Solo pochi anni fa, un elettore che voleva controllare un candidato a sindaco doveva visitare il loro sito web, setacciare i media (inclusi quelli tradizionali), guardare dibattiti, chiedere agli amici o scorrere diverse pagine di risultati su Google. Oggi, spesso può fare qualcosa di molto più semplice: chiedere al proprio chat preferito (un modello di linguaggio di grandi dimensioni).
Non ha nemmeno bisogno di… conoscere 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 associato a Nowa Huta?”, “chi vuole cambiare la Zona di Trasporto Pulito?”, “il candidato del PiS ha esperienza nel governo locale?”, “chi sta affrontando specificamente il costo della vita in queste elezioni?”.
E riceverà una risposta.
Non una lista di link. Non un risultato di ricerca classico. Non un database documentale neutro. Riceverà una descrizione sintetizzata del panorama politico, costruita dal LLM in base a ciò che il modello trova, ricorda, interpreta, considera importante e organizza in un'appropriata gerarchia. Su misura per l'utente che ha, in parte, “cresciuto” il proprio “Tamagotchi” dal terzo decennio (come suona!) del 21° secolo. Solo che non lo sta nutrendo o pulendo premendo pulsanti; sta gettando dentro pezzi di sé che rivelano le proprie 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 ottimo luogo per osservare questo cambiamento in azione. Non è un piccolo comune, ma non è nemmeno una campagna nazionale dove ogni candidato è costantemente presente nei media mainstream. Secondo i dati GUS, alla fine del 2025, Cracovia aveva 816.614 residenti. È un grande e complesso organismo urbano: con un centro città, Nowa Huta, distretti periferici, università, turismo, affari, trasporti, conflitti per gli spazi verdi, pianificazione territoriale, prezzi dei servizi municipali e gestione della città. fonte: Cracovia in numeri
Inoltre, c'è un contesto politico unico. Nel referendum locale del 24 maggio 2026, l'affluenza degli elettori per il voto sul richiamo del sindaco di Cracovia è stata del 29,99% — sufficiente affinché il referendum fosse valido e decisivo. Nella votazione parallela riguardante il richiamo del Consiglio Comunale, l'affluenza è stata del 29,97%, il che significa che non è stato raggiunto il quorum previsto dalla legge. La differenza sembra minima, ma le conseguenze politiche sono completamente diverse. fonte: Città di Cracovia
Cracovia ha anche recenti esperienze di competizione molto serrata. Nel secondo turno delle elezioni presidenziali del 2024, Aleksander Miszalski ha ricevuto il 51,04% dei voti, mentre Łukasz Gibała ha ottenuto il 48,96%. Secondo i rapporti basati sui dati PKW, la differenza è stata di 5.434 voti. fonte: Rzeczpospolita
Questi sono numeri che giustificano cautela riguardo 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 qualche migliaio di voti può cambiare l'esito, conta chi è visibile, chi è trascurato, a cosa è associato e come viene descritto nelle risposte generate dall'intelligenza artificiale, a cui gli utenti si rivolgono sempre più.
L'elettore non cerca solo. L'elettore conversa
Il cambiamento più significativo non è che l'AI possa generare un annuncio, un meme o un deepfake. Anche se questo è certamente importante, è già un argomento ben riconosciuto. Si discute molto di questo, e ci sono campagne – alcune più o meno sociali, alcune più o meno finanziate da specifici comitati elettorali.
Un cambiamento più interessante e meno ovvio è che i LLM stanno diventando consulenti informativi privati. Un elettore potrebbe non chiedere: “qual è il programma di Michał Drewnicki?” Potrebbe nemmeno ricordare quel nome. Invece, potrebbe chiedere: “chi a Cracovia ha esperienza nel governo locale?”, “quale candidato parla di Nowa Huta?”, “chi ha una posizione specifica e chiara sul SCT?”, “il candidato del PiS a Cracovia è solo un membro di partito, o ha esperienza locale?”.
Tali domande sono molto più vicine al reale processo decisionale. Le persone raramente confrontano interi programmi dall'inizio alla fine. (A proposito… quale partito nel 2024 ha descritto chiaramente il proprio programma elettorale invece di cavalcare l'onda dei sondaggi in cambiamento, delle grida di raduno e del rumore dei social media?) Più spesso, cercano risposte ai propri problemi: pendolarismo, prezzi, spazi verdi, scuole, marciapiedi, parcheggi, costruzioni fuori dalla finestra, un senso di caos in ufficio o una mancanza di influenza sulle decisioni cittadine.
Qui, i modelli di linguaggio di grandi dimensioni iniziano a fungere da nuovo intermediario. Non forniscono solo informazioni. Organizzano la scena. Selezionano quali candidati menzionare. Decidono quali fatti considerare significativi. Condensano contesti complessi in pochi paragrafi. E spesso lo fanno in un modo che non vedremo nel monitoraggio classico dei media, SEO o analisi dei social media. Così, si può dedurre che le società di sondaggi e i loro “errori” diventeranno sempre più uno dei principali argomenti di commento dopo i sondaggi di uscita.
Questa non è più una nicchia tecnologica
Se qualcuno presume che i “chatbot” siano ancora un giocattolo per studenti e l'industria tecnologica, i dati raffreddano rapidamente questa visione. Secondo un rapporto Gemius/PBI, a giugno 2025, oltre 9,3 milioni di utenti reali in Polonia stavano utilizzando ChatGPT. Questo rappresentava il 31,4% degli utenti di internet e il 28,6% della popolazione di età compresa tra 7 e 75 anni. Il rapporto ha anche indicato che tra gli utenti di ChatGPT, c'è una sovra-rappresentazione di individui sotto i 35 anni, con il tempo medio di utilizzo nel gruppo di età 25-34 che è stato di 2 ore e 42 minuti a giugno. fonte: Gemius/PBI
Su scala europea, Eurostat ha riportato che nel 2025, il 32,7% dei residenti dell'UE di età compresa tra 16 e 74 anni stava utilizzando strumenti di AI generativa. Nella fascia di età 16-24, questa percentuale era già del 63,8%. fonte: Eurostat
Questo è significativo, perché gli elettori più giovani sono anche un gruppo più incline a utilizzare nuovi strumenti informativi e un gruppo che spesso ha una partecipazione meno stabile nelle elezioni locali. Non c'è bisogno di presumere una transizione di massa dell'intera campagna verso sistemi supportati dall'AI. È sufficiente notare che per una parte significativa degli utenti, conversare con un chatbot sta diventando uno dei modi naturali per organizzare informazioni.
AI come strumento per notizie, politica e decisioni
I dati dell'Institute Reuters mostrano che i chatbot AI vengono già utilizzati per il consumo di informazioni, anche se non dominano ancora. Nel 2026, il 10% degli intervistati in 45 mercati ha riferito di utilizzare settimanalmente chatbot AI per le notizie, in aumento 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 follow-up, il 35% li utilizza per le ultime informazioni, il 34% per riassumere, il 30% per semplificare argomenti complessi e il 33% per valutare la credibilità delle fonti. fonte: Reuters Institute Digital News Report
Questa è quasi una descrizione pronta del comportamento degli elettori in una campagna locale. “Spiegami di cosa si tratta la Zona di Trasporto Pulito.” “Riassumi le differenze tra i candidati.” “Chi è credibile sulle questioni di trasporto?” “Questo candidato ha davvero esperienza nel governo locale?” “Quali fonti confermano le loro affermazioni?”
A questo punto, l'AI smette di essere semplicemente uno strumento per scrivere testi. Diventa un'interfaccia con la realtà pubblica.
Il segnale di avvertimento più forte – Gli elettori stanno già chiedendo GenAI sulle elezioni
Una delle cifre più interessanti proviene da uno studio sulle elezioni parlamentari del Regno Unito del 2024. Un sondaggio rappresentativo di 2.499 adulti ha mostrato che nella settimana precedente alle elezioni, il 32% degli utenti di chatbot (il 13% di tutti gli elettori idonei) ha utilizzato l'AI conversazionale per cercare informazioni direttamente correlate alla propria 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 gli elettori prendono decisioni, organizzano argomenti o cercano di comprendere il panorama politico. Spesso proprio prima di entrare nella cabina elettorale.
È importante notare che gli autori di questo studio non traggono una conclusione allarmista semplice. In una serie di esperimenti che hanno coinvolto 2.858 partecipanti, hanno scoperto che l'uso dei chatbot non ha peggiorato la conoscenza politica; al contrario, l'ha aumentata in misura simile a quella delle ricerche tradizionali su internet. fonte: AI Security Institute
Ed è per questo che l'argomento è più interessante di una semplice storia di pericolo. È tempo di un luogo comune. Lo evidenzierò anche in grassetto per renderlo più accattivante. Non c'è bisogno di ringraziarmi…
I LLM possono aiutare gli elettori a comprendere meglio la politica. Ma possono anche confondere, omettere, semplificare, identificare erroneamente i candidati o costruire specifici quadri interpretativi.
L'altro lato – Le risposte dei chatbot possono essere imperfette
Il problema è che le risposte dei modelli appaiono organizzate, sicure e complete, anche quando contengono lacune. Sai… come quel futuro ingegnere (se il destino e i professori lo permettono) dell'AGH che hai incontrato a una festa studentesca, che difenderà ostinatamente una posizione che non sarebbe nemmeno entrata nella discussione tre birre fa ;)
Uno studio dell'EBU e della BBC ha coperto oltre 3.000 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 informazioni obsolete o allucinate. 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 a breve) meno conosciuti. Il contesto cambia più rapidamente. I nomi del ciclo precedente possono mescolarsi con nuovi candidati. I programmi possono essere pubblicati a fasi. (se vengono creati affatto, ma l'ho già menzionato e non voglio fare ulteriori battute… per ora) E le domande degli utenti sono spesso brevi, colloquiali e imprecise.
Con un leader nazionale, il modello di solito ha molti dati. Con un candidato locale a sindaco di Cracovia, deve mettere insieme un quadro dal BIP, dai media locali, dal sito web del candidato, dai post sui social media, dai sondaggi, dai rapporti delle conferenze e dagli eventi correnti. Questo crea condizioni ideali per errori apparentemente minori ma politicamente significativi: confondere ruoli, omettere concorrenti, assegnare candidature obsolete, dare a qualcuno un'etichetta troppo ristretta o basare le risposte su fonti delle elezioni precedenti.
Il colpo di scena più importante: il GenAI non deve mentire per influenzare
Nei dibattiti su AI ed elezioni, si presta troppa attenzione alle “fake news”. 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 la sua affiliazione di partito, omettendo la sua esperienza nel governo locale. Potrebbe menzionarlo quando si parla di PiS ma non quando si parla di trasporto. Potrebbe scrivere del SCT ma saltare 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 collocare il candidato alla fine della lista, anche se è formalmente uno dei partecipanti significativi nella 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 una 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 chiedere: il candidato appare anche nella risposta, sotto quali domande appare, a cosa è associato e con chi viene confrontato.
Questo meccanismo è chiaramente visibile nello studio di Michał Drewnicki (discusso in dettaglio più avanti nel testo). In 250 risposte dello studio deep dive, i modelli hanno menzionato 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 includeva un nome e riguardava un problema, una categoria di candidati o un tema urbano. In altre parole: il riconoscimento per nome non significa necessariamente visibilità tematica.
E se la risposta non solo informa ma sposta anche l'opinione?
Qui emerge un secondo insieme chiave di dati. La ricerca descritta da Cornell ha 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 è stato di circa 10 punti percentuali, mentre in uno studio, il modello ottimizzato in modo più persuasivo ha spostato le opinioni degli elettori di opposizione di 25 punti percentuali. fonte: Cornell Chronicle
Questo deve essere detto con cautela. Questi erano esperimenti controllati, non prove che i chatbot decideranno le vere elezioni. I partecipanti sapevano di parlare con un'AI e la direzione della persuasione era randomizzata. Gli autori e i commentatori stessi hanno sottolineato le limitazioni di tali studi e la differenza tra le condizioni sperimentali e le campagne reali. 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 derivava spesso dalla generazione di molte affermazioni, argomenti e giustificazioni apparentemente fattuali. Cornell ha sottolineato che quando la capacità dei modelli di utilizzare fatti era limitata, la loro persuasività diminuiva; allo stesso tempo, i modelli più persuasivi tendevano a essere meno accurati. fonte: Cornell Chronicle
Questo è il nocciolo del problema in una campagna locale. Un elettore può ricevere una risposta calma, ragionata e ben suonante priva di tono di partito. Eppure quella risposta può comunque rafforzare un'immagine specifica del candidato.
L'esempio di Cracovia: Michał Drewnicki nelle risposte LLM
In questo contesto, lo studio di Michał Drewnicki, il candidato del PiS a sindaco di Cracovia, serve come un buon esempio di ciò che deve essere misurato nella politica locale.
Non si tratta solo di chiedere: “il GenAI conosce il nome del candidato?”. Questo è il livello più semplice. Molto più interessanti sono le domande più profonde:
I modelli identificano correttamente Michał Drewnicki come il candidato del PiS nelle elezioni anticipate a Cracovia?
Riconoscono i suoi ruoli pubblici – consigliere comunale e vicepresidente del Consiglio Comunale di Cracovia?
Distingono il contesto elettorale attuale dalle elezioni locali del 2024?
Lo associano esclusivamente al PiS, o anche all'esperienza nel governo locale?
Appare nelle risposte a domande che non includono il suo nome ma riguardano temi presenti nel suo profilo pubblico: comunicazione, SCT, Nowa Huta, pianificazione territoriale, costo della vita, relazioni tra l'ufficio e i residenti?
I modelli possono differenziare tra informazioni ufficiali, rapporti dei media, dichiarazioni di campagna e le proprie interpretazioni?
Lo studio è stato condotto dall'umile autore di questo testo il 03/07/2026.
Utilizzando 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 copre 50 scenari unici, lanciati in cinque sistemi: ChatGPT, Gemini, Grok, DeepSeek e Google Overview. Ogni sistema ha risposto ai 50 scenari posti. Gli scenari sono stati suddivisi in base alla fase del funnel di intenzione: 80 risposte nella fase di consapevolezza, 85 nella fase di considerazione e 85 nella fase di decisione. Le domande contenenti il nome del candidato e le domande basate su problemi senza un nome sono state analizzate separatamente.
Il risultato più forte riguarda la differenza tra riconoscimento per nome e visibilità spontanea. In tutto il materiale, ci sono state 170 risposte a domande contenenti il nome di Michał Drewnicki e 80 risposte a domande senza un nome. Quando l'utente forniva il nome del candidato (lo scenario di richiesta includeva il nome “Drewnicki”), i modelli menzionavano Drewnicki in 149 su 170 risposte, ovvero 87,6% dei casi. Quando la domanda non includeva un nome e riguardava un problema, una categoria di candidati o un tema urbano, Drewnicki appariva solo in 4 su 80 risposte, ovvero 5,0% dei casi.
In termini semplici: i modelli possono descrivere il candidato quando l'utente sa già chi sta chiedendo, ma sono significativamente meno riusciti a collegarlo in modo indipendente alle questioni della città.
I dati mostrano anche che la visibilità non è distribuita uniformemente tra i sistemi. Tutte le 4 menzioni spontanee di Drewnicki in domande senza un nome provenivano da Google Overview. Negli altri sistemi (ChatGPT, Gemini, Grok e DeepSeek), il candidato non è apparso nemmeno una volta in tali domande. Questo è importante perché evidenzia “in numeri” che non esiste una “visibilità universale nell'AI”. Ogni sistema può costruire una mappa diversa della scena politica, dipendente da fonti, freschezza dei dati, meccaniche di ricerca e modo in cui vengono generate le risposte.
Infatti, non ho potuto resistere a includere questa foto nel contesto del SCT ;)
Il suggerimento più chiaro di visibilità tematica è apparso nelle domande riguardanti trasporti, trasporto pubblico, biglietti, mobilità e Zona di Trasporto Pulito. Nelle domande senza un nome riguardanti quest'area, Drewnicki è apparso in 4 su 30 risposte, ovvero 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, distretti, pianificazione territoriale o spazi verdi non hanno attivato il suo nome in modo altrettanto efficace. Dalla prospettiva di una campagna locale, questa è una differenza importante: il modello può descrivere accuratamente il problema a Cracovia, ma potrebbe non mostrare necessariamente all'elettore quale candidato sta cercando di affrontare politicamente quel problema.
In 70 su 250 risposte, ovvero 28,0% dell'intero dataset, sono stati segnalati avvisi di allucinazione. Il rischio di errore non è scomparso dopo aver fornito un nome: nelle domande con un nome, un avviso è apparso in 50 su 170 risposte (29,4%), mentre nelle domande senza un nome, è apparso in 20 su 80 risposte (25,0%). Più spesso, si trattava di problemi contestuali, come confondere le elezioni del 2026 con quelle del 2024, ruoli pubblici errati, affiliazione politica errata, URL errati o sospetti, dettagli di programma non verificati e persino confondere Cracovia con Varsavia (questo è imperdonabile nella città di Cracovia!). In una campagna locale, tali errori minori possono essere più probabili rispetto a “falsi” spettacolari, e quindi molto più difficili da catturare, poiché spesso si verificano in risposte che suonano calme e ragionate. Dove abbiamo già visto questo?…
Le differenze tra i fornitori (un altro bellissimo termine dal fiume Bug) erano pronunciate. Google Overview ha menzionato Drewnicki più frequentemente e ha avuto il tasso più basso di avvisi di allucinazione: 37 menzioni in 50 risposte (74,0%) e 5 avvisi (10,0%). DeepSeek ha menzionato il candidato in 33 su 50 risposte (66,0%), ma ha avuto contemporaneamente la quota più alta di avvisi: 31 su 50 risposte (62,0%). ChatGPT ha menzionato Drewnicki in 30 su 50 risposte (60,0%) e ha avuto 8 avvisi (16,0%). Grok lo ha menzionato in 27 su 50 risposte (54,0%) e ha avuto 16 avvisi (32,0%). Gemini ha menzionato il candidato in 26 su 50 risposte (52,0%) e ha avuto 10 avvisi (20,0%). Questo dimostra che una maggiore visibilità nell'AI non significa sempre una rappresentazione di qualità superiore.
Le fonti si sono disposte in modo interessante. Nell'intero dataset, sono stati identificati 676 link di fonti. I domini più frequentemente apparenti erano: 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). Il dominio ufficiale del candidato era presente, ma era certamente lontano dal dominare. L'immagine di Drewnicki nell'AI è stata anche costruita dal BIP, dai media locali, dalle fonti cittadine, da Facebook, YouTube e altri domini intermedi.
Allo stesso tempo, in 115 su 250 risposte, non c'erano affatto link di fonti, il che costituisce 46,0% dell'intero materiale. Le differenze tra i sistemi erano significative: Google Overview ha fornito link in ogni risposta, ChatGPT in 43 su 50, DeepSeek in
