Enkele jaren geleden moest een kiezer die de kandidaat voor het stadsbestuur wilde controleren, zijn website bezoeken, media (inclusief de "traditionele" media) doorbladeren, debatten bekijken, vrienden vragen of door verschillende pagina's van Google-resultaten scrollen. Tegenwoordig kan hij steeds vaker iets eenvoudigers doen – een vraag stellen aan zijn favoriete chatbot (een groot taalmodel).
Hij hoeft zelfs niet... de namen te kennen. Hij hoeft niet te weten wie bij welk comité hoort. Hij hoeft geen persconferenties te volgen. Over het algemeen, hoeft hij niet veel te doen. Maar hij kan. Hij kan vragen: "wie heeft het beste transportplan in Krakau?", "welke kandidaat is verbonden met Nowa Huta?", "wie wil de Zone voor Schone Transport veranderen?", "heeft de PiS-kandidaat gemeentelijke ervaring?", "wie spreekt in deze verkiezingen specifiek over de kosten van levensonderhoud?".
En hij krijgt een antwoord.
Geen lijst met links. Geen klassieke zoekresultaten. Geen neutrale documentatie. Hij krijgt een synthetische beschrijving van het politieke landschap, opgebouwd door een LLM op basis van wat het model vindt, onthoudt, interpreteert, als belangrijk beschouwt en in de juiste hiërarchie plaatst. En dat voor de gebruiker die deels zijn eigen "Tamagotchi" heeft "opgevoed" uit de derde decennium (hoe klinkt dat!) van de 21ste eeuw. Alleen voedt hij het niet en wast het niet door op knopjes te drukken, maar gooit hij stukjes van zichzelf naar binnen die zijn gewoonten verraden.
Dit is een nieuwe laag van de verkiezingscampagne. Stil, privé, moeilijk te monitoren en – in lokale verkiezingen – potentieel zeer belangrijk.
Krakau als laboratorium voor verkiezingen in het tijdperk van GenAI
Krakau is een goede plek om deze verandering in de praktijk te zien. Het is geen kleine gemeente, maar ook geen landelijke campagne waarin elke kandidaat voortdurend in de mainstream media aanwezig is. Volgens gegevens van het CBS had Krakau eind 2025 816.614 inwoners. Het is een grote, complexe stedelijke entiteit: met een centrum, Nowa Huta, perifere wijken, universiteiten, toerisme, bedrijven, transport, conflicten over groen, ruimtelijke ordening, prijzen van gemeentelijke diensten en stadsbeheer. bron: Krakau in cijfers
Daar komt een unieke politieke context bij. In het lokale referendum van 24 mei 2026 was de opkomst bij de stemming over het afzetten van de burgemeester van Krakau 29,99 procent – genoeg om het referendum geldig en bindend te maken. Bij de parallelle stemming over het afzetten van de gemeenteraad was de opkomst 29,97 procent, wat betekent dat de wettelijke drempel niet werd overschreden. Het verschil lijkt minimaal, maar de politieke gevolgen zijn totaal verschillend. bron: Stad Krakau
Krakau heeft ook recente ervaring met zeer gelijkwaardige concurrentie. In de tweede ronde van de presidentsverkiezingen in 2024 behaalde Aleksander Miszalski 51,04 procent van de stemmen, terwijl Łukasz Gibała 48,96 procent behaalde. Volgens rapporten gebaseerd op gegevens van de PKW was het verschil 5434 stemmen. bron: Rzeczpospolita
Dit zijn cijfers waarbij het belangrijk is om op elke nieuwe bron van informatie-invloed te letten. Niet omdat de chatbot "de burgemeester van Krakau zal kiezen". Dat is een te sterke bewering. Maar omdat in een campagne waarin enkele duizenden stemmen het resultaat kunnen veranderen, ook van belang is wie zichtbaar is, wie wordt genegeerd, waarmee hij wordt geassocieerd en hoe hij wordt beschreven in de antwoorden van generatieve kunstmatige intelligentie, waar gebruikers steeds vaker naar grijpen.
De kiezer zoekt niet alleen. De kiezer praat
De belangrijkste verandering is niet dat AI in staat is om een advertentie, meme of deepfake te genereren. Dat is natuurlijk ook belangrijk, maar het is al een vrij goed erkend onderwerp. Er wordt veel over gesproken, er zijn campagnes over – meer of minder sociaal. Meer of minder betaald door bepaalde verkiezingscommittees.
Een interessantere en minder voor de hand liggende verandering betreft het feit dat LLM's privé informatieadviseurs worden. De kiezer hoeft niet te vragen: "wat is het programma van Michał Drewnicki". Hij kan zelfs die naam niet meer herinneren. Hij kan echter vragen: "wie in Krakau heeft ervaring in de gemeentepolitiek?", "welke kandidaat spreekt over Nowa Huta?", "wie heeft een concreet, helder standpunt over SCT?", "is de PiS-kandidaat in Krakau alleen partijgebonden of heeft hij lokale ervaring?".
Dergelijke vragen zijn veel dichter bij het werkelijke besluitvormingsproces. Mensen vergelijken zelden hele programma's van begin tot eind. (overigens... welke partij heeft in 2024 haar duidelijke verkiezingsprogramma beschreven en niet alleen geprofiteerd van de fluctuaties in peilingen, kreten op bijeenkomsten en gekibbel gemeten in "sociale media"?) Ze zoeken vaker antwoorden op hun eigen probleem: woon-werkverkeer, prijzen, groen, school, stoep, parkeren, bebouwing voor het raam, gevoel van chaos in het kantoor of gebrek aan invloed op stadsbeslissingen.
Juist hier beginnen grote taalmodellen te functioneren als een nieuwe tussenpersoon. Ze leveren niet alleen informatie. Ze ordenen het landschap. Ze kiezen welke kandidaten te noemen. Ze beslissen welke feiten als belangrijk worden beschouwd. Ze verkorten complexe contexten tot enkele alinea's. En vaak doen ze dit op een manier die we niet zullen zien in klassieke media monitoring, SEO of sociale media-analyse. Daarmee kan worden aangenomen dat peilbureaus en hun "missers" steeds meer een van de belangrijkste onderwerpen van commentaar na exit polls zullen zijn.
Dit is geen technologische niche meer
Als iemand denkt dat "chatbots" nog steeds een speeltje zijn voor studenten en de technologiesector, dan koelen de gegevens snel deze opvatting. Volgens een rapport van Gemius/PBI gebruikten in juni 2025 meer dan 9,3 miljoen echte gebruikers ChatGPT in Polen. Dit betekende 31,4 procent van de internetgebruikers en 28,6 procent van de bevolking in de leeftijd van 7-75 jaar. Het rapport wees ook uit dat onder de gebruikers van ChatGPT jongeren onder de 35 jaar oververtegenwoordigd zijn, en in de groep van 25-34 jaar was de gemiddelde gebruiksduur in juni 2 uur en 42 minuten. bron: Gemius/PBI
Op Europees niveau meldde Eurostat dat in 2025 32,7 procent van de inwoners van de EU in de leeftijd van 16-74 jaar gebruik maakte van generatieve AI-tools. In de groep van 16-24 jaar was dit percentage al 63,8 procent. bron: Eurostat
Dit is belangrijk, omdat jongere kiezers tegelijkertijd een groep zijn die meer geneigd is om nieuwe informatiehulpmiddelen te gebruiken en een groep die in lokale verkiezingen vaak minder stabiel is qua opkomst. Het is niet nodig om een massale verschuiving van de hele campagne naar AI-ondersteunde systemen aan te nemen. Het is voldoende om op te merken dat voor een aanzienlijk deel van de gebruikers het gesprek met een chatbot een van de natuurlijke manieren wordt om informatie te ordenen.
AI als hulpmiddel voor nieuws, politiek en besluitvorming
Gegevens van het Reuters Institute tonen aan dat AI-chatbots al worden gebruikt voor het consumeren van informatie, hoewel ze nog niet dominant zijn. In 2026 gaf 10 procent van de respondenten op 45 markten aan wekelijks gebruik te maken van AI-chatbots voor nieuws, tegenover 7 procent het jaar ervoor. Nog interessanter is hoe mensen ze gebruiken: 42 procent van de gebruikers van nieuws-chatbots stelt verdiepende vragen, 35 procent gebruikt ze om de laatste informatie te verkrijgen, 34 procent om samen te vatten, 30 procent om complexe onderwerpen te vereenvoudigen, en 33 procent om de betrouwbaarheid van bronnen te beoordelen. bron: Reuters Institute Digital News Report
Dit is bijna een kant-en-klare beschrijving van het gedrag van de kiezer in een lokale campagne. "Leg me uit wat er aan de hand is met de Zone voor Schone Transport." "Vat de verschillen tussen de kandidaten samen." "Wie is betrouwbaar als het gaat om transport?" "Heeft deze kandidaat echt ervaring in de gemeentepolitiek?" "Welke bronnen bevestigen zijn verklaringen?".
Op dit punt stopt AI met alleen een hulpmiddel voor het schrijven van teksten te zijn. Het wordt een interface voor de publieke realiteit.
Het sterkste waarschuwingssignaal – kiezers vragen al GenAI naar verkiezingen
Een van de meest interessante cijfers komt uit een onderzoek naar de parlementaire verkiezingen in het Verenigd Koninkrijk in 2024. Een representatieve steekproef van 2499 volwassenen toonde aan dat in de week voor de verkiezingen 32 procent van de gebruikers van chatbots (13 procent van alle kiesgerechtigden) conversatie-AI gebruikte om informatie te zoeken die direct verband hield met hun stembeslissing. bron: arXiv, onderzoek VK 2024
Dit is geen marginale detail. Dit is een signaal dat chatbots het verkiezingsproces binnendringen: niet als abstracte technologie, maar als een hulpmiddel dat wordt gebruikt op het moment dat de kiezer een beslissing neemt, argumenten ordent of probeert de politieke scène te begrijpen. Vaak net voordat hij het stemlokaal binnenloopt.
Belangrijk is dat de auteurs van dit onderzoek geen eenvoudige alarmistische conclusie trekken. In een reeks experimenten met 2858 deelnemers stelden ze vast dat het gebruik van chatbots de politieke kennis niet verslechterde; integendeel, het verhoogde deze in vergelijkbare mate als traditioneel internetonderzoek. bron: AI Security Institute
En daarom is het onderwerp interessanter dan een gewone waarschuwing. Tijd voor een truïsme. Ik zal het zelfs vetgedrukt maken, zodat het meer opvalt. Geen dank…
LLM's kunnen kiezers helpen om de politiek beter te begrijpen. Maar ze kunnen ook verwarren, weglaten, vereenvoudigen, kandidaten onjuist identificeren of bepaalde interpretatiekaders opbouwen.
De andere kant – de antwoorden van chatbots kunnen gebrekkig zijn
Het probleem is dat de antwoorden van modellen de indruk wekken georganiseerd, zeker en compleet te zijn, zelfs als ze hiaten bevatten. Je weet wel... zoals die toekomstige ingenieur (als het lot en de professoren het toelaten) van de AGH die met een volharding die beter zou kunnen worden besteed, een standpunt verdedigt dat drie biertjes geleden niet eens in discussie zou zijn gekomen ;)
Een onderzoek van de EBU en de BBC omvatte meer dan 3000 antwoorden die door vier AI-assistenten (ChatGPT, Copilot, Gemini en Perplexity) in 14 talen werden gegenereerd. 45 procent van de antwoorden bevatte ten minste één significant probleem, 31 procent had ernstige problemen met bronnen, en 20 procent bevatte ernstige problemen met nauwkeurigheid, waaronder verouderde of hallucinatoire informatie. bron: EBU/BBC
In lokale verkiezingen kan dit risico groter zijn dan in een landelijke campagne. Lokale bronnen zijn meer verspreid. Kandidaten zijn (en zijn, zoals we zo zullen bewijzen) minder bekend. De context verandert sneller. Namen uit de vorige cyclus kunnen zich vermengen met nieuwe kandidaten. Programma's worden vaak gefaseerd gepubliceerd. (tenzij ze worden opgesteld, maar daar heb ik al over geschreven en er zullen geen verdere steken worden uitgedeeld... denk ik) En de vragen van gebruikers zijn vaak kort, alledaags en onduidelijk.
Bij een nationale leider heeft het model doorgaans veel gegevens. Bij een lokale kandidaat voor het presidentschap van Krakau moet het een beeld samenstellen uit het BIP, lokale media, de website van de kandidaat, sociale media posts, peilingen, verslagen van persconferenties en actuele gebeurtenissen. Dit zijn ideale omstandigheden voor schijnbaar kleine, maar politiek significante fouten: het verwarren van functies, het negeren van concurrenten, het toeschrijven van verouderde kandidaturen, het geven van een te smalle etikettering of het baseren van antwoorden op bronnen van eerdere verkiezingen.
De belangrijkste twist: GenAI hoeft niet te liegen om invloed uit te oefenen
In de discussie over AI en verkiezingen wordt er 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 gewoon voornamelijk door de partij beschrijven en zijn gemeentelijke ervaring negeren. Het kan hem noemen bij een vraag over PiS, maar niet bij een vraag over transport. Het kan schrijven over SCT, maar het onderwerp van het openbaar vervoer negeren. Het kan antwoorden op een vraag over Nowa Huta zonder de persoon te noemen die een deel van zijn communicatie rond de banden met dat deel van de stad opbouwt. Het kan de kandidaat onderaan de lijst plaatsen, terwijl hij formeel een van de belangrijke deelnemers aan de race is.
Dit hoeft geen "fout" in de eenvoudige zin te zijn. Het kan een gevolg zijn van de hiërarchie van bronnen, de actualiteit van gegevens, de beschikbaarheid van informatie, de manier waarop de vraag is geformuleerd en de mechaniek van het door het model gegenereerde antwoord.
In traditioneel SEO werd er gestreden om een positie in de zoekresultaten. In de wereld van LLM's wordt de vraag steeds belangrijker: verschijnt de kandidaat überhaupt in het antwoord, bij welke vragen verschijnt hij, waarmee wordt hij geassocieerd en met wie wordt hij vergeleken.
Dit mechanisme is goed te zien in het onderzoek van Michał Drewnicki (dat verderop in de tekst uitgebreider wordt besproken). In 250 antwoorden uit het deep dive onderzoek noemden de modellen de kandidaat in 87,6 procent van de gevallen wanneer de gebruiker zijn naam gaf, maar slechts in 5,0 procent van de gevallen wanneer de vraag geen naam bevatte en betrekking had op een probleem, een categorie van kandidaten of een stedelijk onderwerp. Met andere woorden: herkenning op basis van naam betekent nog niet thematische zichtbaarheid.
En als het antwoord niet alleen informeert, maar ook de mening beïnvloedt?
Hier komt een tweede belangrijke set gegevens naar voren. Onderzoek beschreven door Cornell toonde aan dat een kort gesprek met een chatbot de politieke voorkeuren aanzienlijk kan verschuiven. In experimenten die in vier landen werden uitgevoerd, verschoven chatbots op basis van LLM's de voorkeuren van oppositiekiezers met 10 procentpunten of meer in veel gevallen. In experimenten in Canada en Polen was het effect ongeveer 10 procentpunten, en in een van de studies verschuift het meest overtuigende geoptimaliseerde model de voorkeuren van oppositiekiezers met 25 procentpunten. bron: Cornell Chronicle
Het moet voorzichtig worden gezegd. Dit waren gecontroleerde experimenten, geen bewijs dat chatbots de echte verkiezingen zullen beslissen. De deelnemers wisten dat ze met AI spraken, en de richting van de beïnvloeding was gerandomiseerd. De auteurs en commentatoren benadrukten de beperkingen van dergelijke studies en het verschil tussen experimentele voorwaarden en de werkelijke campagne. bron: Nature Asia
Maar één conclusie is moeilijk te negeren. Het klinkt ongeveer zo: de antwoorden van modellen kunnen overtuigend zijn, niet omdat ze emotioneel, agressief of manipulatief zijn in de klassieke zin. Volgens onderzoekers komt hun kracht vaak voort uit het feit dat ze veel beweringen, argumenten en schijnbaar objectieve rechtvaardigingen genereren. Cornell benadrukte dat wanneer de modellen de mogelijkheid 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. De kiezer kan een antwoord krijgen dat rustig, zakelijk, goed klinkt en vrij is van partijpolitieke toon. En toch kan dit antwoord een bepaald beeld van de kandidaat versterken.
Voorbeeld Krakau, of Michał Drewnicki in de antwoorden van LLM's
In deze context is het onderzoek van Michał Drewnicki, de kandidaat van de Recht en Rechtvaardigheid voor het presidentschap van Krakau, een goed voorbeeld van wat we in de lokale politiek moeten beginnen te meten.
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 vervroegde verkiezingen in Krakau?
Herkennen ze zijn publieke functies – gemeenteraadslid en vicevoorzitter van de gemeenteraad van Krakau?
Kunnen ze de huidige verkiezingscontext onderscheiden van de gemeenteraadsverkiezingen van 2024?
Verbinden ze hem uitsluitend met PiS, of ook met lokale gemeentelijke ervaring?
Komt hij voor in de 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, relatie tussen overheid en inwoners?
Kunnen de modellen officiële informatie, mediarelaties, campagnedeclaraties en eigen interpretaties onderscheiden?
Het onderzoek werd uitgevoerd door de bescheiden auteur van deze tekst op 03/07/2026.
In het onderzoek, uitgevoerd met ons eigen hulpmiddel Semantio, heb ik 250 antwoorden geanalyseerd met betrekking tot Michał Drewnicki in de context van de presidentsverkiezingen in Krakau. Het materiaal is het resultaat van een analyse die 50 unieke scenario's omvatte, uitgevoerd in vijf systemen: ChatGPT, Gemini, Grok, DeepSeek en Google Overview. Elk systeem gaf antwoord op de 50 gestelde scenario's. De scenario's werden onder andere verdeeld op basis van de fase van de intentieleiding: 80 antwoorden in de fase van awareness, 85 in de fase van consideration en 85 in de fase van decision. Vragen die de naam van de kandidaat bevatten en probleemvragen zonder naam werden afzonderlijk geanalyseerd.
De sterkste uitkomst betreft het verschil tussen herkenning op basis van naam en spontane zichtbaarheid. In het hele materiaal waren er 170 antwoorden op vragen die de naam Michał Drewnicki bevatten en 80 antwoorden op vragen zonder naam. Wanneer de gebruiker de naam van de kandidaat gaf (de prompt-scenario bevatte de naam "Drewnicki"), noemden de modellen Drewnicki in 149 van de 170 antwoorden, oftewel in 87,6 procent van de gevallen. Wanneer de vraag geen naam bevatte en betrekking had op een probleem, een categorie van kandidaten of een stedelijk onderwerp, verscheen Drewnicki slechts in 4 van de 80 antwoorden, oftewel in 5,0 procent van de gevallen.
Met andere woorden: modellen kunnen de kandidaat beschrijven wanneer de gebruiker al weet wie hij vraagt, maar verbinden hem veel minder goed zelfstandig met de problemen van de stad.
De gegevens tonen ook aan dat zichtbaarheid niet gelijk verdeeld is tussen systemen. Alle 4 spontane vermeldingen van Drewnicki in vragen zonder naam kwamen van Google Overview. In de andere systemen (ChatGPT, Gemini, Grok en DeepSeek) verscheen de kandidaat bij dergelijke vragen niet eens één keer. Dit is belangrijk, omdat het "in cijfers" benadrukt dat er niet één universele "zichtbaarheid in AI" bestaat. Elk systeem kan een andere kaart van het politieke landschap opbouwen, afhankelijk van bronnen, actualiteit van gegevens, zoekmechaniek en de manier waarop antwoorden worden gegenereerd.
Ja, ik kon het niet laten om deze foto in de context van SCT te gebruiken ;)
De meest duidelijke kiem van thematische zichtbaarheid verscheen bij vragen over transport, openbaar vervoer, tickets, mobiliteit en de Zone voor Schone Transport. In vragen zonder naam over dit gebied verscheen Drewnicki in 4 van de 30 antwoorden, oftewel in 13,3 procent van de gevallen. Dit is nog steeds een laag resultaat, maar in vergelijking met andere onderwerpen significant: vragen over gemeentelijke ervaring, Nowa Huta, wijken, ruimtelijke ordening of groen activeerden zijn naam niet even effectief. Vanuit het perspectief van de lokale campagne is dit een belangrijk verschil: het model kan het probleem van Krakau goed beschrijven, maar laat de kiezer niet noodzakelijk zien welke kandidaat probeert dit probleem politiek aan te pakken.
In 70 van de 250 antwoorden, oftewel 28,0 procent van de totale set, werd een hallucinatie-alarm gemarkeerd. Het risico op fouten verdween niet na het geven van de naam: bij vragen met de naam verscheen het alarm in 50 van de 170 antwoorden (29,4 procent), en bij vragen zonder naam in 20 van de 80 antwoorden (25,0 procent). Dit waren meestal contextuele problemen, zoals het verwarren van de verkiezingen van 2026 met die van 2024, onjuiste publieke functies, onjuiste politieke affiliaties, onjuiste of verdachte URL's, niet-geverifieerde details van het programma en zelfs het verwarren van Krakau met Warschau (dat vergeven we niet in de stad Krakau!). In een lokale campagne kunnen dergelijke kleine fouten waarschijnlijker zijn dan spectaculaire "nepnieuws", en daardoor veel moeilijker te detecteren, omdat ze vaak voorkomen in antwoorden die rustig en zakelijk klinken. Waar kennen we dit van?…
De verschillen tussen providers (nog een mooi woord uit de buurt van de Bug) waren duidelijk. Google Overview noemde Drewnicki het vaakst en had het laagste percentage hallucinatie-alarmen: 37 vermeldingen in 50 antwoorden (74,0 procent) en 5 alarmen (10,0 procent). DeepSeek noemde de kandidaat in 33 van de 50 antwoorden (66,0 procent), maar had tegelijkertijd het hoogste percentage alarmen: 31 van de 50 antwoorden (62,0 procent). ChatGPT noemde Drewnicki in 30 van de 50 antwoorden (60,0 procent) en had 8 alarmen (16,0 procent). Grok noemde hem in 27 van de 50 antwoorden (54,0 procent) en had 16 alarmen (32,0 procent). Gemini noemde de kandidaat in 26 van de 50 antwoorden (52,0 procent) en had 10 alarmen (20,0 procent). Dit toont aan dat een grotere zichtbaarheid in AI niet altijd betekent dat er een betere kwaliteit van representatie is.
De bronnen waren ook interessant. In de hele set werden 676 bronnenlinks geïdentificeerd. De meest 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 domein van de kandidaat was dus aanwezig, maar het was zeker ver van dominantie. Het beeld van Drewnicki in AI werd ook opgebouwd door het BIP, lokale media, gemeentelijke bronnen, Facebook, YouTube en andere tussenliggende domeinen.
Tegelijkertijd was er in 115 van de 250 antwoorden geen enkele link naar een bron, wat 46,0 procent van het totale materiaal uitmaakt. De verschillen tussen systemen waren groot: Google Overview gaf in elk antwoord links, ChatGPT in 43 van de 50, DeepSeek in 31 van de 50, Grok in 10 van de 50, en Gemini slechts in 1 van de 50 antwoorden. Dit heeft verkiezingsrelevantie – een antwoord zonder bron kan geloofwaardig klinken, maar de gebruiker heeft geen snelle manier om te controleren waar het model de informatie over de kandidaat, functie, programma of verkiezingscontext vandaan heeft gehaald.
In de antwoorden van LLM's werd concurrentie ook niet uitsluitend begrepen als een lijst van formele verkiezingsrivalen. In het concurrentieveld kwamen Aleksander Miszalski (53 keer) en Łukasz Gibała (50 keer) het vaakst voor, maar ook 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) waren ook zichtbaar. Media, instellingen, partijen en organisaties kwamen ook voor, waaronder Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica en PiS. Voor het model mengt het verkiezingslandschap zich dus met het informatieve landschap. Wat betekent dit? De kandidaat concurreert niet alleen met andere namen, maar ook met eerdere contexten, sterkere bronnen en meer gevestigde associaties.
De kortste conclusie uit het onderzoek is: een naam is niet genoeg. In de wereld van LLM's kan een kandidaat worden herkend (de geanalyseerde Michał Drewnicki behoort duidelijk nog niet tot deze groep), wanneer de gebruiker hem rechtstreeks vraagt, maar tegelijkertijd zwak aanwezig blijven bij vragen die daadwerkelijk het begin van de beslissing van de kiezer zijn: over woon-werkverkeer, kosten, wijken, groen, overheid, ervaring of betrouwbaarheid in een specifiek probleem. Het is deze laag – niet alleen aanwezigheid op internet, maar aanwezigheid in antwoorden op de behoeften van gebruikers – die we vandaag de dag moeten parametriseren.
Wat precies kan worden gemeten?
Bij het analyseren van de resultaten verkregen in Semantio keek ik naar de antwoorden van grote taalmodellen niet als een curiositeit, maar als een nieuwe laag van publieke zichtbaarheid. In het geval van een politieke kandidaat kan men onder andere analyseren:
spontane zichtbaarheid – verschijnt de kandidaat wanneer de gebruiker geen naam opgeeft;
correctheid van identificatie – naam, functie, partij, jaar van verkiezingen, actuele context;
positie in het antwoord – is de kandidaat de eerste, middelste, laatste, genegeerd of kort beschreven;
thematische verbanden – bij welke onderwerpen roept het model hem op: transport, SCT, wijken, kosten van levensonderhoud, gemeentelijke ervaring, PiS, rechts, stadsbeheer;
vergelijkingen – met wie het model hem het vaakst vergelijkt en op basis van welke criteria; met wie de kandidaat wint, en wie hem KO geeft (niet over het comité!);
bronnen – is het antwoord gebaseerd op actuele, betrouwbare en relevante gegevens;
hallucinaties – een fascinerend gebied waar men dingen kan zien zoals het verwarren van personen, functies, data, programma's, verkiezingscycli of niet-bestaande verklaringen;
interpretatiekaders – wordt de kandidaat gepresenteerd als partijgebonden, lokaal, gemeentelijk, ideologisch, technocratisch, protest, anti-regulering, stedelijk, rechts, "pro-rijder" of op een andere manier.
In het geval van Drewnicki zijn drie categorieën voor verdere analyse bijzonder duidelijk, namelijk: zichtbaarheid op basis van naam, thematische zichtbaarheid en de kwaliteit van bronnen. De eerste was hoog. De tweede was laag. De derde bleek ongelijk te zijn tussen de aanbieders.
Eerste voorbeeld: vragen over gemeentelijke ervaring zonder de naam op te geven activeerden Drewnicki niet spontaan, hoewel zijn institutionele profiel een raadsmandaat en de functie van vicevoorzitter van de gemeenteraad van Krakau omvat.
Tweede voorbeeld: vragen over Nowa Huta, Mistrzejowice, het noorden van Krakau en het wijkperspectief waren ook niet voldoende om de modellen de kandidaat zelfstandig aan te wijzen.
Derde voorbeeld: een zekere spoor van spontane zichtbaarheid verscheen voornamelijk rond transport en SCT, maar bleef nog steeds zeer zwak in vergelijking met antwoorden op vragen die de naam bevatten.
Het kortste samenvatten zou zijn: GenAI kan antwoorden op de vraag "wie is Michał Drewnicki?", maar geeft zijn naam veel minder vaak als antwoord op de vraag "wie in Krakau heeft een standpunt over mijn probleem?". Dit is een verschil dat moeilijk te zien is in klassieke media monitoring, maar dat zeer belangrijk is voor de lokale campagne.
Waarom dit belangrijk is voor campagnes, media en burgerorganisaties
Verkiezingscampagnes monitoren al jaren media, sociale media, peilingen en zoekresultaten. Het probleem is dat LLM's zich niet gedragen als een gewoon medium en zich niet gedragen als een klassieke zoekmachine. Deze laatste zijn ook steeds minder "klassiek" voor onze ogen.
Het model toont niet gewoon wat er op internet staat. Het model verwerkt informatie, vat deze samen, hiërarchiseert, soms actualiseert door te zoeken, soms baseert het op eerder vastgelegde kennis, soms weigert het antwoorden te geven, en soms geeft het antwoorden met grote zekerheid, ondanks onvolledige gegevens.
Voor campagnes betekent dit nieuwe vragen. Is de kandidaat aanwezig in antwoorden op onderwerpen die voor hem belangrijk zijn? Is zijn profiel actueel? Wijs de modellen hem geen andermans verklaringen toe? Neem concurrenten in AI geen onderwerpen over die in de campagne zijn natuurlijke terrein zijn? Ziet de gebruiker die vraagt naar "de kandidaat van transport" überhaupt zijn naam?
Het onderzoek naar Drewnicki toont aan dat deze vraag niet theoretisch is. In vragen zonder naam verscheen de kandidaat slechts in 5,0 procent van de antwoorden. Voor de campagne betekent dit de noodzaak om niet alleen te kijken naar of er materialen over de kandidaat op internet zijn, maar ook naar of modellen deze materialen kunnen koppelen aan de werkelijke intenties van kiezers.
Voor de media betekent dit de noodzaak om LLM's te beschouwen als tussenpersonen in de distributie van publieke informatie. Als modellen beginnen te antwoorden op verkiezingsvragen, zullen de kwaliteit van lokale journalistiek, de structuur van gegevens, de actualiteit van bronnen en de precisie van beschrijvingen van kandidaten niet alleen invloed hebben op lezers, maar ook op de antwoorden die door GenAI worden gesynthetiseerd.
Voor burgerorganisaties betekent dit nog iets anders. De mogelijkheid om te onderzoeken of modellen kiezers betrouwbaar informeren, of ze kandidaten niet overslaan, of ze verouderde gegevens niet versterken en of ze geen informatieongelijkheid creëren tussen mensen die de politieke scène goed kennen en degenen die er net proberen in te komen.
De zenuwen onder controle – voorlopig wijst niets erop dat GenAI campagnes zal vervangen. Maar het kan de informatiekaart veranderen
Het heeft geen zin om te beweren dat de verkiezingen in Krakau zullen worden beslist in ChatGPT, Gemini, Perplexity of Copilot. Dat is het zeker niet... De campagne vindt nog steeds in overgrote meerderheid "in de stad" plaats – op bijeenkomsten, in lokale media, op persconferenties, in debatten, in buurten, in wijken, op bushaltes en in gesprekken tussen inwoners.
Maar het zou een fout zijn om te denken dat de antwoorden van LLM's slechts een technologische curiositeit zijn.
Als miljoenen mensen in Polen al gebruik maken van ChatGPT, als ongeveer een derde van de bevolking in de EU in de leeftijd van 16-74 jaar gebruik maakt van generatieve AI, als 13 procent van de kiesgerechtigden in het VK chatbots heeft gebruikt voor verkiezingsinformatie in de week voor de stemming, en experimenten tonen aan dat een gesprek met een model politieke voorkeuren kan verschuiven – dan betekent dit dat campagnes en publieke instellingen AI moeten beginnen te beschouwen als een reële laag van informatiecirculatie. bronnen: Gemius/PBI, Eurostat, onderzoek VK 2024, Cornell Chronicle
In lokale verkiezingen is deze laag bijzonder belangrijk. Waarom? Omdat de kiezer vaak niet op zoek is naar grote ideologie. Hij zoekt antwoorden op zijn eigen probleem. Er zijn veel vragen: Wie begrijpt mijn wijk? Wie heeft ervaring? Wie spreekt over transport? Wie heeft een plan voor de kosten van levensonderhoud? Wie is betrouwbaar als het gaat om groen? Wie doet er echt mee, en wie was kandidaat bij de vorige verkiezingen?
Afhankelijk van hoe het model op dergelijke vragen antwoordt, kan niet alleen de uitkomst van de verkiezingen afhangen, maar ook de manier waarop een deel van de inwoners de kandidaten begrijpt.
En dat is niet zichtbaar in peilingen. Niet zichtbaar in klassieke SEO. Niet zichtbaar in media monitoring. Maar het kan worden onderzocht.
In het geval van Michał Drewnicki is de belangrijkste les eenvoudig: de kandidaat kan aanwezig zijn in de antwoorden van GenAI, maar nog steeds geen sterke "ownership" hebben (ja, een mooi Pools woord) van onderwerpen die belangrijk zijn voor de inwoners. Het is deze kloof – tussen aanwezigheid op basis van naam en aanwezigheid in problemen – die we moeten beginnen te beschouwen als een nieuwe categorie van publieke zichtbaarheid.
Wil je controleren hoe AI jouw kandidaat, partij, merk of instelling beschrijft?
Het onderzoek naar Michał Drewnicki toont aan dat de antwoorden die door AI-modellen worden gegenereerd systematisch kunnen worden geanalyseerd, met betrekking tot zichtbaarheid, correctheid, bronnen, vergelijkingen, weglatingen en interpretatiekaders. Als je meer wilt weten over dit onderzoek of wilt praten over een soortgelijke analyse voor jouw project, neem dan contact op met de auteur van de tekst: m.grzebyk@brandsemantics.eu
* om misverstanden te voorkomen – zo'n kandidaat die in de antwoorden voorkomt ;)
