Dar prieš kelerius metus rinkėjas, norintis patikrinti miesto mero kandidatą, turėjo apsilankyti jo svetainėje, peržiūrėti žiniasklaidą (įskaitant „tradicinę”), pažiūrėti debatą, paklausti pažįstamų arba perversti kelias Google paieškos rezultatų puslapius. Šiandien vis dažniau jis gali padaryti ką nors paprasčiau – užduoti klausimą savo mėgstamam pokalbių robotui (didžiajam kalbos modeliui).
Jam net nereikia… žinoti pavardžių. Jam nereikia žinoti, kas priklauso kokiai partijai. Jam nereikia sekti spaudos konferencijų. Iš esmės, jam nereikia daug. Bet jis gali. Jis gali paklausti: „kas Krokuvoje turi geriausią transporto programą?”, „kuris kandidatas susijęs su Naująja Huta?”, „kas nori pakeisti Švaraus Transporto Zoną?”, „ar PiS kandidatas turi savivaldos patirties?”, „kas šiuose rinkimuose konkrečiai kalba apie gyvenimo išlaidas?”.
Ir jis gaus atsakymą.
Ne nuorodų sąrašą. Ne tradicinį paieškos rezultatą. Ne neutralų dokumentų rinkinį. Jis gaus sintezės aprašymą politinės scenos, sukurtą LLM remiantis tuo, ką modelis ras, atsimins, interpretuos, laikys svarbiu ir sudėlios tinkama hierarchija. Ir tai bus pritaikyta tam vartotojui, kuris iš dalies „užaugino” savo „Tamagotchi” iš trečiosios dešimtmečio (kaip tai skamba!) XXI amžiaus. Tik jis jo nešeria ir nemazgoja paspaudęs mygtukus, o meta jam kąsnelius, atskleidžiančius jo įpročius.
Tai yra nauja rinkimų kampanijos dimensija. Tylus, privatus, sunkiai stebimas ir – vietos rinkimuose – potencialiai labai svarbus.
Krokuva kaip rinkimų laboratorija generatyvios AI eroje
Krokuva yra puiki vieta pamatyti šią transformaciją praktikoje. Tai nėra maža savivaldybė, bet ir ne visos šalies kampanija, kurioje kiekvienas kandidatas nuolat matomas pagrindinėje žiniasklaidoje. Pagal GUS duomenis, 2025 metų pabaigoje Krokuva turėjo 816 614 gyventojų. Tai didelis, sudėtingas miesto organizmas: su centru, Naująja Huta, periferinėmis rajonais, universitetais, turizmu, verslu, transportu, konfliktu dėl žalumos, teritorijų planavimu, miesto paslaugų kainomis ir miesto valdymo būdais. šaltinis: Krokuva skaičiais
Pridėkime ypatingą politinį kontekstą. 2026 metų gegužės 24 dieną vykusiame vietos referendume dalyvavimo procentas, sprendžiant Krokuvos mero atšaukimą, buvo 29,99 proc. — pakankamai, kad referendumas būtų laikomas galiojančiu ir sprendžiančiu. Paraleliniame balsavime dėl miesto tarybos atšaukimo dalyvavimo procentas buvo 29,97 proc., taigi teisėtas slenkstis nebuvo viršytas. Atrodo, kad skirtumas minimalus, tačiau politiniai padariniai visiškai skirtingi. šaltinis: Krokuvos miestas
Krokuva taip pat turi nauja patirtį labai subalansuotoje konkurencijoje. 2024 metų prezidento rinkimų antrajame ture Aleksander Miszalski gavo 51,04 proc. balsų, o Łukasz Gibała – 48,96 proc. Pagal PKW duomenis skirtumas buvo 5434 balsai. šaltinis: Rzeczpospolita
Šie skaičiai reikalauja atidžiai stebėti kiekvieną naują informacijos šaltinį. Ne todėl, kad pokalbių robotas „pasirinks Krokuvos merą”. Tai per stipri tezė. Bet todėl, kad kampanijoje, kurioje keli tūkstančiai balsų gali pakeisti rezultatą, svarbu ir tai, kas yra matomas, kas yra pamirštama, su kuo yra siejamas ir kaip yra aprašomas generatyvios dirbtinės inteligencijos atsakymuose, kurių vis dažniau ieško vartotojai.
Rinkėjas ne tik ieško. Rinkėjas kalba
Svarbiausia pokyčių esmė nėra ta, kad AI gali sukurti reklamą, memą ar deepfake. Tai, žinoma, taip pat svarbu, tačiau tai jau gerai žinoma tema. Apie tai daug kalbama, vyksta kampanijos – mažiau ar daugiau socialinės. Mažiau ar daugiau finansuojamos tam tikrų rinkimų komitetų.
Įdomesnis ir mažiau akivaizdus pokytis yra tas, kad LLM tampa privatūs informacijos patarėjai. Rinkėjas gali nepaklausti: „koks yra Michało Drewnickio programos turinys”. Jis gali net neprisiminti šios pavardės. Tačiau jis gali paklausti: „kas Krokuvoje turi patirties savivaldoje?”, „kuris kandidatas kalba apie Naująją Hutą?”, „kas turi konkretų, aiškų požiūrį į SCT?”, „ar PiS kandidatas Krokuvoje yra tik partinis, ar turi vietinės patirties?”.
Tokie klausimai yra daug artimesni realiam sprendimų priėmimo procesui. Žmonės retai lygina visus programos punktus nuo pradžios iki galo. (beje… kuri partija 2024 metais aprašė savo aiškią rinkimų programą, o ne plaukė su besikeičiančiais apklausų rezultatais, šūksniais mitinguose ir „socialinių medijų” triukšmu?) Dažniau jie ieško atsakymų į savo problemas: keliones, kainas, žalumynus, mokyklas, šaligatvius, parkavimą, statybas už lango, chaoso jausmą savivaldybėje arba galimybę daryti įtaką miesto sprendimams.
Būtent čia didieji kalbos modeliai pradeda veikti kaip naujas tarpininkas. Jie ne tik teikia informaciją. Jie sistemina sceną. Pasirenka, kuriuos kandidatus paminėti. Sprendžia, kurie faktai yra svarbūs. Sutrumpina sudėtingą kontekstą iki kelių pastraipų. Ir dažnai tai daro būdu, kurio nematysime tradiciniame žiniasklaidos stebėjime, SEO ar socialinės žiniasklaidos analizėje. Taigi galima daryti prielaidą, kad apklausų biurai ir jų „klaidos” vis dažniau taps vienu iš pagrindinių komentarų po išėjimo apklausų temų.
Tai jau ne technologinė niša
Jei kas nors mano, kad „pokyčių robotai” vis dar yra studentų ir technologijų pramonės žaislas, duomenys greitai atvėsina šį požiūrį. Pagal Gemius/PBI ataskaitą 2025 metų birželio mėnesį su ChatGPT Lietuvoje naudojosi daugiau nei 9,3 mln. realių vartotojų. Tai sudarė 31,4 proc. interneto vartotojų ir 28,6 proc. gyventojų amžiaus 7–75 metų. Ataskaita taip pat nurodė, kad tarp ChatGPT vartotojų yra per daug atstovaujama asmenų, jaunesnių nei 35 metų, o 25–34 metų grupėje vidutinė naudojimosi trukmė birželio mėnesį buvo 2 valandos ir 42 minutės. šaltinis: Gemius/PBI
Europos mastu Eurostat nurodė, kad 2025 metais su generatyvine AI naudojosi 32,7 proc. ES gyventojų amžiaus 16–74 metų. 16–24 metų grupėje šis procentas jau siekė 63,8 proc. šaltinis: Eurostat
Tai svarbu, nes jaunesni rinkėjai yra tuo pačiu labiau linkę naudoti naujas informacijos priemones ir dažnai būna mažiau stabilūs vietos rinkimuose. Nereikia manyti, kad visa kampanija masiškai pereis į dirbtinės inteligencijos palaikomas sistemas. Pakanka pastebėti, kad reikšmingai daliai vartotojų pokalbiai su pokalbių robotais tampa vienu iš natūralių informacijos sisteminimo būdų.
AI kaip priemonė naujienoms, politikai ir sprendimams
Reuters Institute duomenys rodo, kad AI pokalbių robotai jau naudojami informacijos vartojimui, nors vis dar nedominau. 2026 metais 10 proc. apklaustųjų 45 rinkose teigė, kad kas savaitę naudoja AI pokalbių robotus naujienoms, palyginti su 7 proc. ankstesniais metais. Dar įdomiau yra tai, kaip žmonės juos naudoja: 42 proc. naujienų pokalbių robotų vartotojų užduoda gilesnius klausimus, 35 proc. naudoja juos naujausioms naujienoms gauti, 34 proc. – apibendrinimui, 30 proc. – sudėtingų temų supaprastinimui, o 33 proc. – šaltinių patikimumui įvertinti. šaltinis: Reuters Institute Digital News Report
Tai beveik paruoštas rinkėjo elgesio aprašymas vietos kampanijoje. „Paaiškink man, kas vyksta su Švaraus Transporto Zona”. „Apibendrink skirtumus tarp kandidatų”. „Kas yra patikimas transporto klausimu?”. „Ar šis kandidatas tikrai turi savivaldos patirties?”. „Kokie šaltiniai patvirtina jo deklaracijas?”.
Šiuo metu AI nustoja būti tik tekstų rašymo įrankiu. Jis tampa sąsaja su viešąja realybe.
Galingiausias įspėjimo signalas – rinkėjai jau klausia GenAI apie rinkimus
Vienas įdomiausių skaičių gaunamas iš tyrimo apie 2024 metų parlamentinius rinkimus Jungtinėje Karalystėje. Atstovaujantis 2499 suaugusiųjų tyrimas parodė, kad savaitę prieš rinkimus 32 proc. pokalbių robotų vartotojų (13 proc. visų teisėtų rinkėjų) naudojo pokalbių AI ieškodami informacijos, tiesiogiai susijusios su rinkimų sprendimu. šaltinis: arXiv, tyrimas UK 2024
Tai nėra marginalus detalė. Tai signalas, kad pokalbių robotai patenka į rinkimų proceso centrą: ne kaip abstrakti technologija, bet kaip įrankis, naudojamas tada, kai rinkėjas priima sprendimą, sistemina argumentus arba bando suprasti politinę sceną. Dažnai tiesiog prieš įeidamas į balsavimo vietą.
Kas svarbu, šio tyrimo autoriai nesformuluoja paprasto alarmistinio išvados. Eksperimentų serijoje, kurioje dalyvavo 2858 dalyviai, jie nustatė, kad naudojimas pokalbių robotų nepablogino politinių žinių; priešingai, padidino jas panašiu laipsniu kaip tradicinė internetinė paieška. šaltinis: AI Security Institute
Ir būtent todėl tema yra įdomesnė nei įprasta pasakojimas apie grėsmę. Laikas pasakyti banalybę. Netgi ją paryškinsiu, kad ji labiau išsiskirtų. Nėra už ką…
LLM gali padėti rinkėjams geriau suprasti politiką. Bet jie taip pat gali klaidinti, pamiršti, supaprastinti, netiksliai identifikuoti kandidatus arba sukurti tam tikras interpretacines rėmus.
Antra pusė – pokalbių atsakymai gali būti neteisingi
Problema ta, kad modelių atsakymai atrodo tvarkingi, tikri ir išsamūs, net kai juose yra spragų. Žinote… kaip tas, kurį sutikote studentų vakarėlyje, būsimas inžinierius (kaip lems likimas ir profesoriai) AGH, kuris su užsispyrimu gins poziciją, kuri prieš tris alaus bokalus net nebūtų pateikta diskusijai ;)
EBU ir BBC tyrimas apėmė daugiau nei 3000 atsakymų, generuotų keturių AI asistentų (ChatGPT, Copilot, Gemini ir Perplexity) 14 kalbų. 45 proc. atsakymų turėjo bent vieną reikšmingą problemą, 31 proc. turėjo rimtų problemų su šaltiniais, o 20 proc. turėjo rimtų problemų su tikslumu, įskaitant pasenusią arba haliucinacijų informaciją. šaltinis: EBU/BBC
Vietos rinkimuose šis rizikos lygis gali būti didesnis nei nacionalinėje kampanijoje. Vietiniai šaltiniai yra labiau išsklaidyti. Kandidatai gali būti (ir yra, kaip netrukus įrodysime) mažiau žinomi. Kontekstas keičiasi greičiau. Pavardės iš ankstesnio ciklo gali maišytis su naujais kandidatais. Programos gali būti skelbiamos etapais. (jei jos bus sukurtos, bet apie tai jau rašiau ir daugiau smūgių nebus… galbūt) O vartotojų klausimai dažnai būna trumpi, kasdieniški ir neaiškūs.
Su nacionaliniu lyderiu modelis paprastai turi daug duomenų. Su vietiniu Krokuvos mero kandidatu jis turi sudėlioti vaizdą iš BIP, vietinės žiniasklaidos, kandidato svetainės, socialinių įrašų, apklausų, konferencijų ataskaitų ir dabartinių įvykių. Tai ideali aplinka mažoms, bet politiškai reikšmingoms klaidoms: funkcijų supainiojimas, konkurento pamiršimas, pasenusios kandidatūros priskyrimas, pernelyg siaura etiketė arba atsakymo pagrindimas šaltiniais iš ankstesnių rinkimų.
Svarbiausias posūkis: GenAI neturi meluoti, kad galėtų daryti įtaką
Diskusijoje apie AI ir rinkimus per daug dėmesio skiriama „melagingoms naujienoms”. Tuo tarpu vietos kampanijai gali būti svarbu kažkas subtilesnio: reprezentacija.
Modelis gali nepateikti klaidingos informacijos. Jis gali tiesiog apibūdinti kandidatą daugiausia per partiją, o pamiršti jo savivaldos patirtį. Jis gali paminėti jį, kai kalbama apie PiS, bet nepaminėti, kai kalbama apie transportą. Jis gali rašyti apie SCT, bet pamiršti miesto transporto klausimą. Jis gali atsakyti į klausimą apie Naująją Hutą, nenurodydamas asmens, kuris pats kuria dalį savo komunikacijos aplink ryšius su šia miesto dalimi. Jis gali paminėti kandidatą paskutinėje sąrašo vietoje, nors formaliai jis yra vienas iš svarbių varžovų.
Tai nebūtinai turi būti „klaida” paprasta prasme. Tai gali būti šaltinių hierarchijos, duomenų naujumo, informacijos prieinamumo, klausimo formuluotės ir modelio generuojamo atsakymo mechanikos pasekmė.
Tradiciniame SEO buvo kovojama dėl pozicijos paieškos rezultatuose. LLM pasaulyje vis svarbiau tampa klausimas: ar kandidatas iš viso pasirodo atsakyme, prie kokių klausimų jis pasirodo, su kuo jis yra siejamas ir su kuo jis yra lyginamas.
Šis mechanizmas gerai matomas Michało Drewnickio tyrime (plačiau aptariamas toliau). 250 atsakymų iš deep dive tyrimo modeliai paminėjo kandidatą 87,6 proc. atvejų, kai vartotojas nurodė jo pavardę, tačiau tik 5,0 proc. atvejų, kai klausimas nebuvo nurodytas pavardės ir buvo susijęs su problema, kandidatų kategorija arba miesto tema. Kitaip tariant: pavardės atpažinimas dar nereiškia teminės matomybės.
O jei atsakymas ne tik informuoja, bet ir keičia nuomonę?
Čia pasirodo antras svarbus duomenų rinkinys. Cornell universiteto tyrimai parodė, kad trumpas pokalbis su pokalbių robotu gali reikšmingai pakeisti politines nuomones. Eksperimentuose, vykusiuose keturiose šalyse, LLM pagrindu veikiantys pokalbių robotai pakeitė opozicinių rinkėjų preferencijas 10 procentinių punktų arba daugiau daugeliu atvejų. Kanados ir Lenkijos eksperimentuose efektas buvo apie 10 procentinių punktų, o viename tyrime labiausiai perspektyvus modelis pakeitė opozicinių rinkėjų nuomones 25 procentiniais punktais. šaltinis: Cornell Chronicle
Reikia tai pasakyti atsargiai. Tai buvo kontroliuojami eksperimentai, o ne įrodymas, kad pokalbių robotai patys nulems realius rinkimus. Dalyviai žinojo, kad kalbasi su AI, o persvarstymo kryptis buvo atsitiktinė. Patys autoriai ir komentatoriai pabrėžė tokių tyrimų apribojimus ir skirtumą tarp eksperimentinių sąlygų ir realios kampanijos. šaltinis: Nature Asia
Tačiau vieną išvadą sunku ignoruoti. Ji skamba maždaug taip: modelių atsakymai gali būti persvarstyti ne todėl, kad jie yra emocingi, agresyvūs arba manipuliatyvūs tradicine prasme. Pasak tyrėjų, jų galia dažnai kyla iš to, kad jie generuoja daug teiginių, argumentų ir tariamai dalykiškų pagrindimų. Cornell pabrėžė, kad kai modeliams buvo apribota galimybė naudoti faktus, jų persvarstymo galia sumažėjo; tuo pačiu metu labiau persvarstyti modeliai dažnai buvo mažiau tikslūs. šaltinis: Cornell Chronicle
Tai yra problemos esmė vietos kampanijoje. Rinkėjas gali gauti atsakymą ramų, dalykišką, gerai skambantį ir be partinio tono. Tačiau vis tiek šis atsakymas gali sustiprinti tam tikrą kandidato įvaizdį.
Krokuvos pavyzdys, t.y. Michało Drewnickio atsakymai LLM
Tokiu kontekstu Michało Drewnickio, PiS kandidato į Krokuvos merus, tyrimas yra geras pavyzdys to, ką reikia pradėti matuoti vietos politikoje.
Čia kalbama ne tik apie klausimą: „ar GenAI žino kandidato pavardę?”. Tai yra paprasčiausias lygis. Žymiai įdomesni yra gilesni klausimai:
Ar modeliai teisingai identifikuoja Michało Drewnickį kaip PiS kandidatą prieš laikinuosius rinkimus Krokuvoje?
Ar jie atpažįsta jo viešas funkcijas – miesto tarybos narį ir Krokuvos miesto tarybos pirmininką?
Ar jie atskiria dabartinį rinkimų kontekstą nuo 2024 metų savivaldos rinkimų?
Ar jie jį sieja tik su PiS, ar taip pat su vietine savivaldos patirtimi?
Ar jis pasirodo atsakymuose į klausimus, kurie neturi jo pavardės, bet susiję su temomis, esančiomis jo viešajame profilyje: transportu, SCT, Naująja Huta, teritorijų planavimu, gyvenimo išlaidomis, santykiu tarp savivaldybės ir gyventojų?
Ar modeliai sugeba atskirti oficialią informaciją, žiniasklaidos ataskaitas, rinkimų deklaracijas ir savo interpretacijas?
Tyrimą atliko kuklus šio teksto autorius 2026 metų liepos 3 dieną.
Tyrime, atliktame mūsų autoriniu įrankiu Semantio, analizavau 250 atsakymų apie Michało Drewnickį Krokuvos prezidento rinkimų kontekste. Medžiaga yra analizės rezultatas, apimantis 50 unikalių scenarijų, paleistų penkiose sistemose: ChatGPT, Gemini, Grok, DeepSeek ir Google Overview. Kiekviena sistema atsakė į 50 užduotų scenarijų. Scenarijai buvo suskirstyti pagal intencijų kanalo etapą: 80 atsakymų etape awareness, 85 etape consideration ir 85 etape decision. Atskirai buvo analizuojami klausimai, turintys kandidato pavardę, ir klausimai, susiję su problemomis, be pavardės.
Stipriausias rezultatas yra skirtumas tarp pavardės atpažinimo ir spontaninės matomybės. Visame medžiagoje buvo 170 atsakymų į klausimus, turinčius Michało Drewnickio pavardę, ir 80 atsakymų į klausimus be pavardės. Kai vartotojas nurodė kandidato pavardę (scenarijuje buvo pavardė „Drewnicki”), modeliai paminėjo Drewnickį 149 iš 170 atsakymų, tai yra 87,6 proc. atvejų. Kai klausimas neturėjo pavardės ir buvo susijęs su problema, kandidatų kategorija arba miesto tema, Drewnickis pasirodė tik 4 iš 80 atsakymų, tai yra 5,0 proc. atvejų.
Kalbant tiesiai: modeliai sugeba apibūdinti kandidatą, kai vartotojas jau žino, apie ką klausia, tačiau žymiai blogiau jį savarankiškai susieja su miesto problemomis.
Duomenyse taip pat matyti, kad matomumas nėra tolygiai pasiskirstęs tarp sistemų. Visos 4 spontaninės nuorodos į Drewnickį klausimuose be pavardės buvo iš Google Overview. Kitose sistemose (ChatGPT, Gemini, Grok ir DeepSeek) tokiuose klausimuose kandidatas nepasirodė nė karto. Tai svarbu, nes pabrėžia „skaičiais”, kad neegzistuoja viena universali „matomybė AI”. Kiekviena sistema gali sukurti skirtingą politinės scenos žemėlapį, priklausomai nuo šaltinių, duomenų aktualumo, paieškos mechanikos ir atsakymų generavimo būdo.
Taip, negalėjau susilaikyti su šiuo įvaizdžiu, kalbant apie SCT ;)
Akivaizdžiausias teminės matomybės pradžia pasirodė klausimuose apie transportą, miesto komunikaciją, bilietus, mobilumą ir Švaraus Transporto Zoną. Klausimuose be pavardės, susijusiuose su šia sritimi, Drewnickis pasirodė 4 iš 30 atsakymų, tai yra 13,3 proc. atvejų. Tai vis dar žemas rezultatas, tačiau, palyginti su kitomis temomis, svarbus: klausimai apie savivaldos patirtį, Naująją Hutą, rajonus, teritorijų planavimą ar žalumynus nesukėlė jo pavardės taip efektyviai. Iš vietos kampanijos perspektyvos tai svarbi skirtumas: modelis gali gerai apibūdinti Krokuvos problemą, tačiau nebūtinai parodys rinkėjui, kuris kandidatas bando politiškai spręsti šią problemą.
Per 70 iš 250 atsakymų, tai yra 28,0 proc. viso rinkinio, buvo pažymėtas haliucinacijos signalas. Klaidos rizika neišnyko po pavardės nurodymo: klausimuose su pavarde signalas pasirodė 50 iš 170 atsakymų (29,4 proc.), o klausimuose be pavardės – 20 iš 80 atsakymų (25,0 proc.). Dažniausiai tai buvo kontekstinės problemos, tai yra 2026 metų rinkimų supainiojimas su 2024 metų rinkimais, neteisingos viešos funkcijos, neteisinga politinė afiliacija, neteisingi arba įtartini URL adresai, nepatvirtinti programos detalės ir netgi Krokuvos supainiojimas su Varšuva (to neatsiprašo Grode Kraka!). Vietos kampanijoje tokios smulkios klaidos gali būti labiau tikėtinos nei spektaklinės „melagystės”, ir todėl daug sunkiau pastebimos, nes dažnai pasitaiko ramiai ir dalykiškai skambančiuose atsakymuose. Iš kur mes tai žinome?…
Skirtumai tarp paslaugų teikėjų (dar vienas gražus žodis iš Bugo) buvo akivaizdūs. Google Overview dažniausiai paminėjo Drewnickį ir turėjo mažiausią haliucinacijos signalų procentą: 37 paminėjimai 50 atsakymų (74,0 proc.) ir 5 signalai (10,0 proc.). DeepSeek paminėjo kandidatą 33 iš 50 atsakymų (66,0 proc.), tačiau tuo pačiu metu turėjo didžiausią signalų dalį: 31 iš 50 atsakymų (62,0 proc.). ChatGPT paminėjo Drewnickį 30 iš 50 atsakymų (60,0 proc.) ir turėjo 8 signalus (16,0 proc.). Grok paminėjo jį 27 iš 50 atsakymų (54,0 proc.) ir turėjo 16 signalų (32,0 proc.). Gemini paminėjo kandidatą 26 iš 50 atsakymų (52,0 proc.) ir turėjo 10 signalų (20,0 proc.). Tai rodo, kad didesnis matomumas AI ne visada reiškia didesnę reprezentacijos kokybę.
Šaltiniai taip pat susiklostė įdomiai. Visame rinkinyje buvo identifikuoti 676 šaltinių nuorodų. Dažniausiai pasitaikė domenai: bip.krakow.pl (90 kartų), facebook.com (71 kartą), krakow.pl (38 kartų), youtube.com (29 kartų), radiokrakow.pl (26 kartų), lovekrakow.pl (23 kartus), drewnicki.pl (22 kartus) ir ztp.krakow.pl (22 kartus). Kandidato oficiali domena buvo, tačiau ji buvo toli nuo dominavimo. Drewnickio įvaizdis AI buvo kuriamas ir per BIP, vietinę žiniasklaidą, miesto šaltinius, Facebooką, YouTube ir kitas tarpininkavimo domenas.
Vienu metu 115 iš 250 atsakymų nebuvo jokių šaltinių nuorodų, kas sudaro 46,0 proc. viso rinkinio. Skirtumai tarp sistemų buvo dideli: Google Overview pateikė nuorodas kiekviename atsakyme, ChatGPT – 43 iš 50, DeepSeek – 31 iš 50, Grok – 10 iš 50, o Gemini tik 1 iš 50 atsakymų. Tai turi rinkimų reikšmę – atsakymas be šaltinio gali skambėti patikimai, tačiau vartotojas neturi greito būdo patikrinti, iš kur modelis gavo informaciją apie kandidatą, funkciją, programą ar rinkimų kontekstą.
LLM atsakymuose konkurencija taip pat nebuvo suprantama tik kaip formalių rinkimų varžovų sąrašas. Konkurenciniame lauke dažniausiai pasirodė Aleksander Miszalski (53 kartus) ir Łukasz Gibała (50 kartų), tačiau taip pat matomi buvo Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) ir Bartosz Bocheńczak (8). Taip pat pasirodė žiniasklaida, institucijos, partijos ir organizacijos, pvz., Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicija Obywateli, Lewica ir PiS. Modeliui politinė scena maišosi su informacine scena. Ką tai reiškia? Kandidatas konkuruoja ne tik su kitomis pavardėmis, bet ir su ankstesniais kontekstais, stipresniais šaltiniais ir labiau įtvirtintais asociacijomis.
Trumpiausia tyrimo išvada: pavardė yra nepakankama. LLM pasaulyje kandidatas gali būti atpažįstamas (Michało Drewnickis akivaizdžiai dar nepriklauso tokiems), kai vartotojas klausia apie jį tiesiogiai, tačiau tuo pat metu jis gali likti silpnai matomas, kai kalbama apie klausimus, kurie iš tikrųjų pradeda rinkėjo sprendimą: apie keliones, išlaidas, rajoną, žalumynus, savivaldybę, patirtį ar patikimumą konkrečioje problemą. Būtent šią dimensiją – ne tik buvimą internete, bet ir buvimą atsakymuose į vartotojų poreikius – šiandien reikia parametrizuoti.
Ką tiksliai galima matuoti?
Analizuodamas rezultatus, gautus Semantio, žiūrėjau į didelių kalbos modelių atsakymus ne kaip į smulkmeną, bet kaip į naują viešosios matomybės dimensiją. Politinio kandidato atveju galima analizuoti, be kita ko:
spontaninę matomybę – ar kandidatas pasirodo, kai vartotojas nenurodo pavardės;
teisingumo identifikavimą – pavardė, funkcija, partija, rinkimų metai, dabartinis kontekstas;
atsakymo poziciją – ar kandidatas yra pirmas, viduryje, paskutinis, pamirštas ar apibūdintas trumpai;
teminius ryšius – su kokiomis temomis modelis jį mini: transportas, SCT, rajonai, gyvenimo išlaidos, savivaldos patirtis, PiS, dešinė, miesto valdymas;
palyginimus – su kuo modelis dažniausiai jį lygina ir pagal kokius kriterijus; kas laimi prieš kandidatą, o kas jam KO (ne apie komitetą!)
šaltinius – ar atsakymas remiasi aktualiais, patikimais ir tinkamais duomenimis;
haliucinacijas – įdomi sritis, kurioje galima pamatyti tokius dalykus kaip asmenų, funkcijų, datų, programų, rinkimų ciklų arba neegzistuojančių deklaracijų supainiojimas;
interpretacinius rėmus – ar kandidatas pristatomas kaip partinis, vietinis, savivaldos, ideologinis, technokratinis, protesto, antireguliacinis, miesto, dešinysis, „provairuotojiškas” arba dar kitaip.
Kalbant apie Drewnickį, ypač aiškiai matomos trys kategorijos tolesnei analizei, kurias galima priskirti: pavardės matomumas, teminė matomybė ir šaltinių kokybė. Pirmasis buvo aukštas. Antrasis buvo žemas. Trečiasis pasirodė nevienodas tarp paslaugų teikėjų.
Pirmas pavyzdys: klausimai apie savivaldos patirtį be pavardės nesukėlė spontaniškai Drewnickio, nors jo institucinis profilis apima miesto tarybos narį ir Krokuvos miesto tarybos pirmininko funkciją.
Antras pavyzdys: klausimai apie Naująją Hutą, Mistrzejowice, šiaurės Krokuvą ir rajonų perspektyvą taip pat nepakako, kad modeliai savarankiškai nurodytų kandidatą.
Trečias pavyzdys: tam tikras spontaninės matomybės pėdsakas pasirodė daugiausia aplink transportą ir SCT, tačiau vis tiek buvo labai silpnas, palyginti su atsakymais į klausimus, turinčius pavardę.
Trumpai tariant: GenAI sugeba atsakyti į klausimą „kas yra Michał Drewnicki?”, tačiau žymiai rečiau atsako jo pavarde į klausimą „kas Krokuvoje turi poziciją mano problemai?”. Tai skirtumas, kurio sunku pastebėti tradiciniame žiniasklaidos stebėjime, tačiau jis yra labai svarbus vietos kampanijai.
Kodėl tai svarbu partijoms, žiniasklaidai ir pilietinėms organizacijoms
Rinkimų štabai jau daugelį metų stebi žiniasklaidą, socialinę žiniasklaidą, apklausas ir paieškos rezultatus. Problema ta, kad LLM nesielgia kaip įprasta žiniasklaida ir nesielgia kaip tradicinė paieškos sistema. Pastarosios taip pat mūsų akyse vis labiau nebėra „tradicinės”.
Modelis tiesiog nerodo, kas yra internete. Modelis apdoroja informaciją, ją apibendrina, hierarchizuoja, kartais atnaujina per paiešką, kartais remiasi anksčiau sukaupta žiniomis, kartais atsisako atsakyti, o kartais atsako su dideliu pasitikėjimu, nepaisant nebaigtų duomenų.
Rinkimų štabui tai reiškia naujus klausimus. Ar kandidatas yra matomas atsakymuose į temas, kurios jam svarbios? Ar jo profilis yra atnaujintas? Ar modeliai nepriskiria jam svetimų deklaracijų? Ar konkurentai neperima AI temų, kurios kampanijoje yra jo natūrali sritis? Ar vartotojas, klausiantis apie „transporto kandidatą”, iš viso pamatys jo pavardę?
Drewnickio tyrimas rodo, kad šis klausimas nėra teorinis. Klausimuose be pavardės kandidatas pasirodė tik 5,0 proc. atsakymų. Štabui tai reiškia būtinybę žiūrėti ne tik į tai, ar internete yra medžiagos apie kandidatą, bet ir į tai, ar modeliai sugeba susieti šią medžiagą su realiomis rinkėjų intencijomis.
Žiniasklaidai tai reiškia būtinybę žiūrėti į LLM kaip į tarpininkus viešosios informacijos platinime. Jei modeliai pradeda atsakyti į rinkimų klausimus, tai vietos žurnalistikos kokybė, duomenų struktūra, šaltinių aktualumas ir kandidatų aprašymų tikslumas turės įtakos ne tik skaitytojams, bet ir GenAI sintetiniams atsakymams.
Pilietinėms organizacijoms tai reiškia dar kažką kita. Galimybę tirti, ar modeliai patikimai informuoja rinkėjus, ar nepamiršta kandidatų, ar nepadidina pasenusių duomenų ir ar nesukuria informacinės nelygybės tarp gerai pažįstamų politinės scenos ir tų, kurie tik bando joje orientuotis.
Nervai ramūs – kol kas nieko nenurodo, kad GenAI pakeis kampanijas. Bet jis gali pakeisti informacijos žemėlapį
Nėra prasmės teigti, kad rinkimai Krokuvoje bus sprendžiami ChatGPT, Gemini, Perplexity ar Copilot. Kas tai? Kampanija vis dar vyksta „mieste” – susitikimuose, vietinėje žiniasklaidoje, spaudos konferencijose, debatuose, rajonuose, kvartaluose, stotelėse ir pokalbiuose tarp gyventojų.
Tačiau būtų klaida manyti, kad LLM atsakymai yra tik technologinė smulkmena.
Jei Lietuvoje su ChatGPT jau naudojasi milijonai žmonių, jei ES su generatyvine AI naudojasi apie trečdalis gyventojų amžiaus 16–74 metų, jei Jungtinėje Karalystėje 13 proc. teisėtų rinkėjų naudojosi pokalbių robotais rinkimų informacijos ieškojimui savaitę prieš balsavimą, o eksperimentai rodo, kad pokalbis su modeliu gali keisti politines nuomones – tai reiškia, kad rinkimų štabai ir viešosios institucijos turėtų pradėti vertinti AI kaip realią informacijos apyvartos dimensiją. šaltiniai: Gemius/PBI, Eurostat, UK 2024 tyrimas, Cornell Chronicle
Vietos rinkimuose ši dimensija yra ypač svarbi. Kodėl? Nes rinkėjas dažnai neieško didelės ideologijos. Jis ieško atsakymų į savo problemas. Klausimų yra daug: Kas supranta mano rajoną? Kas turi patirties? Kas kalba apie transportą? Kas turi planą gyvenimo išlaidoms? Kas yra patikimas žalumos klausimu? Kas iš tikrųjų kandidatuoja, o kas buvo kandidatu ankstesniuose rinkimuose?
Kaip modelis atsakys į tokius klausimus, gali priklausyti ne tik visų rinkimų rezultatas, bet ir kaip dalis gyventojų supras kandidatus.
O to nesimato apklausose. Nesimato tradiciniame SEO. Nesimato žiniasklaidos stebėjime. Tačiau tai galima tirti.
Michało Drewnickio atveju svarbiausia pamoka yra paprasta: kandidatas gali būti matomas GenAI atsakymuose, tačiau vis tiek neturėti stipraus „nuosavybės” (taip, gražus lietuviškas žodis) temų, kurios yra svarbios gyventojams. Būtent šią skirtumą – tarp buvimo pagal pavardę ir buvimo problemose – reikia pradėti vertinti kaip naują viešosios matomybės kategoriją.
Norite patikrinti, kaip AI aprašo jūsų kandidatą, partiją, prekės ženklą ar instituciją?
Michało Drewnickio tyrimas rodo, kad AI modelių generuojami atsakymai gali būti sistemingai analizuojami, t.y. matomumo, teisingumo, šaltinių, palyginimų, pamiršimų ir interpretacinių rėmų atžvilgiu. Jei norite sužinoti daugiau apie šį tyrimą arba pasikalbėti apie panašią analizę savo projektui, susisiekite su šio teksto autoriumi: m.grzebyk@brandsemantics.eu
* kad nebūtų nesusipratimų – toks, kuris pasirodo atsakymuose ;)
