Ešte pred niekoľkými rokmi volič, ktorý chcel skontrolovať kandidáta na primátora mesta, musel navštíviť jeho webovú stránku, prehľadávať médiá (vrátane tých „tradičných”), sledovať debaty, pýtať sa známych alebo prechádzať niekoľko stránok výsledkov Google. Dnes čoraz častejšie môže urobiť niečo jednoduchšie – položiť otázku svojmu obľúbenému chatu (veľkému jazykovému modelu).
Nemusí dokonca… poznať mená. Nemusí vedieť, kto je z akého výboru. Nemusí sledovať tlačové konferencie. V zásade, nemusí toho veľa. Ale môže. Môže sa opýtať: „Kto v Krakove má najlepší dopravný program?”, „Ktorý kandidát je spojený s Novou Hutou?”, „Kto chce zmeniť Zónu Čistého Transportu?”, „Má kandidát PiS skúsenosti s miestnou samosprávou?”, „Kto v týchto voľbách hovorí konkrétne o nákladoch na život?”.
A dostane odpoveď.
Nie zoznam odkazov. Nie klasický výsledok vyhľadávania. Nie neutrálnu databázu dokumentov. Dostane syntetický opis politickej scény, vytvorený LLM na základe toho, čo model nájde, zapamätá, interpretuje, považuje za dôležité a usporiada do správnej hierarchie. A to pre tohto používateľa, ktorý si po časti „vychoval” svoje „Tamagotchi” z tretej dekády (ako to znie!) XXI. storočia. Len ho neživí a neumýva stláčaním tlačidiel, ale hádže mu sústa samého seba, ktoré prezrádzajú jeho zvyky.
To je nová vrstva volebnej kampane. Tichá, súkromná, ťažko sledovateľná a – v miestnych voľbách – potenciálne veľmi dôležitá.
Krakov ako laboratórium volieb v ére GenAI
Krakov je dobrým miestom na to, aby sme videli túto zmenu v praxi. Nie je to malá obec, ale ani celonárodná kampaň, v ktorej je každý kandidát neustále prítomný v hlavných médiách. Podľa údajov GUS na konci roku 2025 mal Krakov 816 614 obyvateľov. Je to veľký, zložitý mestský organizmus: s centrom, Novou Hutou, periférnymi štvrtami, univerzitami, turizmom, podnikaním, dopravou, konfliktmi o zeleň, územným plánovaním, cenami mestských služieb a spôsobom správy mesta. zdroj: Krakov v číslach
Na to sa pridáva výnimočný politický kontext. V miestnom referende 24. mája 2026 bola účasť na hlasovaní o odvolaní primátora Krakova 29,99 % — dostatočne na to, aby bolo referendum platné a rozhodujúce. V paralelnom hlasovaní o odvolaní Mestského zastupiteľstva bola účasť 29,97 %, takže zákonný prah nebol prekročený. Rozdiel sa zdá byť minimálny, politické následky sú však úplne odlišné. zdroj: Mesto Krakov
Krakov má tiež čerstvé skúsenosti s veľmi vyrovnanou rivalitou. V druhom kole prezidentských volieb v roku 2024 získal Aleksander Miszalski 51,04 % hlasov, zatiaľ čo Łukasz Gibała 48,96 %. Podľa správ založených na údajoch PKW bol rozdiel 5434 hlasov. zdroj: Rzeczpospolita
To sú čísla, pri ktorých je potrebné dávať pozor na každý nový zdroj informačného vplyvu. Nie preto, že chatbot „vyberie primátora Krakova”. To je príliš silná téza. Ale preto, že v kampani, v ktorej niekoľko tisíc hlasov môže zmeniť výsledok, má význam aj to, kto je viditeľný, kto je opomínaný, s čím je spájaný a ako je popisovaný v odpovediach generatívnej umelej inteligencie, po ktoré čoraz častejšie siahajú používatelia.
Voliteľ nie len hľadá. Voliteľ sa rozpráva
Najdôležitejšia zmena nespočíva v tom, že AI dokáže vygenerovať reklamu, meme alebo deepfake. To má samozrejme význam, ale je to už dosť dobre rozpoznaná téma. Veľa sa o tom hovorí, sú o tom kampane – menej alebo viac spoločenské. Menej alebo viac platené konkrétnymi voľbnými výbormi.
Zaujímavejšia a menej očividná zmena sa týka toho, že LLM-y sa stávajú súkromnými informačnými poradcami. Voliteľ sa nemusí pýtať: „aký je program Michala Drewnického”. Možno si ani nepamätá toto meno. Môže sa však opýtať: „Kto v Krakove má skúsenosti s miestnou samosprávou?”, „Ktorý kandidát hovorí o Novej Hute?”, „Kto má konkrétne, jasné stanovisko voči SCT?”, „Je kandidát PiS v Krakove len stranícky, alebo má miestne skúsenosti?”.
Takéto otázky sú oveľa bližšie skutočnému rozhodovaciemu procesu. Ľudia zriedka porovnávajú celé programy od začiatku do konca. (mimochodom… ktorá z politických strán v roku 2024 opísala svoj jasný volebný program, a nie sa vezla na vlne meniacich sa prieskumov, pokrikov na mítingoch a hádok meraných v „sociálnych médiách”?) Častejšie hľadajú odpovede na vlastný problém: dochádzanie, ceny, zeleň, škola, chodník, parkovanie, zástavba za oknom, pocit chaosu na úrade alebo nedostatok vplyvu na rozhodnutia mesta.
Práve tu veľké jazykové modely začínajú fungovať ako nový sprostredkovateľ. Nielenže poskytujú informácie. Oni usporadúvajú scénu. Vyberajú, ktorých kandidátov spomenú. Rozhodujú, ktoré fakty považovať za dôležité. Skracujú zložitý kontext na niekoľko odsekov. A často to robia spôsobom, ktorý neuvidíme v klasickom monitorovaní médií, SEO ani analýze sociálnych médií. Týmto spôsobom sa dá predpokladať, že prieskumné agentúry a ich „prestrelenia” sa čoraz častejšie stanú jednými z hlavných tém komentárov po exit polloch.
To už nie je technologická nika
Ak niekto predpokladá, že „chatboty” sú stále hračkou pre študentov a technologický sektor, údaje rýchlo ochladia tento názor. Podľa správy Gemius/PBI v júni 2025 používalo ChatGPT v Poľsku viac ako 9,3 milióna reálnych používateľov. To predstavovalo 31,4 % internetových používateľov a 28,6 % populácie vo veku 7–75 rokov. Správa tiež uviedla, že medzi používateľmi ChatGPT sú nadreprezentované osoby mladšie ako 35 rokov, pričom v skupine 25–34 rokov bol priemerný čas používania v júni 2 hodiny a 42 minút. zdroj: Gemius/PBI
Na európskej úrovni Eurostat uviedol, že v roku 2025 používalo nástroje generatívnej AI 32,7 % obyvateľov EÚ vo veku 16–74 rokov. V skupine 16–24 rokov bol tento podiel už 63,8 %. zdroj: Eurostat
To je dôležité, pretože mladší voliči sú zároveň skupinou, ktorá je ochotnejšia používať nové informačné nástroje a skupinou, ktorá býva v miestnych voľbách často menej stabilná z hľadiska účasti. Nie je potrebné predpokladať masový prechod celej kampane do systémov podporovaných umelou inteligenciou. Stačí si všimnúť, že pre významnú časť používateľov rozhovor s chatbotom sa stáva jedným z prirodzených spôsobov usporiadania informácií.
AI ako nástroj pre správy, politiku a rozhodovanie
Údaje Reuters Institute ukazujú, že AI chatboty sa už používajú na konzumáciu informácií, hoci stále dominujú. V roku 2026 10 % respondentov na 45 trhoch uviedlo, že týždenne používajú AI chatboty na správy, oproti 7 % rok predtým. Ešte zaujímavejšie je, ako ich ľudia používajú: 42 % používateľov spravodajských chatbotov kladie doplňujúce otázky, 35 % ich používa na získanie najnovších informácií, 34 % na zhrnutie, 30 % na zjednodušenie zložitých tém a 33 % na hodnotenie dôveryhodnosti zdrojov. zdroj: Reuters Institute Digital News Report
To je takmer hotový opis správania voliča v miestnej kampani. „Vysvetli mi, o čo ide so Zónou Čistého Transportu”. „Zhrň rozdiely medzi kandidátmi”. „Kto je dôveryhodný v téme dopravy?”. „Má tento kandidát naozaj skúsenosti s miestnou samosprávou?”. „Aké zdroje potvrdzujú jeho vyhlásenia?”.
V tomto momente AI prestáva byť len nástrojom na písanie textov. Stáva sa rozhraním do verejnej reality.
Najsilnejší varovný signál – voliči už pýtajú GenAI na voľby
Jedno z najzaujímavejších čísel pochádza z prieskumu týkajúceho sa parlamentných volieb vo Veľkej Británii v roku 2024. Reprezentatívny prieskum 2499 dospelých ukázal, že v týždni pred voľbami 32 % používateľov chatbotov (13 % všetkých oprávnených voličov) používalo konverzačnú AI na hľadanie informácií priamo súvisiacich s voľbami. zdroj: arXiv, prieskum UK 2024
To nie je marginálny detail. Je to signál, že chatboty vstupujú do stredu volebného procesu: nie ako abstraktná technológia, ale ako nástroj používaný vtedy, keď volič práve robí rozhodnutie, usporadúva argumenty alebo sa snaží pochopiť politickú scénu. Často tesne pred vstupom do volebnej miestnosti.
Čo je dôležité, autori tohto prieskumu neformulujú jednoduchý alarmistický záver. V sérii experimentov s 2858 účastníkmi zistili, že používanie chatbotov nezhoršovalo politické vedomosti; naopak, zvyšovalo ich v podobnej miere ako tradičné internetové vyhľadávanie. zdroj: AI Security Institute
A práve preto je téma zaujímavejšia než obyčajný príbeh o hrozbe. Je čas na truizmus. Dokonca ho vyboldím, aby bol nápadnejší. Niet za čo…
LLM-y môžu pomáhať voličom lepšie chápať politiku. Ale môžu tiež mýliť, opomínať, zjednodušovať, neaktuálne identifikovať kandidátov alebo budovať určité interpretačné rámce.
Druhá strana – odpovede chatov môžu byť chybnými
Problém spočíva v tom, že odpovede modelov pôsobia usporiadane, istotne a úplne, aj keď obsahujú medzery. Vieš… ako ten, koho si spoznal na študentskej párty, budúci inžinier (ak to osud a profesori dovolia) AGH, ktorý bude s odhodlaním brániť stanovisko, ktoré pred tromi pivami by ani neprišlo do diskusie ;)
Štúdia EBU a BBC zahrnula viac ako 3000 odpovedí generovaných štyrmi AI asistentmi (ChatGPT, Copilot, Gemini a Perplexity) v 14 jazykoch. 45 % odpovedí obsahovalo aspoň jeden významný problém, 31 % malo vážne problémy so zdrojmi a 20 % obsahovalo vážne problémy s presnosťou, vrátane neaktuálnych alebo halucinačných informácií. zdroj: EBU/BBC
V miestnych voľbách môže byť toto riziko väčšie ako v celonárodnej kampani. Miestne zdroje sú viac rozptýlené. Kandidáti bývajú (a sú, čo si čoskoro dokážeme) menej známi. Kontext sa mení rýchlejšie. Mená z predchádzajúceho cyklu sa môžu miešať s novými kandidátmi. Programy sa zvyknú publikovať po etapách. (ak vôbec vzniknú, ale o tom som už písal a viac štipľavých poznámok nebude… snáď) A otázky používateľov sú často krátke, hovorové a nepresne formulované.
Pri celonárodnom lídrovi má model zvyčajne veľa údajov. Pri miestnom kandidátovi na primátora Krakova musí poskladať obraz z BIP-u, miestnych médií, webovej stránky kandidáta, príspevkov na sociálnych sieťach, prieskumov, správ z konferencií a aktuálnych udalostí. To ideálne podmienky pre zdanlivo drobné, ale politicky významné chyby: pomýlenie funkcií, opomenutie konkurenta, priradenie neaktuálnej kandidatúry, pridelenie niekomu príliš úzkej nálepky alebo založenie odpovede na zdrojoch z predchádzajúcich volieb.
Najdôležitejší zvrat: GenAI nemusí klamať, aby ovplyvňoval
V diskusii o AI a voľbách sa príliš veľa pozornosti sústreďuje na „falošné správy”. Medzitým pre miestnu kampaň môže byť rovnako dôležité niečo subtilnejšie: reprezentácia.
Model nemusí poskytnúť falošné informácie. Môže jednoducho opísať kandidáta hlavne cez stranu a opomenúť jeho skúsenosti s miestnou samosprávou. Môže ho spomenúť pri otázke o PiS, ale nie pri otázke o doprave. Môže napísať o SCT, ale opomenúť tému mestskej dopravy. Môže odpovedať na otázku o Novej Hute bez uvedenia osoby, ktorá si sama buduje časť svojej komunikácie okolo vzťahov s touto časťou mesta. Môže umiestniť kandidáta na koniec zoznamu, aj keď je formálne jedným z významných účastníkov pretekov.
To nemusí byť „chyba” v jednoduchom zmysle. Môže to byť dôsledok hierarchie zdrojov, čerstvosti údajov, dostupnosti informácií, spôsobu formulovania otázky a mechaniky odpovede generovanej modelom.
V tradičnom SEO sa bojovalo o pozíciu vo výsledkoch vyhľadávania. Vo svete LLM-ov sa čoraz dôležitejšou otázkou stáva: či sa kandidát vôbec objaví v odpovedi, pri akých otázkach sa objaví, s čím je spájaný a s kým je porovnávaný.
Tento mechanizmus je dobre viditeľný v štúdii Michala Drewnického (podrobnejšie rozobraté v ďalšej časti textu). V 250 odpovediach z prieskumu deep dive modely spomínali kandidáta v 87,6 % prípadoch, keď používateľ uviedol jeho meno, ale len v 5,0 % prípadoch, keď otázka neobsahovala meno a týkala sa problému, kategórie kandidátov alebo mestského témy. Inými slovami: rozpoznateľnosť po mene ešte neznamená tematickú viditeľnosť.
A ak odpoveď nielen informuje, ale aj posúva názor?
Tu sa objavuje druhý kľúčový súbor údajov. Štúdie popisované Cornellom ukázali, že krátky rozhovor s chatbotom môže významne posunúť politické názory. V experimentoch vykonaných v štyroch krajinách chatboty založené na LLM posúvali preferencie voličov opozície o 10 percentuálnych bodov alebo viac v mnohých prípadoch. V experimentoch v Kanade a Poľsku bol efekt okolo 10 percentuálnych bodov, a v jednej z štúdií najviac presne optimalizovaný model posunul názory voličov opozície o 25 percentuálnych bodov. zdroj: Cornell Chronicle
Treba to povedať opatrne. To boli kontrolované experimenty, a nie dôkaz, že chatboty samy rozhodnú reálne voľby. Účastníci vedeli, že sa rozprávajú s AI, a smer presviedčania bol randomizovaný. Samotní autori a komentátori zdôraznili obmedzenia takýchto štúdií a rozdiel medzi experimentálnymi podmienkami a skutočnou kampaňou. zdroj: Nature Asia
Ale jeden záver je ťažké ignorovať. Znie to približne takto: odpovede modelov môžu byť presvedčivé nie preto, že sú emocionálne, agresívne alebo manipulativne v klasickom zmysle. Podľa výskumníkov ich sila často vyplývala z toho, že generovali množstvo tvrdení, argumentov a na pohľad vecných odôvodnení. Cornell zdôraznil, že keď sa modelom obmedzila možnosť používať fakty, ich presvedčivosť klesla; zároveň boli presvedčivejšie modely často menej presné. zdroj: Cornell Chronicle
To je jadro problému v miestnej kampani. Volič môže dostať odpoveď pokojne, vecne, dobre znejúcu a bez straníckeho tónu. A predsa táto odpoveď môže posilňovať určitý obraz kandidáta.
Príklad Krakova, teda Michal Drewnicki v odpovediach LLM-ov
V takom kontexte štúdia Michala Drewnického, kandidáta Práva a Spravodlivosti na primátora Krakova, je dobrým príkladom toho, čo treba začať merať v miestnej politike.
Nejde len o otázku: „pozná GenAI meno kandidáta?”. To je najjednoduchšia úroveň. Oveľa zaujímavejšie sú hlbšie otázky:
Identifikujú modely Michala Drewnického ako kandidáta PiS v predčasných voľbách v Krakove správne?
Rozpoznávajú jeho verejné funkcie – mestského poslanca a podpredsedu Mestského zastupiteľstva Krakova?
Rozlišujú aktuálny volební kontext od samosprávnych volieb z roku 2024?
Spájajú ho výlučne s PiS, alebo aj s miestnymi skúsenosťami v samospráve?
Objavuje sa v odpovediach na otázky, ktoré neobsahujú jeho meno, ale týkajú sa tém prítomných v jeho verejnom profile: dopravy, SCT, Novej Huty, územného plánovania, nákladov na život, vzťahov úrad–obyvatelia?
Dokážu modely rozlíšiť oficiálne informácie, mediálne správy, volebné vyhlásenia a vlastné interpretácie?
Štúdiu vykonal skromný autor tohto textu dňa 03/07/2026.
V štúdii realizovanej naším autorským nástrojom Semantio som analyzoval 250 odpovedí týkajúcich sa Michala Drewnického v kontexte prezidentských volieb v Krakove. Materiál je výsledkom analýzy zahŕňajúcej 50 unikátnych scenárov, spustených v piatich systémoch: ChatGPT, Gemini, Grok, DeepSeek a Google Overview. Každý systém odpovedal na zadaných 50 scenárov. Scenáre boli rozdelené podľa etapy lievika záujmu: 80 odpovedí na etape awareness, 85 na etape consideration a 85 na etape decision. Osobitne sa analyzovali otázky obsahujúce meno kandidáta a otázky problémové bez mena.
Najsilnejší výsledok sa týka rozdielu medzi rozpoznateľnosťou po mene a spontánnou viditeľnosťou. V celom materiáli bolo 170 odpovedí na otázky obsahujúce meno Michala Drewnického a 80 odpovedí na otázky bez mena. Keď používateľ uviedol meno kandidáta (prompt-scenár obsahoval meno „Drewnicki”), modely spomínali Drewnického v 149 zo 170 odpovedí, teda v 87,6 % prípadoch. Keď otázka neobsahovala meno a týkala sa problému, kategórie kandidátov alebo mestského témy, Drewnicki sa objavil len v 4 z 80 odpovedí, teda v 5,0 % prípadoch.
Jednoducho povedané: modely dokážu popísať kandidáta, keď používateľ už vie, o koho sa pýta, ale oveľa horšie ho spájajú samostatne s problémami mesta.
V údajoch je tiež vidieť, že viditeľnosť nie je rovnomerne rozložená medzi systémami. Všetky 4 spontánne zmienky o Drewnickom v otázkach bez mena pochádzali z Google Overview. V ostatných systémoch (ChatGPT, Gemini, Grok a DeepSeek) sa pri takýchto otázkach kandidát neobjavil ani raz. To je dôležité, pretože to „na číslach” zdôrazňuje, že neexistuje jedna, univerzálna „viditeľnosť v AI”. Každý systém môže budovať inú mapu politickej scény, závislú od zdrojov, aktuálnosti údajov, mechaniky vyhľadávania a spôsobu generovania odpovedí.
Ano, nemohol som sa zdržať s týmto obrázkom v kontexte SCT ;)
Najvýraznejší náznak tematickej viditeľnosti sa objavil pri otázkach o doprave, mestskej doprave, lístkoch, mobilite a Zóne Čistého Transportu. V otázkach bez mena týkajúcich sa tejto oblasti sa Drewnicki objavil v 4 z 30 odpovedí, teda v 13,3 % prípadoch. To je stále nízky výsledok, ale na pozadí ostatných tém významný: otázky o skúsenostiach s miestnou samosprávou, Novej Hute, štvrtiach, územnom plánovaní alebo zeleni neaktivovali jeho meno rovnako účinne. Z hľadiska miestnej kampane je to dôležitý rozdiel: model môže dobre popísať problém Krakova, ale nemusí nevyhnutne ukázať voličovi, ktorý kandidát sa snaží tento problém politicky spracovať.
V 70 z 250 odpovedí, teda v 28,0 % celého súboru, bol označený alert halucinácie. Riziko chyby nezmizlo ani po uvedení mena: pri otázkach s menom sa alert objavil v 50 zo 170 odpovedí (29,4 %), a pri otázkach bez mena v 20 z 80 odpovedí (25,0 %). Najčastejšie išlo o problémy kontextu, teda miešanie volieb 2026 s voľbami 2024, nesprávne verejné funkcie, nesprávna politická afiliácia, nesprávne alebo podozrivé adresy URL, nepotvrdené detaily programu a jednotlivo dokonca pomýlenie Krakova s Varšavou (to sa v Grode Kraka neodpúšťa!). V miestnej kampani sú práve takéto drobné chyby pravdepodobnejšie ako spektakulárne „falošné správy”, a tým pádom oveľa ťažšie zachytiteľné, pretože sa často vyskytujú v odpovediach znejúcich pokojne a vecne. Odkiaľ to poznáme?…
Rozdiely medzi poskytovateľmi (ďalšie krásne slovo z oblasti nad Bugom) boli zjavné. Google Overview najčastejšie spomínal Drewnického a mal najnižší podiel alertov halucinácie: 37 zmienok v 50 odpovediach (74,0 %) a 5 alertov (10,0 %). DeepSeek spomínal kandidáta v 33 z 50 odpovedí (66,0 %), ale zároveň mal najvyšší podiel alertov: 31 z 50 odpovedí (62,0 %). ChatGPT spomínal Drewnického v 30 z 50 odpovedí (60,0 %) a mal 8 alertov (16,0 %). Grok spomínal ho v 27 z 50 odpovedí (54,0 %) a mal 16 alertov (32,0 %). Gemini spomínal kandidáta v 26 z 50 odpovedí (52,0 %) a mal 10 alertov (20,0 %). To ukazuje, že väčšia viditeľnosť v AI neznamená vždy väčšiu kvalitu reprezentácie.
Zdrojové odkazy sa tiež usporiadali zaujímavo. V celom súbore bolo identifikovaných 676 zdrojových odkazov. Najčastejšie sa objavili domény: bip.krakow.pl (90-krát), facebook.com (71-krát), krakow.pl (38-krát), youtube.com (29-krát), radiokrakow.pl (26-krát), lovekrakow.pl (23-krát), drewnicki.pl (22-krát) a ztp.krakow.pl (22-krát). Oficiálna doména kandidáta bola teda prítomná, ale rozhodne jej dominancia chýbala. Obraz Drewnického v AI bol budovaný aj prostredníctvom BIP, miestnych médií, mestských zdrojov, Facebooku, YouTube a iných medzidoménových zdrojov.
Zároveň v 115 z 250 odpovedí nebol žiadny zdrojový odkaz, čo predstavuje 46,0 % celého materiálu. Rozdiely medzi systémami boli veľké: Google Overview uvádzal odkazy v každej odpovedi, ChatGPT v 43 z 50, DeepSeek v 31 z 50, Grok v 10 z 50, a Gemini iba v 1 z 50 odpovedí. To má volebné dôsledky – odpoveď bez zdroja môže znieť dôveryhodne, ale používateľ nemá rýchlu cestu na overenie, odkiaľ model získal informácie o kandidátovi, funkcii, programe alebo kontexte volieb.
V odpovediach LLM-ov konkurencia tiež nebola chápaná výlučne ako zoznam formálnych volebních rivalov. V poli konkurencie sa najčastejšie objavili Aleksander Miszalski (53-krát) a Łukasz Gibała (50-krát), ale ďalej boli viditeľní aj Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) a Bartosz Bocheńczak (8). Objavili sa aj médiá, inštitúcie, strany a organizácie, medzi nimi Gazeta Krakowska, Dziennik Polski, LoveKraków, Rádio Krakov, Koalícia Občanov, Ľavica a PiS. Pre model sa teda volebná scéna mieša so scénou informačnou. Čo to znamená? Kandidát súťaží nielen s inými menami, ale aj s predchádzajúcimi kontextami, silnejšími zdrojmi a viac zakorenenými asociáciami.
Najkratší záver z prieskumu znie: meno je príliš málo. Vo svete LLM-ov môže byť kandidát rozpoznávaný (analyzovaný Michal Drewnicki evidentne k takým zatiaľ nepatrí), keď sa používateľ pýta priamo, a zároveň zostáva slabšie prítomný pri otázkach, od ktorých reálne začína rozhodovanie voliča: o dochádzaní, nákladoch, štvrtiach, zeleni, úrade, skúsenostiach alebo dôveryhodnosti v konkrétnom probléme. Práve túto vrstvu – nielen prítomnosť na internete, ale prítomnosť v odpovediach na potreby používateľov – treba dnes parametrize.
Čo presne možno merať?
Pri analýze výsledkov získaných v Semantio som sa pozeral na odpovede veľkých jazykových modelov nie ako na zaujímavosť, ale ako na novú vrstvu verejnej viditeľnosti. V prípade politického kandidáta možno analyzovať okrem iného:
spontánnu viditeľnosť – či sa kandidát objavuje, keď používateľ neuvádza meno;
správnosť identifikácie – meno, funkcia, strana, rok volieb, aktuálny kontext;
pozíciu v odpovedi – či je kandidát prvý, stredný, posledný, opomenutý alebo opísaný stručne;
tematické väzby – pri akých témach model ho spomína: doprava, SCT, štvrtiach, náklady na život, skúsenosti s miestnou samosprávou, PiS, pravica, správa mesta;
porovnania – s kým model ho najčastejšie porovnáva a podľa akých kritérií; s kým kandidát vyhráva, a kto má pre neho KO (nejde o výbor!)
zdroje – či odpoveď sa zakladá na aktuálnych, dôveryhodných a adekvátnych údajoch;
halucinácie – fascinujúca oblasť, kde možno vidieť také veci, ako pomýlenie osôb, funkcií, dátumov, programov, volebných cyklov alebo neexistujúcich vyhlásení;
interpretačné rámce – či je kandidát predstavovaný ako stranícky, lokálny, samosprávny, ideologický, technokratický, protestný, antiregulačný, mestský, pravicový, „pro-kontrolný” alebo iným spôsobom.
V prípade Drewnického sú obzvlášť viditeľné tri kategórie na ďalšiu analýzu, do ktorých možno zaradiť: viditeľnosť po mene, tematická viditeľnosť a kvalita zdrojov. Prvá bola vysoká. Druhá bola nízka. Tretia sa ukázala ako nerovná medzi dodávateľmi.
Príklad prvý: otázky o skúsenostiach s miestnou samosprávou bez uvedenia mena neaktivovali spontánne Drewnického, hoci jeho inštitucionálny profil zahŕňa mandát poslanca a funkciu podpredsedu Mestského zastupiteľstva Krakova.
Príklad druhý: otázky o Novej Hute, Mistrzejowiciach, severnom Krakove a perspektíve štvrtí tiež nestačili na to, aby modely samostatne ukázali kandidáta.
Príklad tretí: určitý náznak spontánnej viditeľnosti sa objavoval hlavne okolo dopravy a SCT, ale stále bol veľmi slabý v porovnaní s odpoveďami na otázky obsahujúce meno.
Najkratšie to možno zhrnúť takto: GenAI dokáže odpovedať na otázku „kto je Michal Drewnicki?”, ale oveľa zriedkavejšie odpovedá jeho menom na otázku „kto v Krakove má stanovisko k môjmu problému?”. To je rozdiel, ktorý je ťažké vidieť v klasickom monitorovaní médií, a ktorý je veľmi dôležitý pre miestnu kampaň.
Prečo to má význam pre volebné štáby, médiá a občianske organizácie
Volebné štáby už roky monitorujú médiá, sociálne médiá, prieskumy a výsledky vyhľadávania. Problém je v tom, že LLM-y sa nesprávajú ako bežné médium a nesprávajú sa ako klasický vyhľadávač. Tieto posledné sa tiež pred našimi očami čoraz menej stávajú „klasickými”.
Model jednoducho neukazuje, čo je na internete. Model spracováva informácie, zhrňuje ich, hierarchizuje, niekedy aktualizuje prostredníctvom vyhľadávania, niekedy sa zakladá na predtým upevnených vedomostiach, niekedy odmieta odpovedať, a niekedy odpovedá s veľkou istotou napriek neúplným údajom.
Pre štáb to znamená nové otázky. Je kandidát prítomný v odpovediach na témy, ktoré sú pre neho dôležité? Je jeho profil aktuálny? Nepriraďujú mu modely cudzie vyhlásenia? Nezaberajú konkurenti v AI témy, ktoré sú v kampani jeho prirodzeným poľom? Uvidí používateľ pýtajúci sa na „kandidáta od dopravy” vôbec jeho meno?
Štúdia Drewnického ukazuje, že táto otázka nie je teoretická. V otázkach bez mena sa kandidát objavil len v 5,0 % odpovedí. Pre štáb to znamená potrebu pozerať sa nielen na to, či na internete existujú materiály o kandidátovi, ale aj na to, či modely dokážu spojiť tieto materiály s reálnymi intenciami voličov.
Pre médiá to znamená potrebu pozerať sa na LLM-y ako na sprostredkovateľov v distribúcii verejných informácií. Ak modely začínajú odpovedať na volebné otázky, kvalita miestneho novinárstva, štruktúra údajov, aktuálnosť zdrojov a presnosť popisov kandidátov budú vplývať nielen na čitateľov, ale aj na odpovede syntetizované generatívnou AI.
Pre občianske organizácie to znamená ešte niečo iné. Možnosť skúmať, či modely spoľahlivo informujú voličov, či nevynechávajú kandidátov, či nezosilňujú neaktuálne údaje a či nevytvárajú informačné nerovnosti medzi osobami, ktoré dobre poznajú politickú scénu, a tými, ktoré sa v nej len snažia zorientovať.
Nervy na uzde – zatiaľ nič nenaznačuje, že GenAI nahradí kampane. Ale môže zmeniť mapu informácií
Nemá zmysel tvrdiť, že voľby v Krakove sa rozhodnú v ChatGPT, Gemini, Perplexity alebo Copilot. To nie je… Kampaň sa stále vo veľkej miere odohráva „v meste” – na stretnutiach, v miestnych médiách, na konferenciách, v debatách, na sídliskách, v štvrtiach, na zastávkach a v rozhovoroch medzi obyvateľmi.
Ale bolo by chybou považovať odpovede LLM-ov len za technologickú zaujímavosť.
Ak v Poľsku už ChatGPT používajú milióny ľudí, ak v EÚ používa generatívnu AI približne tretina populácie vo veku 16–74 rokov, ak vo Veľkej Británii 13 % oprávnených voličov použilo chatboty na volebné informácie v týždni pred hlasovaním, a experimenty ukazujú, že rozhovor s modelom môže posúvať politické názory – znamená to, že štáby a verejné inštitúcie by mali začať považovať AI za reálnu vrstvu obehových informácií. zdroje: Gemius/PBI, Eurostat, prieskum UK 2024, Cornell Chronicle
V miestnych voľbách je táto vrstva obzvlášť dôležitá. Prečo? Pretože volič často nehľadá veľkú ideológiu. Hľadá odpovede na vlastný problém. Otázok je mnoho: Kto rozumie mojej štvrti? Kto má skúsenosti? Kto hovorí o doprave? Kto má plán na náklady na život? Kto je dôveryhodný v otázke zelene? Kto naozaj kandiduje, a kto bol kandidátom v predchádzajúcich voľbách?
Od toho, ako model odpovie na takéto otázky, môže závisieť nielen výsledok celých volieb, ale aj spôsob, akým časť obyvateľov pochopí kandidátov.
A to nie je vidieť v prieskumoch. Nie je to vidieť v klasickom SEO. Nie je to vidieť v monitorovaní médií. Ale dá sa to skúmať.
V prípade Michala Drewnického je najdôležitejšia lekcia jednoduchá: kandidát môže byť prítomný v odpovediach GenAI, ale stále nemusí mať silný „ownership” (áno, krásne slovenské slovo) tém, ktoré sú dôležité pre obyvateľov. Práve túto rozdiel – medzi prítomnosťou po mene a prítomnosťou v problémoch – treba začať považovať za novú kategóriu verejnej viditeľnosti.
Chcete skontrolovať, ako AI popisuje vášho kandidáta, stranu, značku alebo inštitúciu?
Štúdia Michala Drewnického ukazuje, že odpovede generované modelmi AI možno analyzovať systémovo, teda z hľadiska viditeľnosti, správnosti, zdrojov, porovnaní, opomenutí a interpretačných rámcov. Ak sa chcete dozvedieť viac o tejto štúdii alebo sa porozprávať o podobnej analýze pre váš projekt, kontaktujte autora textu: m.grzebyk@brandsemantics.eu
* aby nedošlo k nedorozumeniu – taký, čo je v odpovediach ;)
