystanie z chatbotów nie pogarszało wiedzy politycznej; przeciwnie, zwiększało ją w podobnym stopniu jak tradycyjne wyszukiwanie internetowe. źródło: AI Security Institute
I właśnie dlatego temat jest ciekawszy niż zwykła opowieść o zagrożeniu. Pora na truizm. Nawet go wybolduję, żeby się nachalniej rzucał w oczy. Nie ma za co…
LLM-y mogą pomagać wyborcom lepiej rozumieć politykę. Ale mogą też mylić, pomijać, upraszczać, nieaktualnie identyfikować kandydatów albo budować określone ramy interpretacyjne.
Druga strona – odpowiedzi chatów bywają wadliwe
Problem polega na tym, że odpowiedzi modeli sprawiają wrażenie uporządkowanych, pewnych i kompletnych, nawet wtedy, gdy zawierają luki. Wiesz… jak ten poznany na studenckiej imprezie przyszły inżynier (jak los i profesorowie pozwolą) AGH, który będzie z uporem godnym lepszej sprawy bronił stanowiska, jakie trzy piwa temu nie weszłoby nawet do dyskusji ;)
Badanie EBU i BBC objęło ponad 3000 odpowiedzi generowanych przez czterech asystentów AI (ChatGPT, Copilota, Gemini i Perplexity) w 14 językach. 45 proc. odpowiedzi zawierało przynajmniej jeden istotny problem, 31 proc. miało poważne problemy ze źródłami, a 20 proc. zawierało poważne problemy z dokładnością, w tym informacje nieaktualne lub halucynowane. źródło: EBU/BBC
W wyborach lokalnych to ryzyko może być większe niż w kampanii ogólnokrajowej. Lokalne źródła są bardziej rozproszone. Kandydaci bywają (i są, co zaraz sobie udowodnimy) mniej znani. Kontekst zmienia się szybciej. Nazwiska z poprzedniego cyklu mogą mieszać się z nowymi kandydaturami. Programy bywają publikowane etapami. (o ile powstaną, ale o tym już pisałem i więcej szpileczek nie będzie… chyba) A pytania użytkowników często są krótkie, potoczne i niedoprecyzowane.
Przy ogólnopolskim liderze model zwykle ma dużo danych. Przy lokalnym kandydacie na prezydenta Krakowa musi poskładać obraz z BIP-u, lokalnych mediów, strony kandydata, wpisów społecznościowych, sondaży, relacji z konferencji i bieżących wydarzeń. To idealne warunki do błędów pozornie drobnych, ale politycznie znaczących: pomylenia funkcji, pominięcia konkurenta, przypisania nieaktualnej kandydatury, nadania komuś zbyt wąskiej etykiety albo oparcia odpowiedzi na źródłach z poprzednich wyborów.
Najważniejszy twist: GenAI nie musi kłamać, żeby wpływać
W dyskusji o AI i wyborach za dużo uwagi skupia się na „fałszywkach”. Tymczasem dla lokalnej kampanii równie ważne może być coś subtelniejszego: reprezentacja.
Model może nie podać fałszywej informacji. Może po prostu opisać kandydata głównie przez partię, a pominąć jego doświadczenie samorządowe. Może wymienić go przy pytaniu o PiS, ale nie przy pytaniu o transport. Może napisać o SCT, ale pominąć wątek komunikacji miejskiej. Może odpowiedzieć na pytanie o Nową Hutę bez wskazania osoby, która sama buduje część swojej komunikacji wokół związków z tą częścią miasta. Może umieścić kandydata na końcu listy, mimo że formalnie jest jednym z istotnych uczestników wyścigu.
To nie musi być „błąd” w prostym sensie. To może być konsekwencja hierarchii źródeł, świeżości danych, dostępności informacji, sposobu sformułowania pytania i mechaniki odpowiedzi generowanej przez model.
W tradycyjnym SEO walczyło się o pozycję w wynikach wyszukiwania. W świecie LLM-ów coraz ważniejsze staje się pytanie: czy kandydat w ogóle pojawia się w odpowiedzi, przy jakich pytaniach się pojawia, z czym zostaje skojarzony i z kim jest porównywany.
Ten mechanizm dobrze widać w badaniu Michała Drewnickiego (omówione szerzej w dalszej części tekstu). W 250 odpowiedziach z badania deep dive modele wspominały kandydata w 87,6 proc. przypadków, gdy użytkownik podawał jego nazwisko, ale tylko w 5,0 proc. przypadków, gdy pytanie nie zawierało nazwiska i dotyczyło problemu, kategorii kandydatów albo tematu miejskiego. Innymi słowy: rozpoznawalność po nazwisku nie oznacza jeszcze widoczności tematycznej.
A jeśli odpowiedź nie tylko informuje, ale także przesuwa opinię?
Tu pojawia się drugi kluczowy zestaw danych. Badania opisywane przez Cornell pokazały, że krótka rozmowa z chatbotem może znacząco przesuwać opinie polityczne. W eksperymentach prowadzonych w czterech krajach chatboty oparte na LLM-ach przesuwały preferencje wyborców opozycyjnych o 10 punktów procentowych lub więcej w wielu przypadkach. W eksperymentach w Kanadzie i Polsce efekt wynosił około 10 punktów procentowych, a w jednym z badań najbardziej perswazyjnie zoptymalizowany model przesunął opinie wyborców opozycyjnych o 25 punktów procentowych. źródło: Cornell Chronicle
Trzeba powiedzieć to ostrożnie. To były eksperymenty kontrolowane, a nie dowód, że chatboty same przesądzą realne wybory. Uczestnicy wiedzieli, że rozmawiają z AI, a kierunek perswazji był randomizowany. Sami autorzy i komentatorzy podkreślali ograniczenia takich badań oraz różnicę między warunkami eksperymentalnymi a rzeczywistą kampanią. źródło: Nature Asia
Ale jeden wniosek jest trudny do zignorowania. Brzmi on mniej więcej tak: odpowiedzi modeli mogą być perswazyjne nie dlatego, że są emocjonalne, agresywne albo manipulacyjne w klasycznym sensie. Według badaczy ich siła często wynikała z tego, że generowały dużo twierdzeń, argumentów i pozornie rzeczowych uzasadnień. Cornell podkreślał, że gdy ograniczano modelom możliwość używania faktów, ich perswazyjność spadała; jednocześnie bardziej perswazyjne modele bywały mniej dokładne. źródło: Cornell Chronicle
To jest sedno problemu w kampanii lokalnej. Wyborca może dostać odpowiedź spokojną, rzeczową, dobrze brzmiącą i pozbawioną partyjnego tonu. A mimo to ta odpowiedź może wzmacniać określony obraz kandydata.
Przykład Krakowa, czyli Michał Drewnicki w odpowiedziach LLM-ów
W takim kontekście badanie Michała Drewnickiego, kandydata Prawa i Sprawiedliwości na prezydenta Krakowa, jest dobrym przykładem tego, co trzeba zacząć mierzyć w polityce lokalnej.
Nie chodzi wyłącznie o pytanie: „czy GenAI zna nazwisko kandydata?”. To jest najprostszy poziom. Znacznie ciekawsze są pytania głębsze:
Czy modele poprawnie identyfikują Michała Drewnickiego jako kandydata PiS w przedterminowych wyborach w Krakowie?
Czy rozpoznają jego funkcje publiczne – radnego miejskiego i wiceprzewodniczącego Rady Miasta Krakowa?
Czy odróżniają aktualny kontekst wyborczy od wyborów samorządowych z 2024 roku?
Czy łączą go wyłącznie z PiS, czy także z lokalnym doświadczeniem samorządowym?
Czy pojawia się w odpowiedziach na pytania, które nie zawierają jego nazwiska, ale dotyczą tematów obecnych w jego publicznym profilu: komunikacji, SCT, Nowej Huty, planowania przestrzennego, kosztów życia, relacji urząd–mieszkańcy?
Czy modele potrafią odróżnić informacje oficjalne, relacje medialne, deklaracje kampanijne i własne interpretacje?
Badanie przeprowadził skromny autor tego tekstu w dniu 03/07/2026.
W badaniu zrealizowanym naszym autorskim narzędziem Semantio przeanalizowałem 250 odpowiedzi dotyczących Michała Drewnickiego w kontekście wyborów prezydenckich w Krakowie. Materiał to efekt analizy obejmującej 50 unikalnych scenariuszy, uruchomionych w pięciu systemach: ChatGPT, Gemini, Grok, DeepSeek i Google Overview. Każdy system odpowiedział na zadane 50 scenariuszy. Scenariusze podzielono m.in. według etapu lejka intencji: 80 odpowiedzi na etapie awareness, 85 na etapie consideration i 85 na etapie decision. Osobno analizowano pytania zawierające nazwisko kandydata oraz pytania problemowe bez nazwiska.
Najmocniejszy wynik dotyczy różnicy między rozpoznawalnością po nazwisku a widocznością spontaniczną. W całym materiale było 170 odpowiedzi na pytania zawierające nazwisko Michała Drewnickiego oraz 80 odpowiedzi na pytania bez nazwiska. Gdy użytkownik podawał nazwisko kandydata (prompt-scenariszu zawierał nazwisko „Drewnicki”), modele wspominały Drewnickiego w 149 ze 170 odpowiedzi, czyli w 87,6 proc. przypadków. Gdy pytanie nie zawierało nazwiska i dotyczyło problemu, kategorii kandydatów albo tematu miejskiego, Drewnicki pojawił się tylko w 4 z 80 odpowiedzi, czyli w 5,0 proc. przypadków.
Mówiąc wprost: modele potrafią opisywać kandydata, gdy użytkownik już wie, o kogo pyta, ale znacznie gorzej łączą go samodzielnie z problemami miasta.
W danych widać też, że widoczność nie jest równo rozłożona między systemami. Wszystkie 4 spontaniczne wzmianki o Drewnickim w pytaniach bez nazwiska pochodziły z Google Overview. W pozostałych systemach (ChatGPT, Gemini, Grok i DeepSeek) przy takich pytaniach kandydat nie pojawił się ani razu. To ważne, bo podkreśla „na liczbach”, że nie istnieje jedna, uniwersalna „widoczność w AI”. Każdy system może budować inną mapę sceny politycznej, zależną od źródeł, aktualności danych, mechaniki wyszukiwania i sposobu generowania odpowiedzi.
Owszem, nie mogłem się powstrzymać z tym zdjęciem w kontekście SCT ;)
Najwyraźniejszy zalążek widoczności tematycznej pojawił się przy pytaniach o transport, komunikację miejską, bilety, mobilność i Strefę Czystego Transportu. W pytaniach bez nazwiska dotyczących tego obszaru Drewnicki pojawił się w 4 z 30 odpowiedzi, czyli w 13,3 proc. przypadków. To nadal niski wynik, ale na tle pozostałych tematów istotny: pytania o doświadczenie samorządowe, Nową Hutę, dzielnice, planowanie przestrzenne czy zieleń nie uruchamiały jego nazwiska równie skutecznie. Z punktu widzenia kampanii lokalnej to ważna różnica: model może dobrze opisać problem Krakowa, ale niekoniecznie pokaże wyborcy, który kandydat próbuje ten problem politycznie zagospodarować.
W 70 z 250 odpowiedzi, czyli w 28,0 proc. całego zbioru, oznaczono alert halucynacji. Ryzyko błędu nie znikało po podaniu nazwiska: przy pytaniach z nazwiskiem alert pojawił się w 50 ze 170 odpowiedzi (29,4 proc.), a przy pytaniach bez nazwiska w 20 z 80 odpowiedzi (25,0 proc.). Najczęściej były to problemy kontekstowe, czyli mieszanie wyborów 2026 z wyborami 2024, błędne funkcje publiczne, błędna afiliacja polityczna, błędne lub podejrzane adresy URL, niepotwierdzone szczegóły programu oraz jednostkowo nawet pomylenie Krakowa z Warszawą (tego się nie wybacza w Grodzie Kraka!). W lokalnej kampanii właśnie takie drobne błędy mogą być bardziej prawdopodobne niż spektakularne „fałszywki”, a tym samym o wiele trudniejsze do wychwycenia, bo często występują w odpowiedziach brzmiących spokojnie i rzeczowo. Skąd my to znamy?…
Różnice między providerami (kolejne piękne słowo rodem znad Bugu) były wyraźne. Google Overview najczęściej wspominał Drewnickiego i miał najniższy odsetek alertów halucynacji: 37 wzmianek w 50 odpowiedziach (74,0 proc.) oraz 5 alertów (10,0 proc.). DeepSeek wspominał kandydata w 33 z 50 odpowiedzi (66,0 proc.), ale jednocześnie miał najwyższy udział alertów: 31 z 50 odpowiedzi (62,0 proc.). ChatGPT wspomniał Drewnickiego w 30 z 50 odpowiedzi (60,0 proc.) i miał 8 alertów (16,0 proc.). Grok wspomniał go w 27 z 50 odpowiedzi (54,0 proc.) i miał 16 alertów (32,0 proc.). Gemini wspomniał kandydata w 26 z 50 odpowiedzi (52,0 proc.) i miał 10 alertów (20,0 proc.). To pokazuje, że większa widoczność w AI nie zawsze oznacza większą jakość reprezentacji.
Źródła także układały się ciekawie. W całym zbiorze zidentyfikowano 676 linków źródłowych. Najczęściej pojawiały się domeny: bip.krakow.pl (90 razy), facebook.com (71 razy), krakow.pl (38 razy), youtube.com (29 razy), radiokrakow.pl (26 razy), lovekrakow.pl (23 razy), drewnicki.pl (22 razy) oraz ztp.krakow.pl (22 razy). Oficjalna domena kandydata była więc obecna, ale zdecydowanie daleko jej do dominacji. Obraz Drewnickiego w AI był budowany także przez BIP, media lokalne, źródła miejskie, Facebooka, YouTube’a i inne domeny pośrednie.
Jednocześnie w 115 z 250 odpowiedzi nie było żadnego linku źródłowego, co stanowi 46,0 proc. całego materiału. Różnice między systemami były duże: Google Overview podawał linki w każdej odpowiedzi, ChatGPT w 43 z 50, DeepSeek w 31 z 50, Grok w 10 z 50, a Gemini tylko w 1 z 50 odpowiedzi. To ma znaczenie wyborcze – odpowiedź bez źródła może brzmieć wiarygodnie, ale użytkownik nie ma szybkiej ścieżki sprawdzenia, skąd model wziął informacje o kandydacie, funkcji, programie czy kontekście wyborów.
W odpowiedziach LLM-ów konkurencja również nie była rozumiana wyłącznie jako lista formalnych rywali wyborczych. W polu konkurencyjnym najczęściej pojawiali się Aleksander Miszalski (53 razy) i Łukasz Gibała (50 razy), ale dalej widoczni byli także Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) i Bartosz Bocheńczak (8). Pojawiały się również media, instytucje, partie i organizacje, m.in. Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica i PiS. Dla modelu scena wyborcza miesza się więc ze sceną informacyjną. Co to oznacza? Kandydat konkuruje nie tylko z innymi nazwiskami, ale też z wcześniejszymi kontekstami, silniejszymi źródłami i bardziej utrwalonymi skojarzeniami.
Najkrótszy wniosek z badania brzmi: nazwisko to za mało. W świecie LLM-ów kandydat może być rozpoznawany (analizowany Michał Drewnicki ewidentnie do takich na razie nie należy), gdy użytkownik pyta o niego wprost, a jednocześnie pozostawać słabo obecny przy pytaniach, od których realnie zaczyna się decyzja wyborcy: o dojazdy, koszty, dzielnicę, zieleń, urząd, doświadczenie albo wiarygodność w konkretnym problemie. To właśnie tę warstwę – nie tylko obecność w internecie, lecz obecność w odpowiedziach na potrzeby użytkowników – trzeba dziś parametryzować.
Co dokładnie można mierzyć?
Analizując wyniki uzyskane w Semantio patrzyłem na odpowiedzi dużych modeli językowych nie jak na ciekawostkę, ale jak na nową warstwę widoczności publicznej. W przypadku kandydata politycznego można analizować między innymi:
widoczność spontaniczną – czy kandydat pojawia się, gdy użytkownik nie podaje nazwiska;
poprawność identyfikacji – nazwisko, funkcja, partia, rok wyborów, aktualny kontekst;
pozycję w odpowiedzi – czy kandydat jest pierwszy, środkowy, ostatni, pominięty lub opisany skrótowo;
powiązania tematyczne – przy jakich tematach model go przywołuje: transport, SCT, dzielnice, koszty życia, doświadczenie samorządowe, PiS, prawica, zarządzanie miastem;
porównania – z kim model najczęściej go zestawia i według jakich kryteriów; z kim kandydat wygrywa, a kto ma dla niego KO (nie chodzi o komitet!)
źródła – czy odpowiedź opiera się na aktualnych, wiarygodnych i adekwatnych danych;
halucynacje – fascynujący obszar, gdzie można zobaczyć takie rzeczy, jak pomylenie osób, funkcji, dat, programów, cykli wyborczych albo nieistniejących deklaracji;
ramy interpretacyjne – czy kandydat jest przedstawiany jako partyjny, lokalny, samorządowy, ideologiczny, technokratyczny, protestu, antyregulacyjny, miejski, prawicowy, „prokierowcowy” albo w jeszcze inny sposób.
W przypadku Drewnickiego szczególnie mocno widać trzy kategorie do dalszej analizy, do których można zaliczyć: widoczność po nazwisku, widoczność tematyczną oraz jakość źródeł. Pierwsza była wysoka. Druga była niska. Trzecia okazała się nierówna między dostawcami.
Przykład pierwszy: pytania o doświadczenie samorządowe bez podawania nazwiska nie uruchamiały spontanicznie Drewnickiego, mimo że jego profil instytucjonalny obejmuje mandat radnego i funkcję wiceprzewodniczącego Rady Miasta Krakowa.
Przykład drugi: pytania o Nową Hutę, Mistrzejowice, północ Krakowa i perspektywę dzielnicową również nie wystarczały, aby modele samodzielnie wskazywały kandydata.
Przykład trzeci: pewien ślad widoczności spontanicznej pojawiał się głównie wokół transportu i SCT, ale nadal był nader słaby w porównaniu z odpowiedziami na pytania zawierające nazwisko.
Najkrócej można to ująć tak: GenAI potrafi odpowiedzieć na pytanie „kim jest Michał Drewnicki?”, ale znacznie rzadziej odpowiada jego nazwiskiem na pytanie „kto w Krakowie ma stanowisko w sprawie mojego problemu?”. To różnica, którą trudno zobaczyć w klasycznym monitoringu mediów, a która jest bardzo istotna dla kampanii lokalnej.
Dlaczego to ma znaczenie dla sztabów, mediów i organizacji obywatelskich
Sztaby wyborcze od lat monitorują media, social media, sondaże i wyniki wyszukiwania. Problem w tym, że LLM-y nie zachowują się jak zwykłe medium i nie zachowują się jak klasyczna wyszukiwarka. Te ostatnie też na naszych oczach coraz to mnie są „klasyczne”.
Model nie pokazuje po prostu, co jest w internecie. Model przetwarza informacje, streszcza je, hierarchizuje, czasem aktualizuje przez wyszukiwanie, czasem bazuje na wiedzy utrwalonej wcześniej, czasem odmawia odpowiedzi, a czasem odpowiada z dużą pewnością mimo niepełnych danych.
Dla sztabu oznacza to nowe pytania. Czy kandydat jest obecny w odpowiedziach na tematy, które są dla niego ważne? Czy jego profil jest aktualny? Czy modele nie przypisują mu cudzych deklaracji? Czy konkurenci nie przejmują w AI tematów, które w kampanii są jego naturalnym polem? Czy użytkownik pytający o „kandydata od transportu” w ogóle zobaczy jego nazwisko?
Badanie Drewnickiego pokazuje, że to pytanie nie jest teoretyczne. W pytaniach bez nazwiska kandydat pojawił się tylko w 5,0 proc. odpowiedzi. Dla sztabu oznacza to konieczność patrzenia nie tylko na to, czy w internecie istnieją materiały o kandydacie, ale również na to, czy modele potrafią połączyć te materiały z realnymi intencjami wyborców.
Dla mediów oznacza to konieczność patrzenia na LLM-y jako na pośredników w dystrybucji informacji publicznej. Jeżeli modele zaczynają odpowiadać na pytania wyborcze, to jakość lokalnego dziennikarstwa, struktura danych, aktualność źródeł i precyzja opisów kandydatów będą wpływały nie tylko na czytelników, ale także na odpowiedzi syntetyzowane przez GenAI.
Dla organizacji obywatelskich oznacza to jeszcze coś innego. Możliwość badania, czy modele rzetelnie informują wyborców, czy nie pomijają kandydatów, czy nie wzmacniają nieaktualnych danych i czy nie tworzą nierówności informacyjnej między osobami dobrze znającymi scenę polityczną a tymi, które dopiero próbują się w niej zorientować.
Nerwy na wodzy – na razie nic nie wskazuje na to, że GenAI zastąpi kampanie. Ale może zmienić mapę informacji
Nie ma sensu twierdzić, że wybory w Krakowie rozstrzygną się w ChatGPT, Gemini, Perplexity czy Copilocie. Co to to nie… Kampania nadal w przytłaczającej mierze toczy się „w mieście” – na spotkaniach, w lokalnych mediach, na konferencjach, w debatach, na osiedlach, w dzielnicach, na przystankach i w rozmowach między mieszkańcami.
Jednak błędem byłoby uznać, że odpowiedzi LLM-ów są tylko technologiczną ciekawostką.
Jeżeli w Polsce z ChatGPT korzystają już miliony osób, jeżeli w UE z generatywnej AI korzysta około jedna trzecia populacji w wieku 16–74 lata, jeżeli w Wielkiej Brytanii 13 proc. uprawnionych wyborców użyło chatbotów do informacji wyborczych w tygodniu przed głosowaniem, a eksperymenty pokazują, że rozmowa z modelem może przesuwać opinie polityczne – to znaczy, że sztaby i instytucje publiczne powinny zacząć traktować AI jako realną warstwę obiegu informacji. źródła: Gemius/PBI, Eurostat, badanie UK 2024, Cornell Chronicle
W wyborach lokalnych ta warstwa jest szczególnie ważna. Dlaczego? Bo wyborca często nie szuka wielkiej ideologii. Szuka odpowiedzi na własny problem. Pytań jest wiele: Kto rozumie moją dzielnicę? Kto ma doświadczenie? Kto mówi o transporcie? Kto ma plan na koszty życia? Kto jest wiarygodny w sprawie zieleni? Kto naprawdę startuje, a kto był kandydatem w poprzednich wyborach?
Od tego, jak model odpowie na takie pytania, może zależeć nie wynik całych wyborów, ale sposób, w jaki część mieszkańców zrozumie kandydatów.
A tego nie widać w sondażach. Nie widać w klasycznym SEO. Nie widać w monitoringu mediów. Za to można to badać.
W przypadku Michała Drewnickiego najważniejsza lekcja jest prosta: kandydat może być obecny w odpowiedziach GenAI, ale nadal nie mieć silnego „ownershipu” (tak, piękne polskie słowo) tematów, które są ważne dla mieszkańców. To właśnie tę różnicę – między obecnością po nazwisku a obecnością w problemach – trzeba zacząć traktować jako nową kategorię widoczności publicznej.
Chcesz sprawdzić, jak AI opisuje Twojego kandydata, partię, markę lub instytucję?
Badanie Michała Drewnickiego pokazuje, że odpowiedzi generowane przez modele AI można analizować systemowo, czyli pod kątem widoczności, poprawności, źródeł, porównań, pominięć i ram interpretacyjnych. Jeśli chcesz dowiedzieć się więcej o tym badaniu lub porozmawiać o podobnej analizie dla własnego projektu, skontaktuj się z autorem tekstu: m.grzebyk@brandsemantics.eu
* żeby nie było – taki, co jest w odpowiedziach ;)
