Hace solo unos años, un votante que quería verificar a un candidato a la alcaldía tenía que visitar su sitio web, filtrar medios (incluidos los tradicionales), ver debates, preguntar a amigos o desplazarse por varias páginas de resultados de Google. Hoy, a menudo pueden hacer algo mucho más simple: preguntar a su chat favorito (un modelo de lenguaje grande).
No necesitan… conocer ningún nombre. No necesitan saber quién pertenece a qué comité. No tienen que seguir conferencias de prensa. En general, no tienen que hacer mucho. Pero pueden. Pueden preguntar: “¿quién en Cracovia tiene el mejor programa de transporte?”, “¿qué candidato está asociado con Nowa Huta?”, “¿quién quiere cambiar la Zona de Transporte Limpio?”, “¿tiene el candidato de PiS experiencia en el gobierno local?”, “¿quién está abordando específicamente el costo de la vida en estas elecciones?”.
Y obtendrán una respuesta.
No una lista de enlaces. No un resultado de búsqueda clásico. No una base de datos de documentos neutrales. Recibirán una descripción sintetizada del paisaje político, construida por el LLM en función de lo que el modelo encuentra, recuerda, interpreta, considera importante y organiza en una jerarquía adecuada. Adaptada para el usuario que, en parte, ha “criado” su propio “Tamagotchi” de la tercera década (¿cómo suena eso!) del siglo XXI. Solo que no lo están alimentando ni limpiando presionando botones; están arrojando fragmentos de sí mismos que revelan sus hábitos.
Esta es una nueva capa de campaña electoral. Silenciosa, privada, difícil de monitorear y – en elecciones locales – potencialmente muy significativa.
Cracovia como laboratorio para elecciones en la era de GenAI
Cracovia es un lugar excelente para observar este cambio en acción. No es un municipio pequeño, pero tampoco es una campaña nacional donde cada candidato está constantemente presente en los medios de comunicación. Según datos de GUS, a finales de 2025, Cracovia tenía 816,614 residentes. Es un organismo urbano grande y complejo: con un centro de la ciudad, Nowa Huta, distritos periféricos, universidades, turismo, negocios, transporte, conflictos por espacios verdes, planificación urbana, precios de servicios municipales y gestión de la ciudad. fuente: Cracovia en Números
Además, hay un contexto político único. En el referéndum local del 24 de mayo de 2026, la participación de votantes en la votación sobre la revocación del alcalde de Cracovia fue del 29.99% — suficiente para que el referéndum fuera válido y decisivo. En la votación paralela sobre la revocación del Consejo Municipal, la participación fue del 29.97%, lo que significa que no se cumplió el umbral legal. La diferencia parece mínima, pero las consecuencias políticas son completamente diferentes. fuente: Ciudad de Cracovia
Cracovia también tiene experiencia reciente de competencia muy reñida. En la segunda vuelta de las elecciones presidenciales de 2024, Aleksander Miszalski recibió el 51.04% de los votos, mientras que Łukasz Gibała obtuvo el 48.96%. Según informes basados en datos de la PKW, la diferencia fue de 5,434 votos. fuente: Rzeczpospolita
Estos son números que justifican la precaución respecto a cada nueva fuente de influencia informativa. No porque un chatbot “elija al alcalde de Cracovia”. Esa es una afirmación demasiado fuerte. Pero porque, en una campaña donde unos pocos miles de votos pueden cambiar el resultado, importa quién es visible, quién es pasado por alto, con qué se les asocia y cómo se les describe en las respuestas generadas por inteligencia artificial, a las que los usuarios están recurriendo cada vez más.
El votante no solo busca. El votante conversa
El cambio más significativo no es que la IA pueda generar un anuncio, meme o deepfake. Si bien eso ciertamente importa, ya es un tema bien reconocido. Hay mucha discusión al respecto, y hay campañas – algunas más o menos sociales, algunas más o menos financiadas por comités electorales específicos.
Un cambio más interesante y menos obvio es que los LLM se están convirtiendo en asesores informativos privados. Un votante puede no preguntar: “¿cuál es el programa de Michał Drewnicki?” Puede que ni siquiera recuerde ese nombre. En cambio, podría preguntar: “¿quién en Cracovia tiene experiencia en el gobierno local?”, “¿qué candidato habla sobre Nowa Huta?”, “¿quién tiene una postura específica y clara sobre la SCT?”, “¿es el candidato de PiS en Cracovia solo un miembro del partido, o tiene experiencia local?”.
Estas preguntas están mucho más cerca del verdadero proceso de toma de decisiones. Las personas rara vez comparan programas completos de principio a fin. (Por cierto… ¿qué partido en 2024 describió claramente su programa electoral en lugar de dejarse llevar por la ola de encuestas cambiantes, gritos de campaña y ruido en las redes sociales?) Más a menudo, buscan respuestas a sus propios problemas: desplazamientos, precios, espacios verdes, escuelas, aceras, estacionamiento, construcción fuera de su ventana, un sentido de caos en la oficina o una falta de influencia sobre las decisiones de la ciudad.
Aquí, los modelos de lenguaje grandes comienzan a actuar como un nuevo intermediario. No solo proporcionan información. Organizan la escena. Seleccionan qué candidatos mencionar. Deciden qué hechos considerar significativos. Condensan 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 inferir que las empresas encuestadoras y sus “errores” se convertirán cada vez más en uno de los principales temas de comentario después de las encuestas de salida.
Esto ya no es un nicho tecnológico
Si alguien asume que los “chatbots” siguen siendo un juguete para estudiantes y la industria tecnológica, los datos rápidamente enfrían esa visión. Según un informe de Gemius/PBI, en junio de 2025, más de 9.3 millones de usuarios reales en Polonia estaban utilizando ChatGPT. Esto representaba el 31.4% de los usuarios de internet y el 28.6% de la población de 7 a 75 años. El informe también indicó que entre los usuarios de ChatGPT, hay una sobrerrepresentación de individuos menores de 35 años, con un tiempo promedio de uso en el grupo de edad de 25 a 34 años de 2 horas y 42 minutos en junio. fuente: Gemius/PBI
A escala europea, Eurostat informó que en 2025, el 32.7% de los residentes de la UE de 16 a 74 años estaban utilizando herramientas de IA generativa. En el grupo de edad de 16 a 24 años, este porcentaje ya era del 63.8%. fuente: Eurostat
Esto es significativo, porque los votantes más jóvenes también son un grupo más inclinado a utilizar nuevas herramientas informativas y un grupo que a menudo tiene una participación menos estable en las elecciones locales. No es necesario suponer una transición masiva de toda la campaña a sistemas apoyados por IA. Basta con notar que para una parte significativa de los usuarios, conversar 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 Instituto Reuters muestran que los chatbots de IA ya se están utilizando para el consumo de información, aunque aún no dominan. En 2026, el 10% de los encuestados en 45 mercados informaron un uso semanal de chatbots de IA para noticias, un aumento del 7% respecto al año anterior. Aún más interesante es cómo las personas los utilizan: el 42% de los usuarios de chatbots de noticias hacen preguntas de seguimiento, el 35% los utilizan 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
Esta es casi una descripción lista del comportamiento del votante en una campaña local. “Explícame de qué trata la Zona de Transporte Limpio.” “Resume las diferencias entre los candidatos.” “¿Quién es creíble en cuestiones de transporte?” “¿Este candidato realmente tiene experiencia en el gobierno local?” “¿Qué fuentes confirman sus declaraciones?”
En este punto, la IA deja de ser simplemente una herramienta para escribir textos. Se convierte en una interfaz a la realidad pública.
La señal de advertencia más fuerte: los votantes ya están preguntando a GenAI sobre elecciones
Una de las cifras más interesantes proviene de un estudio sobre las elecciones parlamentarias del Reino Unido de 2024. Una encuesta representativa de 2,499 adultos mostró que en la semana previa a las elecciones, el 32% de los usuarios de chatbots (el 13% de todos los votantes elegibles) utilizaron IA conversacional para buscar información directamente relacionada con su decisión de voto. fuente: arXiv, estudio del Reino Unido 2024
Este no es un detalle marginal. Es una señal de que los chatbots están entrando en el corazón del proceso electoral: no como una tecnología abstracta, sino como una herramienta utilizada cuando los votantes están tomando decisiones, organizando argumentos o tratando de entender el paisaje político. A menudo justo antes de entrar en la urna.
Es importante destacar que los autores de este estudio no sacan una conclusión alarmista simple. En una serie de experimentos que involucraron a 2,858 participantes, encontraron que el uso de chatbots no empeoró el conocimiento político; por el contrario, lo aumentó en una medida similar a las búsquedas tradicionales en internet. fuente: AI Security Institute
Y por eso el tema es más interesante que un simple relato de peligro. Es hora de un lugar común. Incluso lo resaltaré en negrita para hacerlo más llamativo. No hay necesidad de agradecerme…
Los LLM pueden ayudar a los votantes a comprender mejor la política. Pero también pueden confundir, omitir, simplificar, identificar erróneamente a los candidatos o construir marcos interpretativos específicos.
El otro lado: las respuestas de los chatbots pueden ser defectuosas
El problema es que las respuestas del modelo parecen organizadas, seguras y completas, incluso cuando contienen lagunas. Sabes… como ese futuro ingeniero (si el destino y los profesores lo permiten) de AGH que conociste en una fiesta estudiantil, que defenderá obstinadamente una posición que ni siquiera habría entrado en la discusión hace tres cervezas ;)
Un estudio de la EBU y la BBC cubrió más de 3,000 respuestas generadas por cuatro asistentes de IA (ChatGPT, Copilot, Gemini y Perplexity) en 14 idiomas. El 45% de las respuestas contenían al menos un problema significativo, el 31% tenía serios problemas con las fuentes y el 20% contenía problemas graves de precisión, incluida información desactualizada o alucinada. 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 probaremos) menos conocidos. El contexto cambia más rápidamente. Los nombres del ciclo anterior pueden mezclarse con nuevos candidatos. Los programas pueden publicarse por etapas. (si es que se crean en absoluto, pero ya lo he mencionado y no voy a hacer más bromas… por ahora) Y las preguntas de los usuarios son a menudo cortas, coloquiales e imprecisas.
Con un líder nacional, el modelo generalmente tiene muchos datos. Con un candidato local a la alcaldía de Cracovia, debe armar una imagen a partir del BIP, medios locales, el sitio web del candidato, publicaciones en redes sociales, encuestas, informes de conferencias y eventos actuales. Esto crea condiciones ideales para errores aparentemente menores pero políticamente significativos: confundir roles, omitir competidores, asignar candidaturas desactualizadas, dar a alguien una etiqueta demasiado estrecha o basar respuestas en fuentes de elecciones anteriores.
El giro más importante: GenAI no tiene que mentir para influir
En las discusiones sobre IA y elecciones, se presta demasiada atención a las “noticias falsas”. 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 a través de su afiliación partidaria, omitiendo su experiencia en el gobierno local. Puede mencionarlo cuando se le pregunta sobre PiS, pero no cuando se le pregunta sobre transporte. Puede escribir sobre SCT pero omitir el tema del transporte público. Puede responder a una pregunta sobre Nowa Huta sin indicar a la persona que construye parte de su comunicación en torno a los lazos con esa parte de la ciudad. Puede colocar al candidato al final de la lista, aunque formalmente sea uno de los participantes significativos en la carrera.
Esto 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 una 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, se vuelve cada vez más importante preguntar: ¿aparece el candidato siquiera en la respuesta, bajo qué preguntas aparece, con qué se le asocia y con quién se le compara?
Este mecanismo es claramente visible en el estudio de Michał Drewnicki (discutido en más detalle 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 incluía un nombre y se refería a un tema, categoría de candidatos o tema urbano. En otras palabras: el reconocimiento por nombre no significa necesariamente visibilidad temática.
¿Qué pasa si la respuesta no solo informa sino que también cambia la opinión?
Aquí, surge un segundo conjunto clave de datos. La investigación descrita por Cornell mostró que una breve conversación con un chatbot puede cambiar significativamente las opiniones políticas. En experimentos realizados en cuatro países, los chatbots basados en LLM cambiaron las preferencias de los votantes de oposición en 10 puntos porcentuales o más en muchos casos. En experimentos en Canadá y Polonia, el efecto fue de alrededor de 10 puntos porcentuales, mientras que en un estudio, el modelo más persuasivamente optimizado cambió las opiniones de los votantes de oposición en 25 puntos porcentuales. fuente: Cornell Chronicle
Esto debe decirse con cautela. Estos fueron experimentos controlados, no pruebas de que los chatbots decidirán elecciones reales. Los participantes sabían que estaban hablando con IA, y la dirección de la persuasión fue aleatorizada. Los autores y comentaristas enfatizaron las limitaciones de tales estudios y la diferencia entre las condiciones experimentales y las campañas reales. fuente: Nature Asia
Pero una conclusión es difícil de ignorar. Se puede resumir así: las respuestas del modelo pueden ser persuasivas no porque sean emocionales, agresivas o manipulativas en el sentido clásico. Según los investigadores, su fuerza a menudo provenía de generar muchas afirmaciones, argumentos y justificaciones aparentemente fácticas. Cornell enfatizó que cuando se restringía la capacidad de los modelos para usar hechos, su persuasividad disminuía; al mismo tiempo, los modelos más persuasivos tendían a ser menos precisos. fuente: Cornell Chronicle
Este es el meollo del problema en una campaña local. Un votante puede recibir una respuesta tranquila, razonada y bien sonante desprovista de tono partidista. Sin embargo, esa respuesta puede seguir reforzando una imagen específica del candidato.
El ejemplo de Cracovia: Michał Drewnicki en las respuestas de LLM
En este contexto, el estudio de Michał Drewnicki, el candidato de PiS a la alcaldía de Cracovia, sirve como un buen ejemplo de lo que necesita medirse en la política local.
No se trata solo de preguntar: “¿sabe GenAI el nombre del candidato?”. Ese es el nivel más simple. Las preguntas más interesantes son las más profundas:
¿identifican correctamente los modelos a Michał Drewnicki como el candidato de PiS en las próximas elecciones en Cracovia?
¿reconocen sus roles públicos – concejal y vicepresidente del Consejo Municipal de Cracovia?
¿distinguen el contexto electoral actual de las elecciones locales de 2024?
¿lo asocian únicamente con PiS, o también con experiencia en el gobierno local?
¿aparece en respuestas a preguntas que no incluyen su nombre pero se relacionan con temas presentes en su perfil público: comunicación, SCT, Nowa Huta, planificación espacial, costo de vida, relaciones entre la oficina y los residentes?
¿pueden los modelos diferenciar entre información oficial, informes de medios, declaraciones de campaña y sus propias interpretaciones?
El estudio fue realizado por el modesto autor de este texto el 03/07/2026.
Utilizando nuestra herramienta propietaria 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, lanzados en cinco sistemas: ChatGPT, Gemini, Grok, DeepSeek y Google Overview. Cada sistema respondió a los 50 escenarios planteados. Los escenarios se dividieron según la etapa del embudo de intención: 80 respuestas en la etapa de conciencia, 85 en la etapa de consideración y 85 en la etapa de decisión. Las preguntas que contenían el nombre del candidato y las preguntas basadas en problemas sin un nombre se analizaron por separado.
El resultado más fuerte 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 un nombre. Cuando el usuario proporcionó el nombre del candidato (el escenario de solicitud incluía el nombre “Drewnicki”), los modelos mencionaron a Drewnicki en 149 de 170 respuestas, o 87.6% de los casos. Cuando la pregunta no incluía un nombre y se refería a un tema, categoría de candidatos o tema urbano, Drewnicki apareció solo en 4 de 80 respuestas, o 5.0% de los casos.
En términos simples: los modelos pueden describir al candidato cuando el usuario ya sabe de quién está preguntando, pero son significativamente menos exitosos al vincularlo de manera independiente con los problemas de la ciudad.
Los datos también muestran que la visibilidad no se distribuye de manera uniforme entre los sistemas. Todos 4 menciones espontáneas de Drewnicki en preguntas sin un 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 destaca “en números” que no hay una única y universal “visibilidad en IA”. Cada sistema puede construir un mapa diferente de la escena política, dependiente de fuentes, frescura de datos, mecánicas de búsqueda y la forma en que se generan las respuestas.
De hecho, no pude resistir incluir esta foto en el contexto de la SCT ;)
La pista más clara de visibilidad temática apareció principalmente en preguntas sobre transporte, transporte público, boletos, movilidad y la Zona de Transporte Limpio. En preguntas sin un nombre relacionadas con esta área, Drewnicki apareció en 4 de 30 respuestas, o 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, distritos, planificación espacial o espacios verdes no activaron su nombre de manera tan efectiva. Desde la perspectiva de una campaña local, esta es una diferencia importante: el modelo puede describir con precisión el problema en Cracovia, pero puede no mostrar necesariamente al votante qué candidato está tratando de abordar políticamente ese problema.
En 70 de 250 respuestas, o 28.0% de todo el conjunto de datos, se marcaron alertas de alucinación. El riesgo de error no desapareció después de proporcionar un nombre: en preguntas con un nombre, apareció una alerta en 50 de 170 respuestas (29.4%), mientras que en preguntas sin un nombre, apareció en 20 de 80 respuestas (25.0%). La mayoría de las veces, se trataba de problemas contextuales, como confundir las elecciones de 2026 con las de 2024, roles públicos incorrectos, afiliación política incorrecta, URLs erróneas o sospechosas, detalles de programas no verificados e incluso confundir Cracovia con Varsovia (eso es imperdonable en la Ciudad de Krak!). En una campaña local, tales errores menores pueden ser más probables que los “fakes” espectaculares, y por lo tanto mucho más difíciles de detectar, ya que a menudo ocurren en respuestas que suenan tranquilas y razonadas. ¿Dónde hemos visto esto antes?…
Las diferencias entre proveedores (otra hermosa palabra del río Bug) fueron pronunciadas. 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 simultáneamente tuvo la mayor proporción 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 representación de mayor calidad.
Las fuentes también se organizaron de manera interesante. En todo el conjunto de datos, se identificaron 676 enlaces de fuentes. Los dominios que aparecieron con más frecuencia 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). El dominio oficial del candidato estaba presente, pero ciertamente estaba lejos de dominar. La imagen de Drewnicki en IA también fue construida por el BIP, medios locales, fuentes de la ciudad, Facebook, YouTube y otros dominios intermediarios.
Al mismo tiempo, en 115 de 250 respuestas, no hubo enlaces de fuentes en absoluto, lo que constituye 46.0% de todo el material. Las diferencias entre sistemas fueron significativas: 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 una importancia electoral – una respuesta sin una fuente puede sonar creíble, pero el usuario carece de una forma rápida de verificar de dónde obtuvo el modelo la información sobre el candidato, su rol, programa o el contexto electoral.
En las respuestas de LLM, la competencia tampoco se entendió únicamente como una lista de rivales electorales 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, incluyendo Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Coalición Cívica, 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 arraigadas.
La conclusión más corta del estudio es: un nombre solo no es suficiente. En el mundo de los LLM, un candidato puede ser reconocido (Michał Drewnicki, como se analizó, claramente no pertenece aún a esta categoría) cuando el usuario pregunta directamente sobre él, mientras que permanece pobremente presente en lo que respecta a preguntas que realmente inician la decisión del votante: sobre desplazamientos, costos, distritos, espacios verdes, la oficina, experiencia o credibilidad en un tema específico. Esta es la capa – no solo la presencia en línea, sino la presencia en respuestas a las necesidades del usuario – que necesita ser parametrizada hoy.
¿Qué se puede medir exactamente?
Al analizar los resultados obtenidos en <
