Še pred nekaj leti je moral volivec, ki je želel preveriti kandidata za župana, obiskati njihovo spletno stran, prebrati medijske objave (vključno s tradicionalnimi mediji), spremljati razprave, vprašati prijatelje ali prebrati več strani rezultatov na Googlu. Danes lahko pogosto naredijo nekaj veliko preprostejšega – vprašajo svojega najljubšega klepetalnika (velik jezikovni model).
Ne potrebujejo niti… poznati nobenih imen. Ne potrebujejo vedeti, kdo pripada kateri komisiji. Ne potrebujejo spremljati novinarskih konferenc. Na splošno ne potrebujejo veliko storiti. A lahko. Lahko vprašajo: “kdo v Krakovu ima najboljši transportni program?”, “kateri kandidat je povezan z Novo Hutou?”, “kdo želi spremeniti območje čistega prometa?”, “ima kandidat PiS izkušnje z lokalno upravo?”, “kdo se v teh volitvah posebej ukvarja s stroški življenja?”.
In dobili bodo odgovor.
Ne seznam povezav. Ne klasičen iskalni rezultat. Ne nevtralen dokumentarni podatkovni baz. Prejeli bodo sintezo političnega prostora, ki jo je sestavil LLM na podlagi tega, kar model najde, si zapomni, interpretira, smatra za pomembno in razporedi v ustrezno hierarhijo. Prilagojeno uporabniku, ki je delno “vzgojil” svojega “Tamagotchi” iz tretjega desetletja (kako se to sliši!) 21. stoletja. Le da ga ne hrani ali čisti s pritiskom na gumbe; vanj vnaša delčke sebe, ki razkrivajo njihove navade.
To je nova plast volilne kampanje. Tiha, zasebna, težko nadzorovana in – v lokalnih volitvah – potencialno zelo pomembna.
Krakov kot laboratorij za volitve v dobi GenAI
Krakov je odličen kraj za opazovanje te spremembe v akciji. Ni majhna občina, a tudi ni nacionalna kampanja, kjer je vsak kandidat nenehno prisoten v mainstream medijih. Po podatkih GUS je imela Krakova konec leta 2025 816.614 prebivalcev. To je velik, kompleksen urbani organizem: s središčem mesta, Novo Hutou, obrobnimi okraji, univerzami, turizmom, podjetništvom, prometom, konflikti glede zelenih površin, prostorskim načrtovanjem, cenami občinskih storitev in upravljanjem mesta. vir: Kraków v številkah
Poleg tega obstaja edinstven politični kontekst. Na lokalnem referendumu 24. maja 2026 je bila volilna udeležba za glasovanje o odpoklicu župana Krakova 29,99% — dovolj, da je bilo referendum veljavno in odločilno. V paralelnem glasovanju glede odpoklica mestnega sveta je bila udeležba 29,97%, kar pomeni, da zakonski prag ni bil dosežen. Razlika se zdi minimalna, a politične posledice so povsem drugačne. vir: Mestna občina Kraków
Krakov ima tudi novejše izkušnje z zelo tesno konkurenco. V drugem krogu predsedniških volitev leta 2024 je Aleksander Miszalski prejel 51,04% glasov, medtem ko je Łukasz Gibała prejel 48,96%. Po poročilih, temelječih na podatkih PKW, je bila razlika 5.434 glasov. vir: Rzeczpospolita
To so številke, ki zahtevajo previdnost glede vsake nove informacije o vplivu. Ne zato, ker bo “chatbot izbral župana Krakova.” To je premočna trditev. Ampak zato, ker v kampanji, kjer lahko nekaj tisoč glasov spremeni izid, šteje kdo je viden, kdo je spregledan, s čim so povezani in kako so opisani v odgovorih, ki jih generira umetna inteligenca, na katero se uporabniki vse bolj obračajo.
Volivec ne išče le. Volivec se pogovarja
Najpomembnejša sprememba ni, da lahko umetna inteligenca generira oglas, meme ali deepfake. Čeprav je to zagotovo pomembno, je to že dobro znana tema. O tem se veliko razpravlja, obstajajo kampanje – nekatere bolj ali manj socialne, nekatere bolj ali manj financirane s strani določenih volilnih odborov.
Bolj zanimiva in manj očitna sprememba je, da LLM-ji postajajo zasebni informacijski svetovalci. Volivec morda ne vpraša: “kakšen je program Michała Drewnickega?” Morda se niti ne spomni tega imena. Namesto tega bi lahko vprašal: “kdo v Krakovu ima izkušnje z lokalno upravo?”, “kateri kandidat govori o Novi Huti?”, “kdo ima specifično, jasno stališče o SCT?”, “je kandidat PiS v Krakovu le član stranke ali ima lokalne izkušnje?”.
Takšna vprašanja so veliko bližje pravemu procesu odločanja. Ljudje redko primerjajo celotne programe od začetka do konca. (Mimogrede… katera stranka je leta 2024 jasno opisala svoj volilni program namesto da bi se vozila na valu spreminjajočih se anket, vzklikov in hrupa na družbenih omrežjih?) Pogosteje iščejo odgovore na svoje težave: prevozi, cene, zelene površine, šole, pločniki, parkiranje, gradnja zunaj njihovega okna, občutek kaosa v pisarni ali pomanjkanje vpliva na odločitve mesta.
Tukaj veliki jezikovni modeli začnejo delovati kot nova posredniška plast. Ne le da zagotavljajo informacije. Organizirajo prizorišče. Izbirajo, katere kandidate omeniti. Odločajo, katere dejstva štejejo za pomembna. Strnejo kompleksne kontekste v nekaj odstavkih. In to pogosto počnejo na način, ki ga ne bomo videli v klasičnem spremljanju medijev, SEO ali analizi družbenih medijev. Tako lahko sklepamo, da bodo anketne hiše in njihovi “spregledi” vse bolj postali ena glavnih tem komentarjev po izhodnih anketah.
To ni več tehnološka niša
Če kdo domneva, da so “chatboti” še vedno igrače za študente in tehnološko industrijo, podatki hitro ohladijo to mnenje. Po poročilu Gemius/PBI je junija 2025 več kot 9,3 milijona dejanskih uporabnikov na Poljskem uporabljalo ChatGPT. To je predstavljalo 31,4% uporabnikov interneta in 28,6% prebivalstva, starih od 7 do 75 let. Poročilo je prav tako pokazalo, da med uporabniki ChatGPT obstaja prekomerna zastopanost posameznikov, mlajših od 35 let, pri čemer je povprečni čas uporabe v starostni skupini 25–34 let znašal 2 uri in 42 minut junija. vir: Gemius/PBI
Na evropski ravni je Eurostat poročal, da je leta 2025 32,7% prebivalcev EU, starih od 16 do 74 let, uporabljalo generativna orodja umetne inteligence. V starostni skupini 16–24 let je ta odstotek že znašal 63,8%. vir: Eurostat
To je pomembno, ker so mlajši volivci tudi skupina, ki je bolj nagnjena k uporabi novih informacijskih orodij in skupina, ki pogosto ima manj stabilno udeležbo na lokalnih volitvah. Ni potrebe domnevati o množični preusmeritvi celotne kampanje na sisteme, podprte z umetno inteligenco. Dovolj je opaziti, da za pomemben del uporabnikov pogovarjanje s chatbotom postaja eden od naravnih načinov organiziranja informacij.
Umetna inteligenca kot orodje za novice, politiko in odločitve
Podatki iz Reuters Institute kažejo, da se AI chatboti že uporabljajo za porabo informacij, čeprav še ne prevladujejo. Leta 2026 je 10% anketirancev v 45 trgih poročalo o tedenski uporabi AI chatbotov za novice, kar je povečanje s 7% prejšnje leto. Še bolj zanimivo je, kako jih ljudje uporabljajo: 42% uporabnikov novic chatbotov postavlja nadaljnja vprašanja, 35% jih uporablja za najnovejše informacije, 34% za povzemanje, 30% za poenostavljanje kompleksnih tem in 33% za ocenjevanje verodostojnosti virov. vir: Reuters Institute Digital News Report
To je skoraj pripravljen opis vedenja volivcev v lokalni kampanji. “Pojasnite mi, o čem se gre pri območju čistega prometa.” “Povzemite razlike med kandidati.” “Kdo je verodostojen glede prometnih vprašanj?” “Ali ima ta kandidat res izkušnje z lokalno upravo?” “Kateri viri potrjujejo njihove trditve?”
V tem trenutku umetna inteligenca preneha biti zgolj orodje za pisanje besedil. Postane vmesnik za javno realnost.
Najmočnejši opozorilni signal – volivci že sprašujejo GenAI o volitvah
Ena najbolj zanimivih številk izhaja iz študije o parlamentarnih volitvah v Združenem kraljestvu leta 2024. Predstavitvena anketa 2.499 odraslih je pokazala, da je v tednu pred volitvami 32% uporabnikov chatbotov (13% vseh upravičenih volivcev) uporabilo pogovorno umetno inteligenco za iskanje informacij, neposredno povezanih z njihovo odločitvijo o glasovanju. vir: arXiv, študija ZK 2024
To ni nepomemben podatek. To je signal, da chatboti vstopajo v srž volilnega procesa: ne kot abstraktna tehnologija, temveč kot orodje, ki se uporablja, ko volivci sprejemajo odločitve, organizirajo argumente ali poskušajo razumeti politični prostor. Pogosto tik pred vstopom v volilno kabino.
Pomembno je, da avtorji te študije ne potegnejo preprostega alarmističnega zaključka. V seriji poskusov, v katerih je sodelovalo 2.858 udeležencev, so ugotovili, da uporaba chatbotov ni poslabšala političnega znanja; nasprotno, povečala ga je v podobni meri kot tradicionalne iskalne poizvedbe. vir: AI Security Institute
In zato je tema bolj zanimiva kot preprosta zgodba o nevarnosti. Čas je za truizem. Tudi to bom poudaril, da bo bolj opazno. Ni potrebe, da se zahvalite…
LLM-ji lahko volivcem pomagajo bolje razumeti politiko. Lahko pa tudi zmedejo, izpustijo, poenostavijo, napačno identificirajo kandidate ali zgradijo specifične interpretativne okvire.
Druga stran – odgovori chatbotov so lahko napačni
Težava je v tem, da se odgovori modelov zdijo organizirani, samozavestni in popolni, tudi ko vsebujejo vrzeli. Veste… kot tisti bodoči inženir (če mu usoda in profesorji dovolijo), ki ste ga srečali na študentski zabavi, ki bo vztrajno zagovarjal stališče, ki ne bi prišlo niti v razpravo tri pive nazaj ;)
Študija EBU in BBC je zajela več kot 3.000 odgovorov, ki jih je ustvarilo štiri AI asistente (ChatGPT, Copilot, Gemini in Perplexity) v 14 jezikih. 45% odgovorov je vsebovalo vsaj en pomemben problem, 31% je imelo resne težave z viri, in 20% je vsebovalo resne težave z natančnostjo, vključno z zastarelimi ali haluciniranimi informacijami. vir: EBU/BBC
V lokalnih volitvah je to tveganje lahko večje kot v nacionalni kampanji. Lokalni viri so bolj razpršeni. Kandidati so lahko (in so, kot bomo kmalu dokazali) manj znani. Kontekst se hitreje spreminja. Imena iz prejšnjega cikla se lahko mešajo z novimi kandidati. Programi se lahko objavljajo postopoma. (če so sploh ustvarjeni, ampak to sem že omenil in ne bom več zbadal… za zdaj) In vprašanja uporabnikov so pogosto kratka, pogovorna in imprecizna.
Pri nacionalnem voditelju ima model običajno na voljo veliko podatkov. Pri lokalnem kandidatu za župana Krakova mora sestaviti sliko iz BIP, lokalnih medijev, spletne strani kandidata, objav na družbenih medijih, anket, poročil s konferenc in aktualnih dogodkov. To ustvarja idealne pogoje za na videz manjše, a politično pomembne napake: zmedo vlog, izpustitev konkurentov, dodeljevanje zastarelih kandidatur, dajanje preozkega oznake ali temeljenje odgovorov na virih iz prejšnjih volitev.
Najpomembnejši preobrat: GenAI ne rabi lagati, da bi vplival
V razpravah o umetni inteligenci in volitvah se preveč pozornosti posveča “lažnim novicam.” Medtem lahko za lokalno kampanjo nekaj subtilnejšega prav tako pomembno: reprezentacija.
Model morda ne zagotavlja napačnih informacij. Morda preprosto opisuje kandidata predvsem skozi njihovo strankarsko pripadnost, pri čemer izpušča njihovo izkušnjo z lokalno upravo. Morda ga omeni, ko ga vprašate o PiS, vendar ne, ko gre za promet. Morda piše o SCT, vendar preskoči temo javnega prevoza. Morda odgovori na vprašanje o Novi Huti, ne da bi navedel osebo, ki gradi del svoje komunikacije okoli povezav s tem delom mesta. Morda postavi kandidata na konec seznama, čeprav je formalno eden od pomembnih udeležencev v tekmi.
To ne rabi biti “napaka” v preprostem smislu. Lahko je posledica hierarhije virov, svežine podatkov, razpoložljivosti informacij, načina, kako je vprašanje postavljeno, in mehanike odgovora, ki ga generira model.
V tradicionalnem SEO-ju se je borilo za pozicijo v iskalnih rezultatih. V svetu LLM-jev postaja vedno bolj pomembno vprašati: ali se kandidat sploh pojavi v odgovoru, pod katerimi vprašanji se pojavi, s čim je povezan in s kom je primerjan.
Ta mehanizem je jasno viden v študiji Michała Drewnickega (o kateri bomo podrobneje razpravljali kasneje v besedilu). V 250 odgovorih iz poglobljene analize so modeli omenili kandidata v 87,6% primerov, ko je uporabnik navedel njegovo ime, vendar le v 5,0% primerov, ko vprašanje ni vsebovalo imena in se je nanašalo na vprašanje, kategorijo kandidatov ali urbano temo. Z drugimi besedami: prepoznavanje po imenu ne pomeni nujno tematske vidnosti.
Kaj, če odgovor ne le obvešča, temveč tudi spreminja mnenje?
Tukaj se pojavi drugi ključni sklop podatkov. Raziskava, ki jo je opisal Cornell, je pokazala, da lahka pogovor z chatbotom lahko znatno spremeni politična mnenja. V poskusih, izvedenih v štirih državah, so chatboti, temelječi na LLM, v mnogih primerih spremenili preference volivcev opozicije za 10 odstotnih točk ali več. V poskusih v Kanadi in na Poljskem je bil učinek okoli 10 odstotnih točk, medtem ko je v eni študiji najbolj prepričljivo optimiziran model spremenil mnenja volivcev opozicije za 25 odstotnih točk. vir: Cornell Chronicle
To je treba povedati previdno. To so bili nadzorovani poskusi, ne dokaz, da bodo chatboti odločali o pravih volitvah. Udeleženci so vedeli, da govorijo z umetno inteligenco, in smer prepričevanja je bila naključna. Avtorji in komentatorji sami so poudarili omejitve takšnih študij in razliko med eksperimentalnimi pogoji in resničnimi kampanjami. vir: Nature Asia
Vendar je eno ugotovitev težko spregledati. Gre nekako takole: odgovori modelov so lahko prepričljivi ne zato, ker so čustveni, agresivni ali manipulativni v klasičnem smislu. Po mnenju raziskovalcev je njihova moč pogosto izhajala iz generiranja številnih trditev, argumentov in na videz dejanskih utemeljitev. Cornell je poudaril, da je, ko je bila sposobnost modelov za uporabo dejstev omejena, njihova prepričljivost upadla; hkrati so bili bolj prepričljivi modeli običajno manj natančni. vir: Cornell Chronicle
To je srž problema v lokalni kampanji. Volivec lahko prejme miren, razumen, dobro zvenejč odgovor, ki je brez strankarskega tona. A ta odgovor lahko še vedno okrepi specifično podobo kandidata.
Primer Krakova: Michał Drewnicki v odgovorih LLM
V tem kontekstu študija Michała Drewnickega, kandidata PiS za župana Krakova, služi kot dober primer, kaj je treba meriti v lokalni politiki.
Ni le vprašanje: “Ali GenAI pozna ime kandidata?”. To je najpreprostejša raven. Veliko bolj zanimiva so globlja vprašanja:
Ali modeli pravilno identificirajo Michała Drewnickega kot kandidata PiS na predčasnih volitvah v Krakovu?
Ali prepoznajo njegove javne vloge – mestni svetnik in podpredsednik mestnega sveta Krakova?
Ali razlikujejo trenutni volilni kontekst od lokalnih volitev leta 2024?
Ali ga povezujejo izključno s PiS ali tudi z izkušnjami z lokalno upravo?
Ali se pojavi v odgovorih na vprašanja, ki ne vključujejo njegovega imena, temveč se nanašajo na teme, prisotne v njegovem javnem profilu: komunikacija, SCT, Nova Huta, prostorsko načrtovanje, stroški življenja, odnosi med uradom in prebivalci?
Ali modeli razlikujejo med uradnimi informacijami, medijskimi poročili, volilnimi izjavami in svojimi interpretacijami?
Študija je bila izvedena s strani skromnega avtorja tega besedila 03/07/2026.
Z uporabo našega lastnega orodja Semantio sem analiziral 250 odgovorov glede Michała Drewnickega v kontekstu predsedniških volitev v Krakovu. Material je rezultat analize, ki zajema 50 unikatnih scenarijev, zagnanih v petih sistemih: ChatGPT, Gemini, Grok, DeepSeek in Google Overview. Vsak sistem je odgovoril na 50 postavljenih scenarijev. Scenariji so bili razdeljeni glede na fazo namere: 80 odgovorov v fazi ozaveščenosti, 85 v fazi razmišljanja, in 85 v fazi odločitve. Vprašanja, ki so vsebovala ime kandidata in vprašanja, ki niso vsebovala imena, so bila analizirana ločeno.
Najmočnejši rezultat se nanaša na razliko med prepoznavanjem po imenu in spontano vidnostjo. V celotnem materialu je bilo 170 odgovorov na vprašanja, ki so vsebovala ime Michała Drewnickega in 80 odgovorov na vprašanja brez imena. Ko je uporabnik navedel ime kandidata (scenarij je vseboval ime “Drewnicki”), so modeli omenili Drewnickega v 149 od 170 odgovorov, kar pomeni 87,6% primerov. Ko vprašanje ni vsebovalo imena in se je nanašalo na vprašanje, kategorijo kandidatov ali urbano temo, se je Drewnicki pojavil le v 4 od 80 odgovorov, kar pomeni 5,0% primerov.
Preprosto povedano: modeli lahko opisujejo kandidata, ko uporabnik že ve, o kom sprašuje, a so bistveno manj uspešni pri samostojnem povezovanju z mestnimi vprašanji.
Podatki prav tako kažejo, da vidnost ni enakomerno razporejena med sistemi. Vseh 4 spontanih omemb Drewnickega v vprašanjih brez imena je prišlo iz Google Overview. V drugih sistemih (ChatGPT, Gemini, Grok in DeepSeek) se kandidat ni pojavil niti enkrat v takšnih vprašanjih. To je pomembno, ker “v številkah” poudarja, da ni enotne, univerzalne “vidnosti v AI”. Vsak sistem lahko zgradi drugačno karto političnega prostora, odvisno od virov, svežine podatkov, iskalnih mehanizmov in načina generiranja odgovorov.
Res je, da se nisem mogel upreti, da ne bi vključil te fotografije v kontekstu SCT ;)
Najbolj jasen namig o tematski vidnosti se je pojavil v vprašanjih o transportu, javnem prevozu, vozovnicah, mobilnosti in območju čistega prometa. V vprašanjih brez imena, ki se nanašajo na to področje, se je Drewnicki pojavil v 4 od 30 odgovorov, kar pomeni 13,3% primerov. To je še vedno nizka številka, a pomembna v primerjavi z drugimi temami: vprašanja o izkušnjah z lokalno upravo, Novi Huti, okrajih, prostorskem načrtovanju ali zelenih površinah niso tako učinkovito sprožila njegovega imena. Z vidika lokalne kampanje je to pomembna razlika: model lahko natančno opiše problem v Krakovu, vendar morda ne pokaže volivcu, kateri kandidat se poskuša politično ukvarjati s tem problemom.
V 70 od 250 odgovorov, kar predstavlja 28,0% celotnega nabora podatkov, so bili označeni opozorilni znaki halucinacije. Tveganje napake se ni izničilo niti po navedbi imena: v vprašanjih z imenom se je opozorilo pojavilo v 50 od 170 odgovorov (29,4%), medtem ko se je v vprašanjih brez imena pojavilo v 20 od 80 odgovorov (25,0%). Najpogosteje so šlo za kontekstualne težave, kot so zmeda med volitvami 2026 in 2024, napačne javne vloge, napačna politična pripadnost, napačni ali sumljivi URL-ji, nepreverjeni podrobnosti programov in celo zmeda Krakova z Varšavo (to je neodpustljivo v mestu Krak!). V lokalni kampanji so take manjše napake lahko bolj verjetne kot spektakularne “laži”, in zato veliko težje jih je ujeti, saj se pogosto pojavljajo v odgovorih, ki zvenijo mirno in razumljivo. Kje smo to že videli?…
Razlike med ponudniki (še ena lepa beseda iz reke Bug) so bile izrazite. Google Overview je najpogosteje omenjal Drewnickega in imel najnižjo stopnjo opozoril o halucinacijah: 37 omemb v 50 odgovorih (74,0%) in 5 opozoril (10,0%). DeepSeek je omenil kandidata v 33 od 50 odgovorov (66,0%), vendar je hkrati imel najvišji delež opozoril: 31 od 50 odgovorov (62,0%). ChatGPT je omenil Drewnickega v 30 od 50 odgovorov (60,0%) in imel 8 opozoril (16,0%). Grok ga je omenil v 27 od 50 odgovorov (54,0%) in imel 16 opozoril (32,0%). Gemini je omenil kandidata v 26 od 50 odgovorov (52,0%) in imel 10 opozoril (20,0%). To kaže, da večja vidnost v AI ne pomeni vedno višje kakovosti predstavitve.
Viri so se prav tako zanimivo razporedili. V celotnem naboru podatkov je bilo identificiranih 676 povezav virov. Najpogosteje se pojavljajoče domene so bile:
