Há apenas alguns anos, um eleitor que quisesse verificar um candidato a prefeito precisava visitar o seu site, filtrar informações na mídia (incluindo veículos tradicionais), assistir a debates, perguntar a amigos ou rolar várias páginas de resultados do Google. Hoje, muitas vezes, eles podem fazer algo muito mais simples – perguntar ao seu chat favorito (um modelo de linguagem grande).
Eles nem precisam… saber nomes. Não precisam saber quem pertence a qual comissão. Não precisam acompanhar conferências de imprensa. Geralmente, não precisam fazer muito. Mas podem. Podem perguntar: “quem em Cracóvia tem o melhor programa de transporte?”, “qual candidato está associado a Nowa Huta?”, “quem quer mudar a Zona de Transporte Limpo?”, “o candidato do PiS tem experiência em governo local?”, “quem está abordando especificamente o custo de vida nesta eleição?”.
E eles receberão uma resposta.
Não uma lista de links. Não um resultado de busca clássico. Não um banco de dados de documentos neutros. Eles receberão uma descrição sintetizada do panorama político, construída pelo LLM com base no que o modelo encontra, lembra, interpreta, considera importante e organiza em uma hierarquia apropriada. Adaptada para o usuário que, em parte, “criou” seu próprio “Tamagotchi” da terceira década (como isso soa!) do século XXI. Só que eles não estão alimentando ou limpando pressionando botões; estão jogando pedaços de si mesmos que revelam seus hábitos.
Esta é uma nova camada de campanha eleitoral. Silenciosa, privada, difícil de monitorar e – nas eleições locais – potencialmente muito significativa.
Cracóvia como um Laboratório para Eleições na Era da GenAI
Cracóvia é um excelente lugar para observar essa mudança em ação. Não é um pequeno município, mas também não é uma campanha nacional onde cada candidato está constantemente presente na mídia mainstream. De acordo com dados do GUS, no final de 2025, Cracóvia tinha 816.614 residentes. É um grande e complexo organismo urbano: com um centro da cidade, Nowa Huta, distritos periféricos, universidades, turismo, negócios, transporte, conflitos sobre espaços verdes, planejamento urbano, preços de serviços municipais e gestão da cidade. fonte: Cracóvia em Números
Além disso, existe um contexto político único. No referendo local de 24 de maio de 2026, a participação dos eleitores na votação sobre a destituição do prefeito de Cracóvia foi de 29,99% — suficiente para que o referendo fosse válido e decisivo. Na votação paralela sobre a destituição do Conselho Municipal, a participação foi de 29,97%, significando que o limite estatutário não foi atingido. A diferença é aparentemente mínima, mas as consequências políticas são totalmente diferentes. fonte: Cidade de Cracóvia
Cracóvia também tem experiência recente de competição muito acirrada. No segundo turno das eleições presidenciais de 2024, Aleksander Miszalski recebeu 51,04% dos votos, enquanto Łukasz Gibała recebeu 48,96%. De acordo com relatórios baseados em dados da PKW, a diferença foi de 5.434 votos. fonte: Rzeczpospolita
Estes são números que justificam cautela em relação a cada nova fonte de influência informacional. Não porque um chatbot “vai escolher o prefeito de Cracóvia.” Isso é uma afirmação muito forte. Mas porque, em uma campanha onde alguns milhares de votos podem mudar o resultado, importa quem está visível, quem é negligenciado, com o que estão associados e como são descritos nas respostas geradas pela inteligência artificial, que os usuários estão cada vez mais recorrendo.
O Eleitor Não Apenas Pesquisa. O Eleitor Conversa
A mudança mais significativa não é que a IA pode gerar um anúncio, meme ou deepfake. Embora isso certamente importe, já é um tema bem reconhecido. Há muita discussão sobre isso, e há campanhas – algumas mais ou menos sociais, algumas mais ou menos financiadas por comitês eleitorais específicos.
Uma mudança mais interessante e menos óbvia é que os LLMs estão se tornando conselheiros informacionais privados. Um eleitor pode não perguntar: “qual é o programa de Michał Drewnicki?” Eles podem nem se lembrar desse nome. Em vez disso, podem perguntar: “quem em Cracóvia tem experiência em governo local?”, “qual candidato fala sobre Nowa Huta?”, “quem tem uma posição específica e clara sobre a SCT?”, “o candidato do PiS em Cracóvia é apenas um membro do partido ou tem experiência local?”.
Tais perguntas estão muito mais próximas do verdadeiro processo de tomada de decisão. As pessoas raramente comparam programas inteiros do início ao fim. (A propósito… qual partido em 2024 descreveu claramente seu programa eleitoral em vez de surfar na onda de pesquisas em mudança, gritos de comício e ruídos das redes sociais?) Mais frequentemente, buscam respostas para seus próprios problemas: deslocamento, preços, espaços verdes, escolas, calçadas, estacionamento, construção fora da janela, um senso de caos no escritório ou falta de influência sobre as decisões da cidade.
Aqui, os modelos de linguagem grandes começam a atuar como um novo intermediário. Eles não apenas fornecem informações. Eles organizam a cena. Eles selecionam quais candidatos mencionar. Decidem quais fatos considerar significativos. Condensam contextos complexos em alguns parágrafos. E muitas vezes fazem isso de uma maneira que não veremos na monitorização clássica da mídia, SEO ou análise de redes sociais. Assim, pode-se inferir que as empresas de pesquisa e suas “falhas” se tornarão cada vez mais um dos principais tópicos de comentário após as pesquisas de saída.
Isso Já Não é uma Niche Tecnológica
Se alguém assume que “chatbots” ainda são um brinquedo para estudantes e a indústria de tecnologia, os dados rapidamente esfriam essa visão. De acordo com um relatório da Gemius/PBI, em junho de 2025, mais de 9,3 milhões de usuários reais na Polônia estavam usando o ChatGPT. Isso representou 31,4% dos usuários da internet e 28,6% da população com idades entre 7 e 75 anos. O relatório também indicou que entre os usuários do ChatGPT, há uma super-representação de indivíduos com menos de 35 anos, com o tempo médio de uso no grupo de 25 a 34 anos sendo de 2 horas e 42 minutos em junho. fonte: Gemius/PBI
Em uma escala europeia, o Eurostat relatou que em 2025, 32,7% dos residentes da UE com idades entre 16 e 74 anos estavam usando ferramentas de IA generativa. No grupo etário de 16 a 24 anos, essa porcentagem já era de 63,8%. fonte: Eurostat
Isso é significativo, porque os eleitores mais jovens também são um grupo mais inclinado a usar novas ferramentas informacionais e um grupo que muitas vezes tem uma participação menos estável nas eleições locais. Não há necessidade de assumir uma transição em massa de toda a campanha para sistemas suportados por IA. É suficiente notar que para uma parte significativa dos usuários, conversar com um chatbot está se tornando uma das maneiras naturais de organizar informações.
IA como uma Ferramenta para Notícias, Política e Decisões
Dados do Instituto Reuters mostram que os chatbots de IA já estão sendo usados para consumo de informações, embora ainda não dominem. Em 2026, 10% dos entrevistados em 45 mercados relataram uso semanal de chatbots de IA para notícias, um aumento em relação a 7% no ano anterior. O que é ainda mais interessante é como as pessoas os utilizam: 42% dos usuários de chatbots de notícias fazem perguntas de acompanhamento, 35% os usam para obter as informações mais recentes, 34% para resumir, 30% para simplificar tópicos complexos e 33% para avaliar a credibilidade das fontes. fonte: Relatório de Notícias Digitais do Instituto Reuters
Isso é quase uma descrição pronta do comportamento do eleitor em uma campanha local. “Explique-me sobre o que se trata a Zona de Transporte Limpo.” “Resuma as diferenças entre os candidatos.” “Quem é credível em questões de transporte?” “Esse candidato realmente tem experiência em governo local?” “Quais fontes confirmam suas declarações?”
Neste ponto, a IA deixa de ser apenas uma ferramenta para escrever textos. Ela se torna uma interface para a realidade pública.
O Sinal de Alerta Mais Forte – Os Eleitores Já Estão Perguntando à GenAI Sobre Eleições
Uma das figuras mais interessantes vem de um estudo sobre as eleições parlamentares do Reino Unido em 2024. Uma pesquisa representativa de 2.499 adultos mostrou que na semana que antecedeu as eleições, 32% dos usuários de chatbots (13% de todos os eleitores elegíveis) usaram IA conversacional para buscar informações diretamente relacionadas à sua decisão de voto. fonte: arXiv, estudo do Reino Unido 2024
Isso não é um detalhe marginal. É um sinal de que os chatbots estão entrando no cerne do processo eleitoral: não como uma tecnologia abstrata, mas como uma ferramenta usada quando os eleitores estão tomando decisões, organizando argumentos ou tentando entender o panorama político. Muitas vezes, logo antes de entrar na cabine de votação.
Importante, os autores deste estudo não tiram uma conclusão alarmista simples. Em uma série de experimentos envolvendo 2.858 participantes, descobriram que usar chatbots não piorou o conhecimento político; pelo contrário, aumentou-o em uma extensão semelhante à das buscas tradicionais na internet. fonte: Instituto de Segurança de IA
E é por isso que o tema é mais interessante do que um simples conto de perigo. Hora de um truísmo. Eu até vou destacá-lo para torná-lo mais chamativo. Não há necessidade de me agradecer…
Os LLMs podem ajudar os eleitores a entender melhor a política. Mas também podem confundir, omitir, simplificar, identificar erroneamente candidatos ou construir quadros interpretativos específicos.
O Outro Lado – As Respostas dos Chatbots Podem Ser Falhas
O problema é que as respostas do modelo parecem organizadas, confiantes e completas, mesmo quando contêm lacunas. Você sabe… como aquele futuro engenheiro (se o destino e os professores permitirem) da AGH que vai defender obstinadamente uma posição que nem teria entrado na discussão três cervejas atrás ;)
Um estudo da EBU e da BBC cobriu mais de 3.000 respostas geradas por quatro assistentes de IA (ChatGPT, Copilot, Gemini e Perplexity) em 14 idiomas. 45% das respostas continham pelo menos um problema significativo, 31% tinham sérios problemas com fontes e 20% continham sérios problemas de precisão, incluindo informações desatualizadas ou alucinações. fonte: EBU/BBC
Nas eleições locais, esse risco pode ser maior do que em uma campanha nacional. As fontes locais são mais dispersas. Os candidatos podem ser (e são, como provaremos em breve) menos conhecidos. O contexto muda mais rapidamente. Nomes do ciclo anterior podem se misturar com novos candidatos. Programas podem ser publicados em etapas. (se forem criados, mas já mencionei isso e não vou cutucar mais… por enquanto) E as perguntas dos usuários são frequentemente curtas, coloquiais e imprecisas.
Com um líder nacional, o modelo geralmente tem muitos dados. Com um candidato local a prefeito de Cracóvia, ele deve montar uma imagem a partir do BIP, da mídia local, do site do candidato, de postagens em redes sociais, pesquisas, relatórios de conferências e eventos atuais. Isso cria condições ideais para erros aparentemente menores, mas politicamente significativos: confundir papéis, omitir concorrentes, atribuir candidaturas desatualizadas, dar a alguém um rótulo muito restrito ou basear respostas em fontes de eleições anteriores.
A Reviravolta Mais Importante: GenAI Não Precisa Mentir para Influenciar
Nas discussões sobre IA e eleições, muita atenção é dada às “notícias falsas”. Enquanto isso, para uma campanha local, algo mais sutil pode ser igualmente importante: a representação.
O modelo pode não fornecer informações falsas. Pode simplesmente descrever o candidato principalmente através de sua filiação partidária, omitindo sua experiência em governo local. Pode mencioná-lo quando perguntado sobre o PiS, mas não quando perguntado sobre transporte. Pode escrever sobre a SCT, mas pular o tópico do transporte público. Pode responder a uma pergunta sobre Nowa Huta sem indicar a pessoa que constrói parte de sua comunicação em torno de laços com essa parte da cidade. Pode colocar o candidato no final da lista, mesmo que ele seja formalmente um dos participantes significativos da corrida.
Isso não precisa ser um “erro” no sentido simples. Pode ser uma consequência da hierarquia de fontes, frescor dos dados, disponibilidade de informações, a forma como uma pergunta é formulada e a mecânica da resposta gerada pelo modelo.
Na SEO tradicional, lutava-se por posição nos resultados de busca. No mundo dos LLMs, torna-se cada vez mais importante perguntar: o candidato aparece na resposta, sob quais perguntas eles aparecem, com o que estão associados e a quem são comparados.
Esse mecanismo é claramente visível no estudo de Michał Drewnicki (discutido em mais detalhes mais adiante no texto). Em 250 respostas do estudo deep dive, os modelos mencionaram o candidato em 87,6% dos casos quando o usuário forneceu seu nome, mas apenas em 5,0% dos casos quando a pergunta não incluía um nome e dizia respeito a um problema, categoria de candidatos ou tópico urbano. Em outras palavras: o reconhecimento pelo nome não significa necessariamente visibilidade temática.
E Se a Resposta Não Apenas Informa, Mas Também Muda a Opinião?
Aqui, um segundo conjunto chave de dados emerge. Pesquisas descritas pela Cornell mostraram que uma breve conversa com um chatbot pode mudar significativamente opiniões políticas. Em experimentos realizados em quatro países, chatbots baseados em LLM mudaram as preferências de eleitores da oposição em 10 pontos percentuais ou mais em muitos casos. Em experimentos no Canadá e na Polônia, o efeito foi em torno de 10 pontos percentuais, enquanto em um estudo, o modelo mais persuasivamente otimizado mudou a opinião dos eleitores da oposição em 25 pontos percentuais. fonte: Cornell Chronicle
Isso deve ser dito com cautela. Esses foram experimentos controlados, não provas de que chatbots decidirão eleições reais. Os participantes sabiam que estavam conversando com IA, e a direção da persuasão foi randomizada. Os autores e comentaristas enfatizaram as limitações de tais estudos e a diferença entre condições experimentais e campanhas reais. fonte: Nature Asia
Mas uma conclusão é difícil de ignorar. Ela vai mais ou menos assim: as respostas do modelo podem ser persuasivas não porque são emocionais, agressivas ou manipulativas no sentido clássico. Segundo os pesquisadores, sua força muitas vezes derivava da geração de muitas afirmações, argumentos e justificativas aparentemente factuais. A Cornell enfatizou que quando a capacidade dos modelos de usar fatos foi restringida, sua persuasividade diminuiu; ao mesmo tempo, modelos mais persuasivos tendiam a ser menos precisos. fonte: Cornell Chronicle
Esse é o cerne do problema em uma campanha local. Um eleitor pode receber uma resposta calma, razoável e bem fundamentada, desprovida de tom partidário. No entanto, essa resposta ainda pode reforçar uma imagem específica do candidato.
O Exemplo de Cracóvia: Michał Drewnicki nas Respostas dos LLM
Neste contexto, o estudo de Michał Drewnicki, o candidato do PiS a prefeito de Cracóvia, serve como um bom exemplo do que precisa ser medido na política local.
Não se trata apenas de perguntar: “a GenAI conhece o nome do candidato?”. Esse é o nível mais simples. Questões muito mais interessantes são as mais profundas:
Os modelos identificam corretamente Michał Drewnicki como o candidato do PiS nas eleições antecipadas em Cracóvia?
Reconhecem seus papéis públicos – vereador e vice-presidente do Conselho Municipal de Cracóvia?
Distinguir o contexto eleitoral atual das eleições locais de 2024?
Associam-no apenas ao PiS ou também à experiência em governo local?
Ele aparece em respostas a perguntas que não incluem seu nome, mas se relacionam a tópicos presentes em seu perfil público: comunicação, SCT, Nowa Huta, planejamento urbano, custo de vida, relações entre o escritório e os residentes?
Os modelos conseguem diferenciar entre informações oficiais, relatórios da mídia, declarações de campanha e suas próprias interpretações?
O estudo foi conduzido pelo modesto autor deste texto em 03/07/2026.
Usando nossa ferramenta proprietária Semantio, analisei 250 respostas sobre Michał Drewnicki no contexto das eleições presidenciais em Cracóvia. O material é o resultado de uma análise abrangendo 50 cenários únicos, lançados em cinco sistemas: ChatGPT, Gemini, Grok, DeepSeek e Google Overview. Cada sistema respondeu aos 50 cenários propostos. Os cenários foram divididos de acordo com a fase do funil de intenção: 80 respostas na fase de consciência, 85 na fase de consideração e 85 na fase de decisão. Perguntas contendo o nome do candidato e perguntas baseadas em problemas sem um nome foram analisadas separadamente.
O resultado mais forte diz respeito à diferença entre reconhecimento pelo nome e visibilidade espontânea. Em todo o material, houve 170 respostas a perguntas contendo o nome de Michał Drewnicki e 80 respostas a perguntas sem um nome. Quando o usuário forneceu o nome do candidato (o cenário de prompt incluía o nome “Drewnicki”), os modelos mencionaram Drewnicki em 149 de 170 respostas, ou 87,6% dos casos. Quando a pergunta não incluía um nome e dizia respeito a um problema, categoria de candidatos ou tópico urbano, Drewnicki apareceu em apenas 4 de 80 respostas, ou 5,0% dos casos.
Em termos simples: os modelos podem descrever o candidato quando o usuário já sabe sobre quem está perguntando, mas são significativamente menos bem-sucedidos em vinculá-lo de forma independente às questões da cidade.
Os dados também mostram que a visibilidade não é distribuída uniformemente entre os sistemas. Todas as 4 menções espontâneas de Drewnicki em perguntas sem um nome vieram do Google Overview. Nos outros sistemas (ChatGPT, Gemini, Grok e DeepSeek), o candidato não apareceu nenhuma vez em tais perguntas. Isso é importante porque destaca “em números” que não existe uma única e universal “visibilidade na IA”. Cada sistema pode construir um mapa diferente da cena política, dependente de fontes, frescor dos dados, mecânicas de busca e a forma como as respostas são geradas.
De fato, não consegui resistir a incluir esta foto no contexto da SCT ;)
A dica mais clara de visibilidade temática apareceu em perguntas sobre transporte, transporte público, bilhetes, mobilidade e a Zona de Transporte Limpo. Em perguntas sem um nome relacionadas a essa área, Drewnicki apareceu em 4 de 30 respostas, ou 13,3% dos casos. Este ainda é um resultado baixo, mas significativo em comparação com outros tópicos: perguntas sobre experiência em governo local, Nowa Huta, distritos, planejamento urbano ou espaços verdes não acionaram seu nome de forma tão eficaz. Da perspectiva de uma campanha local, essa é uma diferença importante: o modelo pode descrever com precisão o problema em Cracóvia, mas pode não mostrar ao eleitor qual candidato está tentando abordar politicamente esse problema.
Em 70 de 250 respostas, ou 28,0% de todo o conjunto de dados, alertas de alucinação foram marcados. O risco de erro não desapareceu após fornecer um nome: em perguntas com um nome, um alerta apareceu em 50 de 170 respostas (29,4%), enquanto em perguntas sem um nome, apareceu em 20 de 80 respostas (25,0%). Na maioria das vezes, esses foram problemas contextuais, como confundir as eleições de 2026 com as de 2024, papéis públicos incorretos, afiliação política incorreta, URLs erradas ou suspeitas, detalhes de programas não verificados e até confundir Cracóvia com Varsóvia (isso é imperdoável na Cidade de Cracóvia!). Em uma campanha local, tais erros menores podem ser mais prováveis do que “fakes” espetaculares, e, portanto, muito mais difíceis de detectar, pois muitas vezes ocorrem em respostas que soam calmas e razoáveis. Onde já vimos isso antes?…
As diferenças entre os provedores (outra bela palavra do Rio Bug) foram pronunciadas. Google Overview mencionou Drewnicki com mais frequência e teve a menor taxa de alertas de alucinação: 37 menções em 50 respostas (74,0%) e 5 alertas (10,0%). DeepSeek mencionou o candidato em 33 de 50 respostas (66,0%), mas ao mesmo tempo teve a maior proporção de alertas: 31 de 50 respostas (62,0%). ChatGPT mencionou Drewnicki em 30 de 50 respostas (60,0%) e teve 8 alertas (16,0%). Grok mencionou-o em 27 de 50 respostas (54,0%) e teve 16 alertas (32,0%). Gemini mencionou o candidato em 26 de 50 respostas (52,0%) e teve 10 alertas (20,0%). Isso mostra que uma maior visibilidade na IA não significa necessariamente uma representação de maior qualidade.
As fontes também se organizaram de forma interessante. Em todo o conjunto de dados, 676 links de fontes foram identificados. Os domínios que mais apareceram foram: bip.krakow.pl (90 vezes), facebook.com (71 vezes), krakow.pl (38 vezes), youtube.com (29 vezes), radiokrakow.pl (26 vezes), lovekrakow.pl (23 vezes), drewnicki.pl (22 vezes) e ztp.krakow.pl (22 vezes). O domínio oficial do candidato estava presente, mas certamente estava longe de dominar. A imagem de Drewnicki na IA também foi construída pelo BIP, pela mídia local, por fontes da cidade, Facebook, YouTube e outros domínios intermediários.
Ao mesmo tempo, em 115 de 250 respostas, não havia links de fontes, o que constitui 46,0% de todo o material. As diferenças entre os sistemas foram significativas: o Google Overview forneceu links em todas as respostas, o ChatGPT em 43 de 50, o DeepSeek em 31 de 50, o Grok em 10 de 50 e o Gemini apenas em 1 de 50 respostas. Isso tem significado eleitoral – uma resposta sem uma fonte pode parecer credível, mas o usuário carece de uma maneira rápida de verificar onde o modelo obteve informações sobre o candidato, seu papel, programa ou o contexto eleitoral.
Nas respostas dos LLM, a competição também não foi entendida apenas como uma lista de rivais eleitorais formais. No campo competitivo, os mais mencionados foram Aleksander Miszalski (53 vezes) e Łukasz Gibała (50 vezes), mas também foram visíveis Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) e Bartosz Bocheńczak (8). Mídia, instituições, partidos e organizações também apareceram, incluindo Gazeta Krakowska, Dziennik Polski, LoveKraków, Rádio Cracóvia, Coalizão Cívica, Esquerda e PiS. Para o modelo, a cena eleitoral se mistura com a cena informacional. O que isso significa? O candidato compete não apenas com outros nomes, mas também com contextos anteriores, fontes mais fortes e associações mais enraizadas.
A conclusão mais curta do estudo é: um nome por si só é insuficiente. No mundo dos LLMs, um candidato pode ser reconhecido (Michał Drewnicki, como analisado, claramente não pertence a essa categoria ainda) quando o usuário pergunta diretamente sobre ele, enquanto permanece mal presente quando se trata de perguntas que realmente iniciam a decisão do eleitor: sobre deslocamento, custos, distritos, espaços verdes, o escritório, experiência ou credibilidade em uma questão específica. Esta é a camada – não apenas presença online, mas presença nas respostas às necessidades do usuário – que precisa ser parametrizada hoje.
O Que Exatamente Pode Ser Medido?
Ao analisar os resultados obtidos no Semantio, eu vi as respostas de grandes modelos de linguagem não como curiosidades, mas como uma nova camada de visibilidade pública. No caso de um candidato político, pode-se analisar, entre outras coisas:
visibilidade espontânea – o candidato aparece quando o usuário não fornece um nome;
identificação correta – nome, papel, partido
