Há alguns anos, um eleitor que quisesse verificar um candidato à presidência da cidade precisava acessar seu site, revisar a mídia (incluindo a "tradicional"), assistir ao debate, perguntar a amigos ou percorrer várias páginas de resultados do Google. Hoje, cada vez mais, ele pode fazer algo mais simples – perguntar ao seu chatbot favorito (um grande modelo de linguagem).
Ele não precisa nem mesmo… conhecer os nomes. Não precisa saber quem pertence a qual comitê. Não precisa acompanhar as conferências de imprensa. Em geral, não precisa de muito. Mas pode. Pode 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 administração local?”, “quem fala especificamente sobre o custo de vida nessas eleições?”.
E receberá uma resposta.
Não uma lista de links. Não um resultado de busca clássico. Não uma base de documentos neutra. Ele receberá uma descrição sintética do cenário político, construída pelo LLM com base no que o modelo encontra, memoriza, interpreta, considera importante e organiza em uma hierarquia adequada. E isso para o usuário que, em parte, “criou” seu próprio “Tamagotchi” da terceira década (como isso soa!) do século XXI. Apenas que não o alimenta e não o limpa apertando botões, mas oferece pedaços de si mesmo que revelam seus hábitos.
Essa é uma nova camada da campanha eleitoral. Silenciosa, privada, difícil de monitorar e – nas eleições locais – potencialmente muito significativa.
Cracóvia como laboratório de eleições na era da GenAI
Cracóvia é um bom lugar para observar essa mudança na prática. Não é uma pequena comuna, mas também não é uma campanha nacional, onde cada candidato está constantemente presente na mídia principal. De acordo com dados do GUS, no final de 2025, Cracóvia tinha 816.614 habitantes. É um grande e complexo organismo urbano: com um centro, Nowa Huta, bairros periféricos, universidades, turismo, negócios, transporte, conflitos sobre áreas verdes, planejamento urbano, preços de serviços municipais e a forma como a cidade é gerida. fonte: Cracóvia em números
Além disso, há um contexto político único. No referendo local de 24 de maio de 2026, a participação na votação sobre a destituição do presidente 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%, portanto, o limite legal não foi ultrapassado. A diferença, aparentemente mínima, teve consequências políticas totalmente diferentes. fonte: Cidade de Cracóvia
Cracóvia também tem experiência recente de uma competição muito acirrada. No segundo turno das eleições presidenciais de 2024, Aleksander Miszalski obteve 51,04% dos votos, enquanto Łukasz Gibała recebeu 48,96%. De acordo com relatos baseados em dados da PKW, a diferença foi de 5.434 votos. fonte: Rzeczpospolita
Esses são números que exigem atenção a cada nova fonte de influência informativa. Não porque o chatbot “escolherá o presidente de Cracóvia”. Essa é uma afirmação muito forte. Mas porque, em uma campanha onde alguns milhares de votos podem mudar o resultado, a visibilidade também é importante, quem é visível, quem é ignorado, com o que é associado e como é descrito nas respostas da inteligência artificial generativa, que os usuários estão cada vez mais utilizando.
O eleitor não apenas busca. O eleitor conversa
A mudança mais importante não é que a IA pode gerar um anúncio, meme ou deepfake. Isso, claro, também é relevante, mas já é um tema bem reconhecido. Fala-se muito sobre isso, há campanhas – mais ou menos sociais. Mais ou menos financiadas por determinados comitês eleitorais.
A mudança mais interessante e menos óbvia diz respeito ao fato de que os LLMs estão se tornando consultores informativos privados. O eleitor pode não perguntar: “qual é o programa de Michał Drewnicki”. Ele pode até não lembrar desse nome. Mas pode perguntar: “quem em Cracóvia tem experiência em administração local?”, “qual candidato fala sobre Nowa Huta?”, “quem tem uma posição clara sobre a SCT?”, “o candidato do PiS em Cracóvia é apenas partidário ou tem experiência local?”.
Essas perguntas estão muito mais próximas do processo decisório real. As pessoas raramente comparam programas inteiros de cabo a rabo. (a propósito… qual partido em 2024 descreveu seu programa eleitoral de forma clara, em vez de surfar na onda de pesquisas em mudança, gritos em comícios e discussões medidas nas “mídias sociais”?) Mais frequentemente, buscam respostas para seus próprios problemas: transporte, preços, áreas verdes, escola, calçada, estacionamento, construção do lado de fora, sensação de caos na administração ou falta de influência nas decisões da cidade.
É aqui que os grandes modelos de linguagem começam a atuar como um novo intermediário. Eles não apenas fornecem informações. Eles organizam a cena. Escolhem quais candidatos mencionar. Decidem quais fatos considerar relevantes. Resumem 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 supor que os institutos de pesquisa e seus “erros” se tornarão um dos principais temas de comentários após as pesquisas de saída.
Isso já não é uma nicho tecnológico
Se alguém supõe que “chatbots” ainda são um brinquedo para estudantes e para a indústria tecnológica, os dados rapidamente esfriam essa visão. De acordo com o relatório Gemius/PBI, em junho de 2025, mais de 9,3 milhões de usuários reais estavam utilizando o ChatGPT na Polônia. Isso representava 31,4% dos internautas 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 pessoas abaixo de 35 anos, e no grupo de 25 a 34 anos, o tempo médio de uso em junho foi de 2 horas e 42 minutos. fonte: Gemius/PBI
No âmbito europeu, o Eurostat informou que em 2025, 32,7% dos residentes da UE com idades entre 16 e 74 anos estavam utilizando ferramentas de IA generativa. No grupo de 16 a 24 anos, essa porcentagem já era de 63,8%. fonte: Eurostat
Isso é importante, porque os eleitores mais jovens são também um grupo mais propenso a usar novas ferramentas informativas e um grupo que, nas eleições locais, muitas vezes apresenta uma participação menos estável. Não é necessário supor uma transição em massa de toda a campanha para sistemas suportados por inteligência artificial. Basta notar que, para uma parte significativa dos usuários, conversar com um chatbot está se tornando uma das maneiras naturais de organizar informações.
IA como ferramenta para notícias, política e decisões
Dados do Reuters Institute mostram que chatbots de IA já estão sendo usados para consumo de informações, embora ainda não dominem. Em 2026, 10% dos entrevistados em 45 mercados declararam usar chatbots de IA para notícias semanalmente, em comparação com 7% no ano anterior. O mais interessante é como as pessoas os utilizam: 42% dos usuários de chatbots de notícias fazem perguntas aprofundadas, 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: Reuters Institute Digital News Report
Isso é quase uma descrição pronta do comportamento do eleitor em uma campanha local. “Explique-me o que está acontecendo com a Zona de Transporte Limpo”. “Resuma as diferenças entre os candidatos”. “Quem é confiável em questões de transporte?”. “Esse candidato realmente tem experiência em administração local?”. “Quais fontes confirmam suas declarações?”.
Neste ponto, a IA deixa de ser apenas uma ferramenta para escrever textos. Torna-se uma interface para a realidade pública.
O sinal de alerta mais forte – os eleitores já estão perguntando ao GenAI sobre as eleições
Um dos números mais interessantes vem de um estudo sobre as eleições parlamentares no Reino Unido em 2024. Uma pesquisa representativa com 2.499 adultos mostrou que, na semana anterior às eleições, 32% dos usuários de chatbots (13% de todos os eleitores elegíveis) usaram IA conversacional para buscar informações diretamente relacionadas à decisão de voto. fonte: arXiv, estudo UK 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 o eleitor está tomando uma decisão, organizando argumentos ou tentando entender o cenário político. Muitas vezes, logo antes de entrar na cabine de votação.
O que é importante, os autores deste estudo não formulam uma conclusão alarmista simples. Em uma série de experimentos com 2.858 participantes, eles descobriram que o uso de chatbots não prejudicava o conhecimento político; ao contrário, aumentava-o em um grau semelhante ao da pesquisa tradicional na internet. fonte: AI Security Institute
E é exatamente por isso que o tema é mais interessante do que uma simples narrativa sobre ameaça. É hora de um truísmo. Vou até destacá-lo para que fique mais evidente. Não há de quê…
Os LLMs podem ajudar os eleitores a entender melhor a política. Mas também podem confundir, omitir, simplificar, identificar candidatos de forma desatualizada ou construir determinadas estruturas interpretativas.
A segunda parte – as respostas dos chats podem ser falhas
O problema é que as respostas dos modelos parecem organizadas, seguras e completas, mesmo quando contêm lacunas. Você sabe… como aquele conhecido em uma festa estudantil que será obstinadamente defensor de uma posição que, há três cervejas, não teria entrado nem na discussão ;)
Um estudo da EBU e da BBC abrangeu 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 relevante, 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 vamos provar em breve) menos conhecidos. O contexto muda mais rapidamente. Nomes do ciclo anterior podem se misturar com novas candidaturas. Os programas podem ser publicados em etapas. (a menos que sejam criados, mas já escrevi sobre isso e não haverá mais alfinetadas… espero) E as perguntas dos usuários costumam ser curtas, coloquiais e imprecisas.
Com um líder nacional, o modelo geralmente tem muitos dados. Com um candidato local à presidência de Cracóvia, ele precisa montar uma imagem a partir do BIP, da mídia local, do site do candidato, de postagens em redes sociais, pesquisas, relatos de conferências e eventos atuais. Essas são condições ideais para erros aparentemente pequenos, mas politicamente significativos: confundir funções, omitir concorrentes, atribuir uma candidatura desatualizada, dar a alguém uma etiqueta muito estreita ou basear a resposta em fontes de eleições anteriores.
A reviravolta mais importante: GenAI não precisa mentir para influenciar
No debate sobre IA e eleições, muita atenção é dada às “fake news”. No entanto, para uma campanha local, algo mais sutil pode ser igualmente importante: a representação.
O modelo pode não fornecer uma informação falsa. Ele pode simplesmente descrever o candidato principalmente pelo partido, enquanto omite sua experiência em administração local. Pode mencioná-lo ao responder sobre o PiS, mas não ao falar sobre transporte. Pode escrever sobre a SCT, mas omitir a questão do transporte público. Pode responder a uma pergunta sobre Nowa Huta sem indicar a pessoa que constrói parte de sua comunicação em torno de suas ligações com essa parte da cidade. Pode colocar o candidato no final da lista, mesmo que formalmente ele seja um dos participantes significativos da corrida.
Isso não precisa ser um “erro” no sentido simples. Pode ser uma consequência da hierarquia das fontes, da atualidade dos dados, da disponibilidade de informações, da forma como a pergunta é formulada e da mecânica da resposta gerada pelo modelo.
No SEO tradicional, lutava-se pela posição nos resultados de busca. No mundo dos LLMs, a pergunta que se torna cada vez mais importante é: o candidato aparece na resposta, em quais perguntas ele aparece, com o que é associado e com quem é comparado.
Esse mecanismo é bem visível no estudo de Michał Drewnicki (discutido mais detalhadamente adiante). 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 continha o nome e tratava de um problema, categoria de candidatos ou tema urbano. Em outras palavras: o reconhecimento pelo nome não significa ainda visibilidade temática.
E se a resposta não apenas informa, mas também muda a opinião?
Aqui surge um segundo conjunto crucial de dados. Pesquisas descritas por Cornell mostraram que uma breve conversa com um chatbot pode mudar significativamente as opiniões políticas. Em experimentos realizados em quatro países, chatbots baseados em LLMs mudaram as preferências dos eleitores da oposição em 10 pontos percentuais ou mais em muitos casos. Em experimentos no Canadá e na Polônia, o efeito foi de cerca de 10 pontos percentuais, e em um dos estudos, o modelo otimizado para persuasão mais eficazmente mudou as opiniões dos eleitores da oposição em 25 pontos percentuais. fonte: Cornell Chronicle
É preciso dizer isso com cautela. Foram experimentos controlados, e não uma prova de que os chatbots decidirão as eleições reais. Os participantes sabiam que estavam conversando com IA, e a direção da persuasão era randomizada. Os próprios autores e comentaristas enfatizaram as limitações de tais estudos e a diferença entre as condições experimentais e uma campanha real. fonte: Nature Asia
Mas uma conclusão é difícil de ignorar. Ela soa mais ou menos assim: as respostas dos modelos podem ser persuasivas não porque são emocionais, agressivas ou manipulativas no sentido clássico. Segundo os pesquisadores, sua força muitas vezes resultava do fato de que geravam muitas afirmações, argumentos e justificativas aparentemente racionais. Cornell destacou que, quando se restringia a capacidade dos modelos de usar fatos, sua persuasão diminuía; ao mesmo tempo, modelos mais persuasivos tendiam a ser menos precisos. fonte: Cornell Chronicle
Esse é o cerne do problema em uma campanha local. O eleitor pode receber uma resposta calma, racional, bem formulada e isenta de tom partidário. E, ainda assim, essa resposta pode reforçar uma determinada imagem do candidato.
Exemplo de Cracóvia, ou Michał Drewnicki nas respostas dos LLMs
Nesse contexto, o estudo de Michał Drewnicki, candidato do Direito e Justiça à presidência de Cracóvia, é um bom exemplo do que precisa ser medido na política local.
Não se trata apenas de perguntar: “o GenAI conhece o nome do candidato?”. Esse é o nível mais simples. Perguntas muito mais interessantes são as mais profundas:
Os modelos identificam corretamente Michał Drewnicki como candidato do PiS nas eleições antecipadas em Cracóvia?
Reconhecem suas funções públicas – vereador e vice-presidente do Conselho Municipal de Cracóvia?
Distinguir o contexto eleitoral atual das eleições municipais de 2024?
Associá-lo exclusivamente ao PiS ou também à experiência local em administração?
Ele aparece nas respostas a perguntas que não contêm seu nome, mas tratam de temas presentes em seu perfil público: transporte, SCT, Nowa Huta, planejamento urbano, custo de vida, relações entre a administração e os moradores?
Os modelos conseguem distinguir informações oficiais, relatos da mídia, declarações de campanha e suas próprias interpretações?
O estudo foi realizado pelo modesto autor deste texto no dia 03/07/2026.
No estudo realizado com nossa ferramenta autoral Semantio, analisei 250 respostas sobre Michał Drewnicki no contexto das eleições presidenciais em Cracóvia. O material é resultado de uma análise abrangendo 50 cenários únicos, acionados em cinco sistemas: ChatGPT, Gemini, Grok, DeepSeek e Google Overview. Cada sistema respondeu aos 50 cenários propostos. Os cenários foram divididos, entre outros, de acordo com a etapa do funil de intenções: 80 respostas na etapa awareness, 85 na etapa consideration e 85 na etapa decision. As perguntas que continham o nome do candidato e as perguntas problemáticas sem o nome foram analisadas separadamente.
O resultado mais forte diz respeito à diferença entre reconhecimento pelo nome e visibilidade espontânea. No material total, houve 170 respostas a perguntas contendo o nome de Michał Drewnicki e 80 respostas a perguntas sem o nome. Quando o usuário forneceu o nome do candidato (o cenário do prompt continha o nome “Drewnicki”), os modelos mencionaram Drewnicki em 149 de 170 respostas, ou seja, em 87,6% dos casos. Quando a pergunta não continha o nome e tratava de um problema, categoria de candidatos ou tema urbano, Drewnicki apareceu apenas em 4 de 80 respostas, ou seja, em 5,0% dos casos.
Em termos simples: os modelos conseguem descrever o candidato quando o usuário já sabe a quem está se referindo, mas conectam-no muito pior a problemas da cidade de forma independente.
Os dados também mostram que a visibilidade não está igualmente distribuída entre os sistemas. Todas as 4 menções espontâneas a Drewnicki em perguntas sem o nome vieram do Google Overview. Nos outros sistemas (ChatGPT, Gemini, Grok e DeepSeek), em tais perguntas, o candidato não apareceu uma única vez. Isso é importante, pois destaca “em números” que não existe uma “visibilidade universal em IA”. Cada sistema pode construir um mapa diferente do cenário político, dependendo das fontes, atualidade dos dados, mecânica de busca e forma de gerar respostas.
Sim, não consegui me conter com essa foto no contexto da SCT ;)
A mais clara semente de visibilidade temática surgiu em perguntas sobre transporte, transporte público, bilhetes, mobilidade e a Zona de Transporte Limpo. Em perguntas sem o nome relacionadas a essa área, Drewnicki apareceu em 4 de 30 respostas, ou seja, em 13,3% dos casos. Isso ainda é um resultado baixo, mas significativo em comparação com outros temas: perguntas sobre experiência em administração local, Nowa Huta, bairros, planejamento urbano ou áreas verdes não acionaram seu nome com a mesma eficácia. Do ponto de vista da campanha local, essa é uma diferença importante: o modelo pode descrever bem o problema de Cracóvia, mas não necessariamente mostrará ao eleitor qual candidato está tentando abordar esse problema politicamente.
Em 70 de 250 respostas, ou seja, em 28,0% do total, foi emitido um alerta de alucinação. O risco de erro não desapareceu após a menção do nome: em perguntas com o nome, o alerta apareceu em 50 de 170 respostas (29,4%), enquanto em perguntas sem o nome, 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, funções públicas erradas, afiliação política incorreta, URLs erradas ou suspeitas, detalhes do programa não confirmados e até mesmo confundir Cracóvia com Varsóvia (isso não se perdoa em Cracóvia!). Em uma campanha local, esses pequenos erros podem ser mais prováveis do que “fake news” espetaculares, e, portanto, muito mais difíceis de detectar, pois muitas vezes ocorrem em respostas que soam calmas e racionais. De onde conhecemos isso?…
As diferenças entre os provedores (mais uma bela palavra vinda de além do Bug) foram evidentes. 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 teve a maior taxa 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 em IA não significa necessariamente uma maior qualidade de representação.
As fontes também se organizaram de maneira interessante. No total, foram identificados 676 links de fontes. As domínios mais frequentemente mencionados 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 definitivamente longe de dominar. A imagem de Drewnicki na IA também foi construída por BIP, mídias locais, fontes municipais, Facebook, YouTube e outros domínios intermediários.
Ao mesmo tempo, em 115 de 250 respostas, não havia nenhum link de fonte, o que representa 46,0% do total. As diferenças entre os sistemas foram grandes: 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 implicações eleitorais – uma resposta sem fonte pode soar confiável, mas o usuário não tem um caminho rápido para verificar de onde o modelo obteve informações sobre o candidato, função, programa ou contexto das eleições.
Nas respostas dos LLMs, a concorrência também não foi entendida apenas como uma lista de rivais eleitorais formais. No campo competitivo, os nomes que mais frequentemente apareceram foram Aleksander Miszalski (53 vezes) e Łukasz Gibała (50 vezes), mas também estavam 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). Também apareceram mídias, instituições, partidos e organizações, como Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Coalizão Cívica, Esquerda e PiS. Para o modelo, a cena eleitoral se mistura com a cena informativa. O que isso significa? O candidato compete não apenas com outros nomes, mas também com contextos anteriores, fontes mais fortes e associações mais consolidadas.
A conclusão mais breve do estudo é: um nome é insuficiente. No mundo dos LLMs, um candidato pode ser reconhecido (Michał Drewnicki, claramente, ainda não se enquadra nisso), quando o usuário pergunta diretamente sobre ele, mas ainda assim permanecer pouco presente em perguntas que realmente iniciam a decisão do eleitor: sobre transporte, custos, bairros, áreas verdes, administração, experiência ou credibilidade em um problema específico. É essa camada – não apenas a presença na internet, mas a presença nas respostas às necessidades dos usuários – que precisa ser parametrizada hoje.
O que exatamente pode ser medido?
Analisando os resultados obtidos em Semantio, olhei para as respostas dos grandes modelos de linguagem não como uma curiosidade, mas como uma nova camada de visibilidade pública. No caso de um candidato político, pode-se analisar, entre outros:
visibilidade espontânea – se o candidato aparece quando o usuário não menciona o nome;
correção da identificação – nome, função, partido, ano das eleições, contexto atual;
posição na resposta – se o candidato é o primeiro, o do meio, o último, omitido ou descrito de forma resumida;
associações temáticas – em quais temas o modelo o menciona: transporte, SCT, bairros, custo de vida, experiência em administração, PiS, direita, gestão da cidade;
comparações – com quem o modelo mais frequentemente o compara e segundo quais critérios; com quem o candidato vence e quem tem um KO (não se refere ao comitê!)
fontes – se a resposta se baseia em dados atuais, confiáveis e adequados;
alucinações – uma área fascinante, onde se pode observar coisas como confundir pessoas, funções, datas, programas, ciclos eleitorais ou declarações inexistentes;
estruturas interpretativas – se o candidato é apresentado como partidário, local, administrativo, ideológico, tecnocrático, de protesto, anti-regulamentar, urbano, de direita, “pro-motorista” ou de outra forma.
No caso de Drewnicki, três categorias para análise adicional se destacam: visibilidade pelo nome, visibilidade temática e qualidade das fontes. A primeira foi alta. A segunda foi baixa. A terceira mostrou-se desigual entre os provedores.
Primeiro exemplo: perguntas sobre experiência em administração local sem mencionar o nome não acionaram espontaneamente Drewnicki, mesmo que seu perfil institucional inclua o mandato de vereador e a função de vice-presidente do Conselho Municipal de Cracóvia.
Segundo exemplo: perguntas sobre Nowa Huta, Mistrzejowice, norte de Cracóvia e a perspectiva dos bairros também não foram suficientes para que os modelos indicassem o candidato.
Terceiro exemplo: uma certa pista de visibilidade espontânea surgiu principalmente em torno de transporte e SCT, mas ainda era bastante fraca em comparação com as respostas a perguntas que continham o nome.
De forma mais concisa, pode-se dizer: GenAI consegue responder à pergunta “quem é Michał Drewnicki?”, mas muito menos frequentemente responde com seu nome à pergunta “quem em Cracóvia tem uma posição sobre meu problema?”. Essa é uma diferença que é difícil de ver na monitorização clássica da mídia, mas que é muito significativa para uma campanha local.
Por que isso é importante para as equipes, mídias e organizações cívicas
As equipes de campanha monitoram mídias, redes sociais, pesquisas e resultados de busca há anos. O problema é que os LLMs não se comportam como um meio comum e não se comportam como um mecanismo de busca clássico. Estes últimos também estão se tornando cada vez menos “clássicos” diante de nossos olhos.
O modelo não simplesmente mostra o que está na internet. O modelo processa informações, resume, hierarquiza, às vezes atualiza por meio de busca, às vezes se baseia em conhecimento previamente consolidado, às vezes se recusa a responder e, às vezes, responde com grande certeza, mesmo com dados incompletos.
Para a equipe, isso significa novas perguntas. O candidato está presente nas respostas sobre temas que são importantes para ele? Seu perfil está atualizado? Os modelos não estão atribuindo declarações de outros a ele? Os concorrentes não estão assumindo na IA temas que são seu campo natural na campanha? O usuário que pergunta sobre “o candidato do transporte” verá seu nome?
O estudo de Drewnicki mostra que essa pergunta não é teórica. Em perguntas sem o nome, o candidato apareceu apenas em 5,0% das respostas. Para a equipe, isso significa a necessidade de observar não apenas se existem materiais sobre o candidato na internet, mas também se os modelos conseguem conectar esses materiais com as intenções reais dos eleitores.
Para as mídias, isso significa a necessidade de ver os LLMs como intermediários na distribuição de informações públicas. Se os modelos começam a responder perguntas eleitorais, a qualidade do jornalismo local, a estrutura dos dados, a atualidade das fontes e a precisão das descrições dos candidatos afetarão não apenas os leitores, mas também as respostas sintetizadas pela GenAI.
Para as organizações cívicas, isso significa algo ainda diferente. A possibilidade de investigar se os modelos informam os eleitores de forma precisa, se não omitem candidatos, se não reforçam dados desatualizados e se não criam desigualdade informativa entre aqueles que conhecem bem a cena política e aqueles que estão apenas tentando se orientar nela.
Manter a calma – por enquanto, nada indica que GenAI substituirá campanhas. Mas pode mudar o mapa da informação
Não faz sentido afirmar que as eleições em Cracóvia serão decididas no ChatGPT, Gemini, Perplexity ou Copilot. De forma alguma… A campanha ainda se desenrola em grande parte “na cidade” – em reuniões, na mídia local, em conferências, em debates, nos bairros, nas comunidades, nos pontos de ônibus e nas conversas entre os moradores.
No entanto, seria um erro considerar que as respostas dos LLMs são apenas uma curiosidade tecnológica.
Se na Polônia milhões de pessoas já usam o ChatGPT, se na UE cerca de um terço da população com idades entre 16 e 74 anos utiliza IA generativa, se no Reino Unido 13% dos eleitores elegíveis usaram chatbots para informações eleitorais na semana anterior à votação, e se experimentos mostram que conversar com um modelo pode mudar opiniões políticas – isso significa que as equipes e instituições públicas devem começar a tratar a IA como uma camada real de circulação de informações. fontes: Gemius/PBI, Eurostat, estudo UK 2024, Cornell Chronicle
Nas eleições locais, essa camada é especialmente importante. Por quê? Porque o eleitor muitas vezes não busca uma grande ideologia. Ele busca respostas para seu próprio problema. As perguntas são muitas: Quem entende meu bairro? Quem tem experiência? Quem fala sobre transporte? Quem tem um plano para o custo de vida? Quem é confiável em questões de áreas verdes? Quem realmente está concorrendo, e quem foi candidato nas eleições anteriores?
Do que o modelo responder a tais perguntas pode depender não apenas o resultado das eleições, mas a forma como parte dos moradores entenderá os candidatos.
E isso não aparece nas pesquisas. Não aparece no SEO clássico. Não aparece na monitorização da mídia. Mas pode ser estudado.
No caso de Michał Drewnicki, a lição mais importante é simples: o candidato pode estar presente nas respostas da GenAI, mas ainda não ter um forte “ownership” (sim, uma bela palavra em polonês) dos temas que são importantes para os moradores. É essa diferença – entre presença pelo nome e presença nos problemas – que deve começar a ser tratada como uma nova categoria de visibilidade pública.
Quer verificar como a IA descreve seu candidato, partido, marca ou instituição?
O estudo de Michał Drewnicki mostra que as respostas geradas pelos modelos de IA podem ser analisadas sistematicamente, ou seja, em termos de visibilidade, correção, fontes, comparações, omissões e estruturas interpretativas. Se você deseja saber mais sobre este estudo ou discutir uma análise semelhante para seu próprio projeto, entre em contato com o autor do texto: m.grzebyk@brandsemantics.eu
* para que não haja dúvidas – aquele que aparece nas respostas ;)
