For blot få år siden måtte en vælger, der ønskede at undersøge en kandidat til borgmesterposten, besøge kandidatens hjemmeside, gennemgå medierne (herunder de "traditionelle"), se en debat, spørge venner eller scrolle gennem flere sider med Google-resultater. I dag kan man oftere gøre noget enklere – stille et spørgsmål til sin yndlingschatbot (et stort sprogmodel).
Man behøver ikke engang… at kende navnene. Man behøver ikke vide, hvem der er fra hvilket udvalg. Man behøver ikke følge pressekonferencer. Generelt, man behøver ikke meget. Men man kan. Man kan spørge: "Hvem i Kraków har det bedste transportprogram?", "Hvilken kandidat er knyttet til Nowa Huta?", "Hvem ønsker at ændre Zonen for Ren Transport?", "Har PiS-kandidaten erfaring fra lokalpolitikken?", "Hvem taler konkret om leveomkostningerne i disse valg?".
Og man vil få et svar.
Ikke en liste med links. Ikke et klassisk søgeresultat. Ikke en neutral dokumentdatabase. Man vil få en syntetisk beskrivelse af den politiske scene, bygget af LLM'en baseret på hvad modellen finder, husker, fortolker, anser for vigtigt og organiserer i den rette hierarki. Og det til den bruger, der delvist har "opdraget" sin egen "Tamagotchi" fra den tredje dekade (hvordan lyder det!) af det 21. århundrede. Bare at man ikke fodrer det og vasker det ved at trykke på knapper, men kaster bidder af sig selv, der afslører vaner.
Dette er et nyt lag af valgkampen. Stille, privat, svær at overvåge og – i lokale valg – potentielt meget betydningsfuld.
Kraków som laboratorium for valg i GenAI-æraen
Kraków er et godt sted at se denne ændring i praksis. Det er ikke en lille kommune, men heller ikke en landsdækkende kampagne, hvor hver kandidat konstant er til stede i de store medier. Ifølge GUS-dataene havde Kraków ved udgangen af 2025 816.614 indbyggere. Det er en stor, kompleks byorganisme: med centrum, Nowa Huta, perifere distrikter, universiteter, turisme, erhvervsliv, transport, konflikter om grønne områder, arealplanlægning, priser på kommunale tjenester og byens ledelse. kilde: Kraków i tal
Derudover er der en unik politisk kontekst. I den lokale folkeafstemning den 24. maj 2026 var valgdeltagelsen i afstemningen om at afsætte borgmesteren i Kraków 29,99 % — tilstrækkeligt til at gøre afstemningen gyldig og afgørende. I den parallelle afstemning om at afsætte byrådet var valgdeltagelsen 29,97 %, hvilket betyder, at den lovbestemte tærskel ikke blev overskredet. Forskellen er tilsyneladende minimal, men de politiske konsekvenser er helt forskellige. kilde: Byen Kraków
Kraków har også frisk erfaring med meget tæt konkurrence. I anden runde af præsidentvalget i 2024 opnåede Aleksander Miszalski 51,04 % af stemmerne, mens Łukasz Gibała fik 48,96 %. Ifølge rapporter baseret på PKW-data var forskellen 5.434 stemmer. kilde: Rzeczpospolita
Dette er tal, hvor man skal være opmærksom på hver ny informationskilde. Ikke fordi chatbotten "vælger borgmesteren i Kraków". Det er en for stærk påstand. Men fordi i en kampagne, hvor et par tusinde stemmer kan ændre resultatet, er det også vigtigt, hvem der er synlig, hvem der bliver overset, hvad de forbindes med, og hvordan de bliver beskrevet i svarene fra generativ kunstig intelligens, som brugerne i stigende grad henvender sig til.
Vælgeren søger ikke kun. Vælgeren taler
Den vigtigste ændring er ikke, at AI kan generere en annonce, meme eller deepfake. Det har selvfølgelig også betydning, men det er allerede et velkendt emne. Der tales meget om det, der er kampagner – mere eller mindre sociale. Mere eller mindre betalt af de pågældende valgudvalg.
En mere interessant og mindre åbenlys ændring vedrører, at LLM'er bliver private informationsrådgivere. Vælgeren kan vælge ikke at spørge: "Hvad er Michał Drewnickis program?". Man kan endda ikke huske dette navn. Man kan derimod spørge: "Hvem i Kraków har erfaring fra lokalpolitikken?", "Hvilken kandidat taler om Nowa Huta?", "Hvem har en konkret, klar holdning til SCT?", "Er PiS-kandidaten i Kraków kun partipolitisk, eller har han lokal erfaring?".
Sådanne spørgsmål er meget tættere på den reelle beslutningsproces. Folk sammenligner sjældent hele programmer fra ende til anden. (for resten… hvilken af partierne i 2024 beskrev deres klare valgprogram, og ikke bare flød med skiftende meningsmålinger, råb ved møder og klager målt i "sociale medier"?) Ofte søger de svar på deres eget problem: transport, priser, grønne områder, skoler, fortove, parkering, byggeri udenfor vinduet, følelsen af kaos på kontoret eller mangel på indflydelse på byens beslutninger.
Her begynder store sprogmodeller at fungere som en ny mellemmand. De leverer ikke kun information. De organiserer scenen. De vælger, hvilke kandidater der skal nævnes. De beslutter, hvilke fakta der anses for væsentlige. De forkorter komplekse kontekster til et par afsnit. Og ofte gør de det på en måde, som vi ikke ser i klassisk medieovervågning, SEO eller sociale medieanalyser. Dermed kan man antage, at meningsmålingsbureauer og deres "fejl" i stigende grad vil blive et af de vigtigste emner i kommentarerne efter exit polls.
Det er ikke længere en teknologisk niche
Hvis nogen antager, at "chatbots" stadig er en leg for studerende og teknologiindustrien, vil data hurtigt køle denne opfattelse ned. Ifølge en rapport fra Gemius/PBI brugte mere end 9,3 millioner reelle brugere ChatGPT i Polen i juni 2025. Det betød 31,4 % af internettet og 28,6 % af befolkningen i alderen 7–75 år. Rapporten viste også, at blandt brugerne af ChatGPT var der en overrepræsentation af personer under 35 år, og i aldersgruppen 25–34 år var den gennemsnitlige brugertid i juni 2 timer og 42 minutter. kilde: Gemius/PBI
På europæisk plan oplyste Eurostat, at i 2025 brugte 32,7 % af EU-borgerne i alderen 16–74 år værktøjer til generativ AI. I aldersgruppen 16–24 år var denne procentdel allerede 63,8 %. kilde: Eurostat
Det er vigtigt, fordi yngre vælgere samtidig er en gruppe, der er mere tilbøjelige til at bruge nye informationsværktøjer og en gruppe, der ofte har en mindre stabil valgdeltagelse i lokale valg. Man behøver ikke antage, at hele kampagnen vil overgå til AI-støttede systemer. Det er tilstrækkeligt at bemærke, at for en væsentlig del af brugerne bliver samtalen med chatbotten en af de naturlige måder at organisere information på.
AI som et værktøj til nyheder, politik og beslutninger
Data fra Reuters Institute viser, at AI-chatbots allerede bruges til informationsforbrug, selvom de stadig ikke dominerer. I 2026 erklærede 10 % af de adspurgte på 45 markeder, at de ugentligt brugte AI-chatbots til nyheder, op fra 7 % året før. Endnu mere interessant er, hvordan folk bruger dem: 42 % af brugerne af nyhedschatbots stiller opfølgende spørgsmål, 35 % bruger dem til at få de seneste oplysninger, 34 % til at opsummere, 30 % til at forenkle komplekse emner, og 33 % til at vurdere kildernes troværdighed. kilde: Reuters Institute Digital News Report
Dette er næsten en klar beskrivelse af vælgerens adfærd i en lokal kampagne. "Forklar mig, hvad der foregår med Zonen for Ren Transport." "Opsummer forskellene mellem kandidaterne." "Hvem er troværdig i transportspørgsmål?". "Har denne kandidat virkelig erfaring fra lokalpolitikken?". "Hvilke kilder bekræfter hans erklæringer?".
I dette øjeblik stopper AI med at være blot et værktøj til at skrive tekster. Det bliver et interface til den offentlige virkelighed.
Den stærkeste advarsel – vælgerne spørger allerede GenAI om valg
Et af de mest interessante tal stammer fra en undersøgelse om parlamentsvalget i Storbritannien i 2024. En repræsentativ undersøgelse af 2499 voksne viste, at i ugen før valget brugte 32 % af chatbot-brugerne (13 % af alle berettigede vælgere) konverserende AI til at søge information direkte relateret til deres valgbeslutning. kilde: arXiv, undersøgelse UK 2024
Dette er ikke en marginal detalje. Det er et signal om, at chatbots træder ind i selve valgprocessen: ikke som en abstrakt teknologi, men som et værktøj, der bruges, når vælgeren netop træffer beslutning, organiserer argumenter eller forsøger at forstå den politiske scene. Ofte lige før de går ind i valgstedet.
Det er vigtigt, at forfatterne af denne undersøgelse ikke fremsætter en simpel alarmistisk konklusion. I en række eksperimenter med 2858 deltagere fandt de, at brugen af chatbots ikke forværrede den politiske viden; tværtimod øgede den den i samme omfang som traditionel internetsøgning. kilde: AI Security Institute
Og netop derfor er emnet mere interessant end en almindelig fortælling om trusler. Tid til en truism. Jeg vil endda fremhæve det, så det bliver mere iøjnefaldende. Ingen årsag…
LLM'er kan hjælpe vælgere med bedre at forstå politik. Men de kan også forvirre, overse, forenkle, identificere kandidater forkert eller skabe bestemte fortolkningsrammer.
Den anden side – chatbotternes svar kan være mangelfulde
Problemet er, at modellerne giver indtryk af at være organiserede, sikre og komplette, selv når de indeholder huller. Du ved… som den, man mødte til en studenterfest, en kommende ingeniør (hvis skæbne og professorer tillader det) fra AGH, der vil insistere på sit synspunkt, som for tre øl siden ikke ville være kommet op til diskussion ;)
En undersøgelse fra EBU og BBC omfattede over 3000 svar genereret af fire AI-assistenter (ChatGPT, Copilot, Gemini og Perplexity) på 14 sprog. 45 % af svarene indeholdt mindst ét væsentligt problem, 31 % havde alvorlige problemer med kilderne, og 20 % indeholdt alvorlige problemer med nøjagtigheden, herunder forældede eller hallucinerede oplysninger. kilde: EBU/BBC
I lokale valg kan denne risiko være større end i en landsdækkende kampagne. Lokale kilder er mere spredte. Kandidaterne er (og er, som vi snart vil bevise) mindre kendte. Konteksten ændrer sig hurtigere. Navne fra den forrige cyklus kan blandes med nye kandidaturer. Programmer offentliggøres ofte i etaper. (hvis de overhovedet bliver til noget, men det har jeg allerede skrevet om, og der vil ikke komme flere stik… forhåbentlig) Og vælgernes spørgsmål er ofte korte, uformelle og upræcise.
Ved en landsdækkende leder har modellen normalt mange data. Ved en lokal kandidat til borgmesterposten i Kraków skal den sammensætte et billede fra BIP, lokale medier, kandidatens hjemmeside, sociale medieindlæg, meningsmålinger, rapporter fra pressekonferencer og aktuelle begivenheder. Det er ideelle betingelser for tilsyneladende små, men politisk betydningsfulde fejl: forveksling af funktioner, udeladelse af konkurrenter, tilskrivning af forældede kandidaturer, tildeling af en for snæver etiket eller basering af svar på kilder fra tidligere valg.
Den vigtigste drejning: GenAI behøver ikke at lyve for at påvirke
I diskussionen om AI og valg fokuseres der for meget på "falske nyheder". Imidlertid kan repræsentation være lige så vigtig for en lokal kampagne.
Modellen kan ikke give falske oplysninger. Den kan blot beskrive kandidaten primært gennem partiet og overse hans erfaring fra lokalpolitikken. Den kan nævne ham ved spørgsmål om PiS, men ikke ved spørgsmål om transport. Den kan skrive om SCT, men overse emnet offentlig transport. Den kan svare på spørgsmålet om Nowa Huta uden at nævne den person, der selv bygger en del af sin kommunikation omkring forbindelserne til denne del af byen. Den kan placere kandidaten sidst på listen, selvom han formelt er en af de væsentlige deltagere i løbet.
Det behøver ikke at være en "fejl" i ordets enkle forstand. Det kan være en konsekvens af hierarkiet af kilder, datakvalitet, informationsadgang, formuleringen af spørgsmålet og mekanikken i det genererede svar fra modellen.
I traditionel SEO kæmpede man om positionen i søgeresultaterne. I LLM'ernes verden bliver spørgsmålet om, hvorvidt kandidaten overhovedet vises i svaret, ved hvilke spørgsmål han vises, hvad han forbindes med, og hvem han sammenlignes med, stadig vigtigere.
Denne mekanisme ses tydeligt i Michał Drewnickis undersøgelse (diskuteret mere detaljeret senere i teksten). I 250 svar fra deep dive-undersøgelsen nævnte modellerne kandidaten i 87,6 % af tilfældene, når brugeren nævnte hans navn, men kun i 5,0 % af tilfældene, når spørgsmålet ikke indeholdt navnet og handlede om et problem, en kategori af kandidater eller et byemne. Med andre ord: genkendelse ved navn betyder ikke nødvendigvis tematisk synlighed.
Og hvis svaret ikke kun informerer, men også ændrer opfattelsen?
Her kommer et andet vigtigt datasæt ind. Undersøgelser beskrevet af Cornell viste, at en kort samtale med en chatbot kan ændre politiske holdninger betydeligt. I eksperimenter udført i fire lande flyttede LLM-baserede chatbots vælgernes præferencer med 10 procentpoint eller mere i mange tilfælde. I eksperimenter i Canada og Polen var effekten omkring 10 procentpoint, og i en af undersøgelserne flyttede den mest overbevisende optimerede model vælgernes holdninger med 25 procentpoint. kilde: Cornell Chronicle
Det skal siges forsigtigt. Det var kontrollerede eksperimenter, ikke bevis på, at chatbots selv vil afgøre reelle valg. Deltagerne vidste, at de talte med AI, og retningen for overbevisningen blev randomiseret. Både forfatterne og kommentatorerne understregede begrænsningerne ved sådanne undersøgelser og forskellen mellem eksperimentelle betingelser og den virkelige kampagne. kilde: Nature Asia
Men én konklusion er svær at ignorere. Den lyder nogenlunde sådan: modellerne kan være overbevisende ikke fordi de er følelsesmæssige, aggressive eller manipulerende i klassisk forstand. Ifølge forskerne skyldtes deres styrke ofte, at de genererede mange påstande, argumenter og tilsyneladende saglige begrundelser. Cornell understregede, at når modellerne blev begrænset i deres mulighed for at bruge fakta, faldt deres overbevisning; samtidig var mere overbevisende modeller ofte mindre præcise. kilde: Cornell Chronicle
Dette er kernen i problemet i en lokal kampagne. Vælgeren kan få et svar, der er roligt, sagligt, velformuleret og uden partipolitisk tone. Og alligevel kan dette svar styrke et bestemt billede af kandidaten.
Eksemplet Kraków, eller Michał Drewnicki i LLM'ernes svar
I denne kontekst er undersøgelsen af Michał Drewnicki, kandidaten fra Lov og Retfærdighed til borgmesterposten i Kraków, et godt eksempel på, hvad der skal begynde at blive målt i lokalpolitik.
Det handler ikke kun om at spørge: "Kender GenAI kandidatens navn?". Det er det simpleste niveau. Meget mere interessante er de dybere spørgsmål:
Identificerer modellerne korrekt Michał Drewnicki som PiS-kandidat i det ekstraordinære valg i Kraków?
Genkender de hans offentlige funktioner – byrådsmedlem og næstformand for Kraków byråd?
Adskiller de den aktuelle valgkontekst fra lokalvalget i 2024?
Forbinder de ham udelukkende med PiS, eller også med lokal erfaring fra lokalpolitikken?
Viser han sig i svarene på spørgsmål, der ikke indeholder hans navn, men vedrører emner, der er til stede i hans offentlige profil: kommunikation, SCT, Nowa Huta, arealplanlægning, leveomkostninger, forholdet mellem myndigheder og borgere?
Kan modellerne skelne mellem officielle oplysninger, medieoplysninger, valgudtalelser og egne fortolkninger?
Undersøgelsen blev udført af den beskedne forfatter af denne tekst den 03/07/2026.
I undersøgelsen, der blev gennemført med vores eget værktøj Semantio, analyserede jeg 250 svar vedrørende Michał Drewnicki i forbindelse med præsidentvalget i Kraków. Materialet er resultatet af en analyse, der omfattede 50 unikke scenarier, der blev kørt i fem systemer: ChatGPT, Gemini, Grok, DeepSeek og Google Overview. Hver system svarede på de stillede 50 scenarier. Scenarierne blev opdelt blandt andet efter intentionstrappen: 80 svar på awareness-stadiet, 85 på consideration-stadiet og 85 på decision-stadiet. Spørgsmål, der indeholdt kandidatens navn, blev analyseret separat fra problematiske spørgsmål uden navn.
Det stærkeste resultat vedrører forskellen mellem genkendelse ved navn og spontan synlighed. I hele materialet var der 170 svar på spørgsmål, der indeholdt navnet Michał Drewnicki samt 80 svar på spørgsmål uden navn. Når brugeren nævnte kandidatens navn (prompt-scenariet indeholdt navnet "Drewnicki"), nævnte modellerne Drewnicki i 149 af 170 svar, hvilket svarer til 87,6 % af tilfældene. Når spørgsmålet ikke indeholdt navnet og handlede om et problem, en kategori af kandidater eller et byemne, dukkede Drewnicki kun op i 4 af 80 svar, hvilket svarer til 5,0 % af tilfældene.
Med andre ord: modellerne kan beskrive kandidaten, når brugeren allerede ved, hvem de spørger, men de forbinder ham betydeligt dårligere med byens problemer.
Dataene viser også, at synligheden ikke er ligeligt fordelt mellem systemerne. Alle 4 spontane omtaler af Drewnicki i spørgsmål uden navn kom fra Google Overview. I de øvrige systemer (ChatGPT, Gemini, Grok og DeepSeek) dukkede kandidaten ikke op én eneste gang ved sådanne spørgsmål. Det er vigtigt, fordi det understreger "på tallene", at der ikke findes én universel "synlighed i AI". Hver system kan opbygge et andet kort over den politiske scene, afhængigt af kilderne, datakvaliteten, søgemekanikken og måden, svarene genereres på.
Ja, jeg kunne ikke lade være med at inkludere dette billede i konteksten af SCT ;)
Den mest markante spontane synlighed dukkede op ved spørgsmål om transport, offentlig transport, billetter, mobilitet og Zonen for Ren Transport. I spørgsmål uden navn vedrørende dette område dukkede Drewnicki op i 4 af 30 svar, hvilket svarer til 13,3 % af tilfældene. Det er stadig et lavt resultat, men i forhold til de øvrige emner er det betydningsfuldt: spørgsmål om lokalpolitisk erfaring, Nowa Huta, distrikter, arealplanlægning eller grønne områder aktiverede ikke hans navn lige så effektivt. Set fra en lokal kampagnes synspunkt er dette en vigtig forskel: modellen kan godt beskrive Krakows problem, men den viser ikke nødvendigvis vælgeren, hvilken kandidat der forsøger at politisk håndtere dette problem.
I 70 af 250 svar, hvilket svarer til 28,0 % af hele datasættet, blev der markeret hallucinationsadvarsler. Fejlrisikoen forsvandt ikke efter at have nævnt navnet: ved spørgsmål med navn dukkede advarslen op i 50 af 170 svar (29,4 %), mens den ved spørgsmål uden navn dukkede op i 20 af 80 svar (25,0 %). Oftest var dette kontekstuelle problemer, såsom forveksling af valget i 2026 med valget i 2024, forkerte offentlige funktioner, forkert politisk tilknytning, forkerte eller mistænkelige URL'er, ubekræftede programdetaljer og i enkelte tilfælde endda forveksling af Kraków med Warszawa (det tilgiver man ikke i Kraków!). I en lokal kampagne kan sådanne små fejl være mere sandsynlige end spektakulære "falske nyheder", og dermed meget sværere at opdage, da de ofte optræder i svar, der lyder rolige og saglige. Hvor kender vi det fra?…
Forskellene mellem udbyderne (et andet smukt ord fra Bug-området) var tydelige. Google Overview nævnte Drewnicki oftest og havde den laveste andel af hallucinationsadvarsler: 37 omtaler i 50 svar (74,0 %) og 5 advarsler (10,0 %). DeepSeek nævnte kandidaten i 33 af 50 svar (66,0 %), men havde samtidig den højeste andel af advarsler: 31 af 50 svar (62,0 %). ChatGPT nævnte Drewnicki i 30 af 50 svar (60,0 %) og havde 8 advarsler (16,0 %). Grok nævnte ham i 27 af 50 svar (54,0 %) og havde 16 advarsler (32,0 %). Gemini nævnte kandidaten i 26 af 50 svar (52,0 %) og havde 10 advarsler (20,0 %). Dette viser, at større synlighed i AI ikke altid betyder bedre kvalitet i repræsentationen.
Kilderne viste sig også interessante. I hele datasættet blev der identificeret 676 kildehenvisninger. De mest fremtrædende domæner var: bip.krakow.pl (90 gange), facebook.com (71 gange), krakow.pl (38 gange), youtube.com (29 gange), radiokrakow.pl (26 gange), lovekrakow.pl (23 gange), drewnicki.pl (22 gange) og ztp.krakow.pl (22 gange). Kandidatens officielle domæne var derfor til stede, men langt fra dominerende. Billedet af Drewnicki i AI blev også bygget af BIP, lokale medier, bykilder, Facebook, YouTube og andre mellemliggende domæner.
Samtidig var der 115 af 250 svar, hvor der ikke var nogen kildehenvisning, hvilket udgør 46,0 % af hele materialet. Forskellene mellem systemerne var store: Google Overview gav links i hvert svar, ChatGPT i 43 af 50, DeepSeek i 31 af 50, Grok i 10 af 50, mens Gemini kun gav links i 1 af 50 svar. Dette har valgmæssig betydning – et svar uden kilde kan lyde troværdigt, men brugeren har ikke en hurtig måde at kontrollere, hvor modellen fik oplysningerne om kandidaten, funktionen, programmet eller valgkonteksten fra.
I LLM'ernes svar blev konkurrencen heller ikke kun forstået som en liste over formelle valgmodstandere. I det konkurrenceprægede felt optrådte Aleksander Miszalski (53 gange) og Łukasz Gibała (50 gange), men også Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) og Bartosz Bocheńczak (8). Der optrådte også medier, institutioner, partier og organisationer, herunder Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica og PiS. For modellen blandes den politiske scene derfor med den informationsmæssige scene. Hvad betyder det? Kandidaten konkurrerer ikke kun med andre navne, men også med tidligere kontekster, stærkere kilder og mere etablerede associationer.
Den korteste konklusion fra undersøgelsen lyder: et navn er ikke nok. I LLM'ernes verden kan kandidaten genkendes (den analyserede Michał Drewnicki tilhører åbenbart ikke denne kategori endnu), når brugeren spørger direkte om ham, men samtidig forblive svagt til stede ved spørgsmål, der reelt starter vælgerens beslutning: om transport, omkostninger, distrikter, grønne områder, myndigheder, erfaring eller troværdighed i et konkret problem. Det er netop dette lag – ikke kun tilstedeværelse på internettet, men tilstedeværelse i svarene på brugernes behov – der skal parameteriseres i dag.
Hvad kan man præcist måle?
Ved at analysere resultaterne opnået i Semantio så jeg på svarene fra store sprogmodeller ikke som en kuriositet, men som et nyt lag af offentlig synlighed. I tilfælde af en politisk kandidat kan man analysere blandt andet:
spontan synlighed – dukker kandidaten op, når brugeren ikke nævner navnet;
korrekt identifikation – navn, funktion, parti, valgår, aktuel kontekst;
position i svaret – er kandidaten først, midt, sidst, overset eller beskrevet kort;
tematiske forbindelser – ved hvilke emner nævner modellen ham: transport, SCT, distrikter, leveomkostninger, lokalpolitisk erfaring, PiS, højrefløjen, byledelse;
sammenligninger – hvem sammenligner modellen ham oftest med, og efter hvilke kriterier; hvem vinder kandidaten over, og hvem har KO (det handler ikke om udvalg!)
kilder – baserer svaret sig på aktuelle, troværdige og relevante data;
hallucinationer – et fascinerende område, hvor man kan se ting som forveksling af personer, funktioner, datoer, programmer, valgcykler eller ikke-eksisterende erklæringer;
fortolkningsrammer – præsenteres kandidaten som partipolitisk, lokal, lokalpolitisk, ideologisk, teknokratisk, protesterende, anti-regulerende, bymæssig, højreorienteret, "pro-bil" eller på en anden måde.
I tilfælde af Drewnicki er tre kategorier til videre analyse særligt tydelige: synlighed ved navn, tematisk synlighed og kvaliteten af kilderne. Den første var høj. Den anden var lav. Den tredje viste sig at være ujævn mellem udbyderne.
Første eksempel: spørgsmål om lokalpolitisk erfaring uden at nævne navnet aktiverede ikke Drewnicki spontant, selvom hans institutionelle profil omfatter et byrådsmandat og en funktion som næstformand for Kraków byråd.
Andet eksempel: spørgsmål om Nowa Huta, Mistrzejowice, nord for Kraków og det distriktsmæssige perspektiv var heller ikke tilstrækkelige til, at modellerne selv kunne pege på kandidaten.
Tredje eksempel: en vis grad af spontan synlighed optrådte hovedsageligt omkring transport og SCT, men var stadig meget svag sammenlignet med svarene på spørgsmål, der indeholdt navnet.
Kort sagt: GenAI kan svare på spørgsmålet "Hvem er Michał Drewnicki?", men nævner hans navn langt sjældnere ved spørgsmålet "Hvem i Kraków har en holdning til mit problem?". Det er en forskel, der er svær at se i klassisk medieovervågning, men som er meget vigtig for lokal kampagne.
Hvorfor det betyder noget for kampagner, medier og civilsamfundsorganisationer
Valgkampagner har i årevis overvåget medier, sociale medier, meningsmålinger og søgeresultater. Problemet er, at LLM'er ikke opfører sig som et almindeligt medie og ikke fungerer som en klassisk søgemaskine. Sidstnævnte er også i vores øjne i stigende grad "uklassisk".
Modellen viser ikke blot, hvad der er på internettet. Modellen bearbejder information, opsummerer den, hierarkiserer den, nogle gange opdaterer den gennem søgning, nogle gange baserer den sig på tidligere indsamlet viden, nogle gange nægter den at svare, og nogle gange svarer den med stor sikkerhed, selvom dataene er ufuldstændige.
For kampagnen betyder det nye spørgsmål. Er kandidaten til stede i svarene på emner, der er vigtige for ham? Er hans profil opdateret? Tildeler modellerne ikke hans andres erklæringer? Overtager konkurrenterne ikke i AI emner, der i kampagnen er hans naturlige område? Vil brugeren, der spørger om "transportkandidaten", overhovedet se hans navn?
Drewnickis undersøgelse viser, at dette spørgsmål ikke er teoretisk. I spørgsmål uden navn dukkede kandidaten kun op i 5,0 % af svarene. For kampagnen betyder det nødvendigheden af at se på ikke kun om der findes materialer om kandidaten på internettet, men også om modellerne kan forbinde disse materialer med vælgernes reelle intentioner.
For medierne betyder det nødvendigheden af at se på LLM'er som formidlere af offentlig information. Hvis modellerne begynder at svare på valgspørgsmål, vil kvaliteten af lokal journalistik, datakonstruktion, aktualiteten af kilderne og præcisionen af beskrivelserne af kandidaterne påvirke ikke kun læserne, men også de svar, der syntetiseres af GenAI.
For civilsamfundsorganisationer betyder det noget andet. Muligheden for at undersøge, om modellerne informerer vælgerne korrekt, om de ikke overser kandidater, om de ikke forstærker forældede data, og om de ikke skaber informationsuligheder mellem personer, der kender den politiske scene godt, og dem, der netop forsøger at orientere sig i den.
Hold nerverne i ro – der er endnu ikke noget, der tyder på, at GenAI vil erstatte kampagner. Men det kan ændre informationslandskabet
Det giver ikke mening at påstå, at valget i Kraków vil blive afgjort i ChatGPT, Gemini, Perplexity eller Copilot. Det er ikke det, det handler om… Kampagnen foregår stadig i overvejende grad "i byen" – på møder, i lokale medier, på pressekonferencer, i debatter, i kvarterer, i distrikter, ved stoppesteder og i samtaler mellem borgerne.
Men det ville være en fejl at antage, at svarene fra LLM'er kun er en teknologisk kuriositet.
Hvis millioner af mennesker allerede bruger ChatGPT i Polen, hvis omkring en tredjedel af befolkningen i alderen 16–74 år bruger generativ AI i EU, hvis 13 % af berettigede vælgere i Storbritannien brugte chatbots til valginformation ugen før afstemningen, og eksperimenter viser, at samtaler med modellen kan ændre politiske holdninger – så betyder det, at kampagner og offentlige institutioner bør begynde at betragte AI som et reelt lag af informationscirkulation. kilder: Gemius/PBI, Eurostat, undersøgelse UK 2024, Cornell Chronicle
I lokale valg er dette lag særligt vigtigt. Hvorfor? Fordi vælgeren ofte ikke søger stor ideologi. Han søger svar på sit eget problem. Der er mange spørgsmål: Hvem forstår mit kvarter? Hvem har erfaring? Hvem taler om transport? Hvem har en plan for leveomkostningerne? Hvem er troværdig i forhold til grønne områder? Hvem stiller virkelig op, og hvem var kandidat ved de tidligere valg?
Hvordan modellen svarer på sådanne spørgsmål kan afgøre ikke blot resultatet af hele valget, men måden, hvorpå en del af borgerne forstår kandidaterne.
Og det ses ikke i meningsmålingerne. Det ses ikke i klassisk SEO. Det ses ikke i medieovervågning. Men det kan undersøges.
I tilfælde af Michał Drewnicki er den vigtigste lektion enkel: kandidaten kan være til stede i svarene fra GenAI, men stadig ikke have et stærkt "ejerskab" (ja, et smukt polsk ord) af de emner, der er vigtige for borgerne. Det er netop denne forskel – mellem tilstedeværelse ved navn og tilstedeværelse i problemer – der skal begynde at blive betragtet som en ny kategori af offentlig synlighed.
Vil du tjekke, hvordan AI beskriver din kandidat, dit parti, dit brand eller din institution?
Michał Drewnickis undersøgelse viser, at svar genereret af AI-modeller kan analyseres systematisk, med fokus på synlighed, korrekthed, kilder, sammenligninger, udeladelser og fortolkningsrammer. Hvis du vil vide mere om denne undersøgelse eller tale om en lignende analyse for dit eget projekt, kan du kontakte forfatteren af teksten: m.grzebyk@brandsemantics.eu
* så der ikke er nogen misforståelser – sådan en, der er i svarene ;)
