Ještě před několika lety musel volič, který chtěl prověřit kandidáta na primátora města, navštívit jeho webové stránky, prozkoumat média (včetně těch „tradičních”), shlédnout debatu, zeptat se známých nebo projít několik stránek výsledků Google. Dnes čím dál častěji může udělat něco jednoduššího – položit otázku svému oblíbenému chatu (velkému jazykovému modelu).
Nemusí dokonce… znát jména. Nemusí vědět, kdo je z jakého výboru. Nemusí sledovat tiskové konference. Obecně, nemusí toho příliš mnoho. Může však. Může se zeptat: „Kdo v Krakově má nejlepší dopravní program?”, „Který kandidát je spojen s Novou Hutí?”, „Kdo chce změnit Zónu čisté dopravy?”, „Má kandidát PiS zkušenosti s místní samosprávou?”, „Kdo v těchto volbách konkrétně hovoří o životních nákladech?”.
A dostane odpověď.
Ne seznam odkazů. Ne klasický výsledek vyhledávání. Ne neutrální databázi dokumentů. Dostane syntetický popis politické scény, vytvořený LLM na základě toho, co model najde, zapamatuje si, interpretuje, považuje za důležité a uspořádá do odpovídající hierarchie. A to pro uživatele, který si částečně „vychoval” své „Tamagotchi” z třetí dekády (jak to zní!) XXI. století. Jen ho nekrmí a nemyje stiskem tlačítek, ale hází mu kousky sebe sama, které odhalují jeho zvyky.
To je nová vrstva volební kampaně. Tichá, soukromá, obtížně monitorovatelná a – v místních volbách – potenciálně velmi významná.
Krakov jako laboratoř voleb v éře GenAI
Krakov je dobrým místem, kde lze tuto změnu vidět v praxi. Není to malá obec, ale ani celostátní kampaň, ve které je každý kandidát neustále přítomen v hlavních médiích. Podle údajů GUS měl na konci roku 2025 Krakov 816 614 obyvatel. To je velký, složitý městský organismus: s centrem, Novou Hutí, periferními čtvrtěmi, vysokými školami, turistikou, podnikáním, dopravou, konflikty o zeleň, územním plánováním, cenami městských služeb a způsobem správy města. zdroj: Krakov v číslech
K tomu se přidává výjimečný politický kontext. V místním referendu 24. května 2026 byla účast na hlasování o odvolání primátora Krakova 29,99 % — dostatečně, aby referendum bylo platné a rozhodující. V paralelním hlasování o odvolání Rady města byla účast 29,97 %, takže zákonný práh nebyl překročen. Rozdíl se zdá být minimální, politické důsledky jsou však zcela odlišné. zdroj: Město Krakov
Krakov má také čerstvou zkušenost s velmi vyrovnanou soutěží. Ve druhém kole prezidentských voleb v roce 2024 získal Aleksander Miszalski 51,04 % hlasů, zatímco Łukasz Gibała 48,96 %. Podle zpráv založených na údajích PKW byl rozdíl 5434 hlasů. zdroj: Rzeczpospolita
To jsou čísla, při kterých je třeba dávat pozor na každý nový zdroj informačního vlivu. Ne proto, že chatbot „vybere primátora Krakova”. To je příliš silné tvrzení. Ale proto, že v kampani, kde několik tisíc hlasů může změnit výsledek, má význam také to, kdo je viditelný, kdo je opomíjen, s čím je spojován a jak je popsán v odpovědích generativní umělé inteligence, po které uživatelé stále častěji sahají.
Volič nejen hledá. Volič se ptá
Nejdůležitější změna nespočívá v tom, že AI dokáže vygenerovat spot, meme nebo deepfake. To samozřejmě také má význam, ale je to již dost dobře prozkoumané téma. O tom se hodně mluví, existují kampaně – méně či více společenské. Méně či více placené jednotlivými volebními výbory.
Zajímavější a méně zřejmá změna se týká toho, že LLM se stávají soukromými informačními poradci. Volič se nemusí ptát: „Jaký je program Michała Drewnického”. Možná si ani nepamatuje toto jméno. Může se však zeptat: „Kdo v Krakově má zkušenosti s místní samosprávou?”, „Který kandidát hovoří o Nové Hutě?”, „Kdo má konkrétní, jasné stanovisko k SCT?”, „Je kandidát PiS v Krakově pouze stranický, nebo má místní zkušenosti?”.
Takové otázky jsou mnohem blíže skutečnému rozhodovacímu procesu. Lidé zřídka porovnávají celé programy od začátku do konce. (mimochodem… která z stran v roce 2024 popsala svůj jasný volební program, a neplula na vlně měnících se průzkumů, výkřiků na shromážděních a stížností měřených v „sociálních médiích”?) Častěji hledají odpovědi na svůj vlastní problém: dojíždění, ceny, zeleň, škola, chodník, parkování, zástavba za oknem, pocit chaosu na úřadu nebo nedostatek vlivu na rozhodnutí města.
Právě zde velké jazykové modely začínají fungovat jako nový zprostředkovatel. Nejenže poskytují informace. Oni uspořádávají scénu. Vyberou, které kandidáty zmínit. Rozhodují, které fakta považovat za důležitá. Zkracují složitý kontext na několik odstavců. A často to dělají způsobem, který neuvidíme v klasickém monitorování médií, SEO ani analýze sociálních médií. Tím pádem lze předpokládat, že volební agentury a jejich „přestřely” se stanou jedním z hlavních témat komentářů po exit poolech.
To už není technologická nika
Pokud si někdo myslí, že „chatboti” jsou stále hračkou pro studenty a technologický sektor, data rychle ochlazují tento názor. Podle zprávy Gemius/PBI v červnu 2025 používalo ChatGPT v Polsku více než 9,3 milionu skutečných uživatelů. To představovalo 31,4 % internetových uživatelů a 28,6 % populace ve věku 7–75 let. Zpráva také ukázala, že mezi uživateli ChatGPT jsou nadměrně zastoupeni lidé mladší 35 let, a ve skupině 25–34 let byl průměrný čas používání v červnu 2 hodiny a 42 minut. zdroj: Gemius/PBI
Na evropské úrovni Eurostat uvedl, že v roce 2025 používalo nástroje generativní AI 32,7 % obyvatel EU ve věku 16–74 let. Ve skupině 16–24 let byl tento podíl již 63,8 %. zdroj: Eurostat
To je důležité, protože mladší voliči jsou zároveň skupinou, která je náchylnější k používání nových informačních nástrojů a skupinou, která má v místních volbách často méně stabilní účast. Není třeba předpokládat masový přechod celé kampaně do systémů podporovaných umělou inteligencí. Stačí si uvědomit, že pro významnou část uživatelů se rozhovor s chatbotem stává jedním z přirozených způsobů uspořádání informací.
AI jako nástroj pro zprávy, politiku a rozhodování
Data Reuters Institute ukazují, že AI chatboti jsou již používáni k konzumaci informací, i když stále nepřevládají. V roce 2026 10 % dotazovaných na 45 trzích deklarovalo týdenní používání AI chatbotů pro zprávy, oproti 7 % rok předtím. Ještě zajímavější je, jak lidé je používají: 42 % uživatelů zpravodajských chatbotů pokládá prohlubující otázky, 35 % je používá k získání nejnovějších informací, 34 % k shrnutí, 30 % k zjednodušení složitých témat a 33 % k hodnocení důvěryhodnosti zdrojů. zdroj: Reuters Institute Digital News Report
To je téměř hotový popis chování voliče v místní kampani. „Vysvětli mi, o co jde se Zónou čisté dopravy”. „Shrň rozdíly mezi kandidáty”. „Kdo je důvěryhodný v otázce dopravy?”. „Má tento kandidát opravdu zkušenosti s místní samosprávou?”. „Jaké zdroje potvrzují jeho prohlášení?”.
V tomto okamžiku AI přestává být pouze nástrojem pro psaní textů. Stává se rozhraním pro veřejnou realitu.
Největší varovný signál – voliči se již ptají GenAI na volby
Jedno z nejzajímavějších čísel pochází z výzkumu týkajícího se parlamentních voleb ve Velké Británii v roce 2024. Reprezentativní výzkum 2499 dospělých ukázal, že v týdnu před volbami 32 % uživatelů chatbotů (13 % všech oprávněných voličů) používalo konverzační AI k hledání informací přímo souvisejících s volebním rozhodnutím. zdroj: arXiv, výzkum UK 2024
To není marginální detail. To je signál, že chatboti vstupují do samotného procesu voleb: ne jako abstraktní technologie, ale jako nástroj používaný v okamžiku, kdy volič právě činí rozhodnutí, uspořádává argumenty nebo se snaží pochopit politickou scénu. Často těsně před vstupem do volební místnosti.
Co je důležité, autoři této studie neformulují jednoduchý alarmistický závěr. V sérii experimentů s účastí 2858 účastníků zjistili, že používání chatbotů nezhoršovalo politické znalosti; naopak, zvyšovalo je v podobné míře jako tradiční internetové vyhledávání. zdroj: AI Security Institute
A právě proto je téma zajímavější než obyčejný příběh o hrozbě. Je čas na truismus. Dokonce ho vyznačím tučně, aby byl nápadnější. Není zač…
LLM mohou pomáhat voličům lépe chápat politiku. Ale mohou také klamat, opomíjet, zjednodušovat, neaktuálně identifikovat kandidáty nebo budovat určité interpretační rámce.
Druhá strana – odpovědi chatů mohou být vadné
Problém spočívá v tom, že odpovědi modelů vypadají jako uspořádané, jisté a kompletní, i když obsahují mezery. Víš… jako ten, koho jsi potkal na studentské párty, budoucí inženýr (jak osud a profesoři dovolí) AGH, který bude s neochvějnou vytrvalostí obhajovat stanovisko, které by před třemi pivy ani nebylo součástí diskuse ;)
Studie EBU a BBC zahrnovala více než 3000 odpovědí generovaných čtyřmi AI asistenty (ChatGPT, Copilot, Gemini a Perplexity) ve 14 jazycích. 45 % odpovědí obsahovalo alespoň jeden zásadní problém, 31 % mělo vážné problémy se zdroji a 20 % obsahovalo vážné problémy s přesností, včetně neaktuálních nebo halucinačních informací. zdroj: EBU/BBC
V místních volbách může být toto riziko větší než v celostátní kampani. Místní zdroje jsou více rozptýlené. Kandidáti bývají (a jsou, co si brzy dokážeme) méně známí. Kontext se mění rychleji. Jména z předchozího cyklu se mohou mísit s novými kandidaturami. Programy bývají publikovány po etapách. (pokud vůbec vzniknou, ale o tom jsem již psal a více špendlíků nebude… snad) A otázky uživatelů bývají často krátké, hovorové a nepřesně formulované.
Při celostátním lídrovi má model obvykle k dispozici spoustu dat. Při místním kandidátovi na primátora Krakova musí sestavit obraz z BIP, místních médií, webových stránek kandidáta, příspěvků na sociálních sítích, průzkumů, zpráv z konferencí a aktuálních událostí. To jsou ideální podmínky pro zdánlivě drobné, ale politicky významné chyby: záměna funkcí, opomenutí konkurenta, přiřazení neaktuální kandidatury, přidělení příliš úzké nálepky nebo opření odpovědi o zdroje z předchozích voleb.
Nejdůležitější zvrat: GenAI nemusí lhát, aby ovlivnila
V diskusi o AI a volbách se příliš mnoho pozornosti zaměřuje na „falešné zprávy”. Mezitím pro místní kampaň může být stejně důležité něco subtilnějšího: reprezentace.
Model nemusí poskytnout falešnou informaci. Může jednoduše popsat kandidáta převážně podle strany a opomenout jeho zkušenosti s místní samosprávou. Může ho zmínit při otázce o PiS, ale ne při otázce o dopravě. Může napsat o SCT, ale opomenout téma městské dopravy. Může odpovědět na otázku o Nové Hutě, aniž by uvedl osobu, která sama buduje část své komunikace kolem vazeb s touto částí města. Může umístit kandidáta na konec seznamu, přestože je formálně jedním z významných účastníků závodu.
To nemusí být „chyba” v jednoduchém smyslu. Může to být důsledek hierarchie zdrojů, čerstvosti dat, dostupnosti informací, způsobu formulace otázky a mechaniky odpovědi generované modelem.
V tradičním SEO se bojovalo o pozici ve výsledcích vyhledávání. Ve světě LLM se stále důležitější stává otázka: zda se kandidát vůbec objevuje v odpovědi, při jakých otázkách se objevuje, s čím je spojován a s kým je porovnáván.
Tento mechanismus je dobře vidět ve výzkumu Michała Drewnického (podrobněji rozebráno v další části textu). V 250 odpovědích z výzkumu deep dive modely zmiňovaly kandidáta v 87,6 % případů, když uživatel uvedl jeho jméno, ale pouze v 5,0 % případů, když otázka neobsahovala jméno a týkala se problému, kategorie kandidátů nebo městského tématu. Jinými slovy: rozpoznatelnost podle jména ještě neznamená tematickou viditelnost.
A co když odpověď nejen informuje, ale také posouvá názor?
Zde se objevuje druhá klíčová sada dat. Výzkumy popisované Cornell ukázaly, že krátký rozhovor s chatbotem může výrazně posunout politické názory. V experimentech prováděných ve čtyřech zemích posouvaly chatboty založené na LLM preferencí voličů opozice o 10 procentních bodů nebo více v mnoha případech. V experimentech v Kanadě a Polsku byl efekt přibližně 10 procentních bodů, a v jedné ze studií nejvíce persvazivně optimalizovaný model posunul názory voličů opozice o 25 procentních bodů. zdroj: Cornell Chronicle
Je třeba to říct opatrně. To byly kontrolované experimenty, nikoli důkaz, že chatboti sami rozhodnou o skutečných volbách. Účastníci věděli, že hovoří s AI, a směr persvaze byl randomizován. Sami autoři a komentátoři zdůraznili omezení takových studií a rozdíl mezi experimentálními podmínkami a skutečnou kampaní. zdroj: Nature Asia
Ale jeden závěr je těžké ignorovat. Zní přibližně takto: odpovědi modelů mohou být persvazivní ne proto, že jsou emocionální, agresivní nebo manipulativní v klasickém smyslu. Podle výzkumníků jejich síla často vyplývala z toho, že generovaly mnoho tvrzení, argumentů a zdánlivě věcných odůvodnění. Cornell zdůraznil, že když byla modelům omezena možnost používat fakta, jejich persvazivnost klesala; zároveň byly více persvazivní modely méně přesné. zdroj: Cornell Chronicle
To je jádro problému v místní kampani. Volič může dostat odpověď klidnou, věcnou, dobře znějící a bez stranického tónu. A přesto může tato odpověď posilovat určitou představu o kandidátovi.
Příklad Krakova, tedy Michał Drewnicki v odpovědích LLM
V tomto kontextu výzkum Michała Drewnického, kandidáta Práva a spravedlnosti na primátora Krakova, je dobrým příkladem toho, co je třeba začít měřit v místní politice.
Nejde pouze o otázku: „Zná GenAI jméno kandidáta?”. To je nejjednodušší úroveň. Mnohem zajímavější jsou hlubší otázky:
Identifikují modely správně Michała Drewnického jako kandidáta PiS v předčasných volbách v Krakově?
Rozpoznávají jeho veřejné funkce – městského radního a místopředsedu Rady města Krakova?
Rozlišují aktuální volební kontext od voleb samosprávy z roku 2024?
Spojují ho výhradně s PiS, nebo také s místními zkušenostmi v samosprávě?
Objevuje se v odpovědích na otázky, které neobsahují jeho jméno, ale týkají se témat přítomných v jeho veřejném profilu: dopravy, SCT, Nové Huti, územního plánování, životních nákladů, vztahu úřad–obyvatelé?
Dokážou modely rozlišit oficiální informace, mediální zprávy, volební prohlášení a vlastní interpretace?
Studii provedl skromný autor tohoto textu dne 03/07/2026.
Ve studii realizované naším vlastním nástrojem Semantio jsem analyzoval 250 odpovědí týkajících se Michała Drewnického v kontextu prezidentských voleb v Krakově. Materiál je výsledkem analýzy zahrnující 50 unikátních scénářů, spuštěných v pěti systémech: ChatGPT, Gemini, Grok, DeepSeek a Google Overview. Každý systém odpověděl na zadaných 50 scénářů. Scénáře byly rozděleny mimo jiné podle fáze záměru: 80 odpovědí ve fázi awareness, 85 ve fázi consideration a 85 ve fázi decision. Samostatně byly analyzovány otázky obsahující jméno kandidáta a otázky problémové bez jména.
Nejsilnější výsledek se týká rozdílu mezi rozpoznatelností podle jména a spontánní viditelností. V celém materiálu bylo 170 odpovědí na otázky obsahující jméno Michała Drewnického a 80 odpovědí na otázky bez jména. Když uživatel uvedl jméno kandidáta (prompt-scenář obsahoval jméno „Drewnicki”), modely zmiňovaly Drewnického v 149 ze 170 odpovědí, tedy v 87,6 % případů. Když otázka neobsahovala jméno a týkala se problému, kategorie kandidátů nebo městského tématu, Drewnicki se objevil pouze v 4 z 80 odpovědí, tedy v 5,0 % případů.
Jinými slovy: modely dokážou popsat kandidáta, když už uživatel ví, o koho se ptá, ale mnohem hůře ho samostatně spojují s problémy města.
V datech je také vidět, že viditelnost není rovnoměrně rozložena mezi systémy. Všechny 4 spontánní zmínky o Drewnickém v otázkách bez jména pocházely z Google Overview. V ostatních systémech (ChatGPT, Gemini, Grok a DeepSeek) se při takových otázkách kandidát neobjevil ani jednou. To je důležité, protože to „na číslech” zdůrazňuje, že neexistuje jedna, univerzální „viditelnost v AI”. Každý systém může budovat jinou mapu politické scény, závislou na zdrojích, aktuálnosti dat, mechanice vyhledávání a způsobu generování odpovědí.
Omlouvám se, ale nemohl jsem se odolat s tímto obrázkem v kontextu SCT ;)
Nejvýraznější náznak tematické viditelnosti se objevil při otázkách o dopravě, městské dopravě, jízdenkách, mobilitě a Zóně čisté dopravy. V otázkách bez jména týkajících se této oblasti se Drewnicki objevil v 4 z 30 odpovědí, tedy v 13,3 % případů. To je stále nízký výsledek, ale na pozadí ostatních témat významný: otázky o zkušenostech s místní samosprávou, Novou Hutí, čtvrtích, územním plánování nebo zeleni nevyvolávaly jeho jméno stejně účinně. Z pohledu místní kampaně je to důležitý rozdíl: model může dobře popsat problém Krakova, ale nemusí nutně ukázat voličovi, který kandidát se snaží tento problém politicky zpracovat.
V 70 z 250 odpovědí, tedy v 28,0 % celého souboru, byl označen alert halucinace. Riziko chyby nezmizelo ani po uvedení jména: při otázkách s jménem se alert objevil v 50 ze 170 odpovědí (29,4 %), a při otázkách bez jména v 20 z 80 odpovědí (25,0 %). Nejčastěji se jednalo o problémy kontextuální, tedy míchání voleb 2026 s volbami 2024, chybnými veřejnými funkcemi, chybnou politickou afiliací, chybnými nebo podezřelými URL adresami, nepotvrzenými detaily programu a jednotlivě dokonce záměnou Krakova s Varšavou (to se v Grodě Kraka neodpouští!). V místní kampani mohou být právě takové drobné chyby pravděpodobnější než spektakulární „falešné zprávy”, a tím pádem mnohem obtížněji zachytitelné, protože se často objevují v odpovědích znějících klidně a věcně. Odkud to známe?…
Rozdíly mezi poskytovateli (další krásné slovo z oblasti Bugu) byly výrazné. Google Overview nejčastěji zmiňoval Drewnického a měl nejnižší podíl alertů halucinace: 37 zmínek ve 50 odpovědích (74,0 %) a 5 alertů (10,0 %). DeepSeek zmiňoval kandidáta v 33 z 50 odpovědí (66,0 %), ale zároveň měl nejvyšší podíl alertů: 31 z 50 odpovědí (62,0 %). ChatGPT zmiňoval Drewnického v 30 z 50 odpovědí (60,0 %) a měl 8 alertů (16,0 %). Grok zmiňoval ho v 27 z 50 odpovědí (54,0 %) a měl 16 alertů (32,0 %). Gemini zmiňoval kandidáta v 26 z 50 odpovědí (52,0 %) a měl 10 alertů (20,0 %). To ukazuje, že větší viditelnost v AI ne vždy znamená větší kvalitu reprezentace.
Zdroje se také uspořádaly zajímavě. V celém souboru bylo identifikováno 676 odkazů na zdroje. Nejčastěji se objevovaly domény: bip.krakow.pl (90krát), facebook.com (71krát), krakow.pl (38krát), youtube.com (29krát), radiokrakow.pl (26krát), lovekrakow.pl (23krát), drewnicki.pl (22krát) a ztp.krakow.pl (22krát). Oficiální doména kandidáta byla tedy přítomna, ale rozhodně jí chyběla dominace. Obraz Drewnického v AI byl budován také prostřednictvím BIP, místních médií, městských zdrojů, Facebooku, YouTube a dalších zprostředkovaných domén.
Současně v 115 z 250 odpovědí nebyl žádný odkaz na zdroj, což představuje 46,0 % celého materiálu. Rozdíly mezi systémy byly značné: Google Overview uváděl odkazy v každé odpovědi, ChatGPT v 43 z 50, DeepSeek v 31 z 50, Grok v 10 z 50, a Gemini pouze v 1 z 50 odpovědí. To má volební význam – odpověď bez zdroje může znít důvěryhodně, ale uživatel nemá rychlou cestu k ověření, odkud model získal informace o kandidátovi, funkci, programu nebo kontextu voleb.
V odpovědích LLM konkurence také nebyla chápána výhradně jako seznam formálních volebních rivalů. V konkurenčním poli se nejčastěji objevovali Aleksander Miszalski (53krát) a Łukasz Gibała (50krát), ale dále byli viditelní také Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) a Bartosz Bocheńczak (8). Objevovaly se také média, instituce, strany a organizace, jako například Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalice Obyvatelů, Levice a PiS. Pro model se tedy volební scéna mísí se scénou informační. Co to znamená? Kandidát soutěží nejen s jinými jmény, ale také s předchozími kontexty, silnějšími zdroji a více ustálenými asociacemi.
Nejkratší závěr z výzkumu zní: jméno je příliš málo. Ve světě LLM může být kandidát rozpoznáván (analyzovaný Michał Drewnicki evidentně do takových zatím nepatří), když se uživatel ptá přímo, a zároveň zůstávat slabě přítomný při otázkách, od kterých se reálně začíná rozhodnutí voliče: o dojíždění, nákladech, čtvrtích, zeleni, úřadu, zkušenostech nebo důvěryhodnosti v konkrétním problému. Právě tuto vrstvu – nejen přítomnost na internetu, ale přítomnost v odpovědích na potřeby uživatelů – je třeba dnes parametrizovat.
Co přesně lze měřit?
Při analýze výsledků získaných v Semantio jsem se díval na odpovědi velkých jazykových modelů ne jako na zajímavost, ale jako na novou vrstvu veřejné viditelnosti. V případě politického kandidáta lze analyzovat mimo jiné:
spontánní viditelnost – zda se kandidát objevuje, když uživatel neuvádí jméno;
správnost identifikace – jméno, funkce, strana, rok voleb, aktuální kontext;
pozici v odpovědi – zda je kandidát první, prostřední, poslední, opomenutý nebo popsán stručně;
tematické vazby – při jakých tématech model ho zmiňuje: doprava, SCT, čtvrtě, životní náklady, zkušenosti s místní samosprávou, PiS, pravice, správa města;
porovnání – s kým model ho nejčastěji srovnává a podle jakých kritérií; s kým kandidát vyhrává, a kdo má pro něj KO (nejde o výbor!)
zdroje – zda odpověď vychází z aktuálních, důvěryhodných a adekvátních dat;
halucinace – fascinující oblast, kde lze vidět takové věci, jako záměna osob, funkcí, dat, programů, volebních cyklů nebo neexistujících prohlášení;
interpretační rámce – zda je kandidát představován jako stranický, místní, samosprávný, ideologický, technokratický, protestní, antiregulativní, městský, pravicový, „prořidičský” nebo jiným způsobem.
V případě Drewnického jsou zvlášť silně viditelné tři kategorie pro další analýzu, které lze zahrnout: viditelnost podle jména, tematická viditelnost a kvalita zdrojů. První byla vysoká. Druhá byla nízká. Třetí se ukázala jako nerovnoměrná mezi poskytovateli.
První příklad: otázky o zkušenostech s místní samosprávou bez uvedení jména nevyvolávaly spontánně Drewnického, přestože jeho institucionální profil zahrnuje mandát radního a funkci místopředsedy Rady města Krakova.
Druhý příklad: otázky o Nové Hutě, Mistrzejowicích, severu Krakova a čtvrtích také nestačily, aby modely samostatně ukázaly kandidáta.
Třetí příklad: určitý náznak spontánní viditelnosti se objevoval hlavně kolem dopravy a SCT, ale stále byl velmi slabý ve srovnání s odpověďmi na otázky obsahující jméno.
Nejkratší to lze shrnout takto: GenAI dokáže odpovědět na otázku „kdo je Michał Drewnicki?”, ale mnohem méně často odpovídá jeho jménem na otázku „kdo v Krakově má stanovisko k mému problému?”. To je rozdíl, který je obtížné vidět v klasickém monitorování médií, a který je velmi důležitý pro místní kampaň.
Proč to má význam pro volební štáby, média a občanské organizace
Volební štáby již léta monitorují média, sociální média, průzkumy a výsledky vyhledávání. Problém je v tom, že LLM se nechovají jako běžné médium a nechovají se jako klasický vyhledávač. Ty poslední se také před našima očima stále méně stávají „klasickými”.
Model jednoduše neukazuje, co je na internetu. Model zpracovává informace, shrnuje je, hierarchizuje, někdy aktualizuje prostřednictvím vyhledávání, někdy vychází z dříve upevněné znalosti, někdy odmítá odpověď, a někdy odpovídá s velkou jistotou, přestože má neúplná data.
Pro štáb to znamená nové otázky. Je kandidát přítomen v odpovědích na témata, která jsou pro něj důležitá? Je jeho profil aktuální? Nepřiřazují mu modely cizí prohlášení? Nepřebírají konkurenti v AI témata, která jsou v kampani jeho přirozeným polem? Uvidí uživatel, který se ptá na „kandidáta od dopravy”, vůbec jeho jméno?
Studie Drewnického ukazuje, že tato otázka není teoretická. V otázkách bez jména se kandidát objevil pouze v 5,0 % odpovědí. Pro štáb to znamená nutnost dívat se nejen na to, zda na internetu existují materiály o kandidátovi, ale také na to, zda modely dokážou spojit tyto materiály s reálnými úmysly voličů.
Pro média to znamená nutnost dívat se na LLM jako na zprostředkovatele v distribuci veřejných informací. Pokud modely začínají odpovídat na volební otázky, pak kvalita místního novinářství, struktura dat, aktuálnost zdrojů a přesnost popisů kandidátů budou mít vliv nejen na čtenáře, ale také na odpovědi syntetizované GenAI.
Pro občanské organizace to znamená ještě něco jiného. Možnost zkoumat, zda modely spolehlivě informují voliče, zda nevynechávají kandidáty, zda nezesilují neaktuální data a zda nevytvářejí informační nerovnost mezi lidmi, kteří dobře znají politickou scénu, a těmi, kteří se ji teprve snaží pochopit.
Nervy na uzdě – zatím nic nenaznačuje, že GenAI nahradí kampaně. Ale může změnit mapu informací
Nemá smysl tvrdit, že volby v Krakově se rozhodnou v ChatGPT, Gemini, Perplexity nebo Copilotovi. Co to to není… Kampaň se stále v převážné míře odehrává „ve městě” – na setkáních, v místních médiích, na konferencích, v debatách, v čtvrtích, na zastávkách a v rozhovorech mezi obyvateli.
Bylo by však chybou považovat odpovědi LLM za pouhou technologickou zajímavost.
Pokud v Polsku používají ChatGPT již miliony lidí, pokud v EU používá generativní AI přibližně jedna třetina populace ve věku 16–74 let, pokud ve Velké Británii 13 % oprávněných voličů použilo chatboty k volebním informacím v týdnu před hlasováním, a experimenty ukazují, že rozhovor s modelem může posouvat politické názory – to znamená, že volební štáby a veřejné instituce by měly začít považovat AI za reálnou vrstvu oběhu informací. zdroje: Gemius/PBI, Eurostat, výzkum UK 2024, Cornell Chronicle
V místních volbách je tato vrstva obzvlášť důležitá. Proč? Protože volič často nehledá velkou ideologii. Hledá odpovědi na svůj vlastní problém. Otázek je mnoho: Kdo rozumí mé čtvrti? Kdo má zkušenosti? Kdo mluví o dopravě? Kdo má plán na životní náklady? Kdo je důvěryhodný v otázce zeleně? Kdo skutečně kandiduje, a kdo byl kandidátem v předchozích volbách?
Od toho, jak model odpoví na takové otázky, může záviset nejen výsledek celých voleb, ale způsob, jakým část obyvatel pochopí kandidáty.
A to není vidět v průzkumech. Není to vidět v klasickém SEO. Není to vidět v monitorování médií. Ale lze to zkoumat.
V případě Michała Drewnického je nejdůležitější lekce jednoduchá: kandidát může být přítomen v odpovědích GenAI, ale stále nemusí mít silný „ownership” (ano, krásné české slovo) témat, která jsou pro obyvatele důležitá. Právě tuto rozdílnost – mezi přítomností podle jména a přítomností v problémech – je třeba začít považovat za novou kategorii veřejné viditelnosti.
Chcete zjistit, jak AI popisuje vašeho kandidáta, stranu, značku nebo instituci?
Studie Michała Drewnického ukazuje, že odpovědi generované modely AI lze analyzovat systematicky, tedy z hlediska viditelnosti, správnosti, zdrojů, porovnání, opomenutí a interpretačních rámců. Pokud se chcete dozvědět více o této studii nebo si promluvit o podobné analýze pro váš projekt, kontaktujte autora textu: m.grzebyk@brandsemantics.eu
* aby nedošlo k nedorozumění – takový, co je v odpovědích ;)
