Prieš kelis metus rinkėjas, norintis patikrinti mero kandidatą, turėjo apsilankyti jo svetainėje, peržiūrėti žiniasklaidos (įskaitant tradicinius kanalus) medžiagą, stebėti debatus, klausti draugų arba naršyti kelias Google paieškos rezultatų puslapius. Šiandien jie dažnai gali padaryti ką nors daug paprasčiau – paklausti savo mėgstamo pokalbio roboto (didžiojo kalbos modelio).
Jiems net nereikia… žinoti jokių vardų. Jiems nereikia žinoti, kas priklauso kuriam komitetui. Jiems nereikia sekti spaudos konferencijų. Iš esmės, jie neturi daryti daug. Bet jie gali. Jie gali paklausti: „kas Krokuvoje turi geriausią transporto programą?“, „kuris kandidatas yra susijęs su Nowa Huta?“, „kas nori pakeisti Švarių transporto zoną?“, „ar PiS kandidatas turi patirties vietos valdžioje?“, „kas konkrečiai sprendžia gyvenimo kainų klausimą šiuose rinkimuose?“.
Ir jie gaus atsakymą.
Ne nuorodų sąrašą. Ne klasikinį paieškos rezultatą. Ne neutralią dokumentų bazę. Jie gaus sintetizuotą politinės aplinkos aprašymą, sudarytą LLM remiantis tuo, ką modelis randa, prisimena, interpretuoja, laiko svarbiu ir išdėsto tinkama hierarchija. Pritaikytą vartotojui, kuris iš dalies „užaugino“ savo „Tamagotchi“ iš trečiojo dešimtmečio (kaip tai skamba!) XXI amžiuje. Tik jie jo nešeria ir nevalys paspaudę mygtukų; jie įmeta daleles savęs, kurios atskleidžia jų įpročius.
Tai naujas rinkimų kampanijų sluoksnis. Tyli, privati, sunkiai stebima ir – vietos rinkimuose – potencialiai labai reikšminga.
Krokuva kaip rinkimų laboratorija generatyvaus dirbtinio intelekto amžiuje
Krokuva yra puiki vieta stebėti šį pokytį veiksme. Tai nėra maža savivaldybė, tačiau tai taip pat nėra nacionalinė kampanija, kurioje kiekvienas kandidatas nuolat matomas pagrindinėje žiniasklaidoje. Pagal GUS duomenis, 2025 metų pabaigoje Krokuvoje gyveno 816,614 gyventojų. Tai didelis, sudėtingas miesto organizmas: su miesto centru, Nowa Huta, periferiniais rajonais, universitetais, turizmu, verslu, transportu, konfliktu dėl žaliųjų erdvių, teritorijų planavimu, savivaldybės paslaugų kainomis ir miesto valdymu. šaltinis: Krokuva skaičiais
Be to, yra unikalus politinis kontekstas. Vietiniame referendume, vykusiame 2026 metų gegužės 24 dieną, rinkėjų aktyvumas balsuojant dėl Krokuvos mero atšaukimo buvo 29.99% — pakankamai, kad referendumas būtų galiojantis ir lemiantis. Paraleliniame balsavime dėl miesto tarybos atšaukimo aktyvumas buvo 29.97%, tai reiškia, kad įstatyminis slenkstis nebuvo pasiektas. Skirtumas atrodo minimalus, tačiau politinės pasekmės yra visiškai skirtingos. šaltinis: Krokuvos miestas
Krokuva taip pat turi nauja patirtį labai artimoje konkurencijoje. 2024 metų prezidento rinkimų antrajame ture Aleksander Miszalski gavo 51.04% balsų, o Łukasz Gibała – 48.96%. Pagal PKW duomenimis, skirtumas buvo 5,434 balsai. šaltinis: Rzeczpospolita
Šie skaičiai reikalauja atsargumo dėl kiekvieno naujo informacijos šaltinio. Ne todėl, kad pokalbių robotas „pasirinks Krokuvos merą“. Tai per stiprus teiginys. Bet todėl, kad kampanijoje, kurioje keli tūkstančiai balsų gali pakeisti rezultatą, svarbu kas yra matomas, kas yra ignoruojamas, su kuo jie yra susiję ir kaip jie yra aprašomi dirbtinio intelekto generuojamuose atsakymuose, į kuriuos vis dažniau kreipiasi vartotojai.
Rinkėjas ne tik ieško. Rinkėjas bendrauja
Reikšmingiausias pokytis nėra tas, kad dirbtinis intelektas gali generuoti reklamą, memą ar deepfake. Nors tai tikrai svarbu, tai jau gerai žinoma tema. Apie tai daug diskutuojama, ir yra kampanijų – kai kurios labiau socialinės, kai kurios mažiau finansuojamos konkrečių rinkimų komitetų.
Įdomesnis ir mažiau akivaizdus pokytis yra tas, kad LLM tampa privatūs informaciniai patarėjai. Rinkėjas gali nepaklausti: „koks yra Michało Drewnickio programos turinys?“ Jie gali net neprisiminti to vardo. Vietoj to, jie gali paklausti: „kas Krokuvoje turi patirties vietos valdžioje?“, „kuris kandidatas kalba apie Nowa Huta?“, „kas turi konkretų, aiškų požiūrį į SCT?“, „ar PiS kandidatas Krokuvoje yra tik partijos narys, ar turi vietos patirties?“.
Tokie klausimai yra daug arčiau tikro sprendimų priėmimo proceso. Žmonės retai lygina visą programas nuo pradžios iki pabaigos. (Beje… kuri partija 2024 metais aiškiai apibūdino savo rinkimų programą, o ne plaukiojo pokyčių apklausose, šūkiuose ir socialinės žiniasklaidos triukšme?) Dažniau jie ieško atsakymų į savo problemas: kelionės, kainos, žaliosios erdvės, mokyklos, šaligatviai, parkavimas, statybos už lango, chaoso jausmas biure ar įtakos trūkumas miesto sprendimams.
Čia didieji kalbos modeliai pradeda veikti kaip naujas tarpininkas. Jie ne tik teikia informaciją. Jie organizuoja sceną. Jie pasirenka, kuriuos kandidatus paminėti. Jie nusprendžia, kurie faktai yra svarbūs. Jie sutraukia sudėtingus kontekstus į kelis pastraipas. Ir jie dažnai tai daro taip, kaip to nesugebės matyti klasikinis žiniasklaidos stebėjimas, SEO ar socialinės žiniasklaidos analizė. Taigi galima daryti išvadą, kad apklausų firmos ir jų „praleidimai“ vis dažniau taps viena iš pagrindinių komentarų temų po išankstinių apklausų.
Tai nebe technologinė niša
Jei kas nors mano, kad „pokalbiai robotai“ vis dar yra žaislas studentams ir technologijų pramonei, duomenys greitai atvėsina šią nuomonę. Pagal Gemius/PBI ataskaitą, 2025 metų birželio mėnesį daugiau nei 9.3 milijono realių vartotojų Lenkijoje naudojo ChatGPT. Tai sudarė 31.4% interneto vartotojų ir 28.6% gyventojų, kurių amžius 7–75. Ataskaita taip pat parodė, kad tarp ChatGPT vartotojų yra perteklius asmenų, jaunesnių nei 35 metų, o vidutinė naudojimosi trukmė 25–34 metų amžiaus grupėje birželio mėnesį buvo 2 valandos ir 42 minutės. šaltinis: Gemius/PBI
Europos mastu Eurostat pranešė, kad 2025 metais 32.7% ES gyventojų, kurių amžius 16–74, naudojo generatyvaus dirbtinio intelekto įrankius. 16–24 metų amžiaus grupėje šis procentas jau buvo 63.8%. šaltinis: Eurostat
Tai svarbu, nes jaunesni rinkėjai taip pat yra grupė, labiau linkusi naudoti naujus informacinius įrankius ir grupė, kuri dažnai turi mažiau stabilų aktyvumą vietos rinkimuose. Nereikia manyti, kad visa kampanija masiškai pereis į dirbtinio intelekto palaikomas sistemas. Pakanka pastebėti, kad dideliam vartotojų skaičiui bendravimas su pokalbių robotu tampa vienu iš natūralių informacijos organizavimo būdų.
Dirbtinis intelektas kaip naujienų, politikos ir sprendimų priėmimo įrankis
Duomenys iš Reuters instituto rodo, kad dirbtinio intelekto pokalbių robotai jau naudojami informacijos vartojimui, nors jie dar nedomina. 2026 metais 10% respondentų 45 rinkose pranešė, kad kas savaitę naudoja dirbtinio intelekto pokalbių robotus naujienoms, palyginti su 7% ankstesniais metais. Dar įdomiau yra tai, kaip žmonės juos naudoja: 42% naujienų pokalbių robotų vartotojų užduoda papildomus klausimus, 35% naudoja juos naujausiai informacijai gauti, 34% – apibendrinimui, 30% – sudėtingų temų supaprastinimui, o 33% – šaltinių patikimumui įvertinti. šaltinis: Reuters Institute Digital News Report
Tai beveik paruoštas rinkėjo elgesio aprašymas vietos kampanijoje. „Paaiškinkite man, apie ką yra Švarių transporto zona.“ „Apibendrinkite skirtumus tarp kandidatų.“ „Kas yra patikimas transporto klausimais?“ „Ar šis kandidatas tikrai turi patirties vietos valdžioje?“ „Kokie šaltiniai patvirtina jų teiginius?“
Šiuo metu dirbtinis intelektas nustoja būti tik tekstų rašymo įrankiu. Jis tampa sąsaja su viešąja realybe.
Stipriausias įspėjimo signalas – rinkėjai jau klausia GenAI apie rinkimus
Vienas įdomiausių skaičių gaunamas iš tyrimo apie 2024 metų JK parlamentinius rinkimus. Atstovaujantis tyrimas, kuriame dalyvavo 2,499 suaugusiųjų, parodė, kad savaitę prieš rinkimus 32% pokalbių robotų vartotojų (13% visų tinkamų rinkėjų) naudojosi pokalbių AI, kad gautų informaciją, tiesiogiai susijusią su jų balsavimo sprendimu. šaltinis: arXiv, JK tyrimas 2024
Tai nėra marginalus detalė. Tai signalas, kad pokalbių robotai įeina į rinkimų proceso širdį: ne kaip abstrakti technologija, bet kaip įrankis, naudojamas, kai rinkėjai priima sprendimus, organizuoja argumentus arba bando suprasti politinę aplinką. Dažnai tiesiog prieš įeidami į balsavimo vietą.
Svarbu, kad šio tyrimo autoriai nepadaro paprastos alarmistinės išvados. Serijoje eksperimentų, kuriuose dalyvavo 2,858 dalyviai, jie nustatė, kad pokalbių robotų naudojimas nepablogino politinių žinių; priešingai, jis padidino jas panašiu mastu kaip tradiciniai internetiniai paieškos būdai. šaltinis: AI Security Institute
Ir todėl ši tema yra įdomesnė nei paprasta pavojų pasaka. Laikas pasakyti banalybę. Aš netgi ją paryškinsiu, kad ji būtų patrauklesnė. Nereikia man dėkoti…
LLM gali padėti rinkėjams geriau suprasti politiką. Bet jie taip pat gali supainioti, praleisti, supaprastinti, neteisingai identifikuoti kandidatus arba sukurti specifinius interpretacinius rėmus.
Kita pusė – pokalbių robotų atsakymai gali būti klaidingi
Problema ta, kad modelių atsakymai atrodo organizuoti, pasitikintys savimi ir išsamūs, net kai juose yra spragų. Jūs žinote… kaip tas būsimasis inžinierius (jei likimas ir profesoriai leis), kurį sutikote studentų vakarėlyje, kuris atkakliai gins poziciją, kuri net nebuvo įtraukta į diskusiją prieš tris alaus bokalus ;)
EBU ir BBC atliktas tyrimas apėmė daugiau nei 3,000 atsakymų, kuriuos sugeneravo keturi AI asistentai (ChatGPT, Copilot, Gemini ir Perplexity) 14 kalbų. 45% atsakymų turėjo bent vieną reikšmingą problemą, 31% turėjo rimtų problemų su šaltiniais, o 20% turėjo rimtų tikslumo problemų, įskaitant pasenusią ar haliucinacinę informaciją. šaltinis: EBU/BBC
Vietos rinkimuose ši rizika gali būti didesnė nei nacionalinėje kampanijoje. Vietiniai šaltiniai yra labiau išsklaidyti. Kandidatai gali būti (ir yra, kaip netrukus įrodysime) mažiau žinomi. Kontekstas keičiasi greičiau. Praeities ciklo vardai gali susipainioti su naujais kandidatais. Programos gali būti skelbiamos etapais. (jei jos išvis kuriamos, bet aš jau tai paminėjau ir nebekelsiu daugiau klausimų… kol kas) Ir vartotojų klausimai dažnai būna trumpi, kasdieniški ir neaiškūs.
Su nacionaliniu lyderiu modelis paprastai turi daug duomenų. Su Krokuvos mero kandidatu jis turi sudėlioti vaizdą iš BIP, vietinės žiniasklaidos, kandidato svetainės, socialinių tinklų įrašų, apklausų, konferencijų ataskaitų ir dabartinių įvykių. Tai sukuria idealias sąlygas akivaizdžiai mažoms, tačiau politiškai reikšmingoms klaidoms: painioti vaidmenis, praleisti konkurentus, priskirti pasenusias kandidatūras, suteikti kam nors per siaurą etiketę arba remtis atsakymais, gautais iš ankstesnių rinkimų.
Svarbiausias posūkis: GenAI nebūtinai turi meluoti, kad paveiktų
Diskusijose apie dirbtinį intelektą ir rinkimus per daug dėmesio skiriama „netikroms naujienoms“. Tuo tarpu vietos kampanijai kažkas subtilesnio gali būti ne mažiau svarbu: atstovavimas.
Modelis gali nepateikti klaidingos informacijos. Jis gali tiesiog apibūdinti kandidatą daugiausia per jų partinę priklausomybę, praleisdamas jų vietos valdžios patirtį. Jis gali paminėti juos, kai kalbama apie PiS, bet nepaminėti, kai kalbama apie transportą. Jis gali rašyti apie SCT, bet praleisti viešojo transporto temą. Jis gali atsakyti į klausimą apie Nowa Huta, nepažymėdamas asmens, kuris dalį savo komunikacijos kuria remdamasis ryšiais su ta miesto dalimi. Jis gali kandidatą įdėti į sąrašo pabaigą, nors jis formaliai yra vienas iš reikšmingų dalyvių lenktynėse.
Tai nebūtinai turi būti „klaida“ paprasta prasme. Tai gali būti šaltinių hierarchijos, duomenų naujumo, informacijos prieinamumo, klausimo formuluotės ir modelio generuojamo atsakymo mechanikos pasekmė.
Tradiciškai SEO buvo kovojama dėl pozicijos paieškos rezultatuose. Didžiųjų kalbos modelių pasaulyje vis labiau svarbu klausti: ar kandidatas išvis pasirodo atsakyme, kokiuose klausimuose jie pasirodo, su kuo jie yra susiję ir su kuo jie lyginami.
Šis mechanizmas aiškiai matomas Michało Drewnickio tyrime (kuris vėliau bus aptartas išsamiau). Iš 250 atsakymų iš gilios analizės tyrimo modeliai paminėjo kandidatą 87.6% atvejų, kai vartotojas pateikė jo vardą, tačiau tik 5.0% atvejų, kai klausime nebuvo vardo ir jis susijęs su klausimu, kandidatų kategorija ar miesto tema. Kitaip tariant: vardinis atpažinimas nebūtinai reiškia teminį matomumą.
Kas jei atsakymas ne tik informuoja, bet ir keičia nuomonę?
Čia atsiranda antras svarbus duomenų rinkinys. Tyrimas, aprašytas Kornelio universitete, parodė, kad trumpas pokalbis su pokalbių robotu gali reikšmingai pakeisti politines nuomones. Eksperimentuose, atliktuose keturiose šalyse, LLM pagrindu veikiantys pokalbių robotai pakeitė opozicinių rinkėjų preferencijas 10 procentinių punktų ar daugiau daugeliu atvejų. Eksperimentuose Kanadoje ir Lenkijoje poveikis buvo apie 10 procentinių punktų, o viename tyrime, labiausiai įtikinamai optimizuotas modelis pakeitė opozicinių rinkėjų nuomones 25 procentiniais punktais. šaltinis: Kornelio kronika
Tai reikia sakyti atsargiai. Tai buvo kontroliuojami eksperimentai, o ne įrodymas, kad pokalbių robotai nuspręs tikrus rinkimus. Dalyviai žinojo, kad kalbasi su AI, o įtikinimo kryptis buvo atsitiktinė. Patys autoriai ir komentatoriai pabrėžė tokių tyrimų apribojimus ir skirtumus tarp eksperimentinių sąlygų ir realių kampanijų. šaltinis: Nature Asia
Bet vieną išvadą sunku ignoruoti. Ji skamba maždaug taip: modelių atsakymai gali būti įtikinami ne todėl, kad jie yra emocionalūs, agresyvūs ar manipuliatyvūs klasikine prasme. Pasak tyrėjų, jų galia dažnai kyla iš daugybės teiginių, argumentų ir tariamai faktinių pagrindimų. Kornelis pabrėžė, kad kai modelių gebėjimas naudoti faktus buvo ribojamas, jų įtikinamumas sumažėjo; tuo pačiu metu įtikinamesni modeliai dažnai buvo mažiau tikslūs. šaltinis: Kornelio kronika
Tai yra problema vietos kampanijoje. Rinkėjas gali gauti ramų, pagrįstą, gerai skambantį atsakymą, neturintį partinės nuotaikos. Tačiau tas atsakymas vis tiek gali sustiprinti tam tikrą kandidato įvaizdį.
Krokuvos pavyzdys: Michało Drewnickio atsakymai LLM
Šiuo kontekstu Michało Drewnickio tyrimas, PiS kandidatas į Krokuvos merus, yra geras pavyzdys, ką reikia matuoti vietos politikoje.
Čia ne tik klausimas: „ar GenAI žino kandidato vardą?“. Tai yra paprasčiausias lygis. Žymiai įdomesni yra gilesni klausimai:
Ar modeliai teisingai identifikuoja Michało Drewnickį kaip PiS kandidatą ankstyvuose Krokuvos rinkimuose?
Ar jie pripažįsta jo viešas pareigas – miesto tarybos narį ir Krokuvos miesto tarybos pirmininko pavaduotoją?
Ar jie atskiria dabartinį rinkimų kontekstą nuo 2024 metų vietos rinkimų?
Ar jie jį sieja tik su PiS, ar taip pat su vietos valdžios patirtimi?
Ar jis pasirodo atsakymuose į klausimus, kurie neapima jo vardo, bet susiję su temomis, esančiomis jo viešajame profilyje: komunikacija, SCT, Nowa Huta, teritorijų planavimas, gyvenimo kainos, santykiai tarp biuro ir gyventojų?
Ar modeliai sugeba atskirti oficialią informaciją, žiniasklaidos pranešimus, kampanijų deklaracijas ir savo interpretacijas?
Tyrimą atliko šio teksto kuklus autorius 2026 metų liepos 3 dieną.
Naudodamas mūsų nuosavybės įrankį Semantio, analizavau 250 atsakymų apie Michało Drewnickį Krokuvos prezidento rinkimų kontekste. Medžiaga yra 50 unikalių scenarijų analizės rezultatas, vykdyta penkiose sistemose: ChatGPT, Gemini, Grok, DeepSeek ir Google Overview. Kiekviena sistema atsakė į 50 pateiktų scenarijų. Scenarijai buvo suskirstyti pagal ketinimų tunelio etapą: 80 atsakymų sąmoningumo etape, 85 apsvarstymo etape ir 85 sprendimo etape. Klausimai, kuriuose buvo kandidato vardas, ir problemų klausimai be vardo buvo analizuojami atskirai.
Stipriausias rezultatas susijęs su skirtumu tarp vardinio atpažinimo ir spontaninio matomumo. Visame medžiagoje buvo 170 atsakymų į klausimus, kuriuose buvo Michało Drewnickio vardas ir 80 atsakymų į klausimus be vardo. Kai vartotojas pateikė kandidato vardą (pateikto scenarijaus metu buvo paminėtas „Drewnicki“), modeliai paminėjo Drewnickį 149 iš 170 atsakymų, tai yra 87.6% atvejų. Kai klausimas neapėmė vardo ir buvo susijęs su klausimu, kandidatų kategorija ar miesto tema, Drewnickis pasirodė tik 4 iš 80 atsakymų, tai yra 5.0% atvejų.
Paprasčiau tariant: modeliai gali apibūdinti kandidatą, kai vartotojas jau žino, apie ką klausia, tačiau jie žymiai mažiau sėkmingai sugeba nepriklausomai susieti jį su miesto problemomis.
Duomenys taip pat rodo, kad matomumas nėra tolygiai paskirstytas tarp sistemų. Visi 4 spontaniniai Drewnickio paminėjimai klausimuose be vardo buvo gauti iš Google Overview. Kitose sistemose (ChatGPT, Gemini, Grok ir DeepSeek) kandidatas net nebuvo paminėtas tokiuose klausimuose. Tai svarbu, nes tai pabrėžia „skaičiais“, kad nėra vieno universalaus „matomumo dirbtiniame intelekte“. Kiekviena sistema gali sukurti skirtingą politinės scenos žemėlapį, priklausomai nuo šaltinių, duomenų naujumo, paieškos mechanikos ir atsakymų generavimo būdo.
Iš tiesų, negalėjau atsispirti įtraukti šios nuotraukos kalbant apie SCT ;)
Aiškiausias teminio matomumo užuominas pasirodė klausimuose apie transportą, viešąjį transportą, bilietus, mobilumą ir Švarią transporto zoną. Klausimuose be vardo, susijusiuose su šia sritimi, Drewnickis pasirodė 4 iš 30 atsakymų, tai yra 13.3% atvejų. Tai vis dar žemas rezultatas, tačiau reikšmingas palyginti su kitomis temomis: klausimai apie vietos valdžios patirtį, Nowa Huta, rajonus, teritorijų planavimą ar žaliąsias erdves nebuvo taip efektyviai susieti su jo vardu. Iš vietos kampanijos perspektyvos tai yra svarbus skirtumas: modelis gali tiksliai apibūdinti problemą Krokuvoje, tačiau jis nebūtinai parodys rinkėjui, kuris kandidatas bando politiškai spręsti tą problemą.
Į 70 iš 250 atsakymų, tai yra 28.0% viso duomenų rinkinio, buvo pažymėti haliucinacijos įspėjimai. Klaidos rizika neišnyko po vardo pateikimo: klausimuose su vardu įspėjimas pasirodė 50 iš 170 atsakymų (29.4%), o klausimuose be vardo – 20 iš 80 atsakymų (25.0%). Dažniausiai tai buvo kontekstinės problemos, tokios kaip 2026 metų rinkimų painiojimas su 2024 metais, neteisingos viešosios pareigos, neteisinga politinė priklausomybė, klaidingi ar įtartini URL, nepatvirtinti programos detalės ir net Krokuvos painiojimas su Varšuva (tai neatsiprašoma Krokuvoje!). Vietos kampanijoje tokios smulkios klaidos gali būti labiau tikėtinos nei spektakulinės „netikros“ informacijos, ir todėl jas daug sunkiau pastebėti, nes jos dažnai pasitaiko ramiose ir pagrįstose atsakymuose. Kur mes tai jau matėme?...
Teikėjų skirtumai (dar viena graži žodis iš Bug upės) buvo ryškūs. Google Overview daž
