Il y a quelques années encore, un électeur souhaitant vérifier un candidat à la présidence de la ville devait se rendre sur son site, parcourir les médias (y compris les "traditionnels"), regarder un débat, interroger des amis ou faire défiler plusieurs pages de résultats Google. Aujourd'hui, il peut de plus en plus souvent faire quelque chose de plus simple : poser une question à son chatbot préféré (un grand modèle de langage).
Il n'a même pas besoin… de connaître les noms. Il n'a pas besoin de savoir qui appartient à quel comité. Il n'a pas besoin de suivre les conférences de presse. En général, il n'a pas besoin de grand-chose. Mais il peut. Il peut demander : « qui à Cracovie a le meilleur programme de transport ? », « quel candidat est lié à Nowa Huta ? », « qui veut changer la Zone de Transport Propre ? », « le candidat du PiS a-t-il de l'expérience en matière locale ? », « qui parle concrètement du coût de la vie dans ces élections ? ».
Et il obtiendra une réponse.
Pas une liste de liens. Pas un résultat de recherche classique. Pas une base de documents neutre. Il recevra une description synthétique de la scène politique, construite par le LLM sur la base de ce que le modèle trouve, mémorise, interprète, juge important et organise dans une hiérarchie appropriée. Et cela pour cet utilisateur qui a en partie "élevé" son "Tamagotchi" issu de la troisième décennie (comme cela sonne !) du XXIe siècle. Sauf qu'il ne le nourrit pas et ne le lave pas en appuyant sur des boutons, mais lui lance des morceaux de lui-même révélant ses habitudes.
C'est une nouvelle couche de campagne électorale. Silencieuse, privée, difficile à surveiller et – lors des élections locales – potentiellement très significative.
Cracovie comme laboratoire des élections à l'ère de GenAI
Cracovie est un bon endroit pour observer ce changement en pratique. Ce n'est pas une petite commune, mais pas non plus une campagne nationale où chaque candidat est constamment présent dans les grands médias. Selon les données de GUS, à la fin de 2025, Cracovie comptait 816 614 habitants. C'est un grand organisme urbain complexe : avec un centre, Nowa Huta, des quartiers périphériques, des universités, du tourisme, des affaires, des transports, des conflits sur la verdure, l'aménagement du territoire, les prix des services urbains et la gestion de la ville. source : Cracovie en chiffres
À cela s'ajoute un contexte politique exceptionnel. Lors du référendum local du 24 mai 2026, le taux de participation à la vote concernant la révocation du président de Cracovie était de 29,99 % — suffisamment pour que le référendum soit valide et décisif. Dans le vote parallèle concernant la révocation du Conseil Municipal, le taux de participation était de 29,97 %, donc le seuil légal n'a pas été atteint. La différence, apparemment minime, a des conséquences politiques totalement différentes. source : Ville de Cracovie
Cracovie a également une expérience récente de compétition très serrée. Au second tour des élections présidentielles de 2024, Aleksander Miszalski a obtenu 51,04 % des voix, tandis que Łukasz Gibała a obtenu 48,96 %. Selon des rapports basés sur des données de la PKW, la différence était de 5434 voix. source : Rzeczpospolita
Ce sont des chiffres qui incitent à prêter attention à chaque nouvelle source d'influence informationnelle. Pas parce qu'un chatbot "élira le président de Cracovie". C'est une affirmation trop forte. Mais parce que dans une campagne où quelques milliers de voix peuvent changer le résultat, il est également important de savoir qui est visible, qui est omis, avec quoi il est associé et comment il est décrit dans les réponses de l'intelligence artificielle générative, auxquelles les utilisateurs se tournent de plus en plus souvent.
L'électeur ne cherche pas seulement. L'électeur converse
Le changement le plus important ne réside pas dans le fait que l'IA peut générer une annonce, un mème ou un deepfake. Cela a bien sûr son importance, mais c'est déjà un sujet assez bien connu. On en parle beaucoup, il y a des campagnes à ce sujet – plus ou moins sociales. Plus ou moins financées par certains comités électoraux.
Un changement plus intéressant et moins évident concerne le fait que les LLM deviennent des conseillers d'information privés. L'électeur peut ne pas demander : « quel est le programme de Michał Drewnicki ». Il peut même ne pas se souvenir de ce nom. Il peut plutôt demander : « qui à Cracovie a de l'expérience en matière locale ? », « quel candidat parle de Nowa Huta ? », « qui a une position claire sur le SCT ? », « le candidat du PiS à Cracovie est-il seulement partisan ou a-t-il une expérience locale ? ».
Ces questions sont beaucoup plus proches du véritable processus décisionnel. Les gens comparent rarement des programmes entiers de A à Z. (d'ailleurs… quel parti en 2024 a décrit son programme électoral clair, sans se laisser emporter par les fluctuations des sondages, les cris lors des meetings et les joutes mesurées dans les "réseaux sociaux" ?) Ils cherchent plus souvent des réponses à leur propre problème : trajets, prix, verdure, école, trottoir, stationnement, construction devant leur fenêtre, sentiment de chaos à la mairie ou manque d'influence sur les décisions de la ville.
C'est ici que les grands modèles de langage commencent à agir comme un nouvel intermédiaire. Ils ne se contentent pas de fournir des informations. Ils organisent la scène. Ils choisissent quels candidats mentionner. Ils décident quels faits considérer comme pertinents. Ils condensent un contexte complexe en quelques paragraphes. Et ils le font souvent d'une manière que nous ne verrons pas dans le suivi classique des médias, le SEO ou l'analyse des réseaux sociaux. Ainsi, on peut supposer que les bureaux de sondage et leurs "erreurs" deviendront de plus en plus des sujets majeurs de commentaires après les sorties des urnes.
Ce n'est plus une niche technologique
Si quelqu'un pense que les "chatbots" sont encore un jouet pour étudiants et pour l'industrie technologique, les données refroidissent rapidement cette opinion. Selon un rapport de Gemius/PBI, en juin 2025, plus de 9,3 millions d'utilisateurs réels utilisaient ChatGPT en Pologne. Cela représentait 31,4 % des internautes et 28,6 % de la population âgée de 7 à 75 ans. Le rapport indiquait également que parmi les utilisateurs de ChatGPT, les personnes de moins de 35 ans étaient sur-représentées, et dans le groupe des 25-34 ans, le temps moyen d'utilisation en juin était de 2 heures et 42 minutes. source : Gemius/PBI
À l'échelle européenne, Eurostat a rapporté qu'en 2025, 32,7 % des habitants de l'UE âgés de 16 à 74 ans utilisaient des outils d'IA générative. Dans le groupe des 16-24 ans, ce pourcentage était déjà de 63,8 %. source : Eurostat
C'est important, car les jeunes électeurs sont également un groupe plus enclin à utiliser de nouveaux outils d'information et un groupe qui, lors des élections locales, a souvent une participation moins stable. Il n'est pas nécessaire de supposer un passage massif de toute la campagne aux systèmes soutenus par l'intelligence artificielle. Il suffit de noter qu'une partie significative des utilisateurs considère la conversation avec un chatbot comme l'un des moyens naturels d'organiser l'information.
IA comme outil pour les nouvelles, la politique et les décisions
Les données de Reuters Institute montrent que les chatbots IA sont déjà utilisés pour la consommation d'informations, bien qu'ils ne dominent pas encore. En 2026, 10 % des personnes interrogées sur 45 marchés déclaraient utiliser des chatbots IA pour les nouvelles chaque semaine, contre 7 % l'année précédente. Ce qui est encore plus intéressant, c'est comment les gens les utilisent : 42 % des utilisateurs de chatbots d'actualités posent des questions approfondies, 35 % les utilisent pour obtenir les dernières informations, 34 % pour résumer, 30 % pour simplifier des sujets complexes, et 33 % pour évaluer la crédibilité des sources. source : Rapport sur les nouvelles numériques de l'Institut Reuters
C'est presque un descriptif prêt à l'emploi du comportement de l'électeur lors d'une campagne locale. « Explique-moi ce qu'est la Zone de Transport Propre ». « Résume les différences entre les candidats ». « Qui est fiable sur le sujet des transports ? ». « Ce candidat a-t-il vraiment de l'expérience en matière locale ? ». « Quelles sources confirment ses déclarations ? ».
À ce stade, l'IA cesse d'être simplement un outil pour rédiger des textes. Elle devient une interface à la réalité publique.
Le signal d'alarme le plus fort – les électeurs interrogent déjà GenAI sur les élections
Un des chiffres les plus intéressants provient d'une étude sur les élections parlementaires au Royaume-Uni en 2024. Une étude représentative de 2499 adultes a montré que, la semaine précédant les élections, 32 % des utilisateurs de chatbots (13 % de tous les électeurs éligibles) utilisaient l'IA conversationnelle pour rechercher des informations directement liées à leur décision électorale. source : arXiv, étude UK 2024
Ce n'est pas un détail marginal. C'est un signal que les chatbots entrent au cœur du processus électoral : non pas en tant que technologie abstraite, mais en tant qu'outil utilisé lorsque l'électeur prend une décision, organise des arguments ou essaie de comprendre la scène politique. Souvent juste avant d'entrer dans le bureau de vote.
Ce qui est important, c'est que les auteurs de cette étude ne tirent pas de conclusion alarmiste simple. Dans une série d'expériences impliquant 2858 participants, ils ont constaté que l'utilisation de chatbots n'aggravait pas les connaissances politiques ; au contraire, elle les augmentait dans une mesure similaire à celle de la recherche Internet traditionnelle. source : AI Security Institute
Et c'est précisément pourquoi le sujet est plus intéressant qu'un simple récit de menace. Il est temps pour un truisme. Je vais même le mettre en gras pour qu'il soit plus frappant. Pas de quoi…
Les LLM peuvent aider les électeurs à mieux comprendre la politique. Mais ils peuvent aussi induire en erreur, omettre, simplifier, identifier de manière obsolète les candidats ou construire des cadres d'interprétation spécifiques.
L'autre côté – les réponses des chatbots peuvent être défectueuses
Le problème est que les réponses des modèles donnent l'impression d'être ordonnées, certaines et complètes, même lorsqu'elles contiennent des lacunes. Vous savez… comme ce futur ingénieur (si le destin et les professeurs le permettent) rencontré lors d'une soirée étudiante, qui défendra avec obstination une position qui, trois bières plus tôt, n'aurait même pas été discutée ;)
Une étude de l'EBU et de la BBC a couvert plus de 3000 réponses générées par quatre assistants IA (ChatGPT, Copilot, Gemini et Perplexity) dans 14 langues. 45 % des réponses contenaient au moins un problème significatif, 31 % avaient de graves problèmes de sources, et 20 % contenaient de graves problèmes d'exactitude, y compris des informations obsolètes ou hallucinations. source : EBU/BBC
Dans les élections locales, ce risque peut être plus grand que dans une campagne nationale. Les sources locales sont plus dispersées. Les candidats peuvent être (et sont, comme nous allons le prouver) moins connus. Le contexte change plus rapidement. Les noms de l'ancien cycle peuvent se mélanger avec de nouvelles candidatures. Les programmes peuvent être publiés par étapes. (s'ils sont créés, mais j'en ai déjà parlé et je ne vais pas en rajouter… enfin, peut-être) Et les questions des utilisateurs sont souvent courtes, familières et imprécises.
Avec un leader national, le modèle a généralement beaucoup de données. Avec un candidat local à la présidence de Cracovie, il doit assembler une image à partir du BIP, des médias locaux, du site du candidat, des publications sur les réseaux sociaux, des sondages, des comptes rendus de conférences et des événements en cours. C'est des conditions idéales pour des erreurs apparemment mineures, mais politiquement significatives : confondre des fonctions, omettre un concurrent, attribuer une candidature obsolète, donner à quelqu'un une étiquette trop étroite ou fonder une réponse sur des sources des élections précédentes.
Le tournant le plus important : GenAI n'a pas besoin de mentir pour influencer
Dans le débat sur l'IA et les élections, trop d'attention est accordée aux "fake news". Pourtant, pour une campagne locale, quelque chose de plus subtil peut être tout aussi important : la représentation.
Le modèle peut ne pas fournir de fausse information. Il peut simplement décrire le candidat principalement par son parti, tout en omettant son expérience locale. Il peut le mentionner en réponse à une question sur le PiS, mais pas en réponse à une question sur les transports. Il peut parler du SCT, mais omettre le sujet des transports en commun. Il peut répondre à une question sur Nowa Huta sans mentionner la personne qui construit une partie de sa communication autour de ses liens avec cette partie de la ville. Il peut placer le candidat à la fin de la liste, même s'il est formellement l'un des participants importants à la course.
Ce n'est pas nécessairement une "erreur" au sens simple. Cela peut être la conséquence de la hiérarchie des sources, de la fraîcheur des données, de la disponibilité de l'information, de la manière dont la question est formulée et de la mécanique de la réponse générée par le modèle.
Dans le SEO traditionnel, on se battait pour une position dans les résultats de recherche. Dans le monde des LLM, la question devient de plus en plus importante : le candidat apparaît-il même dans la réponse, à quelles questions apparaît-il, avec quoi est-il associé et avec qui est-il comparé.
Ce mécanisme est bien visible dans l'étude de Michał Drewnicki (discutée plus en détail plus loin dans le texte). Dans 250 réponses de l'étude deep dive, les modèles mentionnaient le candidat dans 87,6 % des cas lorsque l'utilisateur fournissait son nom, mais seulement dans 5,0 % des cas lorsque la question ne contenait pas de nom et concernait un problème, une catégorie de candidats ou un sujet urbain. En d'autres termes : la reconnaissance par le nom ne signifie pas encore visibilité thématique.
Et si la réponse n'informe pas seulement, mais déplace aussi l'opinion ?
Voici un deuxième ensemble de données clé. Des études décrites par Cornell ont montré que une courte conversation avec un chatbot peut significativement déplacer les opinions politiques. Dans des expériences menées dans quatre pays, les chatbots basés sur des LLM ont déplacé les préférences des électeurs de l'opposition de 10 points de pourcentage ou plus dans de nombreux cas. Dans des expériences au Canada et en Pologne, l'effet était d'environ 10 points de pourcentage, et dans l'une des études, le modèle le plus persuasif a déplacé les opinions des électeurs de l'opposition de 25 points de pourcentage. source : Cornell Chronicle
Il faut le dire avec prudence. Ce sont des expériences contrôlées, et non une preuve que les chatbots décideront à eux seuls des élections réelles. Les participants savaient qu'ils parlaient avec une IA, et la direction de la persuasion était randomisée. Les auteurs et commentateurs eux-mêmes ont souligné les limites de telles études et la différence entre les conditions expérimentales et une véritable campagne. source : Nature Asia
Mais une conclusion est difficile à ignorer. Elle se formule à peu près ainsi : les réponses des modèles peuvent être persuasives non pas parce qu'elles sont émotionnelles, agressives ou manipulatrices au sens classique. Selon les chercheurs, leur force résidait souvent dans le fait qu'elles généraient de nombreuses affirmations, arguments et justifications apparemment rationnelles. Cornell a souligné que lorsque l'on limitait aux modèles la possibilité d'utiliser des faits, leur pouvoir de persuasion diminuait ; en même temps, les modèles plus persuasifs étaient souvent moins précis. source : Cornell Chronicle
C'est le cœur du problème dans une campagne locale. L'électeur peut recevoir une réponse calme, rationnelle, bien sonnante et dépourvue de ton partisan. Et pourtant, cette réponse peut renforcer une certaine image du candidat.
Exemple de Cracovie, c'est-à-dire Michał Drewnicki dans les réponses des LLM
Dans ce contexte, l'étude de Michał Drewnicki, candidat du Droit et de la Justice à la présidence de Cracovie, est un bon exemple de ce qu'il faut commencer à mesurer en politique locale.
Il ne s'agit pas seulement de demander : « GenAI connaît-elle le nom du candidat ? ». C'est le niveau le plus simple. Les questions plus intéressantes sont plus profondes :
Les modèles identifient-ils correctement Michał Drewnicki comme candidat du PiS aux élections anticipées à Cracovie ?
Reconnaissent-ils ses fonctions publiques – conseiller municipal et vice-président du Conseil Municipal de Cracovie ?
Distinguent-ils le contexte électoral actuel des élections locales de 2024 ?
Le lient-ils uniquement au PiS, ou aussi à une expérience locale en matière de gouvernance ?
Apparaît-il dans les réponses aux questions qui ne contiennent pas son nom, mais concernent des sujets présents dans son profil public : communication, SCT, Nowa Huta, aménagement du territoire, coût de la vie, relations mairie-habitants ?
Les modèles peuvent-ils distinguer les informations officielles, les relations médiatiques, les déclarations de campagne et leurs propres interprétations ?
L'étude a été réalisée par l'auteur modeste de ce texte le 03/07/2026.
Dans l'étude réalisée avec notre outil propriétaire Semantio, j'ai analysé 250 réponses concernant Michał Drewnicki dans le contexte des élections présidentielles à Cracovie. Le matériel est le résultat d'une analyse couvrant 50 scénarios uniques, lancés dans cinq systèmes : ChatGPT, Gemini, Grok, DeepSeek et Google Overview. Chaque système a répondu aux 50 scénarios posés. Les scénarios ont été classés notamment selon l'étape de l'entonnoir d'intention : 80 réponses à l'étape awareness, 85 à l'étape consideration et 85 à l'étape decision. Les questions contenant le nom du candidat et les questions problématiques sans nom ont été analysées séparément.
Le résultat le plus fort concerne la différence entre la reconnaissance par le nom et la visibilité spontanée. Dans l'ensemble du matériel, il y avait 170 réponses aux questions contenant le nom de Michał Drewnicki et 80 réponses aux questions sans nom. Lorsque l'utilisateur fournissait le nom du candidat (le prompt-scenario contenait le nom "Drewnicki"), les modèles mentionnaient Drewnicki dans 149 des 170 réponses, soit 87,6 % des cas. Lorsque la question ne contenait pas de nom et concernait un problème, une catégorie de candidats ou un sujet urbain, Drewnicki n'apparaissait que dans 4 des 80 réponses, soit 5,0 % des cas.
En d'autres termes : les modèles peuvent décrire le candidat lorsque l'utilisateur sait déjà de qui il s'agit, mais ils le relient beaucoup moins bien de manière autonome aux problèmes de la ville.
Les données montrent également que la visibilité n'est pas uniformément répartie entre les systèmes. Toutes les 4 mentions spontanées de Drewnicki dans des questions sans nom provenaient de Google Overview. Dans les autres systèmes (ChatGPT, Gemini, Grok et DeepSeek), le candidat n'est pas apparu une seule fois dans de telles questions. C'est important, car cela souligne "en chiffres" qu'il n'existe pas une seule "visibilité dans l'IA". Chaque système peut construire une carte différente de la scène politique, dépendant des sources, de l'actualité des données, de la mécanique de recherche et de la manière de générer des réponses.
Bien sûr, je n'ai pas pu m'empêcher d'utiliser cette photo dans le contexte du SCT ;)
Le plus clair début de visibilité thématique est apparu dans les questions sur le transport, la communication urbaine, les billets, la mobilité et la Zone de Transport Propre. Dans les questions sans nom concernant ce domaine, Drewnicki est apparu dans 4 des 30 réponses, soit 13,3 % des cas. C'est encore un faible résultat, mais significatif par rapport aux autres sujets : les questions sur l'expérience locale, Nowa Huta, les quartiers, l'aménagement du territoire ou la verdure n'ont pas activé son nom aussi efficacement. D'un point de vue de campagne locale, c'est une différence importante : le modèle peut bien décrire le problème de Cracovie, mais il ne montrera pas nécessairement à l'électeur quel candidat essaie de gérer politiquement ce problème.
Dans 70 des 250 réponses, soit 28,0 % de l'ensemble, une alerte d'hallucination a été signalée. Le risque d'erreur ne disparaissait pas après avoir fourni le nom : dans les questions avec le nom, l'alerte est apparue dans 50 des 170 réponses (29,4 %), et dans les questions sans nom dans 20 des 80 réponses (25,0 %). Il s'agissait le plus souvent de problèmes contextuels, c'est-à-dire de mélanger les élections de 2026 avec celles de 2024, des fonctions publiques incorrectes, une affiliation politique erronée, des URL incorrectes ou suspectes, des détails de programme non confirmés et, dans certains cas, même de confondre Cracovie avec Varsovie (cela ne se pardonne pas dans la ville de Cracovie !). Dans une campagne locale, de telles petites erreurs peuvent être plus probables que des "fake news" spectaculaires, et donc beaucoup plus difficiles à détecter, car elles se produisent souvent dans des réponses qui semblent calmes et rationnelles. D'où cela nous est familier ?…
Les différences entre les fournisseurs (un autre beau mot venu de l'autre côté de la rivière Bug) étaient évidentes. Google Overview mentionnait le plus souvent Drewnicki et avait le plus bas taux d'alertes d'hallucination : 37 mentions dans 50 réponses (74,0 %) et 5 alertes (10,0 %). DeepSeek mentionnait le candidat dans 33 des 50 réponses (66,0 %), mais avait en même temps le plus haut taux d'alertes : 31 des 50 réponses (62,0 %). ChatGPT a mentionné Drewnicki dans 30 des 50 réponses (60,0 %) et avait 8 alertes (16,0 %). Grok l'a mentionné dans 27 des 50 réponses (54,0 %) et avait 16 alertes (32,0 %). Gemini a mentionné le candidat dans 26 des 50 réponses (52,0 %) et avait 10 alertes (20,0 %). Cela montre qu'une plus grande visibilité dans l'IA ne signifie pas toujours une meilleure qualité de représentation.
Les sources se sont également révélées intéressantes. Dans l'ensemble, 676 liens sources ont été identifiés. Les domaines les plus souvent mentionnés étaient : bip.krakow.pl (90 fois), facebook.com (71 fois), krakow.pl (38 fois), youtube.com (29 fois), radiokrakow.pl (26 fois), lovekrakow.pl (23 fois), drewnicki.pl (22 fois) et ztp.krakow.pl (22 fois). Le domaine officiel du candidat était donc présent, mais il était clairement loin de dominer. L'image de Drewnicki dans l'IA était également construite par le BIP, les médias locaux, les sources municipales, Facebook, YouTube et d'autres domaines intermédiaires.
En même temps, dans 115 des 250 réponses, il n'y avait aucun lien source, ce qui représente 46,0 % de l'ensemble du matériel. Les différences entre les systèmes étaient grandes : Google Overview fournissait des liens dans chaque réponse, ChatGPT dans 43 des 50, DeepSeek dans 31 des 50, Grok dans 10 des 50, et Gemini seulement dans 1 des 50 réponses. Cela a une importance électorale – une réponse sans source peut sembler crédible, mais l'utilisateur n'a pas de chemin rapide pour vérifier d'où le modèle a obtenu des informations sur le candidat, la fonction, le programme ou le contexte des élections.
Dans les réponses des LLM, la concurrence n'était également pas comprise uniquement comme une liste de rivaux électoraux formels. Dans le champ concurrentiel, les noms les plus souvent mentionnés étaient Aleksander Miszalski (53 fois) et Łukasz Gibała (50 fois), mais étaient également visibles Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) et Bartosz Bocheńczak (8). Les médias, les institutions, les partis et les organisations étaient également mentionnés, notamment Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica et PiS. Pour le modèle, la scène électorale se mélange donc avec la scène informationnelle. Qu'est-ce que cela signifie ? Le candidat ne concurrence pas seulement d'autres noms, mais aussi des contextes antérieurs, des sources plus fortes et des associations plus établies.
La conclusion la plus courte de l'étude est : un nom ne suffit pas. Dans le monde des LLM, un candidat peut être reconnu (Michał Drewnicki, analysé ici, n'appartient manifestement pas encore à cette catégorie), lorsque l'utilisateur le questionne directement, tout en restant peu présent dans les questions qui débutent réellement la décision de l'électeur : sur les trajets, les coûts, le quartier, la verdure, la mairie, l'expérience ou la crédibilité sur un problème concret. C'est précisément cette couche – non seulement la présence sur Internet, mais la présence dans les réponses aux besoins des utilisateurs – qu'il faut aujourd'hui paramétrer.
Que peut-on mesurer exactement ?
En analysant les résultats obtenus dans Semantio, j'ai regardé les réponses des grands modèles de langage non pas comme une curiosité, mais comme une nouvelle couche de visibilité publique. Dans le cas d'un candidat politique, on peut analyser notamment :
la visibilité spontanée – le candidat apparaît-il lorsque l'utilisateur ne fournit pas de nom ;
la précision de l'identification – nom, fonction, parti, année des élections, contexte actuel ;
la position dans la réponse – le candidat est-il le premier, au milieu, à la fin, omis ou décrit brièvement ;
les liens thématiques – dans quels sujets le modèle le mentionne : transport, SCT, quartiers, coût de la vie, expérience locale, PiS, droite, gestion de la ville ;
les comparaisons – avec qui le modèle le compare le plus souvent et selon quels critères ; qui le candidat bat, et qui lui donne un KO (ce n'est pas un comité !) ;
les sources – la réponse repose-t-elle sur des données actuelles, fiables et adéquates ;
les hallucinations – un domaine fascinant où l'on peut voir des choses comme la confusion de personnes, de fonctions, de dates, de programmes, de cycles électoraux ou de déclarations inexistantes ;
les cadres d'interprétation – le candidat est-il présenté comme partisan, local, municipal, idéologique, technocratique, de protestation, anti-réglementation, urbain, de droite, "pro-conducteur" ou d'une autre manière.
Dans le cas de Drewnicki, trois catégories se démarquent particulièrement pour une analyse plus approfondie : la visibilité par le nom, la visibilité thématique et la qualité des sources. La première était élevée. La seconde était faible. La troisième s'est révélée inégale entre les fournisseurs.
Premier exemple : les questions sur l'expérience locale sans mentionner le nom n'activaient pas spontanément Drewnicki, même si son profil institutionnel comprend un mandat de conseiller et une fonction de vice-président du Conseil Municipal de Cracovie.
Deuxième exemple : les questions sur Nowa Huta, Mistrzejowice, le nord de Cracovie et la perspective des quartiers ne suffisaient pas non plus pour que les modèles désignent le candidat de manière autonome.
Troisième exemple : une certaine trace de visibilité spontanée apparaissait principalement autour du transport et du SCT, mais restait encore très faible par rapport aux réponses aux questions contenant le nom.
En résumé, GenAI peut répondre à la question "qui est Michał Drewnicki ?", mais répond beaucoup moins souvent par son nom à la question "qui à Cracovie a une position sur mon problème ?". C'est une différence qui est difficile à voir dans le suivi classique des médias, mais qui est très significative pour une campagne locale.
Pourquoi cela a-t-il de l'importance pour les équipes, les médias et les organisations citoyennes
Les équipes de campagne surveillent les médias, les réseaux sociaux, les sondages et les résultats de recherche depuis des années. Le problème est que les LLM ne se comportent pas comme un média ordinaire et ne fonctionnent pas comme un moteur de recherche classique. Ces derniers ne sont plus "classiques" sous nos yeux.
Le modèle ne montre pas simplement ce qui est sur Internet. Le modèle traite les informations, les résume, les hiérarchise, parfois les actualise par recherche, parfois s'appuie sur des connaissances antérieurement établies, parfois refuse de répondre, et parfois répond avec une grande certitude malgré des données incomplètes.
Pour l'équipe, cela signifie de nouvelles questions. Le candidat est-il présent dans les réponses sur des sujets qui lui sont importants ? Son profil est-il à jour ? Les modèles ne lui attribuent-ils pas les déclarations d'autres ? Les concurrents ne s'emparent-ils pas dans l'IA des sujets qui sont son domaine naturel dans la campagne ? L'utilisateur qui demande "le candidat des transports" verra-t-il son nom ?
L'étude de Drewnicki montre que cette question n'est pas théorique. Dans les questions sans nom, le candidat n'est apparu que dans 5,0 % des réponses. Pour l'équipe, cela signifie qu'il faut veiller non seulement à ce que des matériaux sur le candidat existent sur Internet, mais aussi à ce que les modèles puissent relier ces matériaux aux réelles intentions des électeurs.
Pour les médias, cela signifie qu'il faut considérer les LLM comme des intermédiaires dans la distribution d'informations publiques. Si les modèles commencent à répondre à des questions électorales, la qualité du journalisme local, la structure des données, l'actualité des sources et la précision des descriptions des candidats influenceront non seulement les lecteurs, mais aussi les réponses synthétisées par GenAI.
Pour les organisations citoyennes, cela signifie encore autre chose. La possibilité d'examiner si les modèles informent de manière fiable les électeurs, s'ils omettent des candidats, s'ils ne renforcent pas des données obsolètes et s'ils ne créent pas d'inégalités informationnelles entre ceux qui connaissent bien la scène politique et ceux qui essaient encore de s'y orienter.
Rester vigilant – pour l'instant, rien n'indique que GenAI remplacera les campagnes. Mais cela peut changer la carte de l'information
Il n'est pas sensé de prétendre que les élections à Cracovie se décideront dans ChatGPT, Gemini, Perplexity ou Copilot. Ce n'est pas le cas… La campagne se déroule encore dans une large mesure "dans la ville" – lors de réunions, dans les médias locaux, lors de conférences, dans des débats, dans des quartiers, dans des arrêts de bus et dans des conversations entre habitants.
Cependant, il serait erroné de considérer que les réponses des LLM ne sont qu'une curiosité technologique.
Si en Pologne, des millions de personnes utilisent déjà ChatGPT, si environ un tiers de la population de l'UE âgée de 16 à 74 ans utilise l'IA générative, si au Royaume-Uni, 13 % des électeurs éligibles ont utilisé des chatbots pour des informations électorales la semaine précédant le vote, et si des expériences montrent qu'une conversation avec un modèle peut déplacer les opinions politiques – cela signifie que les équipes et les institutions publiques devraient commencer à considérer l'IA comme une couche réelle de circulation de l'information. sources : Gemius/PBI, Eurostat, étude UK 2024, Cornell Chronicle
Dans les élections locales, cette couche est particulièrement importante. Pourquoi ? Parce que l'électeur ne recherche souvent pas une grande idéologie. Il cherche des réponses à son propre problème. Les questions sont nombreuses : Qui comprend mon quartier ? Qui a de l'expérience ? Qui parle de transport ? Qui a un plan pour le coût de la vie ? Qui est fiable sur la question de la verdure ? Qui se présente réellement, et qui était candidat lors des précédentes élections ?
La manière dont le modèle répond à ces questions peut influencer non seulement le résultat des élections, mais aussi la manière dont une partie des habitants comprend les candidats.
Et cela ne se voit pas dans les sondages. Cela ne se voit pas dans le SEO classique. Cela ne se voit pas dans le suivi des médias. Mais cela peut être étudié.
Dans le cas de Michał Drewnicki, la leçon la plus importante est simple : le candidat peut être présent dans les réponses de GenAI, mais ne pas avoir un fort "ownership" (oui, un beau mot polonais) des sujets qui sont importants pour les habitants. C'est précisément cette différence – entre la présence par le nom et la présence dans les problèmes – qu'il faut commencer à considérer comme une nouvelle catégorie de visibilité publique.
Vous voulez vérifier comment l'IA décrit votre candidat, votre parti, votre marque ou votre institution ?
L'étude de Michał Drewnicki montre que les réponses générées par les modèles d'IA peuvent être analysées de manière systémique, c'est-à-dire en termes de visibilité, de précision, de sources, de comparaisons, d'omissions et de cadres d'interprétation. Si vous souhaitez en savoir plus sur cette étude ou discuter d'une analyse similaire pour votre propre projet, contactez l'auteur du texte : m.grzebyk@brandsemantics.eu
* pour être clair – un candidat qui est présent dans les réponses ;)
