Enkele jaren geleden moest een kiezer die een kandidaat voor het burgemeesterschap wilde controleren, hun website bezoeken, media doorzoeken (inclusief traditionele kanalen), debatten bekijken, vrienden vragen of door verschillende pagina's met Google-resultaten scrollen. Tegenwoordig kunnen ze vaak iets veel eenvoudiger doen – hun favoriete chat (een large language model) vragen.
Ze hoeven zelfs niet te… weten wie de namen zijn. Ze hoeven niet te weten wie tot welke commissie behoort. Ze hoeven geen persconferenties te volgen. Over het algemeen hoeven ze niet veel te doen. Maar ze kunnen. Ze kunnen vragen: “wie in Kraków heeft het beste transportprogramma?”, “welke kandidaat wordt geassocieerd met Nowa Huta?”, “wie wil de Schoon Transportzone veranderen?”, “heeft de PiS-kandidaat ervaring met de lokale overheid?”, “wie pakt specifiek de kosten van levensonderhoud aan in deze verkiezingen?”.
En ze zullen een antwoord krijgen.
Geen lijst met links. Geen klassieke zoekresultaten. Geen neutrale documentendatabase. Ze zullen een synthese van het politieke landschap ontvangen, opgebouwd door het LLM op basis van wat het model vindt, onthoudt, interpreteert, belangrijk acht en in een passende hiërarchie rangschikt. Op maat gemaakt voor de gebruiker die, gedeeltelijk, hun eigen “Tamagotchi” uit het derde decennium (hoe klinkt dat!) van de 21e eeuw heeft “opgevoed”. Alleen voeden ze het niet of maken ze het schoon door op knoppen te drukken; ze gooien stukjes van zichzelf erin die hun gewoonten onthullen.
Dit is een nieuwe laag van verkiezingscampagnes. Stil, privé, moeilijk te monitoren en – in lokale verkiezingen – potentieel zeer significant.
Kraków als Laboratorium voor Verkiezingen in het Tijdperk van GenAI
Kraków is een uitstekende plek om deze verandering in actie te observeren. Het is geen kleine gemeente, maar het is ook geen landelijke campagne waar elke kandidaat voortdurend in de mainstream media aanwezig is. Volgens gegevens van GUS had Kraków eind 2025 816.614 inwoners. Het is een groot, complex stedelijk organisme: met een stadscentrum, Nowa Huta, perifere wijken, universiteiten, toerisme, bedrijven, transport, conflicten over groene ruimtes, ruimtelijke ordening, gemeentelijke serviceprijzen en stadsbeheer. bron: Kraków in Cijfers
Bovendien is er een unieke politieke context. In het lokale referendum van 24 mei 2026 was de opkomst voor de stemming over de afzetting van de burgemeester van Kraków 29,99% — genoeg voor het referendum om geldig en beslissend te zijn. In de parallelle stemming over de afzetting van de Gemeenteraad was de opkomst 29,97%, wat betekent dat de wettelijke drempel niet werd gehaald. Het verschil lijkt minimaal, maar de politieke gevolgen zijn totaal anders. bron: Stad Kraków
Kraków heeft ook recente ervaring met zeer nauwe concurrentie. In de tweede ronde van de presidentsverkiezingen in 2024 ontving Aleksander Miszalski 51,04% van de stemmen, terwijl Łukasz Gibała 48,96% ontving. Volgens rapporten op basis van PKW-gegevens was het verschil 5.434 stemmen. bron: Rzeczpospolita
Dit zijn cijfers die voorzichtigheid rechtvaardigen met betrekking tot elke nieuwe bron van informatie-invloed. Niet omdat een chatbot “de burgemeester van Kraków zal kiezen.” Dat is een te sterke bewering. Maar omdat, in een campagne waar enkele duizenden stemmen de uitkomst kunnen veranderen, het belangrijk is wie zichtbaar is, wie over het hoofd wordt gezien, waar ze mee worden geassocieerd en hoe ze worden beschreven in de antwoorden die door kunstmatige intelligentie worden gegenereerd, waar gebruikers steeds vaker naar toe gaan.
De Kiezer Zoekt Niet Alleen. De Kiezer Voert Gesprekken
De meest significante verandering is niet dat AI een advertentie, meme of deepfake kan genereren. Hoewel dat zeker belangrijk is, is het al een goed erkend onderwerp. Er wordt veel over gediscussieerd, en er zijn campagnes – sommige meer of minder sociaal, sommige meer of minder gefinancierd door specifieke verkiezingscommissies.
Een interessantere en minder voor de hand liggende verandering is dat LLM's privé informatieadviseurs aan het worden zijn. Een kiezer vraagt misschien niet: “wat is het programma van Michał Drewnicki?” Ze herinneren zich die naam misschien zelfs niet. In plaats daarvan kunnen ze vragen: “wie in Kraków heeft ervaring in de lokale overheid?”, “welke kandidaat spreekt over Nowa Huta?”, “wie heeft een specifieke, duidelijke houding ten opzichte van de SCT?”, “is de PiS-kandidaat in Kraków alleen een partijlid, of heeft hij lokale ervaring?”.
Dergelijke vragen liggen veel dichter bij het werkelijke besluitvormingsproces. Mensen vergelijken zelden hele programma's van begin tot eind. (Trouwens… welke partij beschreef in 2024 duidelijk zijn verkiezingsprogramma in plaats van mee te surfen op de golf van veranderende peilingen, campagnekreten en sociale media-geluiden?) Vaker zoeken ze antwoorden op hun eigen problemen: woon-werkverkeer, prijzen, groene ruimtes, scholen, stoepen, parkeren, bouwactiviteiten buiten hun raam, een gevoel van chaos op kantoor, of een gebrek aan invloed op stadsbeslissingen.
Hier beginnen grote taalmodellen als een nieuwe tussenpersoon te functioneren. Ze bieden niet alleen informatie. Ze organiseren het toneel. Ze selecteren welke kandidaten te noemen. Ze beslissen welke feiten als significant worden beschouwd. Ze condenseren complexe contexten tot enkele paragrafen. En ze doen dit vaak op een manier die we niet zullen zien in klassieke media monitoring, SEO of sociale media-analyse. Zo kan worden afgeleid dat peilingbureaus en hun “missers” steeds vaker een van de belangrijkste onderwerpen van commentaar zullen worden na exit polls.
Dit Is Geen Technologische Niche Meer
Als iemand aanneemt dat “chatbots” nog steeds een speeltje zijn voor studenten en de tech-industrie, koelt de data die opvatting snel af. Volgens een rapport van Gemius/PBI gebruikten in juni 2025 meer dan 9,3 miljoen echte gebruikers in Polen ChatGPT. Dit vertegenwoordigde 31,4% van de internetgebruikers en 28,6% van de bevolking van 7–75 jaar. Het rapport gaf ook aan dat onder ChatGPT-gebruikers een oververtegenwoordiging is van personen onder de 35, met een gemiddelde gebruikstijd in de leeftijdsgroep van 25–34 jaar van 2 uur en 42 minuten in juni. bron: Gemius/PBI
Op Europees niveau meldde Eurostat dat in 2025 32,7% van de EU-inwoners van 16–74 jaar generatieve AI-tools gebruikte. In de leeftijdsgroep van 16–24 jaar was dit percentage al 63,8%. bron: Eurostat
Dit is significant, omdat jongere kiezers ook een groep zijn die meer geneigd is om nieuwe informatie-tools te gebruiken en een groep die vaak minder stabiele opkomst heeft bij lokale verkiezingen. Er is geen reden om een massale overgang van de gehele campagne naar AI-ondersteunde systemen aan te nemen. Het is voldoende om op te merken dat voor een aanzienlijk deel van de gebruikers het converseren met een chatbot een van de natuurlijke manieren aan het worden is om informatie te organiseren.
AI als Tool voor Nieuws, Politiek en Beslissingen
Data van het Reuters Institute toont aan dat AI-chatbots al worden gebruikt voor informatieconsumptie, hoewel ze nog niet domineren. In 2026 meldde 10% van de respondenten in 45 markten wekelijks gebruik van AI-chatbots voor nieuws, een stijging van 7% ten opzichte van het voorgaande jaar. Nog interessanter is hoe mensen ze gebruiken: 42% van de nieuws-chatbotgebruikers stelt vervolgvragen, 35% gebruikt ze voor de laatste informatie, 34% voor samenvattingen, 30% voor het vereenvoudigen van complexe onderwerpen, en 33% voor het beoordelen van de geloofwaardigheid van bronnen. bron: Reuters Institute Digital News Report
Dit is bijna een kant-en-klare beschrijving van het gedrag van kiezers in een lokale campagne. “Leg me uit waar de Schoon Transportzone over gaat.” “Vat de verschillen tussen de kandidaten samen.” “Wie is geloofwaardig op transportissues?” “Heeft deze kandidaat echt ervaring met de lokale overheid?” “Welke bronnen bevestigen hun uitspraken?”
Op dit punt stopt AI met slechts een hulpmiddel voor het schrijven van teksten te zijn. Het wordt een interface voor de publieke realiteit.
Het Sterkste Waarschuwingssignaal – Kiezers Vragen Al GenAI Over Verkiezingen
Een van de meest interessante cijfers komt uit een studie over de Britse parlementaire verkiezingen van 2024. Een representatieve enquête onder 2.499 volwassenen toonde aan dat in de week voorafgaand aan de verkiezingen 32% van de chatbotgebruikers (13% van alle kiesgerechtigden) conversatie-AI gebruikte om informatie te zoeken die direct verband hield met hun stembeslissing. bron: arXiv, UK-studie 2024
Dit is geen marginaal detail. Het is een signaal dat chatbots de kern van het verkiezingsproces binnendringen: niet als een abstracte technologie, maar als een hulpmiddel dat wordt gebruikt wanneer kiezers beslissingen nemen, argumenten organiseren of proberen het politieke landschap te begrijpen. Vaak net voordat ze het stembureau binnen gaan.
Belangrijk is dat de auteurs van deze studie geen eenvoudige alarmistische conclusie trekken. In een reeks experimenten met 2.858 deelnemers ontdekten ze dat het gebruik van chatbots de politieke kennis niet verslechterde; integendeel, het verhoogde deze tot een vergelijkbare mate als traditionele internetzoekopdrachten. bron: AI Security Institute
En daarom is het onderwerp interessanter dan een eenvoudig verhaal van gevaar. Tijd voor een truïsme. Ik zal het zelfs vetgedrukt maken om het opvallender te maken. Geen dank nodig…
LLM's kunnen kiezers helpen om politiek beter te begrijpen. Maar ze kunnen ook verwarren, weglaten, vereenvoudigen, kandidaten verkeerd identificeren of specifieke interpretatieve kaders opbouwen.
De Andere Kant – Antwoorden van Chatbots Kunnen Foutief Zijn
Het probleem is dat modelantwoorden georganiseerd, zelfverzekerd en compleet lijken, zelfs wanneer ze hiaten bevatten. Je weet wel… zoals die toekomstige ingenieur (als het lot en professoren het toelaten) van AGH die op een studentenfeest een standpunt zal verdedigen dat drie biertjes geleden niet eens in de discussie zou zijn gekomen ;)
Een studie van EBU en BBC besloeg meer dan 3.000 antwoorden die door vier AI-assistenten (ChatGPT, Copilot, Gemini en Perplexity) in 14 talen werden gegenereerd. 45% van de antwoorden bevatte ten minste één significant probleem, 31% had ernstige problemen met bronnen, en 20% bevatte ernstige nauwkeurigheidsproblemen, waaronder verouderde of hallucinerende informatie. bron: EBU/BBC
In lokale verkiezingen kan dit risico groter zijn dan in een landelijke campagne. Lokale bronnen zijn meer verspreid. Kandidaten kunnen (en zijn, zoals we binnenkort zullen bewijzen) minder bekend. De context verandert sneller. Namen uit de vorige cyclus kunnen zich vermengen met nieuwe kandidaten. Programma's kunnen in fasen worden gepubliceerd. (als ze al worden gemaakt, maar dat heb ik al genoemd en ik zal er voorlopig niet meer op ingaan) En gebruikersvragen zijn vaak kort, colloquiaal en onnauwkeurig.
Bij een nationale leider heeft het model meestal voldoende data. Bij een lokale kandidaat voor het burgemeesterschap van Kraków moet het een beeld samenstellen uit het BIP, lokale media, de website van de kandidaat, sociale media-berichten, peilingen, verslagen van conferenties en actuele gebeurtenissen. Dit creëert ideale omstandigheden voor schijnbaar kleine maar politiek significante fouten: verwarring van rollen, het weglaten van concurrenten, het toekennen van verouderde candidaturen, het geven van iemand een te smalle label, of het baseren van antwoorden op bronnen van eerdere verkiezingen.
De Belangrijkste Wending: GenAI Hoeft Niet Te Liegen om te Beïnvloeden
In discussies over AI en verkiezingen wordt te veel aandacht besteed aan “nepnieuws.” Ondertussen kan voor een lokale campagne iets subtielers even belangrijk zijn: representatie.
Het model hoeft geen valse informatie te geven. Het kan de kandidaat simpelweg voornamelijk beschrijven via hun partijaffiliatie, hun ervaring in de lokale overheid weglatend. Het kan hen noemen wanneer gevraagd wordt naar PiS, maar niet wanneer gevraagd wordt naar transport. Het kan schrijven over SCT maar het onderwerp openbaar vervoer overslaan. Het kan een vraag over Nowa Huta beantwoorden zonder de persoon te vermelden die een deel van hun communicatie rond die stad bouwt. Het kan de kandidaat aan het einde van de lijst plaatsen, ook al zijn ze formeel een van de significante deelnemers aan de race.
Dit hoeft geen “fout” in de eenvoudige zin te zijn. Het kan een gevolg zijn van de hiërarchie van bronnen, de versheid van data, de beschikbaarheid van informatie, de manier waarop een vraag is geformuleerd, en de mechanica van het antwoord dat door het model wordt gegenereerd.
In traditionele SEO vocht men voor positie in zoekresultaten. In de wereld van LLM's wordt het steeds belangrijker om te vragen: verschijnt de kandidaat überhaupt in het antwoord, onder welke vragen verschijnt hij, waar wordt hij mee geassocieerd, en met wie wordt hij vergeleken.
Dit mechanisme is duidelijk zichtbaar in de studie van Michał Drewnicki (later in de tekst uitgebreider besproken). In 250 antwoorden van de deep dive studie noemden modellen de kandidaat in 87,6% van de gevallen wanneer de gebruiker zijn naam gaf, maar slechts in 5,0% van de gevallen wanneer de vraag geen naam bevatte en betrekking had op een probleem, categorie kandidaten of stedelijk onderwerp. Met andere woorden: erkenning op naam betekent niet noodzakelijkerwijs thematische zichtbaarheid.
Wat Als Het Antwoord Niet Alleen Informatie Geeft Maar Ook Meningen Verandert?
Hier komt een tweede belangrijke set gegevens naar voren. Onderzoek beschreven door Cornell toonde aan dat een kort gesprek met een chatbot politieke meningen aanzienlijk kan verschuiven. In experimenten uitgevoerd in vier landen verschoven LLM-gebaseerde chatbots de voorkeuren van oppositiekiezers in veel gevallen met 10 procentpunten of meer. In experimenten in Canada en Polen was het effect ongeveer 10 procentpunten, terwijl in één studie het meest overtuigend geoptimaliseerde model de meningen van oppositiekiezers met 25 procentpunten verschuifte. bron: Cornell Chronicle
Dit moet voorzichtig worden gezegd. Dit waren gecontroleerde experimenten, geen bewijs dat chatbots echte verkiezingen zullen beslissen. De deelnemers wisten dat ze met AI spraken, en de richting van de overtuiging was gerandomiseerd. De auteurs en commentatoren zelf benadrukten de beperkingen van dergelijke studies en het verschil tussen experimentele omstandigheden en echte campagnes. bron: Nature Asia
Maar één conclusie is moeilijk te negeren. Het komt ongeveer hierop neer: modelantwoorden kunnen overtuigend zijn, niet omdat ze emotioneel, agressief of manipulatief zijn in de klassieke zin. Volgens onderzoekers kwam hun kracht vaak voort uit het genereren van veel beweringen, argumenten en schijnbaar feitelijke rechtvaardigingen. Cornell benadrukte dat wanneer het vermogen van de modellen om feiten te gebruiken werd beperkt, hun overtuigingskracht afnam; tegelijkertijd waren meer overtuigende modellen vaak minder nauwkeurig. bron: Cornell Chronicle
Dit is de kern van het probleem in een lokale campagne. Een kiezer kan een kalm, weloverwogen, goed klinkend antwoord ontvangen dat vrij is van partijtoon. Toch kan dat antwoord nog steeds een specifiek beeld van de kandidaat versterken.
Het Voorbeeld van Kraków: Michał Drewnicki in LLM Antwoorden
In deze context dient de studie van Michał Drewnicki, de PiS-kandidaat voor het burgemeesterschap van Kraków, als een goed voorbeeld van wat gemeten moet worden in de lokale politiek.
Het gaat niet alleen om de vraag: “weet GenAI de naam van de kandidaat?”. Dat is het eenvoudigste niveau. Veel interessanter zijn de diepere vragen:
Identificeren de modellen Michał Drewnicki correct als de PiS-kandidaat in de vroege verkiezingen in Kraków?
Herkennen ze zijn publieke rollen – gemeenteraadslid en vicevoorzitter van de Krakówse Gemeenteraad?
Onderschrijven ze de huidige verkiezingscontext van de lokale verkiezingen van 2024?
Associëren ze hem alleen met PiS, of ook met ervaring in de lokale overheid?
Verschijnt hij in antwoorden op vragen die zijn naam niet bevatten maar betrekking hebben op onderwerpen die in zijn publieke profiel aanwezig zijn: communicatie, SCT, Nowa Huta, ruimtelijke ordening, kosten van levensonderhoud, relaties tussen het kantoor en bewoners?
Kunnen de modellen onderscheid maken tussen officiële informatie, media-rapporten, campagneverklaringen en hun eigen interpretaties?
De studie werd uitgevoerd door de bescheiden auteur van deze tekst op 03/07/2026.
Met behulp van onze eigen tool Semantio analyseerde ik 250 antwoorden met betrekking tot Michał Drewnicki in de context van de presidentsverkiezingen in Kraków. Het materiaal is het resultaat van een analyse die 50 unieke scenario's besloeg, gelanceerd in vijf systemen: ChatGPT, Gemini, Grok, DeepSeek en Google Overview. Elk systeem reageerde op de 50 gepresenteerde scenario's. De scenario's waren verdeeld volgens de fase van de intentiefunnel: 80 antwoorden in de bewustwordings fase, 85 in de overwegings fase, en 85 in de beslissings fase. Vragen die de naam van de kandidaat bevatten en probleemgerichte vragen zonder een naam werden afzonderlijk geanalyseerd.
Het sterkste resultaat betreft het verschil tussen erkenning op naam en spontane zichtbaarheid. In het gehele materiaal waren er 170 antwoorden op vragen die Michał Drewnicki's naam bevatten en 80 antwoorden op vragen zonder een naam. Wanneer de gebruiker de naam van de kandidaat gaf (het promptscenario bevatte de naam “Drewnicki”), noemden de modellen Drewnicki in 149 van de 170 antwoorden, of 87,6% van de gevallen. Wanneer de vraag geen naam bevatte en betrekking had op een probleem, categorie kandidaten of stedelijk onderwerp, verscheen Drewnicki slechts in 4 van de 80 antwoorden, of 5,0% van de gevallen.
In eenvoudige termen: modellen kunnen de kandidaat beschrijven wanneer de gebruiker al weet waar ze naar vragen, maar ze zijn aanzienlijk minder succesvol in het zelfstandig koppelen van hem aan de stadsissues.
De gegevens tonen ook aan dat zichtbaarheid niet gelijkmatig verdeeld is over de systemen. Alle 4 spontane vermeldingen van Drewnicki in vragen zonder een naam kwamen van Google Overview. In de andere systemen (ChatGPT, Gemini, Grok en DeepSeek) verscheen de kandidaat in dergelijke vragen zelfs niet één keer. Dit is belangrijk omdat het “in cijfers” benadrukt dat er geen enkele, universele “zichtbaarheid in AI” is. Elk systeem kan een andere kaart van het politieke landschap opbouwen, afhankelijk van bronnen, versheid van data, zoekmechanica en de manier waarop antwoorden worden gegenereerd.
Inderdaad, ik kon het niet laten om deze foto op te nemen in de context van SCT ;)
De duidelijkste aanwijzing van thematische zichtbaarheid verscheen voornamelijk in vragen over transport, openbaar vervoer, tickets, mobiliteit en de Schoon Transportzone. In vragen zonder een naam over dit gebied verscheen Drewnicki in 4 van de 30 antwoorden, of 13,3% van de gevallen. Dit is nog steeds een laag resultaat, maar significant vergeleken met andere onderwerpen: vragen over ervaring in de lokale overheid, Nowa Huta, wijken, ruimtelijke ordening of groene ruimtes leidden niet zo effectief tot zijn naam. Vanuit het perspectief van een lokale campagne is dit een belangrijk verschil: het model kan het probleem in Kraków nauwkeurig beschrijven, maar het kan de kiezer niet noodzakelijkerwijs laten zien welke kandidaat dat probleem politiek probeert aan te pakken.
In 70 van de 250 antwoorden, of 28,0% van de gehele dataset, werden hallucinatiewaarschuwingen gemarkeerd. Het risico op fouten verdween niet na het geven van een naam: in vragen met een naam verscheen een waarschuwing in 50 van de 170 antwoorden (29,4%), terwijl het in vragen zonder een naam verscheen in 20 van de 80 antwoorden (25,0%). Meestal waren dit contextuele problemen, zoals het verwarren van de verkiezingen van 2026 met die van 2024, onjuiste publieke rollen, onjuiste politieke affiliatie, onjuiste of verdachte URL's, ongeverifieerde programma-informatie, en zelfs het verwarren van Kraków met Warschau (dat is onvergeeflijk in de Stad Krak!). In een lokale campagne kunnen dergelijke kleine fouten waarschijnlijker zijn dan spectaculaire “nepnieuws”, en dus veel moeilijker te vangen, omdat ze vaak voorkomen in antwoorden die kalm en weloverwogen klinken. Waar hebben we dit eerder gezien?…
Verschillen tussen aanbieders (nog een mooi woord uit de Bug) waren uitgesproken. Google Overview noemde Drewnicki het vaakst en had het laagste percentage hallucinatiewaarschuwingen: 37 vermeldingen in 50 antwoorden (74,0%) en 5 waarschuwingen (10,0%). DeepSeek noemde de kandidaat in 33 van de 50 antwoorden (66,0%), maar had tegelijkertijd het hoogste percentage waarschuwingen: 31 van de 50 antwoorden (62,0%). ChatGPT noemde Drewnicki in 30 van de 50 antwoorden (60,0%) en had 8 waarschuwingen (16,0%). Grok noemde hem in 27 van de 50 antwoorden (54,0%) en had 16 waarschuwingen (32,0%). Gemini noemde de kandidaat in 26 van de 50 antwoorden (52,0%) en had 10 waarschuwingen (20,0%). Dit toont aan dat grotere zichtbaarheid in AI niet altijd betekent dat er een hogere kwaliteit van representatie is.
De bronnen waren ook interessant gerangschikt. In de gehele dataset werden 676 bronlinks geïdentificeerd. De meest frequent voorkomende domeinen waren: bip.krakow.pl (90 keer), facebook.com (71 keer), krakow.pl (38 keer), youtube.com (29 keer), radiokrakow.pl (26 keer), lovekrakow.pl (23 keer), drewnicki.pl (22 keer) en ztp.krakow.pl (22 keer). De officiële domeinnaam van de kandidaat was aanwezig, maar het was zeker verre van dominant. Het beeld van Drewnicki in AI werd ook geconstrueerd door het BIP, lokale media, stadsbronnen, Facebook, YouTube en andere tussenliggende domeinen.
Tegelijkertijd waren er in 115 van de 250 antwoorden helemaal geen bronlinks, wat 46,0% van het gehele materiaal uitmaakt. Verschillen tussen systemen waren significant: Google Overview bood links in elk antwoord, ChatGPT in 43 van de 50, DeepSeek in 31 van de 50, Grok in 10 van de 50, en Gemini alleen in 1 van de 50 antwoorden. Dit heeft verkiezingsbelang – een antwoord zonder bron kan geloofwaardig klinken, maar de gebruiker mist een snelle manier om te verifiëren waar het model informatie over de kandidaat, hun rol, programma of de verkiezingscontext heeft verkregen.
In LLM-antwoorden werd concurrentie ook niet alleen begrepen als een lijst van formele verkiezingsrivalen. In het competitieve veld werden de meest frequent genoemde Aleksander Miszalski (53 keer) en Łukasz Gibała (50 keer), maar ook zichtbaar waren Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) en Bartosz Bocheńczak (8). Ook media, instellingen, partijen en organisaties kwamen aan bod, waaronder Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Burgercoalitie, Links, en PiS. Voor het model mengt het verkiezingslandschap zich met het informatieve landschap. Wat betekent dit? De kandidaat concurreert niet alleen met andere namen, maar ook met eerdere contexten, sterkere bronnen en meer verankerde associaties.
De kortste conclusie uit de studie is: een naam alleen is onvoldoende. In de wereld van LLM's kan een kandidaat worden erkend (Michał Drewnicki, zoals geanalyseerd, behoort duidelijk nog niet tot deze categorie) wanneer de gebruiker er direct naar vraagt, terwijl hij slecht aanwezig blijft als het gaat om vragen die echt de beslissing van de kiezer inleiden: over woon-werkverkeer, kosten, wijken, groene ruimtes, het kantoor, ervaring of geloofwaardigheid over een specifiek onderwerp. Dit is de laag – niet alleen online aanwezigheid, maar aanwezigheid in antwoorden op gebruikersbehoeften – die vandaag de
