Še pred nekaj leti je volivec, ki je želel preveriti kandidata za župana mesta, moral obiskati njegovo spletno stran, pregledati medije (vključno s tistimi „tradicionalnimi”), si ogledati debato, vprašati prijatelje ali prebrskati nekaj strani rezultatov Googla. Danes pa lahko vse pogosteje stori nekaj preprostejšega – postavi vprašanje svojemu najljubšemu klepetalniku (velikemu jezikovnemu modelu).
Ne potrebuje niti… poznati imen. Ne potrebuje vedeti, kdo je iz katerega odbora. Ne potrebuje spremljati novinarskih konferenc. Na splošno, ne potrebuje veliko. Lahko pa. Lahko vpraša: „kdo v Krakovu ima najboljši prometni program?”, „kateri kandidat je povezan z Novo Hutą?”, „kdo želi spremeniti Območje čistega prometa?”, „ima kandidat PiS izkušnje z lokalnim upravljanjem?”, „kdo v teh volitvah konkretno govori o življenjskih stroških?”.
In dobil bo odgovor.
Ne seznam povezav. Ne klasičen rezultat iskanja. Ne nevtralno bazo dokumentov. Dobil bo sintezni opis političnega prizorišča, ki ga je zgradil LLM na podlagi tega, kar model najde, si zapomni, interpretira, šteje za pomembno in razporedi v ustrezno hierarhijo. In to za uporabnika, ki je delno „vzgojil” svoje „Tamagotchi” iz tretje dekade (kako zveni!) XXI. stoletja. Le da ga ne hrani in ne umiva s pritiskom gumbov, temveč mu ponuja koščke samega sebe, ki razkrivajo njegove navade.
To je nova plast volilne kampanje. Tih, zaseben, težko spremljiv in – v lokalnih volitvah – potencialno zelo pomemben.
Krakov kot laboratorij volitev v dobi GenAI
Krakov je dobro mesto, da to spremembo vidimo v praksi. To ni majhna občina, ampak tudi ne nacionalna kampanja, v kateri je vsak kandidat nenehno prisoten v glavnih medijih. Po podatkih GUS je imel Krakov do konca leta 2025 816.614 prebivalcev. To je velik, zapleten mestni organizem: s središčem, Novo Hutą, obrobnimi četrtmi, univerzami, turizmom, poslovanjem, prometom, konflikti glede zelenih površin, prostorskim načrtovanjem, cenami mestnih storitev in načinom upravljanja mesta. vir: Krakow v številkah
Poleg tega obstaja izjemen politični kontekst. Na lokalnem referendumu 24. maja 2026 je bila udeležba na glasovanju o razrešitvi župana Krakova 29,99 % — dovolj, da je bilo referendum veljavno in odločilno. V vzporednem glasovanju o razrešitvi Mestnega sveta je bila udeležba 29,97 %, kar pomeni, da zakonski prag ni bil presežen. Razlika se zdi minimalna, politični učinki pa so povsem različni. vir: Mesto Krakow
Krakov ima tudi nove izkušnje zelo izenačenega tekmovanja. 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 5434 glasov. vir: Rzeczpospolita
To so številke, pri katerih je vredno paziti na vsak nov vir informacijskega vpliva. Ne zato, ker bi chatbot „izbral župana Krakova”. To je premočna teza. Ampak zato, ker v kampanji, kjer lahko že nekaj tisoč glasov spremeni rezultat, je pomembno tudi to, kdo je viden, kdo je spregledan, s čim je povezan in kako je opisan v odgovorih generativne umetne inteligence, po katerih uporabniki vse pogosteje posegajo.
Volivec ne le išče. Volivec se pogovarja
Najpomembnejša sprememba ni v tem, da AI lahko ustvari oglas, meme ali deepfake. To ima seveda tudi pomen, vendar je že precej dobro prepoznana tema. O tem se veliko govori, obstajajo kampanje – bolj ali manj družbene. Manj ali bolj plačane s strani določenih volilnih odborov.
Bolje in manj očitne spremembe se nanašajo na to, da LLM-ji postajajo zasebni informacijski svetovalci. Volivec morda ne vpraša: „kakšen je program Mihała Drewnickega”. Morda se niti ne spomni tega imena. Lahko pa vpraša: „kdo v Krakovu ima izkušnje z lokalnim upravljanjem?”, „kateri kandidat govori o Novi Huti?”, „kdo ima konkretno, jasno stališče do SCT?”, „je kandidat PiS v Krakovu le strankarski, ali ima lokalne izkušnje?”.
Takšna vprašanja so bistveno bližje realnemu procesu odločanja. Ljudje redko primerjajo celotne programe od začetka do konca. (mimogrede… katera stranka je v letu 2024 opisala svoj jasen volilni program, namesto da bi plavala na valu spreminjajočih se anket, vzklikov na shodih in pritožb, merjenih v „družbenih medijih”?) Pogosteje iščejo odgovore na svoje težave: prevozi, cene, zelenje, šola, pločnik, parkiranje, gradnja za oknom, občutek kaosa na uradu ali pomanjkanje vpliva na odločitve mesta.
Tu veliki jezikovni modeli začnejo delovati kot nov posrednik. Ne le, da zagotavljajo informacije. Oni urejajo prizorišče. Izbirajo, katere kandidate omeniti. Odločajo, katere dejstva štejejo za pomembna. Skrčijo zapleten kontekst na nekaj odstavkov. In pogosto to storijo na način, ki ga ne bomo videli v klasičnem spremljanju medijev, SEO ali analizi družbenih medijev. Tako lahko domnevamo, da bodo raziskovalne agencije in njihova „zgrešenja” postale ena glavnih tem komentarjev po izhodnih anketah.
To ni več tehnološka niša
Če kdo domneva, da so „klepetalniki” še vedno igračke za študente in tehnološko industrijo, podatki hitro ohladijo to prepričanje. Po poročilu Gemius/PBI je junija 2025 ChatGPT v Poljski uporabljalo več kot 9,3 milijona dejanskih uporabnikov. To je pomenilo 31,4 % internetnih uporabnikov in 28,6 % populacije v starosti od 7 do 75 let. Poročilo je prav tako pokazalo, da so med uporabniki ChatGPT prekomerno zastopani mlajši od 35 let, v skupini od 25 do 34 let pa je povprečni čas uporabe junija znašal 2 uri in 42 minut. vir: Gemius/PBI
Na evropski ravni je Eurostat poročal, da je leta 2025 orodja generativne AI uporabljalo 32,7 % prebivalcev EU v starosti od 16 do 74 let. V skupini od 16 do 24 let je ta delež znašal že 63,8 %. vir: Eurostat
To je pomembno, ker so mlajši volivci hkrati skupina, ki je bolj nagnjena k uporabi novih informacijskih orodij in skupina, ki je na lokalnih volitvah pogosto manj stabilna v udeležbi. Ni treba domnevati, da bo celotna kampanja masovno prešla na sisteme, podprte z umetno inteligenco. Dovolj je opaziti, da za pomemben del uporabnikov pogovor s klepetalnikom postaja eden od naravnih načinov urejanja informacij.
AI kot orodje za novice, politiko in odločitve
Podatki Reuters Institute kažejo, da se AI klepetalniki že uporabljajo za porabo informacij, čeprav še vedno ne prevladujejo. Leta 2026 je 10 % anketirancev na 45 trgih izjavljalo, da tedensko uporabljajo AI klepetalnike za novice, v primerjavi z 7 % leto prej. Še bolj zanimivo je, kako ljudje uporabljajo te klepetalnike: 42 % uporabnikov novičarskih klepetalnikov postavlja poglobljena vprašanja, 35 % jih uporablja za pridobivanje najnovejših informacij, 34 % za povzemanje, 30 % za poenostavljanje zapletenih tem, in 33 % za oceno verodostojnosti virov. vir: Reuters Institute Digital News Report
To je skoraj pripravljen opis vedenja volivca v lokalni kampanji. „Razloži mi, kaj je s Stvarjo čistega prometa.” „Povzemi razlike med kandidati.” „Kdo je verodostojen glede prometa?”. „Ali ima ta kandidat res izkušnje z lokalnim upravljanjem?”. „Kateri viri potrjujejo njegove izjave?”.
Na tem mestu AI preneha biti le orodje za pisanje besedil. Postane vmesnik za javno resničnost.
Najmočnejši opozorilni signal – volivci že sprašujejo GenAI o volitvah
Številka, ki je med najzanimivejšimi, izhaja iz raziskave o parlamentarnih volitvah v Veliki Britaniji leta 2024. Reprezentativna raziskava 2499 odraslih je pokazala, da je teden pred volitvami 32 % uporabnikov klepetalnikov (13 % vseh upravičenih volivcev) uporabljalo pogovorno AI za iskanje informacij, neposredno povezanih z volilno odločitvijo. vir: arXiv, raziskava UK 2024
To ni marginalna podrobnost. To je signal, da klepetalniki vstopajo v samo središče volilnega procesa: ne kot abstraktna tehnologija, temveč kot orodje, ki se uporablja takrat, ko volivec sprejema odločitev, ureja argumente ali poskuša razumeti politično prizorišče. Pogosto tik pred vstopom v volilno enoto.
Kar je pomembno, avtorji te raziskave ne oblikujejo preprostega alarmističnega zaključka. V seriji eksperimentov s 2858 udeleženci so ugotovili, da uporaba klepetalnikov ni poslabšala političnega znanja; nasprotno, povečala ga je v podobni meri kot tradicionalno iskanje po internetu. vir: AI Security Institute
In prav zato je tema zanimivejša od običajne zgodbe o grožnji. Čas je za truizem. Tudi ga bom poudaril, da bo bolj opazen. Ni za kaj…
LLM-ji lahko pomagajo volivcem bolje razumeti politiko. Lahko pa tudi zavajajo, spregledajo, poenostavljajo, zastarelo identificirajo kandidate ali gradijo določene interpretacijske okvire.
Druga stran – odgovori klepetalnikov so lahko pomanjkljivi
Težava je v tem, da odgovori modelov dajejo vtis urejenosti, gotovosti in celovitosti, tudi ko vsebujejo vrzeli. Veste… kot tisti, ki ste ga spoznali na študentski zabavi, bodoči inženir (če mu usoda in profesorji dovolijo) AGH, ki bo vztrajno zagovarjal stališče, ki pred tremi pivami ne bi bilo niti predmet razprave ;)
Raziskava EBU in BBC je zajela več kot 3000 odgovorov, ki jih generirajo štirje AI asistenti (ChatGPT, Copilot, Gemini in Perplexity) v 14 jezikih. 45 % odgovorov je vsebovalo vsaj en pomemben problem, 31 % je imelo resne težave z viri, 20 % pa 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, kar bomo kmalu dokazali) manj znani. Kontekst se spreminja hitreje. Imena iz prejšnjega cikla se lahko mešajo z novimi kandidaturami. Programi se lahko objavljajo postopoma. (čeprav bodo nastali, ampak o tem sem že pisal in več pikic ne bo… verjetno) In vprašanja uporabnikov so pogosto kratka, pogovorna in nedoločena.
Pri nacionalnem voditelju model običajno razpolaga z veliko podatki. Pri lokalnem kandidatu za župana Krakova mora sestaviti sliko iz BIP-a, lokalnih medijev, spletne strani kandidata, objav na družbenih omrežjih, anket, poročil s konferenc in aktualnih dogodkov. To idealni pogoji za očitne, a politično pomembne napake: zamenjava funkcij, spregled konkurenta, pripisovanje zastarele kandidature, dodelitev preozke etikete ali opiranje odgovorov na vire iz prejšnjih volitev.
Najpomembnejši preobrat: GenAI ne rabi lagati, da bi vplival
V razpravi o AI in volitvah se preveč pozornosti posveča „lažnim novicam”. Medtem je za lokalno kampanjo lahko prav tako pomembno nekaj subtilnejšega: reprezentacija.
Model morda ne poda lažne informacije. Lahko preprosto opiše kandidata predvsem po stranki, pri čemer spregleda njegove izkušnje z lokalnim upravljanjem. Morda ga omeni pri vprašanju o PiS, vendar ne pri vprašanju o prometu. Morda piše o SCT, vendar spregleda temo mestnega prometa. Morda odgovori na vprašanje o Novi Huti, ne da bi navedel osebo, ki sama gradi del svoje komunikacije okoli povezav s tem delom mesta. Morda postavi kandidata na konec seznama, čeprav je formalno eden od pomembnih udeležencev tekmovanja.
To ne rabi biti „napaka” v preprostem pomenu. To je lahko posledica hierarhije virov, svežine podatkov, dostopnosti informacij, načina oblikovanja vprašanja in mehanike odgovora, ki ga generira model.
V tradicionalnem SEO-ju se je borilo za pozicijo v rezultatih iskanja. V svetu LLM-jev postaja vedno pomembnejše vprašanje: ali se kandidat sploh pojavi v odgovoru, pri katerih vprašanjih se pojavi, s čim je povezan in s kom je primerjan.
Ta mehanizem je dobro viden v raziskavi Mihała Drewnickega (podrobneje obravnavani v nadaljevanju besedila). V 250 odgovorih iz raziskave deep dive 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 problem, kategorijo kandidatov ali mestno temo. Z drugimi besedami: prepoznavnost po imenu še ne pomeni tematske vidnosti.
In če odgovor ne le informira, ampak tudi premika mnenje?
Tu se pojavi drugi ključni niz podatkov. Raziskave, opisane s strani Cornella, so pokazale, da kratka pogovor z klepetalnikom lahko znatno premakne politična mnenja. V eksperimentih, izvedenih v štirih državah, so klepetalniki, temelječi na LLM-jih, premaknili preference volivcev opozicije za 10 odstotnih točk ali več v mnogih primerih. V eksperimentih v Kanadi in Poljski je učinek znašal približno 10 odstotnih točk, medtem je v eni od raziskav najbolj persuasivno optimiziran model premaknil mnenja volivcev opozicije za 25 odstotnih točk. vir: Cornell Chronicle
To je treba povedati previdno. To so bili kontrolirani eksperimenti, ne dokaz, da bodo klepetalniki sami odločili o realnih volitvah. Udeleženci so vedeli, da se pogovarjajo z AI, smer persuazije pa je bila randomizirana. Tudi sami avtorji in komentatorji so poudarili omejitve takšnih raziskav ter razliko med eksperimentalnimi pogoji in resnično kampanjo. vir: Nature Asia
Ampak en zaključek je težko prezreti. Zveni nekako tako: odgovori modelov so lahko persuasivni ne zato, ker so čustveni, agresivni ali manipulativni v klasičnem pomenu. Po mnenju raziskovalcev je njihova moč pogosto izhajala iz tega, da so generirali veliko trditev, argumentov in na videz racionalnih utemeljitev. Cornell je poudarjal, da je, ko so modelom omejili možnost uporabe dejstev, njihova persuasivnost padla; hkrati so bili bolj persuasivni modeli pogosto manj natančni. vir: Cornell Chronicle
To je srž problema v lokalni kampanji. Volivec lahko dobi odgovor miren, razumen, dobro zvenejč in brez strankarskega tona. Kljub temu pa ta odgovor lahko krepi določen obraz kandidata.
Primer Krakova, torej Mihał Drewnicki v odgovorih LLM-jev
V tem kontekstu raziskava Mihała Drewnickega, kandidata Prava in pravičnosti za župana Krakova, predstavlja dober primer tega, kar je treba začeti meriti v lokalni politiki.
Ne gre le za vprašanje: „ali GenAI pozna ime kandidata?”. To je najpreprostejša raven. Veliko zanimivejša so globlja vprašanja:
Ali modeli pravilno identificirajo Mihała Drewnickega kot kandidata PiS na predčasnih volitvah v Krakovu?
Ali prepoznajo njegove javne funkcije – mestnega svetnika in podpredsednika Mestnega sveta Krakova?
Ali ločijo aktualni volilni kontekst od lokalnih volitev leta 2024?
Ali ga povezujejo izključno s PiS, ali tudi z lokalnimi izkušnjami z upravljanjem?
Ali se pojavi v odgovorih na vprašanja, ki ne vsebujejo njegovega imena, ampak se nanašajo na teme, prisotne v njegovem javnem profilu: komunikacija, SCT, Nova Huta, prostorsko načrtovanje, življenjski stroški, odnosi urad–prebivalci?
Ali modeli znajo ločiti uradne informacije, medijske objave, volilne izjave in lastne interpretacije?
Raziskavo je izvedel skromni avtor tega besedila 03/07/2026.
V raziskavi, izvedeni z našim avtorskim orodjem Semantio, sem analiziral 250 odgovorov o Mihału Drewnickem v kontekstu predsedniških volitev v Krakovu. Gradivo je rezultat analize, ki je zajemala 50 unikatnih scenarijev, zagnanih v petih sistemih: ChatGPT, Gemini, Grok, DeepSeek in Google Overview. Vsak sistem je odgovoril na 50 zastavljenih scenarijev. Scenariji so bili razdeljeni m.in. po stopnji namere: 80 odgovorov na stopnji awareness, 85 na stopnji consideration in 85 na stopnji decision. Ločeno so analizirali vprašanja, ki vsebujejo ime kandidata, in vprašanja, ki se nanašajo na probleme brez imena.
Najmočnejši rezultat se nanaša na razliko med prepoznavnostjo po imenu in spontano vidnostjo. V celotnem gradivu je bilo 170 odgovorov na vprašanja, ki vsebujejo ime Mihała Drewnickega ter 80 odgovorov na vprašanja brez imena. Ko je uporabnik navedel ime kandidata (prompt-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 problem, kategorijo kandidatov ali mestno temo, se je Drewnicki pojavil le v 4 od 80 odgovorov, kar pomeni 5,0 % primerov.
Preprosto povedano: modeli znajo opisati kandidata, ko uporabnik že ve, o kom sprašuje, vendar ga znatno slabše povezujejo samostojno s problemi mesta.
Podatki tudi kažejo, da vidnost ni enakomerno razporejena med sistemi. Vse 4 spontane omembe Drewnickega pri vprašanjih brez imena so prišle iz Google Overview. V preostalih sistemih (ChatGPT, Gemini, Grok in DeepSeek) se kandidat pri takih vprašanjih ni pojavil niti enkrat. To je pomembno, ker poudarja „na številkah”, da ne obstaja ena, univerzalna „vidnost v AI”. Vsak sistem lahko gradi drugačno karto političnega prizorišča, odvisno od virov, aktualnosti podatkov, mehanike iskanja in načina generiranja odgovorov.
Seveda, nisem se mogel upreti tej sliki v kontekstu SCT ;)
Najbolj očiten začetek tematske vidnosti se je pojavil pri vprašanjih o prometu, mestni komunikaciji, vozovnicah, mobilnosti in Območju čistega prometa. Pri 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, vendar pomembna v primerjavi z drugimi temami: vprašanja o izkušnjah z lokalnim upravljanjem, Novi Huti, četrtih, prostorskem načrtovanju ali zelenju niso tako učinkovito sprožila njegovega imena. Z vidika lokalne kampanje je to pomembna razlika: model lahko dobro opiše problem Krakova, vendar ne nujno pokaže volivcu, kateri kandidat poskuša ta problem politično obvladovati.
V 70 od 250 odgovorov, kar predstavlja 28,0 % celotnega zbora, je bil označen alarm halucinacije. Tveganje napake ni izginilo po navedbi imena: pri vprašanjih z imenom se je alarm pojavil v 50 od 170 odgovorov (29,4 %), pri vprašanjih brez imena pa v 20 od 80 odgovorov (25,0 %). Najpogosteje so to kontextualni problemi, torej mešanje volitev 2026 z volitvami 2024, napačne javne funkcije, napačna politična pripadnost, napačni ali sumljivi URL-ji, nepotrjene podrobnosti programa in celo zamenjava Krakova z Varšavo (tega v Grodu Kraka ne oprostimo!). V lokalni kampanji so takšne majhne napake lahko bolj verjetne kot spektakularne „lažne novice”, in zato veliko težje zaznati, ker se pogosto pojavljajo v odgovorih, ki zvenijo mirno in razumljivo. Od kod to poznamo?…
Razlike med ponudniki (še ena lepa beseda iz nad Buga) so bile očitne. Google Overview je najpogosteje omenjal Drewnickega in imel najnižji delež alarmov halucinacije: 37 omemb v 50 odgovorih (74,0 %) ter 5 alarmov (10,0 %). DeepSeek je omenjal kandidata v 33 od 50 odgovorov (66,0 %), vendar je imel hkrati najvišji delež alarmov: 31 od 50 odgovorov (62,0 %). ChatGPT je omenil Drewnickega v 30 od 50 odgovorov (60,0 %) in imel 8 alarmov (16,0 %). Grok je omenil v 27 od 50 odgovorov (54,0 %) in imel 16 alarmov (32,0 %). Gemini je omenil kandidata v 26 od 50 odgovorov (52,0 %) in imel 10 alarmov (20,0 %). To kaže, da večja vidnost v AI ne pomeni nujno večje kakovosti reprezentacije.
Viri so se prav tako zanimivo razporedili. V celotnem zbiranju je bilo identificiranih 676 virov. Najpogosteje so se pojavljale domene: bip.krakow.pl (90-krat), facebook.com (71-krat), krakow.pl (38-krat), youtube.com (29-krat), radiokrakow.pl (26-krat), lovekrakow.pl (23-krat), drewnicki.pl (22-krat) ter ztp.krakow.pl (22-krat). Uradna domena kandidata je torej bila prisotna, vendar daleč od prevlade. Slika Drewnickega v AI je bila zgrajena tudi z BIP, lokalnimi mediji, mestnimi viri, Facebookom, YouTubeom in drugimi posrednimi domenami.
Hkrati je bilo v 115 od 250 odgovorov brez kakršne koli povezave, kar predstavlja 46,0 % celotnega gradiva. Razlike med sistemi so bile velike: Google Overview je podal povezave v vsakem odgovoru, ChatGPT v 43 od 50, DeepSeek v 31 od 50, Grok v 10 od 50, Gemini pa le v 1 od 50 odgovorov. To ima volilni pomen – odgovor brez vira lahko zveni verodostojno, vendar uporabnik nima hitre poti za preverjanje, od kod je model dobil informacije o kandidatu, funkciji, programu ali kontekstu volitev.
V odgovorih LLM-jev konkurenca ni bila razumevana le kot seznam formalnih volilnih nasprotnikov. Na področju konkurence so se najpogosteje pojavljali Aleksander Miszalski (53-krat) in Łukasz Gibała (50-krat), vendar so bili vidni tudi Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) in Bartosz Bocheńczak (8). Pojavljali so se tudi mediji, institucije, stranke in organizacije, m.in. Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicija Obywatelska, Lewica in PiS. Za model se torej volilno prizorišče meša z informacijskim prizoriščem. Kaj to pomeni? Kandidat se ne konkurenčno bori le z drugimi imeni, temveč tudi s prejšnjimi konteksti, močnejšimi viri in bolj utrjenimi asociacijami.
Najkrajši zaključek raziskave je: ime je premalo. V svetu LLM-jev je kandidat lahko prepoznan (Mihał Drewnicki, ki ga analiziramo, očitno še ne spada mednje), ko uporabnik vpraša neposredno, in hkrati ostaja slabo prisoten pri vprašanjih, od katerih dejansko začne odločitev volivca: o prevozih, stroških, četrti, zelenju, uradu, izkušnjah ali verodostojnosti v določenem problemu. To plast – ne le prisotnost na internetu, temveč prisotnost v odgovorih na potrebe uporabnikov – je treba danes parametizirati.
Kaj natančno lahko merimo?
Pri analizi rezultatov, pridobljenih v Semantio, sem gledal na odgovore velikih jezikovnih modelov ne kot na zanimivost, temveč kot na novo plast javne vidnosti. V primeru političnega kandidata lahko analiziramo med drugim:
spontano vidnost – ali se kandidat pojavi, ko uporabnik ne navede imena;
pravilnost identifikacije – ime, funkcija, stranka, leto volitev, aktualni kontekst;
pozicija v odgovoru – ali je kandidat prvi, srednji, zadnji, spregledan ali opisan na kratko;
tematske povezave – pri katerih temah ga model omenja: promet, SCT, četrti, življenjski stroški, izkušnje z lokalnim upravljanjem, PiS, desnica, upravljanje mesta;
primerjave – s kom model najpogosteje primerja in po katerih kriterijih; s kom kandidat zmaga, in kdo mu povzroča KO (ne gre za odbor!)
viri – ali se odgovor opira na aktualne, verodostojne in ustrezne podatke;
halucinacije – fascinantno področje, kjer lahko vidite stvari, kot so zamenjava oseb, funkcij, datumov, programov, volilnih ciklov ali neobstoječih izjav;
interpretacijski okviri – ali je kandidat predstavljen kot strankarski, lokalni, samoupravni, ideološki, tehnični, protestni, protiregulativni, mestni, desničarski, „pro-vozniški” ali na še kakšen način.
Pri Drewnickem so še posebej očitne tri kategorije za nadaljnjo analizo, ki jih lahko vključimo: prepoznavnost po imenu, tematska vidnost in kakovost virov. Prva je bila visoka. Druga je bila nizka. Tretja se je izkazala za neenakomerno med ponudniki.
Prvi primer: vprašanja o izkušnjah z lokalnim upravljanjem brez navedbe imena niso spontano aktivirala Drewnickega, čeprav njegov institucionalni profil vključuje mandat svetnika in funkcijo podpredsednika Mestnega sveta Krakova.
Drugi primer: vprašanja o Novi Huti, Mistrzejowicah, severnem Krakovu in četrtni perspektivi prav tako niso bila dovolj, da bi modeli samostojno pokazali kandidata.
Tretji primer: nekakšna sled vidnosti spontano se je pojavljala predvsem okoli prometa in SCT, vendar je bila še vedno zelo šibka v primerjavi z odgovori na vprašanja, ki vsebujejo ime.
Najkrajše lahko to povzamemo takole: GenAI zna odgovoriti na vprašanje „kdo je Mihał Drewnicki?”, vendar znatno redkeje odgovori z njegovim imenom na vprašanje „kdo v Krakovu ima stališče glede mojega problema?”. To je razlika, ki je težko opazna v klasičnem spremljanju medijev, a je zelo pomembna za lokalno kampanjo.
Zakaj je to pomembno za volilne ekipe, medije in civilne organizacije
Volilne ekipe že leta spremljajo medije, družbene medije, ankete in rezultate iskanja. Težava je v tem, da LLM-ji ne delujejo kot običajno medij in se ne obnašajo kot klasični iskalnik. Ti zadnji tudi na naših očeh postajajo vse manj „klasični”.
Model ne prikazuje preprosto, kar je na internetu. Model obdeluje informacije, jih povzema, hierarhizira, jih včasih posodablja s iskanjem, včasih temelji na prej utrjeni znanju, včasih zavrne odgovor, včasih pa odgovori z veliko gotovostjo kljub nepopolnim podatkom.
Za ekipo to pomeni nova vprašanja. Ali je kandidat prisoten v odgovorih na teme, ki so zanj pomembne? Ali je njegov profil aktualen? Ali modeli ne pripisujejo njegovih izjav drugim? Ali konkurenti ne prevzemajo v AI tem, ki so v kampanji njegovo naravno področje? Ali bo uporabnik, ki vpraša o „kandidatu za promet”, sploh videl njegovo ime?
Raziskava Drewnickega kaže, da to vprašanje ni teoretično. Pri vprašanjih brez imena se je kandidat pojavil le v 5,0 % odgovorov. Za ekipo to pomeni potrebo po opazovanju ne le tega, ali na internetu obstajajo materiali o kandidatu, temveč tudi tega, ali modeli znajo povezati te materiale z realnimi namerami volivcev.
Za medije to pomeni potrebo po obravnavi LLM-jev kot posrednikov pri distribuciji javnih informacij. Če modeli začnejo odgovarjati na volilna vprašanja, bo kakovost lokalnega novinarstva, struktura podatkov, aktualnost virov in natančnost opisov kandidatov vplivala ne le na bralce, temveč tudi na odgovore, ki jih sintetizira GenAI.
Za civilne organizacije to pomeni še nekaj drugega. Možnost raziskovanja, ali modeli zanesljivo obveščajo volivce, ali ne spregledajo kandidatov, ali ne krepijo zastarelih podatkov in ali ne ustvarjajo neenakosti v informacijah med tistimi, ki dobro poznajo politično prizorišče, in tistimi, ki se šele poskušajo orientirati.
Živci na uzdi – zaenkrat ni znakov, da bi GenAI nadomestil kampanje. Lahko pa spremeni zemljevid informacij
Ni smiselno trditi, da se bodo volitve v Krakovu odločale v ChatGPT, Gemini, Perplexity ali Copilot. To pač ni… Kampanja se še vedno v prevladujoči meri odvija „v mestu” – na srečanjih, v lokalnih medijih, na konferencah, v debatah, v soseskah, v četrtih, na postajah in v pogovorih med prebivalci.
Vendar bi bilo napaka domnevati, da so odgovori LLM-jev le tehnološka zanimivost.
Če v Poljski že milijoni ljudi uporabljajo ChatGPT, če v EU uporablja generativno AI približno tretjina populacije v starosti od 16 do 74 let, če je v Veliki Britaniji 13 % upravičenih volivcev uporabilo klepetalnike za volilne informacije teden pred glasovanjem, in eksperimenti kažejo, da pogovor z modelom lahko premika politična mnenja – to pomeni, da morajo ekipe in javne institucije začeti obravnavati AI kot resnično plast informacijskega obtoka. viri: Gemius/PBI, Eurostat, raziskava UK 2024, Cornell Chronicle
V lokalnih volitvah je ta plast še posebej pomembna. Zakaj? Ker volivec pogosto ne išče velike ideologije. Išče odgovore na svoje težave. Vprašanj je veliko: Kdo razume mojo četrt? Kdo ima izkušnje? Kdo govori o prometu? Kdo ima načrt za življenjske stroške? Kdo je verodostojen glede zelenja? Kdo resnično kandidira, in kdo je bil kandidat na prejšnjih volitvah?
Od tega, kako model odgovori na taka vprašanja, morda ne bo odvisen le izid celotnih volitev, temveč način, kako del prebivalstva razume kandidate.
In tega ni mogoče videti v anketah. Ni vidno v klasičnem SEO-ju. Ni vidno v spremljanju medijev. Lahko pa se to preučuje.
V primeru Mihała Drewnickega je najpomembnejša lekcija preprosta: kandidat je lahko prisoten v odgovorih GenAI, vendar še vedno nima močnega „lastništva” (ja, lepa poljska beseda) tem, ki so pomembne za prebivalce. To razliko – med prisotnostjo po imenu in prisotnostjo v problemih – je treba začeti obravnavati kot novo kategorijo javne vidnosti.
Želite preveriti, kako AI opisuje vašega kandidata, stranko, blagovno znamko ali institucijo?
Raziskava Mihała Drewnickega kaže, da je mogoče odgovore, ki jih generirajo modeli AI, sistematično analizirati, torej glede na vidnost, pravilnost, vire, primerjave, izpuščanja in interpretacijske okvire. Če želite izvedeti več o tej raziskavi ali se pogovoriti o podobni analizi za vaš projekt, se obrnite na avtorja besedila: m.grzebyk@brandsemantics.eu
* da ne bo pomote – tak, kot je v odgovorih ;)
