Veel paar aastat tagasi, kui valija soovis kontrollida linnapea kandidaati, pidi ta minema tema veebilehele, sirvima meediat (sealhulgas „traditsioonilist”), vaatama debatti, küsima tuttavatelt või kerima läbi mitmeid Google'i otsingutulemusi. Täna võib ta üha sagedamini teha midagi lihtsamat – küsida oma lemmik vestlusrobotilt (suurelt keelemudelilt).
Ta ei pea isegi… teadma nimesid. Ta ei pea teadma, kes kuulub millisesse komiteesse. Ta ei pea jälgima pressikonverentse. Üldiselt, ta ei pea palju. Kuid ta võib. Ta võib küsida: „kes Krakowis omab parimat transpordiprogrammi?”, „milline kandidaat on seotud Nowa Hutaga?”, „kes soovib muuta Puhta Transporti Piirkonda?”, „kas PiS kandidaat omab kohalikke kogemusi?”, „kes räägib nendes valimistes konkreetselt elukalliduse kuludest?”.
Ja ta saab vastuse.
Ei linkide loetelu. Ei klassikaline otsingutulemus. Ei neutraalne dokumentide baas. Ta saab syntetiseeritud ülevaate poliitilisest maastikust, mille on loonud LLM, tuginedes sellele, mida mudel leiab, mäletab, tõlgendab, peab oluliseks ja korraldab sobivasse hierarhiasse. Ja see on suunatud sellele kasutajale, kes on osaliselt „kasvatatud” oma „Tamagotchi” kolmanda kümnendi (kuidas see kõlab!) XXI sajandist. Ainult et ta ei toida seda ega pese nuppude vajutamisega, vaid viskab sellele tükkide kaupa enda harjumusi paljastavaid küsimusi.
See on uus valimiskampaania kiht. Vaikne, privaatne, raskesti jälgitav ja – kohalikes valimistes – potentsiaalselt väga oluline.
Krakow kui kohalike valimiste labor generatiivse AI ajastul
Krakow on hea koht, et näha seda muutust praktikas. See ei ole väike omavalitsus, kuid ka mitte riiklik kampaania, kus iga kandidaat on pidevalt kohal peamistes meedias. GUSi andmete kohaselt oli Krakowil 2025. aasta lõpuks 816 614 elanikku. See on suure, keerulise linnastruktuuri: keskus, Nowa Huta, äärelinnad, ülikoolid, turism, äri, transport, konfliktid roheluse üle, ruumiline planeerimine, linnateenuste hinnad ja linna juhtimise viis. allikas: Krakow numbrites
Siia lisandub erakordne poliitiline kontekst. 24. mai 2026. aasta kohaliku rahvahääletuse käigus oli Krakowi linnapea tagasikutsumise hääletuse osalus 29,99 protsenti – piisavalt, et rahvahääletus oleks kehtiv ja otsustav. Samal ajal toimunud linnavolikogu tagasikutsumise hääletuse osalus oli 29,97 protsenti, seega seaduslikku piiri ei ületatud. Tundub, et erinevus on minimaalne, kuid poliitilised tagajärjed on täiesti erinevad. allikas: Krakowi linn
Krakowil on ka värske kogemus väga tasavägisest konkurentsist. 2024. aasta presidendivalimiste teises voorus sai Aleksander Miszalski 51,04 protsenti häältest, samas kui Łukasz Gibała sai 48,96 protsenti. PKW andmetel oli erinevus 5434 häält. allikas: Rzeczpospolita
Need on numbrid, mille puhul tasub tähele panna iga uut teabeallikat. Mitte sellepärast, et chatbot „valib Krakowi linnapea”. See on liiga tugev väide. Kuid sellepärast, et kampaanias, kus paar tuhat häält võivad tulemusi muuta, on oluline ka see, kes on nähtav, kes on tähelepanuta jäetud, millega on seostatav ja kuidas on teda kirjeldatud generatiivse tehisintellekti vastustes, millele kasutajad üha enam toetuvad.
Valija ei otsi ainult. Valija räägib
Oluline muutus ei seisne selles, et AI suudab genereerida reklaami, meem või deepfake. See on muidugi oluline, kuid see on juba piisavalt hästi tuntud teema. Selle üle räägitakse palju, selle kohta on kampaaniaid – vähem või rohkem sotsiaalseid. Vähem või rohkem valimiskomiteede poolt rahastatud.
Huvi pakkuvam ja vähem ilmne muutus seisneb selles, et LLM-idest saavad isiklikud teabe nõustajad. Valija ei pruugi küsida: „mis on Michał Drewnicki programm”. Ta ei pruugi isegi seda nime mäletada. Ta võib küsida: „kes Krakowis omab kohalikke kogemusi?”, „milline kandidaat räägib Nowa Hutast?”, „kes on konkreetse, selge seisukohaga SCT osas?”, „kas Krakowi PiS kandidaat on ainult parteiline või omab ka kohalikke kogemusi?”.
Sellised küsimused on palju lähemal reaalsele otsustusprotsessile. Inimesed harva võrdlevad kogu programme algusest lõpuni. (muide… milline partei 2024. aastal kirjeldas oma selget valimisprogrammi, mitte ei lasknud end viia muutuvatest küsitlustest, kõnedest üritustel ja sotsiaalmeedia müra?) Tihti otsitakse vastuseid oma probleemile: sõidud, hinnad, rohelus, kool, kõnnitee, parkimine, akna taga olev ehitus, segaduse tunne ametis või mõju puudumine linnaotsustele.
Just siin suured keelemudelid hakkavad toimima nagu uus vahendaja. Nad mitte ainult ei paku teavet. Nad korraldavad maastikku. Nad valivad, milliseid kandidaate mainida. Otsustavad, millised faktid on olulised. Nad lühendavad keerulise konteksti paariks lõiguks. Ja sageli teevad nad seda viisil, mida me ei näe klassikalises meedia jälgimises, SEO-s ega sotsiaalmeedia analüüsis. Seega võib eeldada, et küsitlusfirmad ja nende „ülepingamised” saavad üha enam peamisteks kommentaaride teemadeks pärast exit poolide tulemusi.
See ei ole enam tehnoloogiline nišš
Kui keegi arvab, et „vestlusrobotid” on endiselt tudengite ja tehnoloogia valdkonna mänguasjad, siis andmed jahutavad kiiresti seda arvamust. Gemius/PBI raporti kohaselt kasutas juunis 2025. aastal ChatGPT-d Poolas üle 9,3 miljoni reaalse kasutaja. See tähendas 31,4 protsenti internetikasutajatest ja 28,6 protsenti 7–75-aastaste elanike seas. Raportis märgiti ka, et ChatGPT kasutajate seas on ülekaalus alla 35-aastased, ning vanuserühmas 25–34 aastat oli juunis keskmine kasutusaeg 2 tundi ja 42 minutit. allikas: Gemius/PBI
Euroopa tasandil teatas Eurostat, et 2025. aastal kasutas 32,7 protsenti ELi 16–74-aastastest elanikest generatiivset AI-d. Vanuserühmas 16–24 aastat oli see protsent juba 63,8. allikas: Eurostat
See on oluline, kuna nooremad valijad on samal ajal rühm, kes on rohkem avatud uute teabevahendite kasutamisele ja rühm, kes kohalikes valimistes on sageli vähem stabiilne osalus. Ei pea eeldama, et kogu kampaania liigub massiliselt tehisintellekti toetatud süsteemidesse. Piisab, kui märkida, et olulise osa kasutajate jaoks vestlemine vestlusrobotiga muutub üheks looduslikuks teabe korraldamise viisiks.
AI kui tööriist uudiste, poliitika ja otsuste jaoks
Reuters Institute andmed näitavad, et AI vestlusrobotid on juba kasutusel teabe tarbimiseks, kuigi nad ei domineeri veel. 2026. aastal deklareeris 10 protsenti 45 turul küsitletutest, et nad kasutavad nädalas AI vestlusroboteid uudiste jaoks, võrreldes 7 protsendiga eelmisel aastal. Veel huvitavam on see, kuidas inimesed neid kasutavad: 42 protsenti uudiste vestlusrobotite kasutajatest esitab süvendi küsimusi, 35 protsenti kasutab neid viimaste uudiste saamiseks, 34 protsenti kokkuvõtmiseks, 30 protsenti keeruliste teemade lihtsustamiseks ja 33 protsenti allikate usaldusväärsuse hindamiseks. allikas: Reuters Institute Digital News Report
See on peaaegu valmis kirjeldus valija käitumisest kohalikes kampaaniates. „Selgita, mis toimub Puhta Transporti Piirkonnaga.” „Kokkuvõte kandidaatide erinevustest.” „Kes on usaldusväärne transpordi osas?” „Kas sellel kandidaadil on tõeliselt kohalikke kogemusi?” „Millised allikad kinnitavad tema väiteid?”
Siin lõpetab AI olemast lihtsalt tekstide kirjutamise tööriist. See muutub avaliku reaalsuse liideseks.
Kõige tugevam hoiatav signaal – valijad küsivad juba GenAI-lt valimiste kohta
Üks huvitavamaid numbreid pärineb 2024. aasta Ühendkuningriigi parlamendivalimiste uuringust. Esinduslik uuring 2499 täiskasvanu seas näitas, et valimiste eelõhtul kasutas 32 protsenti vestlusrobotite kasutajatest (13 protsenti kõigist valimisõiguslikest valijatest) vestlusrobotit teabe otsimiseks, mis on otseselt seotud valimisotsusega. allikas: arXiv, UK 2024 uuring
See ei ole marginaalne detail. See on signaal, et vestlusrobotid sisenevad valimisprotsessi keskmesse: mitte abstraktse tehnoloogiana, vaid tööriistana, mida kasutatakse siis, kui valija teeb otsuse, korraldab argumente või püüab mõista poliitilist maastikku. Sageli just enne valimisjaoskonda sisenemist.
Oluline on, et selle uuringu autorid ei tee lihtsat alarmistlikku järeldust. 2858 osalejaga katsetes leiti, et vestlusrobotite kasutamine ei halvendanud poliitilist teadlikkust; vastupidi, see suurendas seda sama palju kui traditsiooniline internetiotsing. allikas: AI Security Institute
Ja just seetõttu on teema huvitavam kui tavaline jutt ohust. Aeg on truism. Isegi ma rõhutan seda, et see oleks silmatorkavam. Pole tänu…
LLM-id võivad aidata valijatel poliitikat paremini mõista. Kuid nad võivad ka eksitada, tähelepanuta jätta, lihtsustada, valeid kandidaate tuvastada või luua teatud tõlgendusraame.
Teine külg – vestlusrobotite vastused võivad olla vigased
Probleem on selles, et mudelite vastused näivad olevat korraldatud, kindlad ja täielikud, isegi kui need sisaldavad lünki. Sa tead… nagu see, keda kohtasite ülikooli peol, tulevane insener (kui saatus ja professorid lubavad) AGH-st, kes kavatseb järjekindlalt kaitsta seisukohta, mis kolm õlut tagasi ei oleks isegi arutluse alla tulnud ;)
EBU ja BBC uuring hõlmas üle 3000 AI assistentide (ChatGPT, Copilot, Gemini ja Perplexity) genereeritud vastust 14 keeles. 45 protsenti vastustest sisaldas vähemalt ühte olulist probleemi, 31 protsendil oli tõsiseid probleeme allikatega ja 20 protsendil oli tõsiseid probleeme täpsusega, sealhulgas aegunud või hallutsineeritud teave. allikas: EBU/BBC
Kohalikes valimistes võib see risk olla suurem kui riiklikus kampaanias. Kohalikud allikad on rohkem hajutatud. Kandidaadid võivad olla (ja on, nagu me kohe tõestame) vähem tuntud. Kontekst muutub kiiremini. Eelmise tsükli nimed võivad seguneda uute kandidaatidega. Programmid võivad olla avaldatud etappidena. (kui need üldse tekivad, kuid sellest olen ma juba rääkinud ja rohkem nõelu ei tule… vähemalt mitte) Ja kasutajate küsimused on sageli lühikesed, igapäevased ja täpsustamata.
Riikliku liidri puhul on mudelil tavaliselt palju andmeid. Kohaliku Krakowi linnapea kandidaadi puhul peab ta koostama pildi BIP-ist, kohalikest meediatest, kandidaadi veebilehelt, sotsiaalmeedia postitustest, küsitlustest, pressikonverentside aruannetest ja jooksva sündmuse kohta. Need on ideaaltingimused näiliselt väikeste, kuid poliitiliselt oluliste vigade tegemiseks: ametikohtade segamine, konkurendi tähelepanuta jätmine, aegunud kandidaadi määramine, kellelegi liiga kitsaste etiketide andmine või vastuse toetamine eelmiste valimiste allikatele.
Oluline pöördepunkt: GenAI ei pea valetama, et mõjutada
AI ja valimiste arutelus keskendutakse liiga palju „valeinfodele”. Samal ajal võib kohaliku kampaania jaoks olla sama oluline midagi peenemat: esindatus.
Mudel ei pruugi esitada vale teavet. Ta võib lihtsalt kirjeldada kandidaati peamiselt partei kaudu, jättes tähelepanuta tema kohaliku kogemuse. Ta võib mainida teda PiS-i küsimuses, kuid mitte transpordi küsimuses. Ta võib kirjutada SCT-st, kuid jätta välja linna transpordi teema. Ta võib vastata küsimusele Nowa Huta kohta, ilma et mainiks isikut, kes ise ehitab osa oma kommunikatsioonist selle linnaosa seostest. Ta võib paigutada kandidaadi nimekirja lõppu, kuigi ta on ametlikult üks olulisemaid osalejaid võistluses.
See ei pea olema „viga” lihtsas mõttes. See võib olla tagajärg allikate hierarhiast, andmete värskusest, teabe kättesaadavusest, küsimuse sõnastamise viisist ja mudeli genereeritud vastuse mehhanikast.
Traditsioonilises SEO-s võideldi positsiooni nimel otsingutulemustes. LLM-ide maailmas muutub üha olulisemaks küsimus: kas kandidaat ilmub üldse vastuses, milliste küsimustega ta ilmub, millega ta seostatakse ja kellega teda võrreldakse.
Seda mehhanismi on hästi näha Michał Drewnicki uuringus (millele on laiemalt viidatud artikli hilisemates osades). 250 vastuses süvauuringu mudelid mainisid kandidaati 87,6 protsendil juhtudest, kui kasutaja esitas tema nime, kuid ainult 5,0 protsendil juhtudest, kui küsimus ei sisaldanud nime ja käsitles probleemi, kandidaatide kategooriat või linna teemat. Teisisõnu: nime järgi tuntus ei tähenda veel temaatilist nähtavust.
Aga kui vastus mitte ainult ei informeerita, vaid ka mõjutab arvamust?
Siin tuleb mängu teine oluline andmete kogum. Cornellis kirjeldatud uuringud näitasid, et lühike vestlus vestlusrobotiga võib oluliselt mõjutada poliitilisi arvamusi. Neljas riigis läbi viidud katsetes tõstsid LLM-põhised vestlusrobotid opositsioonivalijate eelistusi 10 protsendi võrra või rohkem paljudes juhtudel. Katsetes Kanadas ja Poolas oli efekt umbes 10 protsenti, ja ühes uuringus kõige veenvamalt optimeeritud mudel tõstis opositsioonivalijate arvamusi 25 punkti võrra. allikas: Cornell Chronicle
Peab olema ettevaatlik. Need olid kontrollitud katsed, mitte tõend, et vestlusrobotid ise otsustavad reaalsed valimised. Osalejad teadsid, et nad räägivad AI-ga, ja mõjutamise suund oli randomiseeritud. Ka autorid ja kommentaatorid rõhutasid selliste uuringute piiranguid ning erinevust katseolude ja reaalse kampaania vahel. allikas: Nature Asia
Aga üks järeldus on raske ignoreerida. See kõlab umbes nii: mudelite vastused võivad olla veenvad mitte sellepärast, et need on emotsionaalsed, agressiivsed või manipuleerivad klassikalises mõttes. Uurijate sõnul tulenes nende jõud sageli sellest, et nad genereerisid palju väiteid, argumente ja näiliselt asjakohaseid põhjendusi. Cornell rõhutas, et kui mudelitele anti piiratud võimalus kasutada fakte, vähenes nende veenvus; samas olid veenvamad mudelid sageli vähem täpsed. allikas: Cornell Chronicle
See on kohalike kampaaniate probleemide tuum. Valija võib saada rahulikku, asjalikku, hästi kõlavat ja parteiliselt neutraalset vastust. Ja ometi võib see vastus tugevdada teatud kandidaadi kuvandit.
Näide Krakowist, ehk Michał Drewnicki vastustes LLM-ides
Sellises kontekstis Michał Drewnicki, PiS-i kandidaat Krakowi linnapeaks, on hea näide sellest, mida tuleb kohalikes poliitikates hakata mõõtma.
Ei ole küsimus ainult selles, kas „GenAI tunneb kandidaadi nime?”. See on kõige lihtsam tase. Palju huvitavamad on sügavamad küsimused:
Kas mudelid tuvastavad Michał Drewnicki õigesti kui PiS-i kandidaadi Krakowi ennetähtaegsetel valimistel?
Kas nad tunnevad ära tema avalikud ametid – linnavolikogu liige ja Krakowi linnavolikogu aseesimees?
Kas nad eristavad praegust valimiskonteksti 2024. aasta kohalike valimiste kontekstist?
Kas nad seostavad teda ainult PiS-iga või ka kohalike omavalitsuse kogemusega?
Kas ta ilmub vastustes küsimustele, mis ei sisalda tema nime, kuid käsitlevad teemasid, mis on tema avalikus profiilis: transport, SCT, Nowa Huta, ruumiline planeerimine, elukalliduse kulud, suhe ametiasutuste ja elanike vahel?
Kas mudelid suudavad eristada ametlikke andmeid, meedia aruandeid, kampaania avaldusi ja enda tõlgendusi?
Uuringu viis läbi selle teksti tagasihoidlik autor 03.07.2026.
Uuringus, mis viidi läbi meie autori tööriistaga Semantio, analüüsisin 250 vastust Michał Drewnicki kohta Krakowi presidendivalimiste kontekstis. Materjal on analüüsi tulemus, mis hõlmab 50 unikaalset stsenaariumi, mis käivitati viies süsteemis: ChatGPT, Gemini, Grok, DeepSeek ja Google Overview. Iga süsteem vastas esitatud 50 stsenaariumile. Stsenaariumid jagati muu hulgas vastavalt kavatsuse funnel'i etapile: 80 vastust teadlikkuse etapis, 85 kaalumise etapis ja 85 otsuse etapis. Eraldi analüüsiti küsimusi, mis sisaldasid kandidaadi nime, ning probleemiküsimusi ilma nime mainimata.
Kõige tugevam tulemus puudutab erinevust nime järgi tuntuse ja spontaanse nähtavuse vahel. Kogu materjalis oli 170 vastust küsimustele, mis sisaldasid Michał Drewnicki nime ning 80 vastust küsimustele ilma nime mainimata. Kui kasutaja esitas kandidaadi nime (prompt-senaarium sisaldas nime „Drewnicki”), mainisid mudelid Drewnickit 149-st 170 vastusest, st 87,6 protsendil juhtudest. Kui küsimus ei sisaldanud nime ja käsitles probleemi, kandidaatide kategooriat või linna teemat, ilmus Drewnicki ainult 4-st 80 vastusest, st 5,0 protsendil juhtudest.
Teisisõnu: mudelid suudavad kandidaati kirjeldada, kui kasutaja juba teab, keda küsida, kuid seovad teda palju halvemini linna probleemidega iseseisvalt.
Andmetest on näha, et nähtavus ei ole süsteemide vahel ühtlaselt jaotatud. Kõik 4 spontaanse mainimist Drewnickist küsimustes ilma nime mainimata pärinesid Google Overview'lt. Ülejäänud süsteemides (ChatGPT, Gemini, Grok ja DeepSeek) ei ilmunud kandidaat sellistes küsimustes kordagi. See on oluline, kuna see rõhutab „numbritega”, et ei ole ühte universaalset „nähtavust AI-s”. Iga süsteem võib luua erineva poliitilise maastiku kaardi, sõltuvalt allikatest, andmete värskusest, otsingumehhanikast ja vastuste genereerimise viisist.
Jah, ma ei suutnud end selle pildi konteksti SCT juures tagasi hoida ;)
Selgeim teema nähtavuse algus ilmus küsimustes, mis käsitlesid transporti, linnatransporti, pileteid, liikuvust ja Puhta Transporti Piirkonda. Küsimustes ilma nime mainimata, mis käsitlesid seda valdkonda, ilmus Drewnicki 4-st 30 vastusest, st 13,3 protsendil juhtudest. See on endiselt madal tulemus, kuid teiste teemade taustal oluline: küsimused kohalike omavalitsuste kogemuse, Nowa Huta, linnaosade, ruumilise planeerimise või roheluse kohta ei käivitanud tema nime sama tõhusalt. Kohalike valimiste kampaania seisukohalt on see oluline erinevus: mudel võib hästi kirjeldada Krakowi probleemi, kuid ei pruugi näidata valijale, milline kandidaat püüab seda poliitiliselt lahendada.
Uuringus 70-st 250 vastusest, st 28,0 protsenti kogu kogumist, märgiti hallutsinatsiooni hoiatust. Vigade risk ei kadunud nime mainimise korral: küsimustes, kus oli nimi, ilmus hoiatust 50-st 170 vastusest (29,4 protsenti), ja küsimustes ilma nime mainimata 20-st 80 vastusest (25,0 protsenti). Kõige sagedamini olid need kontekstiprobleemid, st 2026. aasta valimiste segamine 2024. aasta valimistega, vale ametid, vale poliitiline kuuluvus, vale või kahtlased URL-id, kinnitamata programmide detailid ja isegi Krakowi segamine Varssaviga (seda ei andestata Grod Krakowis!). Kohalikes kampaaniates võivad just sellised väikesed vead olla tõenäolisemad kui silmapaistvad „valeinfod”, ja seega palju raskemad tuvastada, kuna need esinevad sageli rahulikult ja asjalikult kõlavates vastustes. Kust me seda teame?…
Erinevused teenusepakkujate vahel (veel üks ilus sõna, mis tuleb Bugist) olid selged. Google Overview mainis Drewnickit kõige sagedamini ja tal oli madalaim hallutsinatsiooni hoiatuste määr: 37 mainimist 50 vastusest (74,0 protsenti) ja 5 hoiatust (10,0 protsenti). DeepSeek mainis kandidaati 33-st 50 vastusest (66,0 protsenti), kuid samas oli tal kõrgeim hoiatuste osakaal: 31-st 50 vastusest (62,0 protsenti). ChatGPT mainis Drewnickit 30-st 50 vastusest (60,0 protsenti) ja tal oli 8 hoiatust (16,0 protsenti). Grok mainis teda 27-st 50 vastusest (54,0 protsenti) ja tal oli 16 hoiatust (32,0 protsenti). Gemini mainis kandidaati 26-st 50 vastusest (52,0 protsenti) ja tal oli 10 hoiatust (20,0 protsenti). See näitab, et suurem nähtavus AI-s ei tähenda alati suuremat kvaliteeti esindatuses.
Allikad olid samuti huvitavalt jaotatud. Kogu kogumis tuvastati 676 allika linki. Kõige sagedamini ilmusid domeenid: bip.krakow.pl (90 korda), facebook.com (71 korda), krakow.pl (38 korda), youtube.com (29 korda), radiokrakow.pl (26 korda), lovekrakow.pl (23 korda), drewnicki.pl (22 korda) ja ztp.krakow.pl (22 korda). Kandidaadi ametlik domeen oli seega kohal, kuid kaugel domineerimisest. Drewnicki kuvand AI-s kujunes ka BIP-ist, kohalikest meediatest, linnaallikatest, Facebookist, YouTube'ist ja muudest vaheallikatest.
Samuti ei olnud 115-st 250 vastusest ühtegi allika linki, mis moodustas 46,0 protsenti kogu materjalist. Erinevused süsteemide vahel olid suured: Google Overview esitas linke igas vastuses, ChatGPT 43-st 50, DeepSeek 31-st 50, Grok 10-st 50, ja Gemini vaid 1-st 50 vastusest. See on valimislikult oluline – vastus ilma allikata võib kõlada usaldusväärselt, kuid kasutajal ei ole kiiret teed kontrollimiseks, kust mudel sai teavet kandidaadi, ametikoha, programmi või valimiste konteksti kohta.
LLM-ide vastustes ei mõistetud konkurentsi ainult kui formaalsete valimisvastaste nimekirja. Konkurentsiväljal ilmusid kõige sagedamini Aleksander Miszalski (53 korda) ja Łukasz Gibała (50 korda), kuid nähtavad olid ka Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) ja Bartosz Bocheńczak (8). Samuti ilmusid meedia, institutsioonid, parteid ja organisatsioonid, sealhulgas Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica ja PiS. Seega seguneb mudeli jaoks valimismaastik teabe maastikuga. Mida see tähendab? Kandidaat konkureerib mitte ainult teiste nimedega, vaid ka varasemate kontekstide, tugevamate allikate ja rohkem juurdunud seostega.
Uuringu lühim järeldus on: nimi on liiga vähe. LLM-ide maailmas võib kandidaat olla tuntud (Michał Drewnicki analüüsitud isik ei kuulu praegu sellesse kategooriasse), kui kasutaja küsib tema kohta otse, kuid samal ajal jääb ta nõrgalt kohal küsimustes, millega valija tõeliselt alustab: sõidud, kulud, linnaosa, rohelus, amet, kogemus või usaldusväärsus konkreetse probleemi osas. Just seda kihti – mitte ainult kohalolekut internetis, vaid kohalolekut kasutajate vajadustele vastustes – tuleb täna mõõta.
Mida täpselt saab mõõta?
Analüüsides Semantio saadud tulemusi, vaatasin suure keelemudeli vastuseid mitte kui uudishimu, vaid kui uut avaliku nähtavuse kihti. Poliitilise kandidaadi puhul saab analüüsida muu hulgas:
spontaanne nähtavus – kas kandidaat ilmub, kui kasutaja ei maini nime;
tuvastamise täpsus – nimi, amet, partei, valimisaasta, praegune kontekst;
positsioon vastuses – kas kandidaat on esimene, keskmine, viimane, tähelepanuta jäetud või lühidalt kirjeldatud;
temaatilised seosed – milliste teemadega mudel teda seob: transport, SCT, linnaosad, elukalliduse kulud, kohaliku omavalitsuse kogemus, PiS, parempoolsus, linna juhtimine;
võrdlused – kellega mudel teda kõige sagedamini võrreldes ja milliste kriteeriumide alusel; kes võidab kandidaadi ja kes on tema KO (ei räägi komiteest!)
allikad – kas vastus põhineb ajakohastel, usaldusväärsetel ja asjakohastel andmetel;
hallutsinatsioonid – huvitav valdkond, kus saab näha selliseid asju nagu inimeste, ametite, kuupäevade, programmide, valimistsüklite või mitteeksisteerivate avalduste segamine;
tõlgendusraamid – kas kandidaat esitatakse parteilisena, kohaliku, omavalitsuse, ideoloogilise, tehnokraatliku, protesti, anti-regulatiivse, linna, parempoolse, „pro-auto” või muul viisil.
Drewnicki puhul on eriti selgelt näha kolme kategooriat edasiseks analüüsiks, kuhu kuuluvad: nime järgi nähtavus, temaatiline nähtavus ja allikate kvaliteet. Esimene oli kõrge. Teine oli madal. Kolmas osutus teenusepakkujate vahel ebaühtlaseks.
Esimene näide: kohaliku omavalitsuse kogemuse küsimused ilma nime mainimiseta ei käivitanud Drewnickit, kuigi tema institutsionaalne profiil hõlmab linnavolikogu liikme ja Krakowi linnavolikogu aseesimehe ametit.
Teine näide: küsimused Nowa Huta, Mistrzejowice, Krakowi põhja ja linnaosa perspektiivi kohta ei olnud samuti piisavad, et mudelid iseseisvalt kandidaati näitaksid.
Kolmas näide: teatud jälg nähtavusest ilmus peamiselt transpordi ja SCT ümber, kuid jäi siiski nõrgaks võrreldes vastustega küsimustele, mis sisaldasid nime.
Kõige lühemalt võib öelda: GenAI suudab vastata küsimusele „kes on Michał Drewnicki?”, kuid palju harvemini vastab tema nimega küsimusele „kes Krakowis omab seisukohta minu probleemi osas?”. See on erinevus, mida on raske näha klassikalises meedia jälgimises, kuid mis on kohalike kampaaniate jaoks väga oluline.
Miks see on oluline valimiste meeskondadele, meediale ja kodanikuorganisatsioonidele
Valimismeeskonnad on aastaid jälginud meediat, sotsiaalmeediat, küsitlusi ja otsingutulemusi. Probleem on selles, et LLM-id ei käitu nagu tavaline meedia ja ei käitu nagu klassikaline otsingumootor. Viimased ei ole ka meie silme ees enam „klassikalised”.
Mudel ei näita lihtsalt, mis on internetis. Mudel töötleb teavet, kokkuvõtteid, hierarhiseerib, mõnikord värskendab otsimise kaudu, mõnikord tugineb varasemale kinnitatud teadmisele, mõnikord keeldub vastamast ja mõnikord vastab suure kindlusega, hoolimata puudulikest andmetest.
Meeskonnale tähendab see uusi küsimusi. Kas kandidaat on kohal vastustes teemadel, mis on tema jaoks olulised? Kas tema profiil on ajakohane? Kas mudelid ei omista talle teiste avaldusi? Kas konkurendid ei võta AI-s teemasid, mis on kampaanias tema loomulikud valdkonnad? Kas kasutaja, kes küsib „transporti käsitleva kandidaadi” kohta, näeb üldse tema nime?
Drewnicki uuring näitab, et see küsimus ei ole teoreetiline. Küsimustes ilma nime mainimata ilmus kandidaat vaid 5,0 protsendil vastustest. Meeskonnale tähendab see vajadust vaadata mitte ainult seda, kas internetis on kandidaadi kohta materjale, vaid ka seda, kas mudelid suudavad need materjalid siduda valijate tegelike kavatsustega.
Meediale tähendab see vajadust vaadata LLM-e kui avaliku teabe jaotamise vahendajaid. Kui mudelid hakkavad vastama valimisküsimustele, siis kohaliku ajakirjanduse kvaliteet, andmete struktuur, allikate ajakohasus ja kandidaatide kirjelduste täpsus mõjutavad mitte ainult lugejaid, vaid ka GenAI poolt sünteesitud vastuseid.
Kodanikuorganisatsioonidele tähendab see veel midagi muud. Võimalus uurida, kas mudelid informeerivad valijaid usaldusväärselt, kas nad ei jäta kandidaate tähelepanuta, kas nad ei tugevda aegunud andmeid ja kas nad ei loo teabe ebavõrdsust nende vahel, kes tunnevad poliitilist maastikku hästi, ja nende vahel, kes alles püüavad selles orienteeruda.
Närvid kontrolli all – praegu ei viita miski sellele, et GenAI asendaks kampaaniaid. Kuid see võib muuta teabe maastikku
Ei ole mõtet väita, et valimised Krakowis otsustatakse ChatGPT, Gemini, Perplexity või Copiloti kaudu. See ei ole see… Kampaania toimub endiselt suuresti „linnas” – kohtumistel, kohalikes meedias, pressikonverentsidel, debattides, elamurajoonides, linnaosades, bussipeatustes ja elanike vahelistes vestlustes.
Kuid oleks vale arvata, et LLM-ide vastused on lihtsalt tehnoloogiline uudishimu.
Kui Poolas kasutab ChatGPT-d juba miljonid inimesed, kui EL-is kasutab generatiivset AI-d umbes kolmandik 16–74-aastastest elanikkonnast, kui Ühendkuningriigis kasutas 13 protsenti valimisõiguslikest valijatest vestlusroboteid valimiste teabe saamiseks nädal enne hääletamist, ja katsetes on näidatud, et vestlemine mudeliga võib poliitilisi arvamusi mõjutada – siis tähendab see, et valimismeeskonnad ja avalikud institutsioonid peaksid hakkama käsitlema AI-d kui reaalselt teabe ringluse kihti. allikad: Gemius/PBI, Eurostat, UK 2024 uuring, Cornell Chronicle
Kohalikes valimistes on see kiht eriti oluline. Miks? Kuna valija ei otsi sageli suurt ideoloogiat. Ta otsib vastuseid oma probleemile. Küsimusi on palju: Kes mõistab minu linnaosa? Kes omab kogemusi? Kes räägib transpordist? Kes omab plaani elukalliduse osas? Kes on usaldusväärne roheluse osas? Kes tõeliselt kandideerib, ja kes oli kandidaadiks eelmistel valimistel?
Sellest, kuidas mudel nendele küsimustele vastab, võib sõltuda mitte ainult kogu valimiste tulemus, vaid ka see, kuidas osa elanikest kandidaate mõistab.
Ja seda ei näe küsitlustes. Ei näe klassikalises SEO-s. Ei näe meedia jälgimises. Kuid seda saab uurida.
Michał Drewnicki puhul on kõige olulisem õppetund lihtne: kandidaat võib olla kohal GenAI vastustes, kuid tal ei pruugi olla tugevat „omandit” (jah, ilus eesti sõna) teemade osas, mis on elanikele olulised. Just seda erinevust – nime järgi kohaloleku ja probleemide kohaloleku vahel – tuleb hakata käsitlema kui uut avaliku nähtavuse kategooriat.
Soovid kontrollida, kuidas AI kirjeldab sinu kandidaati, parteid, brändi või institutsiooni?
Michał Drewnicki uuring näitab, et AI mudelite genereeritud vastuseid saab analüüsida süsteemselt, st nähtavuse, täpsuse, allikate, võrdluste, tähelepanuta jätmiste ja tõlgendusraamide osas. Kui soovid rohkem teada selle uuringu kohta või rääkida sarnase analüüsi tegemisest oma projekti jaoks, võta ühendust teksti autoriga: m.grzebyk@brandsemantics.eu
* et ei oleks segadust – selline, nagu on vastustes ;)
