For bare noen år siden måtte en velger som ønsket å sjekke en kandidat til byens ordfører, gå inn på kandidatens nettside, se gjennom medier (inkludert de "tradisjonelle"), se på debatter, spørre venner eller bla gjennom flere sider med Google-resultater. I dag kan de oftere gjøre noe enklere – stille spørsmål til sin favoritt-chatbot (et stort språkmodell).
De trenger ikke engang… å kjenne navnene. De trenger ikke vite hvem som er fra hvilket parti. De trenger ikke følge pressekonferanser. Generelt, de trenger ikke å gjøre mye. Men de kan. De kan spørre: "hvem i Krakow har det beste transportprogrammet?", "hvilken kandidat er knyttet til Nowa Huta?", "hvem ønsker å endre sonen for ren transport?", "har PiS-kandidaten kommunal erfaring?", "hvem snakker konkret om levekostnader i disse valgene?".
Og de vil få svar.
Ikke en liste med lenker. Ikke et klassisk søkresultat. Ikke en nøytral dokumentbase. De vil få en syntetisk beskrivelse av den politiske scenen, bygget av LLM basert på hva modellen finner, husker, tolker, anser som viktig og organiserer i riktig hierarki. Og det til den brukeren som delvis har "oppdratt" sitt eget "Tamagotchi" fra den tredje tiåret (hvordan høres det ut!) av det 21. århundre. Bare at de ikke mater det og vasker det ved å trykke på knapper, men kaster biter av seg selv som avslører vanene.
Dette er et nytt lag av valgkampen. Stille, privat, vanskelig å overvåke og – i lokale valg – potensielt svært betydningsfullt.
Krakow som laboratorium for valg i GenAI-epoken
Krakow er et godt sted å se denne endringen i praksis. Det er ikke en liten kommune, men heller ikke en landsdekkende kampanje der hver kandidat er konstant til stede i de store mediene. Ifølge GUS-dataene hadde Krakow 816 614 innbyggere ved slutten av 2025. Det er en stor, kompleks byorganisme: med sentrum, Nowa Huta, perifere bydeler, universiteter, turisme, næringsliv, transport, konflikter om grøntområder, arealplanlegging, priser på kommunale tjenester og måten byen styres på. kilde: Krakow i tall
Til dette kommer en unik politisk kontekst. I det lokale folkeavstemningen den 24. mai 2026 var valgdeltakelsen for avsettelse av Krakows ordfører 29,99 % — tilstrekkelig til at folkeavstemningen var gyldig og avgjørende. I den parallelle avstemningen om avsettelse av bystyret var valgdeltakelsen 29,97 %, så den lovbestemte terskelen ble ikke nådd. Forskjellen er tilsynelatende minimal, men de politiske konsekvensene er helt forskjellige. kilde: Byen Krakow
Krakow har også frisk erfaring med svært jevn konkurranse. I andre runde av presidentvalget i 2024 fikk Aleksander Miszalski 51,04 % av stemmene, mens Łukasz Gibała fikk 48,96 %. Ifølge rapporter basert på PKW-data var forskjellen 5434 stemmer. kilde: Rzeczpospolita
Dette er tall som gjør det viktig å være oppmerksom på hver ny kilde til informasjonsinnflytelse. Ikke fordi chatboten "velger Krakows ordfører". Det er en for sterk påstand. Men fordi i en kampanje der noen tusen stemmer kan endre resultatet, er det også betydning i hvem som er synlig, hvem som blir utelatt, hva de er assosiert med og hvordan de blir beskrevet i svarene fra generativ kunstig intelligens, som brukerne i økende grad tyr til.
Velgeren søker ikke bare. Velgeren snakker
Den viktigste endringen er ikke at AI kan generere en annonse, meme eller deepfake. Det har selvfølgelig også betydning, men det er allerede et ganske godt kjent tema. Det snakkes mye om det, det er kampanjer om det – mer eller mindre sosiale. Mer eller mindre betalt av bestemte valgkomiteer.
En mer interessant og mindre åpenbar endring gjelder det faktum at LLM-er blir private informasjonsrådgivere. Velgeren kan kanskje ikke spørre: "hva er programmet til Michał Drewnicki". De kan til og med ikke huske dette navnet. Men de kan spørre: "hvem i Krakow har erfaring med kommunestyret?", "hvilken kandidat snakker om Nowa Huta?", "hvem har et konkret, klart standpunkt om SCT?", "er PiS-kandidaten i Krakow bare partipolitisk, eller har de lokal erfaring?".
Slikke spørsmål er mye nærmere den reelle beslutningsprosessen. Folk sammenligner sjelden hele programmer fra A til Å. (forresten… hvilken av partiene i 2024 beskrev sitt klare valgprogram, og ikke bare reduserte seg til å følge med på skiftende meningsmålinger, rop på møter og klager målt i "sosiale medier"?) Ofte søker de svar på sitt eget problem: pendling, priser, grøntområder, skole, fortau, parkering, bygninger utenfor vinduet, følelsen av kaos i kommunen eller mangel på innflytelse på byens beslutninger.
Akkurat her begynner store språkmodeller å fungere som en ny mellommann. De leverer ikke bare informasjon. De organiserer scenen. De velger hvilke kandidater som skal nevnes. De bestemmer hvilke fakta som skal anses som viktige. De forkorter komplekse kontekster til noen avsnitt. Og de gjør det ofte på en måte som vi ikke vil se i klassisk medieovervåking, SEO eller analyse av sosiale medier. Dermed kan man anta at meningsmålingsbyråer og deres "feil" vil bli et av hovedtemaene i kommentarene etter exit-pollene.
Dette er ikke lenger en teknologisk nisje
Hvis noen tror at "chatbots" fortsatt er leketøy for studenter og teknologiindustrien, vil data raskt kjøle ned dette synet. Ifølge en rapport fra Gemius/PBI brukte mer enn 9,3 millioner faktiske brukere ChatGPT i Polen i juni 2025. Dette utgjorde 31,4 % av internettbrukerne og 28,6 % av befolkningen i alderen 7–75 år. Rapporten viste også at blant ChatGPT-brukerne var det en overrepresentasjon av personer under 35 år, og i aldersgruppen 25–34 år var den gjennomsnittlige brukstiden i juni 2 timer og 42 minutter. kilde: Gemius/PBI
På europeisk nivå rapporterte Eurostat at 32,7 % av innbyggerne i EU i alderen 16–74 år brukte generativ AI-verktøy i 2025. I aldersgruppen 16–24 år var denne andelen allerede 63,8 %. kilde: Eurostat
Dette er viktig, fordi yngre velgere samtidig er en gruppe som er mer tilbøyelig til å bruke nye informasjonsverktøy og en gruppe som ofte har lavere valgdeltakelse i lokale valg. Det er ikke nødvendig å anta en massiv overgang av hele kampanjen til AI-støttede systemer. Det er tilstrekkelig å merke seg at for en betydelig del av brukerne blir samtalen med chatboten en av de naturlige måtene å organisere informasjon på.
AI som verktøy for nyheter, politikk og beslutninger
Data fra Reuters Institute viser at AI-chatbots allerede brukes til å konsumere informasjon, selv om de fortsatt ikke dominerer. I 2026 rapporterte 10 % av de spurte på 45 markeder at de ukentlig brukte AI-chatbots for nyheter, opp fra 7 % året før. Enda mer interessant er hvordan folk bruker dem: 42 % av brukerne av nyhetschatbots stiller oppfølgingsspørsmål, 35 % bruker dem for å få de nyeste nyhetene, 34 % for oppsummering, 30 % for å forenkle komplekse emner, og 33 % for å vurdere påliteligheten til kilder. kilde: Reuters Institute Digital News Report
Dette er nesten en klar beskrivelse av velgerens atferd i lokale valg. "Forklar meg hva som skjer med sonen for ren transport." "Oppsummer forskjellene mellom kandidatene." "Hvem er pålitelig når det gjelder transport?" "Har denne kandidaten virkelig erfaring med kommunestyret?" "Hvilke kilder bekrefter deres uttalelser?".
I dette tilfellet slutter AI å være bare et verktøy for å skrive tekster. Det blir et grensesnitt til den offentlige virkeligheten.
Den sterkeste advarselen – velgerne spør allerede GenAI om valg
Et av de mest interessante tallene kommer fra en studie om parlamentsvalget i Storbritannia i 2024. En representativ undersøkelse av 2499 voksne viste at i uken før valget brukte 32 % av chatbot-brukerne (13 % av alle kvalifiserte velgere) konversasjonell AI for å søke etter informasjon direkte relatert til valgbeslutningen. kilde: arXiv, studie UK 2024
Dette er ikke et marginalt detalj. Det er et signal om at chatbots går inn i selve valgprosessen: ikke som en abstrakt teknologi, men som et verktøy som brukes når velgeren nettopp tar en beslutning, organiserer argumenter eller prøver å forstå den politiske scenen. Ofte rett før de går inn i valglokalet.
Det som er viktig, er at forfatterne av denne studien ikke kommer med en enkel alarmistisk konklusjon. I en serie eksperimenter med 2858 deltakere fant de at bruken av chatbots ikke forverret politisk kunnskap; tvert imot, det økte den i omtrent samme grad som tradisjonell internett-søk. kilde: AI Security Institute
Og nettopp derfor er temaet mer interessant enn en vanlig fortelling om trussel. Tid for et trivielt poeng. Jeg vil til og med utheve det, så det blir mer påfallende. Ingen årsak…
LLM-er kan hjelpe velgere med å forstå politikken bedre. Men de kan også forvirre, utelate, forenkle, identifisere kandidater unøyaktig eller bygge bestemte rammer for tolkning.
Den andre siden – svarene fra chattene kan være mangelfulle
Problemet er at svarene fra modellene gir inntrykk av å være organiserte, sikre og komplette, selv når de inneholder hull. Du vet… som den personen du møtte på en studentfest, en fremtidig ingeniør (hvis skjebnen og professorene tillater det) fra AGH, som vil insistere på sitt synspunkt, som for tre øl siden ikke engang ville vært gjenstand for diskusjon ;)
En studie fra EBU og BBC omfattet mer enn 3000 svar generert av fire AI-assistenter (ChatGPT, Copilot, Gemini og Perplexity) på 14 språk. 45 % av svarene inneholdt minst ett betydelig problem, 31 % hadde alvorlige problemer med kilder, og 20 % inneholdt alvorlige problemer med nøyaktighet, inkludert utdaterte eller hallusinerte opplysninger. kilde: EBU/BBC
I lokale valg kan denne risikoen være større enn i en landsdekkende kampanje. Lokale kilder er mer spredte. Kandidater kan være (og er, som vi snart skal bevise) mindre kjente. Konteksten endres raskere. Navn fra forrige valg kan blandes med nye kandidaturer. Programmer publiseres ofte i etapper. (hvis de i det hele tatt blir laget, men det har jeg allerede skrevet om, og jeg skal ikke komme med flere stikk… kanskje) Og spørsmålene fra brukerne er ofte korte, uformelle og upresise.
Ved en nasjonal leder har modellen vanligvis mye data. Når det gjelder en lokal kandidat til ordfører i Krakow, må den sette sammen et bilde fra BIP, lokale medier, kandidatens nettside, sosiale medier, meningsmålinger, rapporter fra pressekonferanser og aktuelle hendelser. Dette er ideelle forhold for tilsynelatende små, men politisk betydningsfulle feil: forveksling av funksjoner, utelatelse av konkurrenter, tilskrivning av utdaterte kandidaturer, gi noen en for smal etikett eller basere svaret på kilder fra tidligere valg.
Den viktigste vrien: GenAI trenger ikke å lyve for å påvirke
I diskusjonen om AI og valg fokuseres det for mye på "falske nyheter". I mellomtiden kan representasjon være like viktig for en lokal kampanje.
Modellen kan ikke gi falsk informasjon. Den kan bare beskrive kandidaten hovedsakelig gjennom partiet, og utelate deres kommunale erfaring. Den kan nevne dem når det gjelder PiS, men ikke når det gjelder transport. Den kan skrive om SCT, men utelate emnet om offentlig transport. Den kan svare på spørsmålet om Nowa Huta uten å nevne personen som selv bygger en del av sin kommunikasjon rundt forbindelsene med denne delen av byen. Den kan plassere kandidaten på slutten av listen, selv om de formelt er en av de viktige deltakerne i løpet.
Dette trenger ikke å være en "feil" i enkel forstand. Det kan være en konsekvens av hierarkiet av kilder, datakvalitet, tilgjengelighet av informasjon, hvordan spørsmålet er formulert og mekanikken i svaret generert av modellen.
I tradisjonell SEO kjempet man om posisjoner i søkeresultatene. I LLM-verdenen blir spørsmålet om kandidaten i det hele tatt vises i svaret, hvilke spørsmål de vises i, hva de assosieres med og hvem de sammenlignes med, stadig viktigere.
Denne mekanismen er godt synlig i studien til Michal Drewnicki (diskutert mer detaljert senere i teksten). I 250 svar fra deep dive-studien nevnte modellene kandidaten i 87,6 % av tilfellene når brukeren oppga navnet deres, men bare i 5,0 % av tilfellene når spørsmålet ikke inneholdt navnet og handlet om et problem, en kategori av kandidater eller et bytema. Med andre ord: gjenkjennelse etter navn betyr ikke nødvendigvis tematisk synlighet.
Og hvis svaret ikke bare informerer, men også påvirker meninger?
Her kommer et annet viktig sett med data. Studier beskrevet av Cornell viste at en kort samtale med en chatbot kan betydelig påvirke politiske meninger. I eksperimenter utført i fire land flyttet LLM-baserte chatbots preferansene til opposisjonsvelgere med 10 prosentpoeng eller mer i mange tilfeller. I eksperimenter i Canada og Polen var effekten omtrent 10 prosentpoeng, og i en av studiene flyttet det mest persuasivt optimaliserte modellen opposisjonsvelgernes meninger med 25 prosentpoeng. kilde: Cornell Chronicle
Det må sies med forsiktighet. Dette var kontrollerte eksperimenter, ikke bevis på at chatbots alene vil avgjøre reelle valg. Deltakerne visste at de snakket med AI, og retningen for påvirkningen var randomisert. Forfatterne og kommentatorene understreket begrensningene ved slike studier og forskjellen mellom eksperimentelle forhold og den virkelige kampanjen. kilde: Nature Asia
Men en konklusjon er vanskelig å ignorere. Den lyder omtrent slik: svarene fra modellene kan være persuasive ikke fordi de er emosjonelle, aggressive eller manipulerende i klassisk forstand. Ifølge forskerne skyldtes deres styrke ofte at de genererte mange påstander, argumenter og tilsynelatende saklige begrunnelser. Cornell understreket at når modellene ble begrenset i sin mulighet til å bruke fakta, falt deres persuasivitet; samtidig var mer persuasive modeller ofte mindre nøyaktige. kilde: Cornell Chronicle
Dette er kjernen i problemet i lokale valg. Velgeren kan få et svar som er rolig, saklig, velformulert og uten partipolitisk tone. Og likevel kan dette svaret forsterke et bestemt bilde av kandidaten.
Eksempelet Krakow, eller Michał Drewnicki i svarene fra LLM-er
I en slik kontekst er studien av Michał Drewnicki, kandidaten fra Lov og Rettferdighet til ordfører i Krakow, et godt eksempel på hva som må begynne å måles i lokalpolitikken.
Det handler ikke bare om spørsmålet: "kjenner GenAI kandidatens navn?". Dette er det enkleste nivået. Mye mer interessante er de dypere spørsmålene:
Identifiserer modellene Michał Drewnicki korrekt som PiS-kandidaten i det tidlige valget i Krakow?
Gjenkjenner de hans offentlige roller – bystyremedlem og nestleder i Krakow bystyre?
Skiller de den nåværende valgkonkurransen fra kommunestyrevalget i 2024?
Knytter de ham utelukkende til PiS, eller også til lokal kommunal erfaring?
Viser han seg i svarene på spørsmål som ikke inneholder navnet hans, men omhandler emner som er til stede i hans offentlige profil: kommunikasjon, SCT, Nowa Huta, arealplanlegging, levekostnader, forholdet mellom myndigheter og innbyggere?
Kan modellene skille mellom offisielle opplysninger, mediarapporter, valgdeklarasjoner og egne tolkninger?
Studien ble utført av forfatteren av denne teksten den 03/07/2026.
I studien, utført med vårt eget verktøy Semantio, analyserte jeg 250 svar om Michał Drewnicki i konteksten av presidentvalget i Krakow. Materialet er resultatet av en analyse som omfattet 50 unike scenarier, kjørt i fem systemer: ChatGPT, Gemini, Grok, DeepSeek og Google Overview. Hvert system svarte på de 50 scenariene. Scenariene ble delt opp etter intensjonslekkens fase: 80 svar i awareness-fasen, 85 i consideration-fasen og 85 i decision-fasen. Spørsmål som inneholdt kandidatens navn og problematiske spørsmål uten navn ble analysert separat.
Det sterkeste resultatet gjelder forskjellen mellom gjenkjennelse etter navn og spontan synlighet. I hele materialet var det 170 svar på spørsmål som inneholdt navnet Michał Drewnicki og 80 svar på spørsmål uten navn. Når brukeren oppga kandidatens navn (prompt-scenarioet inneholdt navnet "Drewnicki"), nevnte modellene Drewnicki i 149 av 170 svar, altså i 87,6 % av tilfellene. Når spørsmålet ikke inneholdt navnet og handlet om et problem, en kategori av kandidater eller et bytema, dukket Drewnicki kun opp i 4 av 80 svar, altså i 5,0 % av tilfellene.
Med andre ord: modellene kan beskrive kandidaten når brukeren allerede vet hvem de spør om, men de knytter ham mye dårligere til byens problemer på egen hånd.
Dataene viser også at synligheten ikke er jevnt fordelt mellom systemene. Alle 4 spontane omtaler av Drewnicki i spørsmål uten navn kom fra Google Overview. I de andre systemene (ChatGPT, Gemini, Grok og DeepSeek) dukket kandidaten ikke opp en eneste gang i slike spørsmål. Dette er viktig, fordi det "på tall" understreker at det ikke finnes en universell "synlighet i AI". Hvert system kan bygge et annet kart over den politiske scenen, avhengig av kilder, datakvalitet, søkemekanismer og måten svarene genereres på.
Ja, jeg kunne ikke motstå å bruke dette bildet i konteksten av SCT ;)
Den mest åpenbare spiren til tematisk synlighet dukket opp i spørsmål om transport, offentlig kommunikasjon, billetter, mobilitet og sonen for ren transport. I spørsmål uten navn om dette området dukket Drewnicki opp i 4 av 30 svar, altså i 13,3 % av tilfellene. Dette er fortsatt et lavt resultat, men betydelig i forhold til andre temaer: spørsmål om kommunal erfaring, Nowa Huta, bydeler, arealplanlegging eller grøntområder aktiverte ikke navnet hans like effektivt. Fra et lokalt kampanjeperspektiv er dette en viktig forskjell: modellen kan godt beskrive Krakows problem, men den viser ikke nødvendigvis velgeren hvilken kandidat som prøver å politisk håndtere dette problemet.
I 70 av 250 svar, altså 28,0 % av hele settet, ble det merket med hallusinasjonsalarm. Feilrisikoen forsvant ikke etter at navnet ble oppgitt: i spørsmål med navn dukket alarmen opp i 50 av 170 svar (29,4 %), mens i spørsmål uten navn i 20 av 80 svar (25,0 %). Ofte var dette kontekstuelle problemer, som å blande 2026-valget med 2024-valget, feil offentlige roller, feil politisk tilknytning, feil eller mistenkelige URL-er, ubekreftede detaljer om programmet, og i enkelte tilfeller til og med forveksling av Krakow med Warszawa (det kan man ikke tilgi i Krakow!). I lokale kampanjer kan slike små feil være mer sannsynlige enn spektakulære "falske nyheter", og dermed mye vanskeligere å oppdage, fordi de ofte forekommer i svar som høres rolige og saklige ut. Hvor har vi hørt dette før?…
Forskjellene mellom leverandørene (enda et vakkert ord fra Bugu) var tydelige. Google Overview nevnte Drewnicki oftest og hadde den laveste andelen hallusinasjonsalarmer: 37 omtaler i 50 svar (74,0 %) og 5 alarmer (10,0 %). DeepSeek nevnte kandidaten i 33 av 50 svar (66,0 %), men hadde samtidig den høyeste andelen alarmer: 31 av 50 svar (62,0 %). ChatGPT nevnte Drewnicki i 30 av 50 svar (60,0 %) og hadde 8 alarmer (16,0 %). Grok nevnte ham i 27 av 50 svar (54,0 %) og hadde 16 alarmer (32,0 %). Gemini nevnte kandidaten i 26 av 50 svar (52,0 %) og hadde 10 alarmer (20,0 %). Dette viser at større synlighet i AI ikke alltid betyr bedre kvalitet på representasjonen.
Kildene var også interessante. I hele settet ble det identifisert 676 kildehenvisninger. De mest fremtredende domenene var: bip.krakow.pl (90 ganger), facebook.com (71 ganger), krakow.pl (38 ganger), youtube.com (29 ganger), radiokrakow.pl (26 ganger), lovekrakow.pl (23 ganger), drewnicki.pl (22 ganger) og ztp.krakow.pl (22 ganger). Den offisielle domenen til kandidaten var derfor til stede, men langt fra dominerende. Bildet av Drewnicki i AI ble også bygget av BIP, lokale medier, bykilder, Facebook, YouTube og andre mellomliggende domener.
Samtidig var det 115 av 250 svar som ikke inneholdt noen kildehenvisning, noe som utgjorde 46,0 % av hele materialet. Forskjellene mellom systemene var store: Google Overview ga lenker i hvert svar, ChatGPT i 43 av 50, DeepSeek i 31 av 50, Grok i 10 av 50, mens Gemini bare i 1 av 50 svar. Dette har valgpolitisk betydning – et svar uten kilde kan høres troverdig ut, men brukeren har ikke en rask måte å sjekke hvor modellen fikk informasjon om kandidaten, funksjonen, programmet eller valgkonteksten fra.
I svarene fra LLM-er ble konkurransen heller ikke forstått utelukkende som en liste over formelle valgkonkurrenter. I det konkurransedyktige feltet dukket Aleksander Miszalski (53 ganger) og Łukasz Gibała (50 ganger) oftest opp, men også Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) og Bartosz Bocheńczak (8). Også medier, institusjoner, partier og organisasjoner dukket opp, inkludert Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalisjonen for Borgerne, Venstre og PiS. For modellen blandes den politiske scenen med den informasjonsmessige scenen. Hva betyr dette? Kandidaten konkurrerer ikke bare med andre navn, men også med tidligere kontekster, sterkere kilder og mer etablerte assosiasjoner.
Den korteste konklusjonen fra studien er: navn er ikke nok. I LLM-verdenen kan kandidaten bli gjenkjent (Michał Drewnicki, som analyseres her, tilhører åpenbart ikke til denne kategorien ennå) når brukeren spør direkte om dem, men forblir samtidig svakt tilstede ved spørsmål som reelt sett starter velgerens beslutning: om pendling, kostnader, bydeler, grøntområder, myndigheter, erfaring eller pålitelighet i spesifikke problemer. Det er nettopp dette laget – ikke bare tilstedeværelse på internett, men tilstedeværelse i svar på brukernes behov – som må parameteriseres i dag.
Hva kan måles nøyaktig?
Ved å analysere resultatene oppnådd i Semantio så jeg på svarene fra store språkmodeller ikke som en kuriositet, men som et nytt lag av offentlig synlighet. Når det gjelder en politisk kandidat, kan man analysere blant annet:
spontan synlighet – dukker kandidaten opp når brukeren ikke oppgir navnet;
korrekt identifikasjon – navn, rolle, parti, valgår, nåværende kontekst;
posisjon i svaret – er kandidaten først, midt, sist, utelatt eller beskrevet kort;
tematiske forbindelser – ved hvilke temaer modellen nevner dem: transport, SCT, bydeler, levekostnader, kommunal erfaring, PiS, høyre, byforvaltning;
sammenligninger – hvem modellen oftest sammenligner dem med og etter hvilke kriterier; hvem kandidaten vinner over, og hvem som gir dem KO (ikke komiteen!)
kilder – er svaret basert på aktuelle, pålitelige og relevante data;
hallusinasjoner – et fascinerende område hvor man kan se ting som forveksling av personer, roller, datoer, programmer, valgsykluser eller ikke-eksisterende uttalelser;
tolkningsrammer – blir kandidaten presentert som partipolitisk, lokal, kommunal, ideologisk, teknokratisk, protesterende, anti-regulerende, urban, høyreorientert, "pro-kjører" eller på en annen måte.
Når det gjelder Drewnicki, er tre kategorier for videre analyse spesielt tydelige: gjenkjennelse etter navn, tematisk synlighet og kvaliteten på kildene. Den første var høy. Den andre var lav. Den tredje viste seg å være ujevn mellom leverandørene.
Første eksempel: spørsmål om kommunal erfaring uten å oppgi navnet aktiverte ikke Drewnicki spontant, selv om hans institusjonelle profil inkluderer et bystyremandat og stillingen som nestleder i Krakow bystyre.
Andre eksempel: spørsmål om Nowa Huta, Mistrzejowice, nord i Krakow og bydelsvinkelen var heller ikke tilstrekkelige til at modellene selvstendig pekte på kandidaten.
Tredje eksempel: en viss spor av spontan synlighet dukket hovedsakelig opp rundt transport og SCT, men var fortsatt svært svak sammenlignet med svarene på spørsmål som inneholdt navnet.
Kort sagt kan det oppsummeres slik: GenAI kan svare på spørsmålet "hvem er Michał Drewnicki?", men svarer mye sjeldnere med navnet hans på spørsmålet "hvem i Krakow har en stilling i forhold til mitt problem?". Dette er en forskjell som er vanskelig å se i klassisk medieovervåking, men som er svært viktig for lokale kampanjer.
Hvorfor dette er viktig for valgkampanjer, medier og sivilsamfunnsorganisasjoner
Valgkampanjer har i årevis overvåket medier, sosiale medier, meningsmålinger og søkresultater. Problemet er at LLM-er ikke oppfører seg som vanlige medier og ikke oppfører seg som klassiske søkemotorer. De siste er også i våre øyne stadig mindre "klassiske".
Modellen viser ikke bare hva som finnes på internett. Modellen bearbeider informasjon, oppsummerer den, hierarkiserer den, noen ganger oppdaterer den gjennom søk, noen ganger baserer den seg på tidligere lagret kunnskap, noen ganger nekter den å svare, og noen ganger svarer den med stor sikkerhet til tross for ufullstendige data.
For valgkampanjen betyr dette nye spørsmål. Er kandidaten til stede i svarene på temaer som er viktige for dem? Er profilen deres oppdatert? Tilskriver modellene dem andres uttalelser? Tar konkurrentene over temaer i AI som i kampanjen er deres naturlige felt? Vil brukeren som spør om "transportkandidaten" i det hele tatt se navnet deres?
Drewnicki-studien viser at dette spørsmålet ikke er teoretisk. I spørsmål uten navn dukket kandidaten bare opp i 5,0 % av svarene. For valgkampanjen betyr dette at det er nødvendig å se på ikke bare om det finnes materiale om kandidaten på internett, men også om modellene kan knytte dette materialet til reelle intensjoner fra velgerne.
For mediene betyr dette at de må se på LLM-er som mellomledd i distribusjonen av offentlig informasjon. Hvis modellene begynner å svare på valgspørsmål, vil kvaliteten på lokal journalistikk, datakvaliteten, aktualiteten til kildene og nøyaktigheten i beskrivelsene av kandidatene påvirke ikke bare leserne, men også svarene som syntetiseres av GenAI.
For sivilsamfunnsorganisasjoner betyr dette noe annet. Muligheten til å undersøke om modellene informerer velgerne på en pålitelig måte, om de ikke utelater kandidater, om de ikke forsterker utdaterte data og om de ikke skaper informasjonsulikhet mellom de som kjenner den politiske scenen godt og de som nettopp prøver å orientere seg i den.
Nervene i sjakk – så langt tyder ingenting på at GenAI vil erstatte kampanjer. Men det kan endre informasjonslandskapet
Det gir ikke mening å påstå at valget i Krakow vil bli avgjort i ChatGPT, Gemini, Perplexity eller Copilot. Det er ikke sånn… Kampanjen foregår fortsatt i stor grad "i byen" – på møter, i lokale medier, på pressekonferanser, i debatter, i nabolag, i bydeler, på busstopp og i samtaler mellom innbyggerne.
Men det ville vært en feil å anta at svarene fra LLM-er bare er en teknologisk kuriositet.
Hvis millioner av mennesker allerede bruker ChatGPT i Polen, hvis omtrent en tredjedel av befolkningen i alderen 16–74 år bruker generativ AI i EU, hvis 13 % av kvalifiserte velgere i Storbritannia brukte chatbots til valgopplysninger uken før valget, og eksperimenter viser at samtaler med modellen kan påvirke politiske meninger – betyr det at valgkampanjer og offentlige institusjoner bør begynne å behandle AI som et reelt lag av informasjonsflyt. kilder: Gemius/PBI, Eurostat, studie UK 2024, Cornell Chronicle
I lokale valg er dette laget spesielt viktig. Hvorfor? Fordi velgeren ofte ikke søker stor ideologi. De søker svar på sine egne problemer. Det er mange spørsmål: Hvem forstår nabolaget mitt? Hvem har erfaring? Hvem snakker om transport? Hvem har en plan for levekostnader? Hvem er pålitelig når det gjelder grøntområder? Hvem stiller egentlig, og hvem var kandidat i forrige valg?
Fra hvordan modellen svarer på slike spørsmål kan det avhenge ikke bare utfallet av hele valget, men hvordan en del av innbyggerne forstår kandidatene.
Og dette vises ikke i meningsmålinger. Det vises ikke i klassisk SEO. Det vises ikke i medieovervåking. Men det kan undersøkes.
Når det gjelder Michał Drewnicki, er den viktigste lærdommen enkel: kandidaten kan være til stede i svarene fra GenAI, men fortsatt ikke ha et sterkt "eierskap" (ja, et vakkert polsk ord) til temaene som er viktige for innbyggerne. Det er nettopp denne forskjellen – mellom tilstedeværelse etter navn og tilstedeværelse i problemene – som må begynne å bli behandlet som en ny kategori av offentlig synlighet.
Vil du sjekke hvordan AI beskriver din kandidat, parti, merkevare eller institusjon?
Studien av Michał Drewnicki viser at svarene generert av AI-modeller kan analyseres systematisk, med fokus på synlighet, korrekthet, kilder, sammenligninger, utelatelser og tolkningsrammer. Hvis du vil vite mer om denne studien eller diskutere en lignende analyse for ditt prosjekt, ta kontakt med forfatteren av teksten: m.grzebyk@brandsemantics.eu
* for å være tydelig – en som er i svarene ;)
