Hace apenas unos años, un votante que quería investigar a un candidato a la alcaldía tenía que visitar su página web, revisar los medios (incluidos los "tradicionales"), ver un debate, preguntar a amigos o desplazarse por varias páginas de resultados de Google. Hoy en día, cada vez más, puede hacer algo más sencillo: preguntar a su chat favorito (un gran modelo de lenguaje).
No necesita siquiera… conocer los nombres. No tiene que saber quién pertenece a qué comité. No necesita seguir las conferencias de prensa. En general, no tiene que hacer mucho. Pero puede. Puede preguntar: "¿quién en Cracovia tiene el mejor programa de transporte?", "¿qué candidato está relacionado con Nowa Huta?", "¿quién quiere cambiar la Zona de Transporte Limpio?", "¿tiene el candidato de PiS experiencia en el gobierno local?", "¿quién habla concretamente sobre el costo de la vida en estas elecciones?".
Y obtendrá una respuesta.
No una lista de enlaces. No un resultado de búsqueda clásico. No una base de documentos neutral. Obtendrá una descripción sintética del panorama político, construida por el LLM en función de lo que el modelo encuentra, recuerda, interpreta, considera importante y organiza en la jerarquía adecuada. Y esto para el usuario que, en parte, ha "criado" su propio "Tamagotchi" de la tercera década (¡suena raro!) del siglo XXI. Solo que no lo alimenta ni lo limpia presionando botones, sino que le lanza trozos de sí mismo que revelan sus hábitos.
Esta es una nueva capa de la campaña electoral. Silenciosa, privada, difícil de monitorear y – en las elecciones locales – potencialmente muy significativa.
Cracovia como laboratorio de elecciones en la era de GenAI
Cracovia es un buen lugar para observar este cambio en la práctica. No es un pequeño municipio, pero tampoco una campaña nacional en la que cada candidato está constantemente presente en los medios principales. Según datos de GUS, a finales de 2025, Cracovia tenía 816,614 habitantes. Es un organismo urbano grande y complejo: con un centro, Nowa Huta, barrios periféricos, universidades, turismo, negocios, transporte, conflictos sobre áreas verdes, planificación urbana, precios de servicios municipales y gestión de la ciudad. fuente: Cracovia en cifras
A esto se suma un contexto político excepcional. En el referéndum local del 24 de mayo de 2026, la participación en la votación sobre la destitución del alcalde de Cracovia fue del 29.99% — suficiente para que el referéndum fuera válido y decisivo. En la votación paralela sobre la destitución del Consejo Municipal, la participación fue del 29.97%, por lo que no se superó el umbral legal. La diferencia, aparentemente mínima, tuvo consecuencias políticas completamente diferentes. fuente: Ciudad de Cracovia
Cracovia también tiene experiencia reciente de una competencia muy reñida. En la segunda vuelta de las elecciones presidenciales de 2024, Aleksander Miszalski obtuvo el 51.04% de los votos, mientras que Łukasz Gibała obtuvo el 48.96%. Según informes basados en datos de PKW, la diferencia fue de 5,434 votos. fuente: Rzeczpospolita
Estos son números que hacen que cada nueva fuente de influencia informativa sea importante. No porque un chatbot "elija al alcalde de Cracovia". Esa es una afirmación demasiado fuerte. Sino porque en una campaña donde unos pocos miles de votos pueden cambiar el resultado, también importa quién es visible, quién es ignorado, con qué se asocia y cómo es descrito en las respuestas de la inteligencia artificial generativa, que los usuarios recurren cada vez más.
El votante no solo busca. El votante conversa
El cambio más importante no es que la IA pueda generar un anuncio, un meme o un deepfake. Eso, por supuesto, también es relevante, pero ya es un tema bastante conocido. Se habla mucho de ello, hay campañas al respecto – más o menos sociales. Más o menos financiadas por ciertos comités electorales.
Un cambio más interesante y menos obvio se refiere a que los LLM se están convirtiendo en asesores informativos privados. El votante puede no preguntar: "¿cuál es el programa de Michał Drewnicki?". Puede que ni siquiera recuerde ese nombre. Pero puede preguntar: "¿quién en Cracovia tiene experiencia en el gobierno local?", "¿qué candidato habla sobre Nowa Huta?", "¿quién tiene una posición clara sobre SCT?", "¿el candidato de PiS en Cracovia es solo de partido, o tiene experiencia local?".
Estas preguntas están mucho más cerca del proceso de toma de decisiones real. La gente rara vez compara programas completos de arriba a abajo. (por cierto… ¿cuál de los partidos en 2024 describió su programa electoral de manera clara, en lugar de dejarse llevar por la marea de encuestas cambiantes, gritos en mítines y quejas medidas en "redes sociales"?) Más a menudo buscan respuestas a sus propios problemas: transporte, precios, áreas verdes, escuelas, aceras, estacionamiento, construcción frente a sus ventanas, sensación de caos en la oficina o falta de influencia en las decisiones de la ciudad.
Es aquí donde los grandes modelos de lenguaje comienzan a actuar como un nuevo intermediario. No solo proporcionan información. Ellos organizan la escena. Seleccionan qué candidatos mencionar. Deciden qué hechos considerar relevantes. Resumen contextos complejos en unos pocos párrafos. Y a menudo lo hacen de una manera que no veremos en el monitoreo clásico de medios, SEO o análisis de redes sociales. Así, se puede suponer que las encuestas y sus "desviaciones" serán uno de los principales temas de discusión después de las encuestas de salida.
Ya no es una tecnología de nicho
Si alguien piensa que los "chatbots" siguen siendo un juguete para estudiantes y la industria tecnológica, los datos rápidamente enfrían esa opinión. Según un informe de Gemius/PBI, en junio de 2025, más de 9.3 millones de usuarios reales utilizaban ChatGPT en Polonia. Esto representaba el 31.4% de los internautas y el 28.6% de la población de 7 a 75 años. El informe también indicaba que entre los usuarios de ChatGPT había una sobrerrepresentación de personas menores de 35 años, y en el grupo de 25 a 34 años, el tiempo promedio de uso en junio era de 2 horas y 42 minutos. fuente: Gemius/PBI
A escala europea, Eurostat informó que en 2025, el 32.7% de los residentes de la UE de entre 16 y 74 años utilizaban herramientas de IA generativa. En el grupo de 16 a 24 años, este porcentaje ya era del 63.8%. fuente: Eurostat
Esto es importante, porque los votantes más jóvenes son al mismo tiempo un grupo más propenso a usar nuevas herramientas informativas y un grupo que en las elecciones locales a menudo tiene una participación menos estable. No es necesario suponer que toda la campaña se trasladará a sistemas respaldados por inteligencia artificial. Basta con notar que para una parte significativa de los usuarios hablar con un chatbot se está convirtiendo en una de las formas naturales de organizar información.
IA como herramienta para noticias, política y decisiones
Los datos del Reuters Institute muestran que los chatbots de IA ya se utilizan para consumir información, aunque aún no dominan. En 2026, el 10% de los encuestados en 45 mercados declararon utilizar chatbots de IA para noticias semanalmente, frente al 7% del año anterior. Aún más interesante es cómo las personas los utilizan: el 42% de los usuarios de chatbots de noticias hacen preguntas de profundización, el 35% los usa para obtener la información más reciente, el 34% para resumir, el 30% para simplificar temas complejos y el 33% para evaluar la credibilidad de las fuentes. fuente: Informe de Noticias Digitales del Instituto Reuters
Esto es casi una descripción lista del comportamiento del votante en una campaña local. "Explícame de qué se trata la Zona de Transporte Limpio". "Resume las diferencias entre los candidatos". "¿Quién es creíble en el tema del transporte?". "¿Este candidato realmente tiene experiencia en el gobierno local?". "¿Qué fuentes confirman sus declaraciones?".
En este punto, la IA deja de ser solo una herramienta para escribir textos. Se convierte en una interfaz a la realidad pública.
La señal de advertencia más fuerte: los votantes ya preguntan a GenAI sobre las elecciones
Uno de los números más interesantes proviene de un estudio sobre las elecciones parlamentarias en el Reino Unido en 2024. Una encuesta representativa de 2,499 adultos mostró que en la semana anterior a las elecciones, el 32% de los usuarios de chatbots (13% de todos los votantes elegibles) utilizaban IA conversacional para buscar información directamente relacionada con su decisión electoral. fuente: arXiv, estudio del Reino Unido 2024
No es un detalle marginal. Es una señal de que los chatbots están entrando en el centro del proceso electoral: no como una tecnología abstracta, sino como una herramienta utilizada cuando el votante está tomando decisiones, organizando argumentos o tratando de entender el panorama político. A menudo justo antes de entrar en el lugar de votación.
Lo importante es que los autores de este estudio no formulan una conclusión alarmista simple. En una serie de experimentos con 2,858 participantes, encontraron que el uso de chatbots no empeoraba el conocimiento político; por el contrario, lo aumentaba en un grado similar al de la búsqueda de información tradicional en Internet. fuente: AI Security Institute
Y es precisamente por eso que el tema es más interesante que una simple historia sobre amenazas. Es hora de un truismo. Incluso lo voy a poner en negrita para que sea más llamativo. No hay de qué…
Los LLM pueden ayudar a los votantes a comprender mejor la política. Pero también pueden confundir, omitir, simplificar, identificar incorrectamente a los candidatos o construir marcos interpretativos específicos.
El otro lado: las respuestas de los chats pueden ser defectuosas
El problema es que las respuestas de los modelos parecen ordenadas, seguras y completas, incluso cuando contienen lagunas. Sabes… como ese conocido en una fiesta estudiantil que será un futuro ingeniero (si el destino y los profesores lo permiten) de AGH, que defenderá con tenacidad una postura que hace tres cervezas no habría entrado ni en discusión ;)
Un estudio de EBU y BBC abarcó más de 3,000 respuestas generadas por cuatro asistentes de IA (ChatGPT, Copilot, Gemini y Perplexity) en 14 idiomas. El 45% de las respuestas contenía al menos un problema significativo, el 31% tenía problemas graves con las fuentes, y el 20% contenía problemas graves de precisión, incluidas informaciones desactualizadas o alucinadas. fuente: EBU/BBC
En las elecciones locales, este riesgo puede ser mayor que en una campaña nacional. Las fuentes locales son más dispersas. Los candidatos pueden ser (y son, como pronto demostraremos) menos conocidos. El contexto cambia más rápido. Los nombres del ciclo anterior pueden mezclarse con nuevas candidaturas. Los programas pueden publicarse en etapas. (si es que se crean, pero ya he escrito sobre eso y no habrá más puñaladas… creo) Y las preguntas de los usuarios suelen ser breves, coloquiales y poco precisas.
Con un líder nacional, el modelo generalmente tiene muchos datos. Con un candidato local a la alcaldía de Cracovia, debe construir una imagen a partir de BIP, medios locales, la página del candidato, publicaciones en redes sociales, encuestas, informes de conferencias y eventos actuales. Estas son condiciones ideales para errores aparentemente menores, pero políticamente significativos: confundir funciones, omitir competidores, asignar candidaturas desactualizadas, etiquetar a alguien de manera demasiado estrecha o basar respuestas en fuentes de elecciones anteriores.
El giro más importante: GenAI no tiene que mentir para influir
En la discusión sobre IA y elecciones, se presta demasiada atención a las "fake news". Mientras tanto, para una campaña local, algo más sutil puede ser igualmente importante: la representación.
El modelo puede no proporcionar información falsa. Puede simplemente describir al candidato principalmente por su partido, y omitir su experiencia en el gobierno local. Puede mencionarlo al preguntar sobre PiS, pero no al preguntar sobre transporte. Puede escribir sobre SCT, pero omitir el tema del transporte público. Puede responder a la pregunta sobre Nowa Huta sin señalar a la persona que construye parte de su comunicación en torno a sus vínculos con esa parte de la ciudad. Puede colocar al candidato al final de la lista, a pesar de que formalmente es uno de los participantes importantes de la carrera.
No tiene que ser un "error" en el sentido simple. Puede ser una consecuencia de la jerarquía de fuentes, la frescura de los datos, la disponibilidad de información, la forma en que se formula la pregunta y la mecánica de la respuesta generada por el modelo.
En el SEO tradicional, se luchaba por la posición en los resultados de búsqueda. En el mundo de los LLM, la pregunta cada vez más importante es: ¿aparece el candidato en la respuesta, en qué preguntas aparece, con qué se asocia y con quién se compara?
Este mecanismo se observa claramente en el estudio de Michał Drewnicki (discutido más ampliamente más adelante en el texto). En 250 respuestas del estudio deep dive, los modelos mencionaron al candidato en el 87.6% de los casos cuando el usuario proporcionó su nombre, pero solo en el 5.0% de los casos cuando la pregunta no contenía el nombre y se refería a un problema, categoría de candidatos o tema urbano. En otras palabras: el reconocimiento por nombre no significa aún visibilidad temática.
¿Y si la respuesta no solo informa, sino que también desplaza la opinión?
Aquí aparece un segundo conjunto clave de datos. Los estudios descritos por Cornell mostraron que una breve conversación con un chatbot puede desplazar significativamente las opiniones políticas. En experimentos realizados en cuatro países, los chatbots basados en LLM desplazaron las preferencias de los votantes opositores en 10 puntos porcentuales o más en muchos casos. En experimentos en Canadá y Polonia, el efecto fue de alrededor de 10 puntos porcentuales, y en uno de los estudios, el modelo más persuasivo optimizado desplazó las opiniones de los votantes opositores en 25 puntos porcentuales. fuente: Cornell Chronicle
Es necesario decir esto con precaución. Fueron experimentos controlados, no una prueba de que los chatbots decidirán elecciones reales. Los participantes sabían que estaban hablando con IA, y la dirección de la persuasión era aleatoria. Los propios autores y comentaristas subrayaron las limitaciones de tales estudios y la diferencia entre las condiciones experimentales y una campaña real. fuente: Nature Asia
Pero hay una conclusión que es difícil de ignorar. Suena más o menos así: las respuestas de los modelos pueden ser persuasivas no porque sean emocionales, agresivas o manipulativas en el sentido clásico. Según los investigadores, su fuerza a menudo se debía a que generaban muchas afirmaciones, argumentos y justificaciones aparentemente objetivas. Cornell subrayó que cuando se limitaba a los modelos la posibilidad de usar hechos, su persuasión disminuía; al mismo tiempo, los modelos más persuasivos tendían a ser menos precisos. fuente: Cornell Chronicle
Este es el núcleo del problema en una campaña local. El votante puede recibir una respuesta tranquila, objetiva, bien sonante y libre de tono partidista. Y, sin embargo, esa respuesta puede reforzar una imagen específica del candidato.
Ejemplo de Cracovia, es decir, Michał Drewnicki en las respuestas de los LLM
En este contexto, el estudio de Michał Drewnicki, candidato de Ley y Justicia a la alcaldía de Cracovia, es un buen ejemplo de lo que se debe comenzar a medir en la política local.
No se trata solo de preguntar: "¿conoce GenAI el nombre del candidato?". Ese es el nivel más simple. Preguntas mucho más interesantes son las más profundas:
¿los modelos identifican correctamente a Michał Drewnicki como candidato de PiS en las elecciones anticipadas en Cracovia?
¿reconocen sus funciones públicas – concejal y vicepresidente del Consejo Municipal de Cracovia?
¿distinguen el contexto electoral actual de las elecciones municipales de 2024?
¿lo asocian únicamente con PiS, o también con experiencia local en el gobierno?
¿aparece en las respuestas a preguntas que no contienen su nombre, pero se refieren a temas presentes en su perfil público: transporte, SCT, Nowa Huta, planificación urbana, costo de vida, relación entre la administración y los residentes?
¿los modelos pueden distinguir entre información oficial, informes de medios, declaraciones de campaña e interpretaciones propias?
El estudio fue realizado por el modesto autor de este texto el 03/07/2026.
En el estudio realizado con nuestra herramienta propia Semantio, analicé 250 respuestas sobre Michał Drewnicki en el contexto de las elecciones presidenciales en Cracovia. El material es el resultado de un análisis que abarca 50 escenarios únicos, ejecutados en cinco sistemas: ChatGPT, Gemini, Grok, DeepSeek y Google Overview. Cada sistema respondió a los 50 escenarios planteados. Los escenarios se dividieron, entre otros, según la etapa del embudo de intenciones: 80 respuestas en la etapa de conciencia, 85 en la etapa de consideración y 85 en la etapa de decisión. Se analizaron por separado las preguntas que contenían el nombre del candidato y las preguntas problemáticas sin nombre.
El resultado más contundente se refiere a la diferencia entre reconocimiento por nombre y visibilidad espontánea. En todo el material hubo 170 respuestas a preguntas que contenían el nombre de Michał Drewnicki y 80 respuestas a preguntas sin nombre. Cuando el usuario proporcionó el nombre del candidato (el escenario de entrada contenía el nombre "Drewnicki"), los modelos mencionaron a Drewnicki en 149 de 170 respuestas, es decir, en el 87.6% de los casos. Cuando la pregunta no contenía el nombre y se refería a un problema, categoría de candidatos o tema urbano, Drewnicki apareció solo en 4 de 80 respuestas, es decir, en el 5.0% de los casos.
En términos simples: los modelos pueden describir al candidato cuando el usuario ya sabe a quién pregunta, pero conectan mucho peor a Drewnicki con los problemas de la ciudad por sí mismos.
Los datos también muestran que la visibilidad no está distribuida uniformemente entre los sistemas. Todas las 4 menciones espontáneas de Drewnicki en preguntas sin nombre provienen de Google Overview. En los otros sistemas (ChatGPT, Gemini, Grok y DeepSeek), el candidato no apareció ni una vez en tales preguntas. Esto es importante, porque subraya "en números" que no existe una "visibilidad universal en IA". Cada sistema puede construir un mapa diferente del panorama político, dependiendo de las fuentes, la actualidad de los datos, la mecánica de búsqueda y la forma de generar respuestas.
Por supuesto, no pude resistirme a incluir esta imagen en el contexto de SCT ;)
El indicio más claro de visibilidad temática apareció en preguntas sobre transporte, transporte público, boletos, movilidad y la Zona de Transporte Limpio. En preguntas sin nombre relacionadas con este ámbito, Drewnicki apareció en 4 de 30 respuestas, es decir, en el 13.3% de los casos. Este sigue siendo un resultado bajo, pero significativo en comparación con otros temas: las preguntas sobre experiencia en el gobierno local, Nowa Huta, barrios, planificación urbana o áreas verdes no activaron su nombre con la misma eficacia. Desde la perspectiva de una campaña local, esta es una diferencia importante: el modelo puede describir bien el problema de Cracovia, pero no necesariamente mostrará al votante qué candidato intenta abordar ese problema políticamente.
En 70 de 250 respuestas, es decir, en el 28.0% de todo el conjunto, se marcó una alerta de alucinación. El riesgo de error no desapareció al proporcionar el nombre: en preguntas con nombre, la alerta apareció en 50 de 170 respuestas (29.4%), y en preguntas sin nombre en 20 de 80 respuestas (25.0%). Con mayor frecuencia, se trataba de problemas contextuales, como confundir las elecciones de 2026 con las de 2024, funciones públicas incorrectas, afiliaciones políticas erróneas, URL incorrectas o sospechosas, detalles del programa no confirmados y, en algunos casos, incluso confundir Cracovia con Varsovia (¡eso no se perdona en la Ciudad de Cracovia!). En una campaña local, tales errores menores pueden ser más probables que las "fake news" espectaculares, y, por lo tanto, mucho más difíciles de detectar, ya que a menudo aparecen en respuestas que suenan tranquilas y objetivas. ¿De dónde conocemos esto?…
Las diferencias entre proveedores (otra hermosa palabra proveniente de más allá del Bug) fueron evidentes. Google Overview mencionó a Drewnicki con más frecuencia y tuvo la tasa más baja de alertas de alucinación: 37 menciones en 50 respuestas (74.0%) y 5 alertas (10.0%). DeepSeek mencionó al candidato en 33 de 50 respuestas (66.0%), pero al mismo tiempo tuvo la mayor tasa de alertas: 31 de 50 respuestas (62.0%). ChatGPT mencionó a Drewnicki en 30 de 50 respuestas (60.0%) y tuvo 8 alertas (16.0%). Grok lo mencionó en 27 de 50 respuestas (54.0%) y tuvo 16 alertas (32.0%). Gemini mencionó al candidato en 26 de 50 respuestas (52.0%) y tuvo 10 alertas (20.0%). Esto muestra que una mayor visibilidad en IA no siempre significa una mayor calidad de representación.
Las fuentes también se organizaron de manera interesante. En todo el conjunto se identificaron 676 enlaces fuente. Las dominios más mencionados fueron: bip.krakow.pl (90 veces), facebook.com (71 veces), krakow.pl (38 veces), youtube.com (29 veces), radiokrakow.pl (26 veces), lovekrakow.pl (23 veces), drewnicki.pl (22 veces) y ztp.krakow.pl (22 veces). Por lo tanto, el dominio oficial del candidato estuvo presente, pero definitivamente lejos de la dominación. La imagen de Drewnicki en IA también fue construida por BIP, medios locales, fuentes municipales, Facebook, YouTube y otros dominios intermedios.
Al mismo tiempo, en 115 de 250 respuestas no había ningún enlace fuente, lo que representa el 46.0% de todo el material. Las diferencias entre los sistemas fueron grandes: Google Overview proporcionó enlaces en cada respuesta, ChatGPT en 43 de 50, DeepSeek en 31 de 50, Grok en 10 de 50, y Gemini solo en 1 de 50 respuestas. Esto tiene implicaciones electorales – una respuesta sin fuente puede sonar creíble, pero el usuario no tiene una vía rápida para verificar de dónde obtuvo el modelo la información sobre el candidato, la función, el programa o el contexto de las elecciones.
En las respuestas de los LLM, la competencia tampoco se entendió exclusivamente como una lista de rivales formales. En el campo competitivo, los más mencionados fueron Aleksander Miszalski (53 veces) y Łukasz Gibała (50 veces), pero también fueron visibles Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) y Bartosz Bocheńczak (8). También aparecieron medios, instituciones, partidos y organizaciones, como Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Coalición Ciudadana, Izquierda y PiS. Para el modelo, la escena electoral se mezcla con la escena informativa. ¿Qué significa esto? El candidato compite no solo con otros nombres, sino también con contextos anteriores, fuentes más fuertes y asociaciones más establecidas.
La conclusión más breve del estudio es: un nombre no es suficiente. En el mundo de los LLM, un candidato puede ser reconocido (el analizado Michał Drewnicki evidentemente no pertenece a esta categoría por ahora), cuando el usuario pregunta directamente sobre él, y al mismo tiempo permanecer débilmente presente en preguntas que realmente inician la decisión del votante: sobre transporte, costos, barrios, áreas verdes, administración, experiencia o credibilidad en un problema específico. Es precisamente esta capa – no solo la presencia en Internet, sino la presencia en las respuestas a las necesidades de los usuarios – la que hoy debe ser parametrizada.
¿Qué se puede medir exactamente?
Al analizar los resultados obtenidos en Semantio, observé las respuestas de grandes modelos de lenguaje no como una curiosidad, sino como una nueva capa de visibilidad pública. En el caso de un candidato político, se puede analizar, entre otros:
visibilidad espontánea – si el candidato aparece cuando el usuario no proporciona un nombre;
correctitud de identificación – nombre, función, partido, año de elecciones, contexto actual;
posición en la respuesta – si el candidato es mencionado primero, en medio, al final, omitido o descrito brevemente;
conexiones temáticas – en qué temas el modelo lo menciona: transporte, SCT, barrios, costo de vida, experiencia en el gobierno, PiS, derecha, gestión de la ciudad;
comparaciones – con quién el modelo lo compara con más frecuencia y según qué criterios; con quién el candidato gana, y quién tiene para él un KO (no se refiere a un comité!)
fuentes – si la respuesta se basa en datos actuales, confiables y adecuados;
alucinaciones – un área fascinante donde se pueden ver cosas como confundir personas, funciones, fechas, programas, ciclos electorales o declaraciones inexistentes;
marcos interpretativos – si el candidato es presentado como partidista, local, gubernamental, ideológico, tecnocrático, de protesta, anti-regulatorio, urbano, de derecha, "pro-conductor" o de alguna otra manera.
En el caso de Drewnicki, se destacan especialmente tres categorías para un análisis más profundo, que incluyen: visibilidad por nombre, visibilidad temática y calidad de las fuentes. La primera fue alta. La segunda fue baja. La tercera resultó desigual entre los proveedores.
Primer ejemplo: las preguntas sobre experiencia en el gobierno local sin mencionar el nombre no activaron espontáneamente a Drewnicki, a pesar de que su perfil institucional incluye el cargo de concejal y la función de vicepresidente del Consejo Municipal de Cracovia.
Segundo ejemplo: las preguntas sobre Nowa Huta, Mistrzejowice, el norte de Cracovia y la perspectiva de los barrios tampoco fueron suficientes para que los modelos indicaran al candidato por sí mismos.
Tercer ejemplo: un cierto indicio de visibilidad espontánea apareció principalmente en torno al transporte y SCT, pero aún así fue bastante débil en comparación con las respuestas a preguntas que contenían el nombre.
En resumen: GenAI puede responder a la pregunta "¿quién es Michał Drewnicki?", pero con mucha menos frecuencia responde con su nombre a la pregunta "¿quién en Cracovia tiene una posición sobre mi problema?". Esta es una diferencia que es difícil de ver en el monitoreo clásico de medios, pero que es muy significativa para una campaña local.
Por qué esto es importante para los equipos, los medios y las organizaciones ciudadanas
Los equipos de campaña han estado monitoreando los medios, las redes sociales, las encuestas y los resultados de búsqueda durante años. El problema es que los LLM no se comportan como un medio convencional y no actúan como un motor de búsqueda clásico. Estos últimos también están cada vez menos "clásicos" ante nuestros ojos.
El modelo no simplemente muestra lo que hay en Internet. El modelo procesa información, la resume, la jerarquiza, a veces la actualiza mediante búsqueda, a veces se basa en conocimientos previamente establecidos, a veces se niega a responder, y a veces responde con gran seguridad a pesar de datos incompletos.
Para el equipo, esto significa nuevas preguntas. ¿Está el candidato presente en las respuestas sobre temas que son importantes para él? ¿Es su perfil actual? ¿Los modelos no le asignan declaraciones ajenas? ¿Los competidores no están apropiándose en IA de temas que en la campaña son su campo natural? ¿El usuario que pregunta por "el candidato del transporte" verá su nombre?
El estudio de Drewnicki muestra que esta pregunta no es teórica. En preguntas sin nombre, el candidato apareció solo en el 5.0% de las respuestas. Para el equipo, esto significa la necesidad de observar no solo si existen materiales sobre el candidato en Internet, sino también si los modelos pueden conectar esos materiales con las intenciones reales de los votantes.
Para los medios, esto significa la necesidad de ver a los LLM como intermediarios en la distribución de información pública. Si los modelos comienzan a responder preguntas electorales, la calidad del periodismo local, la estructura de los datos, la actualidad de las fuentes y la precisión de las descripciones de los candidatos influirán no solo en los lectores, sino también en las respuestas sintetizadas por GenAI.
Para las organizaciones ciudadanas, esto significa algo más. La posibilidad de investigar si los modelos informan de manera precisa a los votantes, si no omiten candidatos, si no refuerzan datos desactualizados y si no crean desigualdades informativas entre quienes conocen bien la escena política y quienes recién intentan orientarse en ella.
Control de nervios – por ahora, no hay indicios de que GenAI reemplace las campañas. Pero puede cambiar el mapa de la información
No tiene sentido afirmar que las elecciones en Cracovia se decidirán en ChatGPT, Gemini, Perplexity o Copilot. Eso no es así… La campaña todavía se lleva a cabo en su abrumadora mayoría "en la ciudad" – en reuniones, en medios locales, en conferencias, en debates, en barrios, en distritos, en paradas y en conversaciones entre residentes.
Sin embargo, sería un error considerar que las respuestas de los LLM son solo una curiosidad tecnológica.
Si en Polonia ya millones de personas utilizan ChatGPT, si en la UE alrededor de un tercio de la población de entre 16 y 74 años utiliza IA generativa, si en el Reino Unido el 13% de los votantes elegibles usaron chatbots para información electoral en la semana previa a la votación, y si los experimentos muestran que hablar con un modelo puede desplazar opiniones políticas – esto significa que los equipos y las instituciones públicas deben comenzar a tratar la IA como una capa real del flujo de información. fuentes: Gemius/PBI, Eurostat, estudio del Reino Unido 2024, Cornell Chronicle
En las elecciones locales, esta capa es especialmente importante. ¿Por qué? Porque el votante a menudo no busca una gran ideología. Busca respuestas a su propio problema. Hay muchas preguntas: ¿Quién entiende mi barrio? ¿Quién tiene experiencia? ¿Quién habla sobre transporte? ¿Quién tiene un plan para el costo de vida? ¿Quién es creíble en el tema de las áreas verdes? ¿Quién realmente se postula, y quién fue candidato en las elecciones anteriores?
De cómo el modelo responda a tales preguntas puede depender no solo el resultado de las elecciones, sino la forma en que parte de los residentes entenderá a los candidatos.
Y eso no se ve en las encuestas. No se ve en el SEO clásico. No se ve en el monitoreo de medios. Pero se puede investigar.
En el caso de Michał Drewnicki, la lección más importante es simple: el candidato puede estar presente en las respuestas de GenAI, pero aún no tener un fuerte "ownership" (sí, una hermosa palabra polaca) de los temas que son importantes para los residentes. Es precisamente esta diferencia – entre la presencia por nombre y la presencia en los problemas – la que debe comenzar a considerarse como una nueva categoría de visibilidad pública.
¿Quieres comprobar cómo la IA describe a tu candidato, partido, marca o institución?
El estudio de Michał Drewnicki muestra que las respuestas generadas por los modelos de IA se pueden analizar sistemáticamente, es decir, en términos de visibilidad, corrección, fuentes, comparaciones, omisiones y marcos interpretativos. Si deseas saber más sobre este estudio o hablar sobre un análisis similar para tu propio proyecto, contacta al autor del texto: m.grzebyk@brandsemantics.eu
* para que no haya dudas – uno que aparece en las respuestas ;)
