För bara några år sedan var en väljare som ville kolla upp en borgmäarkandidat tvungen att besöka deras webbplats, gå igenom media (inklusive traditionella kanaler), titta på debatter, fråga vänner eller scrolla igenom flera sidor av Google-resultat. Idag kan de ofta göra något mycket enklare – fråga sin favoritchatt (en stor språkmodell).
De behöver inte ens… veta några namn. De behöver inte veta vem som tillhör vilken kommitté. De behöver inte följa presskonferenser. Generellt sett, de behöver inte göra mycket. Men de kan. De kan fråga: “vem i Kraków har det bästa transportprogrammet?”, “vilken kandidat är kopplad till Nowa Huta?”, “vem vill förändra den rena transportzonen?”, “har PiS-kandidaten erfarenhet från kommunal förvaltning?”, “vem tar specifikt upp levnadskostnaderna i detta val?”.
Och de kommer att få ett svar.
Inte en lista med länkar. Inte ett klassiskt sökresultat. Inte en neutral dokumentdatabas. De kommer att få en synthesiserad beskrivning av det politiska landskapet, konstruerad av LLM:n baserat på vad modellen hittar, minns, tolkar, anser vara viktigt och arrangerar i en lämplig hierarki. Skräddarsydd för användaren som delvis har “uppfostrat” sin egen “Tamagotchi” från det tredje decenniet (hur låter det!) av 2000-talet. Endast att de inte matar eller rengör det genom att trycka på knappar; de slänger in bitar av sig själva som avslöjar deras vanor.
Detta är ett nytt lager av valkampanjande. Tyst, privat, svårt att övervaka och – i lokala val – potentiellt mycket betydelsefullt.
Kraków som ett laboratorium för val i den generativa AI:s tidsålder
Kraków är en utmärkt plats att observera denna förändring i aktion. Det är inte en liten kommun, men det är inte heller en nationell kampanj där varje kandidat ständigt är närvarande i mainstreammedia. Enligt GUS-data hade Kraków vid slutet av 2025 816 614 invånare. Det är ett stort, komplext urbant organismer: med ett stadcentrum, Nowa Huta, perifera distrikt, universitet, turism, affärer, transporter, konflikter om grönområden, fysisk planering, kommunala tjänstepriser och stadsförvaltning. källa: Kraków i siffror
Dessutom finns det en unik politisk kontext. I den lokala folkomröstningen den 24 maj 2026 var valdeltagandet för omröstningen om att återkalla borgmästaren i Kraków 29,99% — tillräckligt för att folkomröstningen skulle vara giltig och avgörande. I den parallella omröstningen angående återkallandet av stadsfullmäktige var valdeltagandet 29,97%, vilket innebar att det lagstadgade tröskelvärdet inte uppnåddes. Skillnaden verkar minimal, men de politiska konsekvenserna är helt olika. källa: Staden Kraków
Kraków har också nyligen erfarenhet av mycket nära konkurrens. I den andra omgången av presidentvalet 2024 fick Aleksander Miszalski 51,04% av rösterna, medan Łukasz Gibała fick 48,96%. Enligt rapporter baserade på PKW-data var skillnaden 5 434 röster. källa: Rzeczpospolita
Dessa är siffror som motiverar försiktighet angående varje ny källa till informationspåverkan. Inte för att en chatbot “kommer att välja borgmästaren i Kraków.” Det är en för stark påstående. Men för att, i en kampanj där några tusen röster kan förändra resultatet, spelar det roll vem som är synlig, vem som förbises, vad de är kopplade till och hur de beskrivs i de svar som genereras av artificiell intelligens, som användare i allt större utsträckning vänder sig till.
Väljaren söker inte bara. Väljaren samtalar
Den mest betydelsefulla förändringen är inte att AI kan generera en annons, meme eller deepfake. Även om det visserligen är viktigt, är det redan ett välkänt ämne. Det pågår mycket diskussion om det, och det finns kampanjer – vissa mer eller mindre sociala, vissa mer eller mindre finansierade av specifika valkommittéer.
En mer intressant och mindre uppenbar förändring är att LLM:er blir privata informationsrådgivare. En väljare kanske inte frågar: “vad är Michał Drewnickis program?” De kanske inte ens minns det namnet. Istället kan de fråga: “vem i Kraków har erfarenhet från kommunal förvaltning?”, “vilken kandidat pratar om Nowa Huta?”, “vem har en specifik, tydlig ståndpunkt om SCT?”, “är PiS-kandidaten i Kraków bara ett partimedlem, eller har de lokal erfarenhet?”.
Sådana frågor ligger mycket närmare den verkliga beslutsprocessen. Människor jämför sällan hela program från början till slut. (Förresten… vilket parti beskrev 2024 tydligt sitt valprogram istället för att rida på vågen av föränderliga opinionsundersökningar, kampanjrop och sociala mediers brus?) Oftare söker de svar på sina egna problem: pendling, priser, grönområden, skolor, trottoarer, parkering, byggnation utanför fönstret, en känsla av kaos på kontoret eller brist på inflytande över stadsbeslut.
Här börjar stora språkmodeller agera som ett nytt mellanled. De tillhandahåller inte bara information. De organiserar scenen. De väljer vilka kandidater som ska nämnas. De bestämmer vilka fakta som ska anses betydelsefulla. De kondenserar komplexa sammanhang till några stycken. Och de gör ofta detta på ett sätt som vi inte kommer att se i klassisk mediebevakning, SEO eller analys av sociala medier. Därför kan det antas att opinionsundersökningsföretag och deras “missar” kommer att bli ett av de viktigaste ämnena för kommentarer efter utgångsundersökningar.
Detta är inte längre en teknologisk nisch
Om någon antar att “chatbots” fortfarande är en leksak för studenter och teknikbranschen, kyler datan snabbt den uppfattningen. Enligt en rapport från Gemius/PBI, i juni 2025, använde över 9,3 miljoner verkliga användare i Polen ChatGPT. Detta motsvarade 31,4% av internetanvändarna och 28,6% av befolkningen i åldern 7–75. Rapporten visade också att bland ChatGPT-användare finns en överrepresentation av individer under 35, med den genomsnittliga användningstiden i åldersgruppen 25–34 som var 2 timmar och 42 minuter i juni. källa: Gemius/PBI
På europeisk nivå rapporterade Eurostat att 2025 använde 32,7% av EU-invånarna i åldern 16–74 generativa AI-verktyg. I åldersgruppen 16–24 var denna procentandel redan 63,8%. källa: Eurostat
Detta är betydelsefullt, eftersom yngre väljare också är en grupp som är mer benägen att använda nya informationsverktyg och en grupp som ofta har mindre stabilt valdeltagande i lokala val. Det finns ingen anledning att anta en massövergång av hela kampanjen till AI-stödda system. Det räcker att notera att för en betydande del av användarna att samtala med en chatbot blir ett av de naturliga sätten att organisera information.
AI som ett verktyg för nyheter, politik och beslut
Data från Reuters Institute visar att AI-chatbots redan används för informationskonsumtion, även om de ännu inte dominerar. År 2026 rapporterade 10% av respondenterna i 45 marknader att de använde AI-chatbots för nyheter varje vecka, upp från 7% året innan. Ännu mer intressant är hur människor använder dem: 42% av nyhetschatbot-användare ställer följdfrågor, 35% använder dem för den senaste informationen, 34% för sammanfattning, 30% för att förenkla komplexa ämnen och 33% för att bedöma trovärdigheten hos källor. källa: Reuters Institute Digital News Report
Detta är nästan en färdig beskrivning av väljarbeteende i en lokal kampanj. “Förklara för mig vad den rena transportzonen handlar om.” “Sammanfatta skillnaderna mellan kandidaterna.” “Vem är trovärdig i transportfrågor?” “Har denna kandidat verkligen erfarenhet från kommunal förvaltning?” “Vilka källor bekräftar deras uttalanden?”
Vid denna punkt upphör AI att vara ett verktyg för att skriva texter. Det blir ett gränssnitt till den offentliga verkligheten.
Den starkaste varningssignalen – Väljare frågar redan GenAI om val
En av de mest intressanta siffrorna kommer från en studie om de brittiska parlamentsvalen 2024. En representativ undersökning av 2 499 vuxna visade att under veckan före valet använde 32% av chatbot-användarna (13% av alla röstberättigade) konverserande AI för att söka information direkt relaterad till sitt röstbeslut. källa: arXiv, brittisk studie 2024
Detta är ingen marginaldetalj. Det är ett tecken på att chatbots går in i hjärtat av den valprocessen: inte som en abstrakt teknologi, utan som ett verktyg som används när väljare fattar beslut, organiserar argument eller försöker förstå det politiska landskapet. Ofta precis innan de går in i vallokalen.
Viktigt är att författarna till denna studie inte drar en enkel alarmistisk slutsats. I en serie experiment med 2 858 deltagare fann de att användning av chatbots inte försämrade den politiska kunskapen; tvärtom, den ökade den i samma utsträckning som traditionella internetsökningar. källa: AI Security Institute
Och det är därför ämnet är mer intressant än en enkel berättelse om fara. Dags för en truism. Jag kommer till och med att fetmarkera det för att göra det mer iögonfallande. Ingen anledning att tacka mig…
LLM:er kan hjälpa väljare att bättre förstå politiken. Men de kan också förvirra, utelämna, förenkla, felidentifiera kandidater eller bygga specifika tolkningsramar.
Den andra sidan – Chatbot-svar kan vara bristfälliga
Problemet är att modellens svar verkar organiserade, självsäkra och kompletta, även när de innehåller luckor. Du vet… som den framtida ingenjören (om ödet och professorerna tillåter) från AGH som du träffade på en studentfest, som envist kommer att försvara en ståndpunkt som inte ens skulle ha kommit in i diskussionen för tre öl sedan ;)
En studie av EBU och BBC täckte över 3 000 svar som genererades av fyra AI-assistenter (ChatGPT, Copilot, Gemini och Perplexity) på 14 språk. 45% av svaren innehöll minst ett betydande problem, 31% hade allvarliga problem med källor, och 20% innehöll allvarliga noggrannhetsproblem, inklusive föråldrad eller hallucinerad information. källa: EBU/BBC
I lokala val kan denna risk vara större än i en nationell kampanj. Lokala källor är mer spridda. Kandidater kan vara (och är, som vi snart ska bevisa) mindre kända. Kontexten förändras snabbare. Namn från den föregående cykeln kan blandas med nya kandidater. Program kan publiceras i etapper. (om de ens skapas, men jag har redan nämnt det och kommer inte att sticka fler knivstick… för nu) Och användarfrågor är ofta korta, vardagliga och imprecisa.
Med en nationell ledare har modellen vanligtvis gott om data. Med en lokal kandidat för borgmästare i Kraków måste den sätta ihop en bild från BIP, lokala medier, kandidatens webbplats, inlägg på sociala medier, opinionsundersökningar, rapporter från konferenser och aktuella händelser. Detta skapar ideala förhållanden för till synes mindre men politiskt betydelsefulla fel: förvirra roller, utelämna konkurrenter, tilldela föråldrade kandidaturer, ge någon en för snäv etikett eller basera svar på källor från tidigare val.
Den viktigaste vändningen: GenAI behöver inte ljuga för att påverka
I diskussioner om AI och val fokuseras det för mycket på “fake news.” Under tiden kan för en lokal kampanj något subtilare vara lika viktigt: representation.
Modellen kanske inte ger falsk information. Den kan helt enkelt beskriva kandidaten främst genom deras partibindning, och utelämna deras erfarenhet från kommunal förvaltning. Den kan nämna dem när man frågar om PiS men inte när man frågar om transport. Den kan skriva om SCT men hoppa över ämnet offentlig transport. Den kan svara på en fråga om Nowa Huta utan att indikera personen som bygger en del av sin kommunikation kring kopplingar till den delen av staden. Den kan placera kandidaten i slutet av listan, även om de formellt är en av de betydande deltagarna i loppet.
Detta behöver inte vara ett “misstag” i enkel bemärkelse. Det kan vara en konsekvens av hierarkin av källor, datans aktualitet, informations tillgång, hur en fråga formuleras och mekaniken i det svar som genereras av modellen.
I traditionell SEO kämpade man för position i sökresultaten. I LLM-världen blir det allt viktigare att fråga: dyker kandidaten ens upp i svaret, under vilka frågor dyker de upp, vad är de kopplade till, och vem jämförs de med.
Denna mekanism är tydligt synlig i Michał Drewnickis studie (diskuterad mer ingående senare i texten). I 250 svar från deep dive-studien nämnde modellerna kandidaten i 87,6% av fallen när användaren angav deras namn, men endast i 5,0% av fallen när frågan inte inkluderade ett namn och rörde en fråga, kategori av kandidater eller ett urbant ämne. Med andra ord: erkännande med namn innebär inte nödvändigtvis tematisk synlighet.
Vad händer om svaret inte bara informerar utan också förändrar åsikten?
Här framträder en andra viktig uppsättning data. Forskning som beskrivs av Cornell visade att ett kort samtal med en chatbot kan signifikant förändra politiska åsikter. I experiment som genomfördes i fyra länder förändrade LLM-baserade chatbots oppositionens väljares preferenser med 10 procentenheter eller mer i många fall. I experiment i Kanada och Polen var effekten omkring 10 procentenheter, medan i en studie förändrade den mest övertygande optimerade modellen oppositionens väljares åsikter med 25 procentenheter. källa: Cornell Chronicle
Detta måste sägas med försiktighet. Dessa var kontrollerade experiment, inte bevis på att chatbots kommer att avgöra verkliga val. Deltagarna visste att de pratade med AI, och övertygelsens riktning var randomiserad. Författarna och kommentatorerna själva betonade begränsningarna av sådana studier och skillnaden mellan experimentella förhållanden och verkliga kampanjer. källa: Nature Asia
Men en slutsats är svår att ignorera. Den lyder ungefär så här: modellens svar kan vara övertygande inte för att de är känslomässiga, aggressiva eller manipulerande i klassisk bemärkelse. Enligt forskarna kom deras styrka ofta från att generera många påståenden, argument och till synes faktabaserade motiveringar. Cornell betonade att när modellerna begränsades i sin förmåga att använda fakta minskade deras övertygelse; samtidigt tenderade mer övertygande modeller att vara mindre exakta. källa: Cornell Chronicle
Detta är kärnan i problemet i en lokal kampanj. En väljare kan få ett lugnt, välgrundat, välklingande svar utan partiton. Ändå kan det svaret fortfarande förstärka en specifik bild av kandidaten.
Exemplet Kraków: Michał Drewnicki i LLM-svar
I detta sammanhang fungerar Michał Drewnickis studie, PiS-kandidaten för borgmästare i Kraków, som ett bra exempel på vad som behöver mätas i lokal politik.
Det handlar inte bara om att fråga: “vet GenAI kandidatens namn?”. Det är den enklaste nivån. Mycket mer intressanta är de djupare frågorna:
Identifierar modellerna korrekt Michał Drewnicki som PiS-kandidaten i de tidiga valen i Kraków?
Känner de igen hans offentliga roller – stadsfullmäktige och vice ordförande för Krakóws stadsfullmäktige?
Skiljer de den aktuella valkontexten från de lokala valen 2024?
Kopplar de honom enbart till PiS, eller också till erfarenhet från kommunal förvaltning?
Dyker han upp i svar på frågor som inte inkluderar hans namn men rör ämnen som finns i hans offentliga profil: kommunikation, SCT, Nowa Huta, fysisk planering, levnadskostnader, relationer mellan kontoret och invånarna?
Kan modellerna särskilja mellan officiell information, mediarapporter, kampanjdeklarationer och sina egna tolkningar?
Studien genomfördes av den blygsamma författaren till denna text den 03/07/2026.
Med hjälp av vårt egna verktyg Semantio analyserade jag 250 svar angående Michał Drewnicki i kontexten av presidentvalen i Kraków. Materialet är resultatet av en analys som omfattar 50 unika scenarier, lanserade i fem system: ChatGPT, Gemini, Grok, DeepSeek och Google Overview. Varje system svarade på de 50 ställda scenarierna. Scenarierna delades in enligt intentionstrappans steg: 80 svar på medvetenhets-steget, 85 på övervägande-steget, och 85 på besluts-steget. Frågor som innehöll kandidatens namn och problembaserade frågor utan namn analyserades separat.
Det starkaste resultatet rör skillnaden mellan erkännande med namn och spontan synlighet. I hela materialet fanns det 170 svar på frågor som innehöll Michał Drewnickis namn och 80 svar på frågor utan namn. När användaren angav kandidatens namn (promptscenariot inkluderade namnet “Drewnicki”), nämnde modellerna Drewnicki i 149 av 170 svar, eller 87,6% av fallen. När frågan inte inkluderade ett namn och rörde en fråga, kategori av kandidater eller ett urbant ämne, dök Drewnicki endast upp i 4 av 80 svar, eller 5,0% av fallen.
Med andra ord: modeller kan beskriva kandidaten när användaren redan vet vem de frågar om, men de är betydligt mindre framgångsrika i att självständigt koppla honom till stadens frågor.
Data visar också att synligheten inte är jämnt fördelad mellan systemen. Alla 4 spontana omnämnanden av Drewnicki i frågor utan namn kom från Google Overview. I de andra systemen (ChatGPT, Gemini, Grok och DeepSeek) dök kandidaten inte upp ens en gång i sådana frågor. Detta är viktigt eftersom det tydliggör “i siffror” att det inte finns någon enskild, universell “synlighet i AI”. Varje system kan bygga en annan karta över den politiska scenen, beroende på källor, datans aktualitet, sökmetodik och hur svaren genereras.
Visst, jag kunde inte motstå att inkludera denna bild i kontexten av SCT ;)
Den tydligaste ledtråden om tematisk synlighet dök upp i frågor om transport, kollektivtrafik, biljetter, rörlighet och den rena transportzonen. I frågor utan namn som rör detta område dök Drewnicki upp i 4 av 30 svar, eller 13,3% av fallen. Detta är fortfarande ett lågt resultat, men betydelsefullt jämfört med andra ämnen: frågor om erfarenhet från kommunal förvaltning, Nowa Huta, distrikt, fysisk planering eller grönområden utlöste inte hans namn lika effektivt. Ur perspektivet av en lokal kampanj är detta en viktig skillnad: modellen kan korrekt beskriva problemet i Kraków, men den kanske inte nödvändigtvis visar väljaren vilken kandidat som försöker politiskt adressera det problemet.
I 70 av 250 svar, eller 28,0% av hela datasetet, markerades hallucinationsvarningar. Risken för fel försvann inte efter att ha angivit ett namn: i frågor med ett namn dök en varning upp i 50 av 170 svar (29,4%), medan den i frågor utan namn dök upp i 20 av 80 svar (25,0%). Oftast handlade det om kontextuella frågor, såsom att blanda 2026 års val med 2024 års val, felaktiga offentliga roller, felaktig politisk tillhörighet, felaktiga eller misstänkta URL:er, ovärderade programdetaljer och till och med att förväxla Kraków med Warszawa (det är oförlåtligt i Krakóws stad!). I en lokal kampanj kan sådana mindre fel vara mer sannolika än spektakulära “fakes”, och därmed mycket svårare att fånga, eftersom de ofta förekommer i svar som låter lugna och välgrundade. Var har vi sett detta förut?…
Skillnader mellan leverantörer (ett annat vackert ord från Bugfloden) var uttalade. Google Overview nämnde Drewnicki oftast och hade den lägsta andelen hallucinationsvarningar: 37 omnämnanden i 50 svar (74,0%) och 5 varningar (10,0%). DeepSeek nämnde kandidaten i 33 av 50 svar (66,0%), men hade samtidigt den högsta andelen varningar: 31 av 50 svar (62,0%). ChatGPT nämnde Drewnicki i 30 av 50 svar (60,0%) och hade 8 varningar (16,0%). Grok nämnde honom i 27 av 50 svar (54,0%) och hade 16 varningar (32,0%). Gemini nämnde kandidaten i 26 av 50 svar (52,0%) och hade 10 varningar (20,0%). Detta visar att större synlighet i AI inte alltid innebär högre kvalitet på representationen.
Källorna arrangerades också intressant. I hela datasetet identifierades 676 källkopplingar. De mest frekvent förekommande domänerna var: bip.krakow.pl (90 gånger), facebook.com (71 gånger), krakow.pl (38 gånger), youtube.com (29 gånger), radiokrakow.pl (26 gånger), lovekrakow.pl (23 gånger), drewnicki.pl (22 gånger) och ztp.krakow.pl (22 gånger). Kandidatens officiella domän var närvarande, men den dominerade definitivt inte. Bilden av Drewnicki i AI konstruerades också av BIP, lokala medier, stads källor, Facebook, YouTube och andra mellanliggande domäner.
Samtidigt, i 115 av 250 svar, fanns det inga källkopplingar alls, vilket utgör 46,0% av hela materialet. Skillnaderna mellan systemen var betydande: Google Overview tillhandahöll länkar i varje svar, ChatGPT i 43 av 50, DeepSeek i 31 av 50, Grok i 10 av 50, och Gemini endast i 1 av 50 svar. Detta har valmässig betydelse – ett svar utan källa kan låta trovärdigt, men användaren saknar ett snabbt sätt att verifiera var modellen fick information om kandidaten, deras roll, program eller valkontext.
I LLM-svar förståddes konkurrens inte heller enbart som en lista över formella valrivaler. I det konkurrensutsatta
