Solo pochi anni fa, un elettore che voleva informarsi su un candidato a sindaco doveva visitare il suo sito, esaminare i media (compresi quelli “tradizionali”), guardare il dibattito, chiedere ad amici o scorrere diverse pagine di risultati su Google. Oggi, sempre più spesso, può fare qualcosa di più semplice: porre una domanda al suo chatbot preferito (un grande modello linguistico).
Non deve nemmeno… conoscere i nomi. Non deve sapere chi appartiene a quale comitato. Non deve seguire le conferenze stampa. In generale, non deve fare molto. Ma può. Può chiedere: “chi a Cracovia ha il miglior programma di trasporto?”, “quale candidato è legato a Nowa Huta?”, “chi vuole cambiare la Zona di Trasporto Pulito?”, “il candidato del PiS ha esperienza nel governo locale?”, “chi parla concretamente del costo della vita in queste elezioni?”.
E riceverà una risposta.
Non una lista di link. Non un risultato di ricerca classico. Non una base di documenti neutrale. Riceverà una descrizione sintetica della scena politica, costruita dal LLM sulla base di ciò che il modello trova, ricorda, interpreta, considera importante e organizza in una gerarchia appropriata. E questo per l'utente che in parte ha “cresciuto” il suo “Tamagotchi” proveniente dalla terza decade (che suona strano!) del XXI secolo. Solo che non lo nutre e non lo pulisce premendo i pulsanti, ma gli lancia pezzi di sé che rivelano le sue abitudini.
Questa è una nuova dimensione della campagna elettorale. Silenziosa, privata, difficile da monitorare e – nelle elezioni locali – potenzialmente molto significativa.
Cracovia come laboratorio per le elezioni nell'era del GenAI
Cracovia è un buon posto per osservare questo cambiamento in pratica. Non è un piccolo comune, ma nemmeno una campagna nazionale in cui ogni candidato è costantemente presente nei media principali. Secondo i dati dell'ISTAT, alla fine del 2025 Cracovia aveva 816.614 abitanti. È un grande e complesso organismo urbano: con un centro, Nowa Huta, quartieri periferici, università, turismo, affari, trasporti, conflitti per il verde, pianificazione territoriale, prezzi dei servizi pubblici e modalità di gestione della città. fonte: Cracovia in numeri
A questo si aggiunge un contesto politico unico. Nel referendum locale del 24 maggio 2026, l'affluenza al voto per la revoca del sindaco di Cracovia è stata del 29,99% — sufficiente affinché il referendum fosse valido e decisivo. Nella votazione parallela per la revoca del Consiglio Comunale, l'affluenza è stata del 29,97%, quindi la soglia legale non è stata superata. La differenza apparentemente minima, ma le conseguenze politiche sono completamente diverse. fonte: Città di Cracovia
Cracovia ha anche una recente esperienza di competizione molto equilibrata. Nella seconda tornata delle elezioni presidenziali del 2024, Aleksander Miszalski ha ottenuto il 51,04% dei voti, mentre Łukasz Gibała il 48,96%. Secondo rapporti basati sui dati della PKW, la differenza è stata di 5.434 voti. fonte: Rzeczpospolita
Questi sono numeri che richiedono attenzione a ogni nuova fonte di influenza informativa. Non perché un chatbot “sceglierà il sindaco di Cracovia”. Questa è un'affermazione troppo forte. Ma perché in una campagna in cui alcune migliaia di voti possono cambiare il risultato, è importante anche chi è visibile, chi è trascurato, con cosa è associato e come viene descritto nelle risposte dell'intelligenza artificiale generativa, a cui sempre più utenti si rivolgono.
L'elettore non cerca solo. L'elettore conversa
Il cambiamento più importante non è che l'AI possa generare uno spot, un meme o un deepfake. Questo ha certamente la sua importanza, ma è già un tema piuttosto ben riconosciuto. Se ne parla molto, ci sono campagne su questo – più o meno sociali. Più o meno finanziate da determinati comitati elettorali.
Un cambiamento più interessante e meno ovvio riguarda il fatto che i LLM stanno diventando consulenti informativi privati. L'elettore potrebbe non chiedere: “qual è il programma di Michał Drewnicki”. Potrebbe nemmeno ricordare quel nome. Potrebbe invece chiedere: “chi a Cracovia ha esperienza nel governo locale?”, “quale candidato parla di Nowa Huta?”, “chi ha una posizione chiara riguardo alla SCT?”, “il candidato del PiS a Cracovia è solo di partito, o ha esperienza locale?”.
Queste domande sono molto più vicine al reale processo decisionale. Le persone raramente confrontano interi programmi da cima a fondo. (a proposito… quale partito nel 2024 ha descritto il proprio chiaro programma elettorale, senza cavalcare l'onda dei sondaggi in cambiamento, delle urla nei comizi e delle polemiche misurate nei “social media”?) Piuttosto, cercano risposte ai propri problemi: trasporti, prezzi, verde, scuola, marciapiede, parcheggio, costruzione davanti alla finestra, senso di caos nell'ufficio o mancanza di influenza sulle decisioni della città.
È proprio qui che i grandi modelli linguistici iniziano a funzionare come un nuovo intermediario. Non solo forniscono informazioni. Essi organizzano la scena. Scelgono quali candidati menzionare. Decidono quali fatti considerare rilevanti. Riducono un contesto complesso a pochi paragrafi. E spesso lo fanno in un modo che non vedremo nel monitoraggio classico dei media, SEO o analisi dei social media. Di conseguenza, si può ipotizzare che i sondaggi e i loro “errori” diventeranno sempre più uno dei principali temi di commento dopo i sondaggi di uscita.
Non è più una nicchia tecnologica
Se qualcuno pensa che i “chatbot” siano ancora un giocattolo per studenti e per l'industria tecnologica, i dati rapidamente smontano questa idea. Secondo il rapporto Gemius/PBI, a giugno 2025, oltre 9,3 milioni di utenti reali in Polonia utilizzavano ChatGPT. Questo significava il 31,4% degli utenti di internet e il 28,6% della popolazione di età compresa tra 7 e 75 anni. Il rapporto indicava anche che tra gli utenti di ChatGPT erano sovra-rappresentate le persone sotto i 35 anni, e nel gruppo di età 25-34 anni, il tempo medio di utilizzo a giugno era di 2 ore e 42 minuti. fonte: Gemius/PBI
A livello europeo, Eurostat ha riportato che nel 2025 il 32,7% dei residenti dell'UE di età compresa tra 16 e 74 anni utilizzava strumenti di AI generativa. Nel gruppo di età 16-24 anni, questa percentuale era già del 63,8%. fonte: Eurostat
Questo è importante, perché gli elettori più giovani sono anche il gruppo più propenso a utilizzare nuovi strumenti informativi e sono spesso meno stabili in termini di affluenza alle elezioni locali. Non è necessario presupporre un passaggio massiccio dell'intera campagna a sistemi supportati dall'intelligenza artificiale. È sufficiente notare che per una parte significativa degli utenti conversare con un chatbot sta diventando uno dei modi naturali per ordinare le informazioni.
AI come strumento per notizie, politica e decisioni
I dati dell'Institute Reuters mostrano che i chatbot AI sono già utilizzati per il consumo di informazioni, anche se non dominano ancora. Nel 2026, il 10% degli intervistati in 45 mercati dichiarava di utilizzare settimanalmente chatbot AI per le notizie, rispetto al 7% dell'anno precedente. Ancora più interessante è come le persone li utilizzano: il 42% degli utenti di chatbot per le notizie pone domande di approfondimento, il 35% li usa per ottenere le ultime informazioni, il 34% per riassumere, il 30% per semplificare argomenti complessi e il 33% per valutare l'affidabilità delle fonti. fonte: Reuters Institute Digital News Report
Questo è quasi un profilo pronto del comportamento dell'elettore in una campagna locale. “Spiegami di cosa si tratta con la Zona di Trasporto Pulito”. “Riassumi le differenze tra i candidati”. “Chi è affidabile in materia di trasporto?”. “Questo candidato ha davvero esperienza nel governo locale?”. “Quali fonti confermano le sue dichiarazioni?”.
In questo contesto, l'AI smette di essere solo uno strumento per scrivere testi. Diventa un'interfaccia per la realtà pubblica.
Il segnale di allerta più forte – gli elettori stanno già chiedendo a GenAI delle elezioni
Uno dei numeri più interessanti proviene da uno studio sulle elezioni parlamentari nel Regno Unito nel 2024. Uno studio rappresentativo su 2499 adulti ha mostrato che nella settimana prima delle elezioni, il 32% degli utenti di chatbot (il 13% di tutti gli elettori idonei) utilizzava l'AI conversazionale per cercare informazioni direttamente legate alla decisione di voto. fonte: arXiv, studio UK 2024
Questo non è un dettaglio marginale. È un segnale che i chatbot stanno entrando nel cuore del processo elettorale: non come tecnologia astratta, ma come strumento utilizzato quando l'elettore sta prendendo una decisione, ordinando argomenti o cercando di comprendere la scena politica. Spesso proprio prima di entrare nel seggio elettorale.
È importante notare che gli autori di questo studio non formulano una conclusione allarmistica semplice. In una serie di esperimenti con 2858 partecipanti, hanno constatato che l'uso dei chatbot non peggiorava la conoscenza politica; al contrario, la aumentava in misura simile a quella della ricerca tradizionale su internet. fonte: AI Security Institute
Ed è proprio per questo che il tema è più interessante di una semplice narrazione di minaccia. È tempo di un truismo. Lo evidenzierò anche in grassetto, per renderlo più evidente. Non c'è di che…
I LLM possono aiutare gli elettori a comprendere meglio la politica. Ma possono anche confondere, omettere, semplificare, identificare in modo obsoleto i candidati o costruire determinati quadri interpretativi.
Il rovescio della medaglia – le risposte dei chatbot possono essere difettose
Il problema è che le risposte dei modelli sembrano ordinate, sicure e complete, anche quando contengono lacune. Sai… come quel futuro ingegnere (se il destino e i professori lo permetteranno) dell'AGH conosciuto a una festa studentesca, che difenderà con tenacia una posizione che tre birre fa non sarebbe nemmeno entrata in discussione ;)
Uno studio dell'EBU e della BBC ha esaminato oltre 3000 risposte generate da quattro assistenti AI (ChatGPT, Copilot, Gemini e Perplexity) in 14 lingue. Il 45% delle risposte conteneva almeno un problema significativo, il 31% aveva gravi problemi con le fonti e il 20% conteneva gravi problemi di accuratezza, inclusi dati obsoleti o allucinati. fonte: EBU/BBC
Nelle elezioni locali, questo rischio può essere maggiore rispetto a una campagna nazionale. Le fonti locali sono più disperse. I candidati possono essere (e sono, come dimostreremo) meno noti. Il contesto cambia più rapidamente. I nomi del ciclo precedente possono mescolarsi con nuove candidature. I programmi possono essere pubblicati a fasi. (se verranno creati, ma di questo ho già scritto e non ci saranno altre frecciatine… forse) E le domande degli utenti sono spesso brevi, colloquiali e poco precise.
Con un leader nazionale, il modello di solito ha molti dati. Con un candidato locale a sindaco di Cracovia, deve assemblare un'immagine da BIP, media locali, sito del candidato, post sui social, sondaggi, relazioni da conferenze e eventi correnti. Queste sono condizioni ideali per errori apparentemente piccoli, ma politicamente significativi: confondere funzioni, omettere un concorrente, attribuire una candidatura obsoleta, dare a qualcuno un'etichetta troppo ristretta o basare una risposta su fonti delle elezioni precedenti.
Il colpo di scena principale: GenAI non deve mentire per influenzare
Nella discussione su AI ed elezioni, si presta troppa attenzione ai “falsi”. Nel frattempo, per una campagna locale, qualcosa di più sottile può essere altrettanto importante: la rappresentazione.
Il modello potrebbe non fornire informazioni false. Potrebbe semplicemente descrivere il candidato principalmente attraverso il partito, trascurando la sua esperienza nel governo locale. Potrebbe menzionarlo in una domanda sul PiS, ma non in una domanda sul trasporto. Potrebbe scrivere sulla SCT, ma omettere il tema del trasporto pubblico. Potrebbe rispondere a una domanda su Nowa Huta senza indicare la persona che costruisce parte della propria comunicazione attorno ai legami con quella parte della città. Potrebbe posizionare il candidato alla fine della lista, anche se formalmente è uno dei partecipanti significativi alla corsa.
Questo non deve essere un “errore” nel senso semplice. Può essere una conseguenza della gerarchia delle fonti, della freschezza dei dati, della disponibilità delle informazioni, del modo in cui è formulata la domanda e della meccanica della risposta generata dal modello.
Nella SEO tradizionale si lottava per la posizione nei risultati di ricerca. Nel mondo dei LLM, diventa sempre più importante chiedersi: se il candidato appare nella risposta, in quali domande appare, con cosa viene associato e con chi viene confrontato.
Questo meccanismo è ben visibile nello studio di Michał Drewnicki (discusso più ampiamente in seguito). Nelle 250 risposte dello studio deep dive, i modelli menzionavano il candidato nel 87,6% dei casi quando l'utente forniva il suo nome, ma solo nel 5,0% dei casi quando la domanda non conteneva il nome e riguardava un problema, una categoria di candidati o un tema urbano. In altre parole: la riconoscibilità per nome non significa ancora visibilità tematica.
E se la risposta non solo informa, ma sposta anche l'opinione?
Qui entra in gioco un secondo set di dati chiave. Le ricerche descritte da Cornell hanno mostrato che una breve conversazione con un chatbot può spostare significativamente le opinioni politiche. Negli esperimenti condotti in quattro paesi, i chatbot basati su LLM hanno spostato le preferenze degli elettori di opposizione di 10 punti percentuali o più in molti casi. Negli esperimenti in Canada e Polonia, l'effetto era di circa 10 punti percentuali, e in uno degli studi, il modello ottimizzato per la persuasione ha spostato le opinioni degli elettori di opposizione di 25 punti percentuali. fonte: Cornell Chronicle
Bisogna dirlo con cautela. Questi erano esperimenti controllati, non una prova che i chatbot decideranno realmente le elezioni. I partecipanti sapevano di parlare con un'AI e la direzione della persuasione era randomizzata. Gli stessi autori e commentatori hanno sottolineato le limitazioni di tali studi e la differenza tra le condizioni sperimentali e una campagna reale. fonte: Nature Asia
Ma una conclusione è difficile da ignorare. Suona più o meno così: le risposte dei modelli possono essere persuasive non perché siano emotive, aggressive o manipolative nel senso classico. Secondo i ricercatori, la loro forza deriva spesso dal fatto che generano molte affermazioni, argomenti e giustificazioni apparentemente oggettive. Cornell ha sottolineato che quando si limitava ai modelli la possibilità di usare fatti, la loro persuasività diminuiva; allo stesso tempo, i modelli più persuasivi tendevano a essere meno accurati. fonte: Cornell Chronicle
Questo è il cuore del problema in una campagna locale. L'elettore può ricevere una risposta calma, razionale, ben suonante e priva di tono di partito. Eppure, questa risposta può rafforzare un'immagine specifica del candidato.
Esempio di Cracovia, ovvero Michał Drewnicki nelle risposte dei LLM
In questo contesto, lo studio di Michał Drewnicki, candidato del Diritto e della Giustizia a sindaco di Cracovia, è un buon esempio di ciò che bisogna iniziare a misurare nella politica locale.
Non si tratta solo di chiedere: “GenAI conosce il nome del candidato?”. Questo è il livello più semplice. Domande molto più interessanti sono quelle più profonde:
I modelli identificano correttamente Michał Drewnicki come candidato del PiS nelle elezioni anticipate a Cracovia?
Riconoscono le sue funzioni pubbliche – consigliere comunale e vicepresidente del Consiglio Comunale di Cracovia?
Distingono il contesto elettorale attuale dalle elezioni comunali del 2024?
Lo associano esclusivamente al PiS o anche all'esperienza locale nel governo?
Appare nelle risposte a domande che non contengono il suo nome, ma riguardano temi presenti nel suo profilo pubblico: comunicazione, SCT, Nowa Huta, pianificazione territoriale, costo della vita, relazioni tra ufficio e cittadini?
I modelli riescono a distinguere tra informazioni ufficiali, relazioni dei media, dichiarazioni di campagna e interpretazioni proprie?
Lo studio è stato condotto dall'umile autore di questo testo il 03/07/2026.
Nello studio realizzato con il nostro strumento proprietario Semantio, ho analizzato 250 risposte riguardanti Michał Drewnicki nel contesto delle elezioni presidenziali a Cracovia. Il materiale è il risultato di un'analisi che ha coinvolto 50 scenari unici, attivati in cinque sistemi: ChatGPT, Gemini, Grok, DeepSeek e Google Overview. Ogni sistema ha risposto ai 50 scenari proposti. Gli scenari sono stati suddivisi, tra l'altro, in base alla fase del funnel di intenzione: 80 risposte nella fase di awareness, 85 nella fase di consideration e 85 nella fase di decision. Sono state analizzate separatamente le domande contenenti il nome del candidato e le domande tematiche senza nome.
Il risultato più significativo riguarda la differenza tra riconoscibilità per nome e visibilità spontanea. Nel materiale complessivo ci sono state 170 risposte a domande contenenti il nome di Michał Drewnicki e 80 risposte a domande senza nome. Quando l'utente forniva il nome del candidato (il prompt-scenario conteneva il nome “Drewnicki”), i modelli menzionavano Drewnicki in 149 delle 170 risposte, cioè nel 87,6% dei casi. Quando la domanda non conteneva il nome e riguardava un problema, una categoria di candidati o un tema urbano, Drewnicki appariva solo in 4 delle 80 risposte, cioè nel 5,0% dei casi.
In parole povere: i modelli possono descrivere il candidato quando l'utente sa già di chi sta chiedendo, ma collegano molto peggio il candidato ai problemi della città in modo autonomo.
Nei dati si vede anche che la visibilità non è equamente distribuita tra i sistemi. Tutte le 4 menzioni spontanee di Drewnicki in domande senza nome provenivano da Google Overview. Negli altri sistemi (ChatGPT, Gemini, Grok e DeepSeek) in tali domande il candidato non è mai apparso. Questo è importante, perché sottolinea “con i numeri” che non esiste una “visibilità universale nell'AI”. Ogni sistema può costruire una mappa diversa della scena politica, a seconda delle fonti, della freschezza dei dati, della meccanica di ricerca e del modo in cui vengono generate le risposte.
Certo, non ho potuto resistere a questa foto nel contesto della SCT ;)
Il più chiaro accenno alla visibilità tematica è emerso nelle domande riguardanti trasporto, comunicazione pubblica, biglietti, mobilità e Zona di Trasporto Pulito. Nelle domande senza nome riguardanti quest'area, Drewnicki è apparso in 4 delle 30 risposte, cioè nel 13,3% dei casi. Questo è ancora un risultato basso, ma significativo rispetto ad altri temi: le domande sull'esperienza nel governo locale, Nowa Huta, quartieri, pianificazione territoriale o verde non attivavano il suo nome con la stessa efficacia. Dal punto di vista di una campagna locale, questa è una differenza importante: il modello può descrivere bene il problema di Cracovia, ma non necessariamente mostra all'elettore quale candidato sta cercando di affrontare politicamente quel problema.
In 70 delle 250 risposte, cioè nel 28,0% dell'intero campione, è stato segnalato un allerta di allucinazione. Il rischio di errore non scompariva nemmeno dopo aver fornito il nome: nelle domande con nome, l'allerta è apparsa in 50 delle 170 risposte (29,4%), mentre nelle domande senza nome in 20 delle 80 risposte (25,0%). Le problematiche più comuni erano problemi contestuali, come confondere le elezioni del 2026 con quelle del 2024, funzioni pubbliche errate, affiliazione politica errata, URL errati o sospetti, dettagli del programma non confermati e, in un caso, persino confondere Cracovia con Varsavia (questo non si perdona nella città di Cracovia!). Nella campagna locale, errori di questo tipo possono essere più probabili rispetto a “falsi” spettacolari, e quindi molto più difficili da rilevare, poiché spesso si verificano in risposte che suonano calme e razionali. Da dove lo sappiamo?…
Le differenze tra i fornitori (un altro bel termine proveniente da oltre il Bug) erano evidenti. Google Overview menzionava Drewnicki più frequentemente e aveva la percentuale più bassa di allerta di allucinazione: 37 menzioni in 50 risposte (74,0%) e 5 allerta (10,0%). DeepSeek menzionava il candidato in 33 delle 50 risposte (66,0%), ma aveva anche la percentuale più alta di allerta: 31 delle 50 risposte (62,0%). ChatGPT menzionava Drewnicki in 30 delle 50 risposte (60,0%) e aveva 8 allerta (16,0%). Grok lo menzionava in 27 delle 50 risposte (54,0%) e aveva 16 allerta (32,0%). Gemini menzionava il candidato in 26 delle 50 risposte (52,0%) e aveva 10 allerta (20,0%). Questo dimostra che una maggiore visibilità nell'AI non sempre significa una maggiore qualità della rappresentazione.
Le fonti si sono disposte in modo interessante. Nell'intero campione sono stati identificati 676 link di fonti. Le seguenti domini sono apparse più frequentemente: bip.krakow.pl (90 volte), facebook.com (71 volte), krakow.pl (38 volte), youtube.com (29 volte), radiokrakow.pl (26 volte), lovekrakow.pl (23 volte), drewnicki.pl (22 volte) e ztp.krakow.pl (22 volte). La pagina ufficiale del candidato era quindi presente, ma decisamente lontana dalla dominanza. L'immagine di Drewnicki nell'AI era costruita anche da BIP, media locali, fonti municipali, Facebook, YouTube e altri domini intermedi.
Allo stesso tempo, in 115 delle 250 risposte non c'era alcun link di fonte, il che rappresenta il 46,0% dell'intero materiale. Le differenze tra i sistemi erano notevoli: Google Overview forniva link in ogni risposta, ChatGPT in 43 delle 50, DeepSeek in 31 delle 50, Grok in 10 delle 50, e Gemini solo in 1 delle 50 risposte. Questo ha un'importanza elettorale – una risposta senza fonte può sembrare credibile, ma l'utente non ha un modo rapido per verificare da dove il modello ha ottenuto informazioni sul candidato, sulla funzione, sul programma o sul contesto delle elezioni.
Nelle risposte dei LLM, la concorrenza non era compresa esclusivamente come un elenco di rivali formali. Nel campo competitivo, i nomi più frequentemente menzionati erano Aleksander Miszalski (53 volte) e Łukasz Gibała (50 volte), ma erano visibili anche Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) e Bartosz Bocheńczak (8). Comparivano anche media, istituzioni, partiti e organizzazioni, tra cui Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica e PiS. Per il modello, la scena elettorale si mescola quindi con la scena informativa. Cosa significa? Il candidato compete non solo con altri nomi, ma anche con contesti precedenti, fonti più forti e associazioni più consolidate.
La conclusione più breve dello studio è: un nome non basta. Nel mondo dei LLM, un candidato può essere riconosciuto (Michał Drewnicki analizzato evidentemente non appartiene ancora a questa categoria), quando l'utente chiede direttamente di lui, ma rimane scarsamente presente nelle domande da cui inizia realmente la decisione dell'elettore: sui trasporti, i costi, il quartiere, il verde, l'ufficio, l'esperienza o l'affidabilità in un problema specifico. È proprio questo strato – non solo la presenza su internet, ma la presenza nelle risposte alle esigenze degli utenti – che oggi deve essere parametrizzato.
Cosa si può misurare esattamente?
Analizzando i risultati ottenuti in Semantio, ho guardato alle risposte dei grandi modelli linguistici non come a una curiosità, ma come a un nuovo strato di visibilità pubblica. Nel caso di un candidato politico, si possono analizzare tra l'altro:
visibilità spontanea – se il candidato appare quando l'utente non fornisce un nome;
correttezza dell'identificazione – nome, funzione, partito, anno delle elezioni, contesto attuale;
posizione nella risposta – se il candidato è il primo, il centrale, l'ultimo, omesso o descritto brevemente;
collegamenti tematici – in quali temi il modello lo menziona: trasporto, SCT, quartieri, costo della vita, esperienza nel governo locale, PiS, destra, gestione della città;
confronti – con chi il modello lo confronta più spesso e secondo quali criteri; chi vince e chi ha per lui un KO (non si parla di comitato!)
fonti – se la risposta si basa su dati attuali, affidabili e pertinenti;
allucinazioni – un'area affascinante, dove si possono vedere cose come confondere persone, funzioni, date, programmi, cicli elettorali o dichiarazioni inesistenti;
quadri interpretativi – se il candidato è presentato come di partito, locale, governativo, ideologico, tecnocratico, di protesta, anti-regolamentare, urbano, di destra, “pro-autista” o in un altro modo.
Nel caso di Drewnicki, si notano particolarmente tre categorie per ulteriori analisi, che possono includere: visibilità per nome, visibilità tematica e qualità delle fonti. La prima era alta. La seconda era bassa. La terza si è rivelata disuguale tra i fornitori.
Primo esempio: le domande sull'esperienza nel governo locale senza fornire un nome non attivavano spontaneamente Drewnicki, nonostante il suo profilo istituzionale comprenda il mandato di consigliere e la funzione di vicepresidente del Consiglio Comunale di Cracovia.
Secondo esempio: le domande su Nowa Huta, Mistrzejowice, nord di Cracovia e prospettiva di quartiere non erano sufficienti affinché i modelli indicassero autonomamente il candidato.
Terzo esempio: un certo accenno alla visibilità spontanea emergeva principalmente attorno a trasporto e SCT, ma rimaneva comunque molto debole rispetto alle risposte a domande contenenti il nome.
In sintesi: GenAI può rispondere alla domanda “chi è Michał Drewnicki?”, ma molto più raramente risponde con il suo nome alla domanda “chi a Cracovia ha una posizione riguardo al mio problema?”. Questa è una differenza che è difficile vedere nel monitoraggio classico dei media, ma che è molto significativa per una campagna locale.
Perché questo è importante per i comitati, i media e le organizzazioni civiche
I comitati elettorali monitorano da anni i media, i social media, i sondaggi e i risultati di ricerca. Il problema è che i LLM non si comportano come un normale media e non si comportano come un classico motore di ricerca. Questi ultimi, anche davanti ai nostri occhi, non sono più “classici”.
Il modello non mostra semplicemente cosa c'è su internet. Il modello elabora informazioni, le riassume, le gerarchizza, a volte le aggiorna tramite ricerca, a volte si basa su conoscenze consolidate in precedenza, a volte rifiuta di rispondere e a volte risponde con grande sicurezza nonostante dati incompleti.
Per il comitato, questo significa nuove domande. Il candidato è presente nelle risposte a temi che sono importanti per lui? Il suo profilo è aggiornato? I modelli non gli attribuiscono dichiarazioni di altri? I concorrenti non si appropriano in AI di temi che nella campagna sono il suo campo naturale? L'utente che chiede “il candidato dei trasporti” vedrà il suo nome?
Lo studio di Drewnicki dimostra che questa domanda non è teorica. Nelle domande senza nome, il candidato è apparso solo nel 5,0% delle risposte. Per il comitato, questo significa la necessità di guardare non solo a se ci sono materiali sul candidato su internet, ma anche a se i modelli riescono a collegare questi materiali con le reali intenzioni degli elettori.
Per i media, questo significa la necessità di considerare i LLM come intermediari nella distribuzione di informazioni pubbliche. Se i modelli iniziano a rispondere a domande elettorali, la qualità del giornalismo locale, la struttura dei dati, l'aggiornamento delle fonti e la precisione delle descrizioni dei candidati influenzeranno non solo i lettori, ma anche le risposte sintetizzate dall'AI.
Per le organizzazioni civiche, questo significa qualcosa di diverso. La possibilità di esaminare se i modelli informano in modo accurato gli elettori, se non trascurano i candidati, se non rafforzano dati obsoleti e se non creano disuguaglianze informative tra le persone che conoscono bene la scena politica e quelle che stanno appena cercando di orientarsi.
Nervi saldi – al momento non ci sono indicazioni che GenAI sostituirà le campagne. Ma può cambiare la mappa delle informazioni
Non ha senso affermare che le elezioni a Cracovia si decideranno in ChatGPT, Gemini, Perplexity o Copilot. Non è così… La campagna si svolge ancora in gran parte “in città” – in incontri, nei media locali, in conferenze, dibattiti, nei quartieri, nelle aree, alle fermate e nelle conversazioni tra i cittadini.
Tuttavia, sarebbe un errore considerare le risposte dei LLM solo una curiosità tecnologica.
Se in Polonia milioni di persone utilizzano già ChatGPT, se nell'UE circa un terzo della popolazione di età compresa tra 16 e 74 anni utilizza AI generativa, se nel Regno Unito il 13% degli elettori idonei ha utilizzato chatbot per informazioni elettorali nella settimana prima del voto, e se esperimenti mostrano che conversare con un modello può spostare le opinioni politiche – significa che i comitati e le istituzioni pubbliche dovrebbero iniziare a considerare l'AI come un reale strato di circolazione delle informazioni. fonti: Gemius/PBI, Eurostat, studio UK 2024, Cornell Chronicle
In elezioni locali, questo strato è particolarmente importante. Perché? Perché l'elettore spesso non cerca una grande ideologia. Cerca risposte ai propri problemi. Le domande sono molte: Chi comprende il mio quartiere? Chi ha esperienza? Chi parla di trasporti? Chi ha un piano per il costo della vita? Chi è affidabile in materia di verde? Chi si candida davvero, e chi era candidato nelle elezioni precedenti?
Da come il modello risponde a queste domande, può dipendere non solo il risultato delle elezioni, ma il modo in cui parte dei cittadini comprenderà i candidati.
E questo non si vede nei sondaggi. Non si vede nel SEO classico. Non si vede nel monitoraggio dei media. Ma si può studiare.
Nel caso di Michał Drewnicki, la lezione più importante è semplice: il candidato può essere presente nelle risposte di GenAI, ma non avere ancora un forte “ownership” (sì, una bella parola polacca) su temi che sono importanti per i cittadini. È proprio questa differenza – tra presenza per nome e presenza nei problemi – che deve essere considerata come una nuova categoria di visibilità pubblica.
Vuoi controllare come l'AI descrive il tuo candidato, partito, marchio o istituzione?
Lo studio di Michał Drewnicki mostra che le risposte generate dai modelli AI possono essere analizzate sistematicamente, cioè in termini di visibilità, correttezza, fonti, confronti, omissioni e quadri interpretativi. Se vuoi saperne di più su questo studio o discutere di un'analisi simile per il tuo progetto, contatta l'autore del testo: m.grzebyk@brandsemantics.eu
* per chiarire – quello che si trova nelle risposte ;)
