For bare noen få år siden måtte en velger som ønsket å sjekke en ordførerkandidat besøke deres nettside, gå gjennom medier (inkludert tradisjonelle kanaler), se debatter, spørre venner eller bla gjennom flere sider med Google-resultater. I dag kan de ofte gjøre noe mye enklere – spørre sin favoritt-chat (en stor språkmodell).
De trenger ikke engang å… kjenne noen navn. De trenger ikke vite hvem som tilhører hvilken komité. De trenger ikke følge pressekonferanser. Generelt, de trenger ikke å gjøre mye. Men de kan. De kan spørre: “hvem i Kraków har det beste transportprogrammet?”, “hvilken kandidat er assosiert med Nowa Huta?”, “hvem ønsker å endre den rene transportsonen?”, “har PiS-kandidaten erfaring fra lokalstyret?”, “hvem adresserer spesifikt levekostnadene i dette valget?”.
Og de vil få et svar.
Ikke en liste med lenker. Ikke et klassisk søkeresultat. Ikke en nøytral dokumentdatabase. De vil motta en sammensatt beskrivelse av det politiske landskapet, konstruert av LLM-en basert på hva modellen finner, husker, tolker, anser som viktig, og ordner i en passende hierarki. Skreddersydd for brukeren som delvis har “oppdratt” sin egen “Tamagotchi” fra det tredje tiåret (hvordan høres det ut!) av det 21. århundre. Bare at de ikke mater eller rengjør det ved å trykke på knapper; de kaster inn biter av seg selv som avslører deres vaner.
Dette er et nytt lag av valgkampanje. Stille, privat, vanskelig å overvåke og – i lokale valg – potensielt svært betydelig.
Kraków som et laboratorium for valg i generativ AI-ens tidsalder
Kraków er et utmerket sted å observere denne endringen i aksjon. Det er ikke en liten kommune, men det er heller ikke en landsdekkende kampanje der hver kandidat er konstant til stede i mainstream-media. Ifølge GUS-data, hadde Kraków ved slutten av 2025 816.614 innbyggere. Det er et stort, komplekst urbant organisme: med et sentrum, Nowa Huta, perifere bydeler, universiteter, turisme, næringsliv, transport, konflikter om grønne områder, arealplanlegging, kommunale tjenestepriser og byledelse. kilde: Kraków i tall
I tillegg er det en unik politisk kontekst. I den lokale folkeavstemningen 24. mai 2026 var valgdeltakelsen for avstemningen om tilbakekall av ordføreren i Kraków 29,99% — nok til at folkeavstemningen var gyldig og avgjørende. I den parallelle avstemningen om tilbakekall av bystyret var deltakelsen 29,97%, noe som betyr at det lovbestemte terskelen ikke ble nådd. Forskjellen er tilsynelatende minimal, men de politiske konsekvensene er helt forskjellige. kilde: Byen Kraków
Kraków har også nylig erfaring med svært nær 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 5.434 stemmer. kilde: Rzeczpospolita
Dette er tall som gir grunn til forsiktighet angående hver ny kilde til informasjonsinnflytelse. Ikke fordi en chatbot “vil velge ordføreren i Kraków.” Det er for sterkt et krav. Men fordi, i en kampanje der noen tusen stemmer kan endre utfallet, er det viktig hvem som er synlig, hvem som blir oversett, hva de er assosiert med, og hvordan de blir beskrevet i svarene generert av kunstig intelligens, som brukere i økende grad vender seg til.
Velgeren søker ikke bare. Velgeren samtaler
Den mest betydningsfulle endringen er ikke at AI kan generere en annonse, meme eller deepfake. Selv om det absolutt er viktig, er det allerede et godt anerkjent tema. Det er mye diskusjon om det, og det finnes kampanjer – noen mer eller mindre sosiale, noen mer eller mindre finansiert av spesifikke valgkomiteer.
En mer interessant og mindre åpenbar endring er at LLM-er blir private informasjonsrådgivere. En velger kan ikke spørre: “hva er Michał Drewnickis program?” De kan ikke engang huske det navnet. I stedet kan de spørre: “hvem i Kraków har erfaring fra lokalstyret?”, “hvilken kandidat snakker om Nowa Huta?”, “hvem har en spesifikk, klar holdning til SCT?”, “er PiS-kandidaten i Kraków bare et partimedlem, eller har de lokal erfaring?”.
Slik spørsmål er mye nærmere den reelle beslutningsprosessen. Folk sammenligner sjelden hele programmer fra start til slutt. (Forresten… hvilket parti i 2024 beskrev tydelig sitt valgprogram i stedet for å ri på bølgen av skiftende meningsmålinger, rallyrop og støy fra sosiale medier?) Ofte søker de svar på sine egne problemer: pendling, priser, grønne områder, skoler, fortau, parkering, bygging utenfor vinduet, en følelse av kaos på kontoret, eller mangel på innflytelse over bybeslutninger.
Her begynner store språkmodeller å fungere som et nytt mellomledd. De gir ikke bare informasjon. De organiserer scenen. De velger hvilke kandidater som skal nevnes. De bestemmer hvilke fakta som skal anses som betydningsfulle. De kondenserer komplekse kontekster til noen få avsnitt. Og de gjør ofte dette på en måte som vi ikke vil se i klassisk medieovervåkning, SEO eller analyse av sosiale medier. Dermed kan det antas at meningsmålingsfirmaer og deres “feil” i økende grad vil bli et av hovedtemaene for kommentarer etter exit-polls.
Dette er ikke lenger en teknologisk nisje
Hvis noen antar at “chatboter” fortsatt er et leketøy for studenter og teknologibransjen, kjøler dataene raskt ned det synet. Ifølge en Gemius/PBI-rapport, i juni 2025, var over 9,3 millioner reelle brukere i Polen som brukte ChatGPT. Dette utgjorde 31,4% av internettbrukerne og 28,6% av befolkningen i alderen 7–75. Rapporten indikerte også at blant ChatGPT-brukere er det en overrepresentasjon av individer under 35, med gjennomsnittlig brukstid i aldersgruppen 25–34 på 2 timer og 42 minutter i juni. kilde: Gemius/PBI
På europeisk nivå rapporterte Eurostat at i 2025 var 32,7% av EU-beboere i alderen 16–74 som brukte generative AI-verktøy. I aldersgruppen 16–24 var denne prosentandelen allerede 63,8%. kilde: Eurostat
Dette er betydelig, fordi yngre velgere også er en gruppe som er mer tilbøyelig til å bruke nye informasjonsverktøy og en gruppe som ofte har mindre stabil valgdeltakelse i lokale valg. Det er ikke nødvendig å anta en masseovergang av hele kampanjen til AI-støttede systemer. Det er nok å merke seg at for en betydelig del av brukerne, å samtale med en chatbot blir en av de naturlige måtene å organisere informasjon på.
AI som et verktøy for nyheter, politikk og beslutninger
Data fra Reuters Institute viser at AI-chatboter allerede brukes til informasjonskonsum, selv om de ennå ikke dominerer. I 2026 rapporterte 10% av respondentene på tvers av 45 markeder ukentlig bruk av AI-chatboter for nyheter, opp fra 7% året før. Enda mer interessant er hvordan folk bruker dem: 42% av nyhets-chatbot-brukere stiller oppfølgingsspørsmål, 35% bruker dem for den nyeste informasjonen, 34% for oppsummering, 30% for å forenkle komplekse emner, og 33% for å vurdere troverdigheten til kilder. kilde: Reuters Institute Digital News Report
Dette er nesten en klar beskrivelse av velgeratferd i en lokal kampanje. “Forklar meg hva den rene transportsonen handler om.” “Oppsummer forskjellene mellom kandidatene.” “Hvem er troverdig i transportspørsmål?” “Har denne kandidaten virkelig erfaring fra lokalstyret?” “Hvilke kilder bekrefter uttalelsene deres?”
På dette punktet slutter AI å være bare et verktøy for å skrive tekster. Det blir et grensesnitt til offentlig virkelighet.
Det sterkeste varselsignalet – Velgerne spør allerede GenAI om valg
En av de mest interessante tallene kommer fra en studie om de britiske parlamentsvalgene i 2024. En representativ undersøkelse av 2.499 voksne viste at i uken før valget, brukte 32% av chatbot-brukerne (13% av alle kvalifiserte velgere) samtalebasert AI for å søke informasjon direkte relatert til deres valgavgjørelse. kilde: arXiv, britisk studie 2024
Dette er ikke en marginal detalj. Det er et signal om at chatboter er i ferd med å komme inn i hjertet av den valgprosessen: ikke som en abstrakt teknologi, men som et verktøy som brukes når velgere tar beslutninger, organiserer argumenter, eller prøver å forstå det politiske landskapet. Ofte rett før de går inn i stemmelokalet.
Viktig er det at forfatterne av denne studien ikke trekker en enkel alarmistisk konklusjon. I en serie eksperimenter med 2.858 deltakere fant de at bruken av chatboter ikke forverret politisk kunnskap; tvert imot, det økte den i samme grad som tradisjonelle internett-søk. kilde: AI Security Institute
Og det er derfor temaet er mer interessant enn en enkel fortelling om fare. Tid for en truism. Jeg vil til og med utheve det for å gjøre det mer iøynefallende. Ingen grunn til å takke meg…
LLM-er kan hjelpe velgere med å forstå politikk bedre. Men de kan også forvirre, utelate, forenkle, feiltolke kandidater, eller bygge spesifikke tolkningsrammer.
Den andre siden – Chatbot-svar kan være feilaktige
Problemet er at modellens svar fremstår som organiserte, selvsikre og komplette, selv når de inneholder hull. Du vet… som den fremtidige ingeniøren (hvis skjebne og professorer tillater det) fra AGH du møtte på en studentfest, som sta vil forsvare en posisjon som ikke engang ville ha kommet inn i diskusjonen for tre øl siden ;)
En studie av EBU og BBC dekket over 3.000 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 nøyaktighetsproblemer, 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 vil bevise) mindre kjente. Konteksten endres raskere. Navn fra forrige syklus kan blandes med nye kandidater. Programmer kan publiseres i etapper. (hvis de i det hele tatt blir laget, men jeg har allerede nevnt det og vil ikke stikke flere stikk… for nå) Og brukerens spørsmål er ofte korte, uformelle og upresise.
Med en nasjonal leder har modellen vanligvis rikelig med data. Med en lokal kandidat for ordfører i Kraków, må den sette sammen et bilde fra BIP, lokale medier, kandidatens nettside, sosiale medieinnlegg, meningsmålinger, rapporter fra konferanser og nåværende hendelser. Dette skaper ideelle forhold for tilsynelatende mindre, men politisk betydningsfulle feil: forveksling av roller, utelatelse av konkurrenter, tilordning av utdaterte kandidaturer, gi noen for smal en etikett, eller basere svar på kilder fra tidligere valg.
Den viktigste vridningen: GenAI trenger ikke å lyve for å påvirke
I diskusjoner om AI og valg, er det for mye oppmerksomhet rettet mot “falske nyheter.” I mellomtiden kan for en lokal kampanje, noe mer subtilt være like viktig: representasjon.
Modellen kan gi riktig informasjon. Den kan ganske enkelt beskrive kandidaten hovedsakelig gjennom deres partimedlemskap, og utelate deres erfaring fra lokalstyret. Den kan nevne dem når det spørres om PiS, men ikke når det spørres om transport. Den kan skrive om SCT, men hoppe over temaet offentlig transport. Den kan svare på et spørsmål om Nowa Huta uten å indikere personen som bygger deler av sin kommunikasjon rundt bånd til den delen av byen. Den kan plassere kandidaten på slutten av listen, selv om de formelt er en av de betydelige 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, måten et spørsmål er formulert på, og mekanikken i svaret generert av modellen.
I tradisjonell SEO kjempet man for posisjon i søkeresultater. I LLM-ers verden blir det stadig viktigere å spørre: vises kandidaten i det hele tatt i svaret, under hvilke spørsmål vises de, hva er de assosiert med, og hvem sammenlignes de med.
Dette mekanismen er tydelig synlig i Michał Drewnickis studie (diskutert mer detaljert senere i teksten). I 250 svar fra dypdykk-studien, nevnte modellene kandidaten i 87,6% av tilfellene når brukeren oppga navnet deres, men bare i 5,0% av tilfellene når spørsmålet ikke inkluderte et navn og handlet om et problem, en kategori av kandidater, eller et bytema. Med andre ord: gjenkjennelse ved navn betyr ikke nødvendigvis tematisk synlighet.
Hva hvis svaret ikke bare informerer, men også endrer mening?
Her dukker et annet viktig datasett opp. Forskning beskrevet av Cornell viste at en kort samtale med en chatbot kan betydelig endre politiske meninger. I eksperimenter utført i fire land, endret LLM-baserte chatboter preferansene til opposisjonsvelgere med 10 prosentpoeng eller mer i mange tilfeller. I eksperimenter i Canada og Polen var effekten rundt 10 prosentpoeng, mens i en studie, det mest overbevisende optimaliserte modellen endret opposisjonsvelgeres meninger med 25 prosentpoeng. kilde: Cornell Chronicle
Dette må sies med forsiktighet. Dette var kontrollerte eksperimenter, ikke bevis på at chatboter vil avgjøre reelle valg. Deltakerne visste at de snakket med AI, og retningen for overtalelse var tilfeldig. Forfatterne og kommentatorene selv understreket begrensningene ved slike studier og forskjellen mellom eksperimentelle forhold og reelle kampanjer. kilde: Nature Asia
Men en konklusjon er vanskelig å ignorere. Den går omtrent slik: modellens svar kan være overbevisende ikke fordi de er emosjonelle, aggressive eller manipulerende i klassisk forstand. Ifølge forskerne kom deres styrke ofte fra å generere mange påstander, argumenter og tilsynelatende faktiske begrunnelser. Cornell understreket at når modellens evne til å bruke fakta ble begrenset, ble deres overtalelsesevne redusert; samtidig hadde mer overbevisende modeller en tendens til å være mindre nøyaktige. kilde: Cornell Chronicle
Dette er kjernen i problemet i en lokal kampanje. En velger kan motta et rolig, velbegrunnet, godt klingende svar uten partiton. Likevel kan det svaret fortsatt forsterke et spesifikt bilde av kandidaten.
Eksemplet Kraków: Michał Drewnicki i LLM-svar
I denne sammenhengen fungerer Michał Drewnickis studie, PiS-kandidaten for ordfører i Kraków, som et godt eksempel på hva som må måles i lokalpolitikk.
Det handler ikke bare om å spørre: “vet GenAI kandidatens navn?”. Det er det enkleste nivået. Mye mer interessante er de dypere spørsmålene:
Identifiserer modellene Michał Drewnicki korrekt som PiS-kandidaten i de tidlige valgene i Kraków?
Gjenkjenner de hans offentlige roller – bystyremedlem og nestleder i Kraków bystyre?
Skiller de den nåværende valgkonkurransen fra lokalvalget i 2024?
Assosierer de ham utelukkende med PiS, eller også med erfaring fra lokalstyret?
Viser han seg i svar på spørsmål som ikke inkluderer navnet hans, men som relaterer til temaer i hans offentlige profil: kommunikasjon, SCT, Nowa Huta, arealplanlegging, levekostnader, forholdet mellom kontoret og innbyggerne?
Kan modellene skille mellom offisiell informasjon, medieoppslag, kampanjetilkjennegivelser og egne tolkninger?
Studien ble gjennomført av den beskjedne forfatteren av denne teksten den 03/07/2026.
Ved å bruke vårt proprietære verktøy Semantio, analyserte jeg 250 svar angående Michał Drewnicki i konteksten av presidentvalget i Kraków. Materialet er resultatet av en analyse som dekker 50 unike scenarier, lansert i fem systemer: ChatGPT, Gemini, Grok, DeepSeek og Google Overview. Hvert system svarte på de 50 scenariene som ble stilt. Scenariene ble delt opp etter intensjonsfunnelens stadium: 80 svar på bevissthet-stadiet, 85 på vurdering-stadiet, og 85 på beslutning-stadiet. Spørsmål som inneholdt kandidatens navn og problembaserte spørsmål uten navn ble analysert separat.
Det sterkeste resultatet gjelder forskjellen mellom gjenkjennelse ved navn og spontan synlighet. I hele materialet var det 170 svar på spørsmål som inneholdt Michał Drewnickis navn og 80 svar på spørsmål uten navn. Når brukeren oppga kandidatens navn (prompt-scenariet inkluderte navnet “Drewnicki”), nevnte modellene Drewnicki i 149 av 170 svar, eller 87,6% av tilfellene. Når spørsmålet ikke inkluderte et navn og handlet om et problem, en kategori av kandidater, eller et bytema, dukket Drewnicki opp i bare 4 av 80 svar, eller 5,0% av tilfellene.
Med enkle ord: modeller kan beskrive kandidaten når brukeren allerede vet hvem de spør om, men de er betydelig mindre vellykkede i å uavhengig knytte ham til byens spørsmål.
Dataene viser også at synligheten ikke er jevnt fordelt blant 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 fremhever “i tall” at det ikke finnes en enkelt, universell “synlighet i AI”. Hvert system kan bygge et annet kart over den politiske scenen, avhengig av kilder, datakvalitet, søkeme kanikk og måten svarene genereres på.
Faktisk kunne jeg ikke motstå å inkludere dette bildet i konteksten av SCT ;)
Den tydeligste indikasjonen på tematisk synlighet dukket opp i spørsmål om transport, offentlig transport, billetter, mobilitet og den rene transportsonen. I spørsmål uten navn angående dette området, dukket Drewnicki opp i 4 av 30 svar, eller 13,3% av tilfellene. Dette er fortsatt et lavt resultat, men betydelig sammenlignet med andre temaer: spørsmål om erfaring fra lokalstyret, Nowa Huta, bydeler, arealplanlegging, eller grønne områder utløste ikke navnet hans like effektivt. Fra perspektivet til en lokal kampanje er dette en viktig forskjell: modellen kan nøyaktig beskrive problemet i Kraków, men den viser kanskje ikke nødvendigvis velgeren hvilken kandidat som prøver å politisk adressere det problemet.
I 70 av 250 svar, eller 28,0% av hele datasettet, ble hallusinasjonsvarsler merket. Feilrisikoen forsvant ikke etter å ha oppgitt et navn: i spørsmål med navn dukket et varsel opp i 50 av 170 svar (29,4%), mens det i spørsmål uten navn dukket opp 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, uriktige eller mistenkelige URL-er, uverifiserte programdetaljer, og til og med forveksling av Kraków med Warszawa (det er uforgivelig i Kraków!). I en lokal kampanje kan slike mindre feil være mer sannsynlige enn spektakulære “fakes”, og dermed mye vanskeligere å oppdage, ettersom de ofte forekommer i svar som høres rolige og velbegrunnede ut. Hvor har vi sett dette før?…
Forskjeller mellom leverandører (et annet vakkert ord fra Bug-elven) var uttalt. Google Overview nevnte Drewnicki oftest og hadde den laveste andelen av hallusinasjonsvarsler: 37 omtaler i 50 svar (74,0%) og 5 varsler (10,0%). DeepSeek nevnte kandidaten i 33 av 50 svar (66,0%), men hadde samtidig den høyeste andelen av varsler: 31 av 50 svar (62,0%). ChatGPT nevnte Drewnicki i 30 av 50 svar (60,0%) og hadde 8 varsler (16,0%). Grok nevnte ham i 27 av 50 svar (54,0%) og hadde 16 varsler (32,0%). Gemini nevnte kandidaten i 26 av 50 svar (52,0%) og hadde 10 varsler (20,0%). Dette viser at større synlighet i AI ikke alltid betyr høyere kvalitet på representasjonen.
Kilder ble også arrangert interessant. I hele datasettet 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). Kandidatens offisielle domene var til stede, men det var absolutt langt fra å dominere. Bildet av Drewnicki i AI ble også konstruert av BIP, lokale medier, bykilder, Facebook, YouTube og andre mellomliggende domener.
Samtidig, i 115 av 250 svar, var det ingen kildehenvisninger i det hele tatt, noe som utgjør 46,0% av hele materialet. Forskjellene mellom systemene var betydelige: Google Overview ga lenker i hvert svar, ChatGPT i 43 av 50, DeepSeek i 31 av 50, Grok i 10 av 50, og Gemini bare i 1 av 50 svar. Dette har valgmessig betydning – et svar uten kilde kan høres troverdig ut, men brukeren mangler en rask måte å verifisere hvor modellen fikk informasjon om kandidaten, deres rolle, program eller valgkontext.
I LLM-svar ble konkurranse heller ikke forstått utelukkende som en liste over formelle valgkonkurrenter. I det konkurransedyktige feltet var de mest nevnte Aleksander Miszalski
