För bara några år sedan var en väljare som ville kolla upp en kandidat till stadens borgmästare tvungen att besöka deras hemsida, granska media (inklusive de "traditionella"), titta på debatter, fråga vänner eller scrolla igenom flera sidor med Google-resultat. Idag kan de allt oftare göra något enklare – ställa en fråga till sin favoritchatt (ett stort språkmodell).
De behöver inte ens… känna till namnen. De behöver inte veta vem som tillhör vilket parti. De behöver inte följa presskonferenser. Generellt sett, de behöver inte mycket. Men de kan. De kan fråga: "vem i Kraków har det bästa transportprogrammet?", "vilken kandidat är kopplad till Nowa Huta?", "vem vill förändra Zonen för Ren Transport?", "har kandidaten från PiS någon kommunal erfarenhet?", "vem pratar konkret om levnadskostnaderna i dessa val?".
Och de får svar.
Inte en lista med länkar. Inte ett klassiskt sökresultat. Inte en neutral dokumentdatabas. De får en syntetisk beskrivning av den politiska scenen, skapad av LLM baserat på vad modellen hittar, minns, tolkar, anser vara viktigt och organiserar i en lämplig hierarki. Och detta för den användare som delvis har "uppfostrat" sitt "Tamagotchi" från den tredje decenniet (hur låter det!) av 2000-talet. Men istället för att mata och tvätta det genom att trycka på knappar, ger de det bitar av sig själva som avslöjar deras vanor.
Detta är ett nytt lager av valkampanjen. Tyst, privat, svår att övervaka och – i lokala val – potentiellt mycket betydelsefullt.
Kraków som laboratorium för val i den GenAI-eran
Kraków är en bra plats att se denna förändring i praktiken. Det är inte en liten kommun, men inte heller en nationell kampanj där varje kandidat ständigt är närvarande i de stora medierna. Enligt GUS-data hade Kraków vid slutet av 2025 816 614 invånare. Det är en stor, komplex stadsorganism: med centrum, Nowa Huta, perifera distrikt, universitet, turism, affärer, transport, konflikter om grönområden, stadsplanering, priser på kommunala tjänster och sättet att styra staden. källa: Kraków i siffror
Till detta kommer ett unikt politiskt sammanhang. I den lokala folkomröstningen den 24 maj 2026 var valdeltagandet i omröstningen om att avsätta Krakóws borgmästare 29,99 procent – tillräckligt för att folkomröstningen skulle vara giltig och avgörande. I den parallella omröstningen om att avsätta Stadens råd var valdeltagandet 29,97 procent, vilket innebär att den lagstadgade tröskeln inte nåddes. Skillnaden verkar minimal, men de politiska konsekvenserna är helt olika. källa: Staden Kraków
Kraków har också färsk erfarenhet av mycket jämn konkurrens. I den andra omgången av presidentvalet 2024 fick Aleksander Miszalski 51,04 procent av rösterna, medan Łukasz Gibała fick 48,96 procent. Enligt rapporter baserade på PKW-data var skillnaden 5434 röster. källa: Rzeczpospolita
Detta är siffror där man bör vara uppmärksam på varje nytt informationspåverkan. Inte för att chatbotten "väljer Krakóws borgmästare". Det är en för stark tes. Men för att i en kampanj där några tusen röster kan förändra resultatet, spelar det också roll vem som är synlig, vem som förbises, vad de associeras med och hur de beskrivs i svaren från generativ AI, som användare allt oftare vänder sig till.
Väljaren söker inte bara. Väljaren pratar
Den viktigaste förändringen handlar inte om att AI kan generera en annons, meme eller deepfake. Det har självklart också betydelse, men det är redan ett ganska välkänt ämne. Det pratas mycket om det, det finns kampanjer – mer eller mindre sociala. Mer eller mindre betalda av olika valkommittéer.
En mer intressant och mindre uppenbar förändring handlar om att LLM:er blir privata informationsrådgivare. Väljaren kanske inte frågar: "vad är Michał Drewnickis program". De kanske till och med inte minns det namnet. Men de kan fråga: "vem i Kraków har erfarenhet av kommunalpolitik?", "vilken kandidat pratar om Nowa Huta?", "vem har en konkret och tydlig ståndpunkt angående SCT?", "är kandidaten från PiS i Kraków bara partipolitisk, eller har de lokal erfarenhet?".
Sådana frågor ligger mycket närmare den verkliga beslutsprocessen. Människor jämför sällan hela program från grunden. (för övrigt… vilken av partierna i 2024 beskrev sitt tydliga valprogram, istället för att rida på vågen av föränderliga opinionsundersökningar, rop på valmöten och bråk mätt i "sociala medier"?) Oftare söker de svar på sina egna problem: resor, priser, grönområden, skolor, trottoarer, parkering, byggnationer utanför fönstret, känslan av kaos på kontoret eller bristen på inflytande över stadens beslut.
Just här börjar stora språkmodeller agera som en ny mellanhand. De levererar inte bara information. De organiserar scenen. De väljer vilka kandidater som ska nämnas. De avgör vilka fakta som ska anses viktiga. De förkortar komplexa sammanhang till några stycken. Och de gör ofta detta på ett sätt som vi inte ser i klassisk mediebevakning, SEO eller social media-analyser. Därmed kan man anta att opinionsinstitut och deras "missar" kommer att bli ett av de viktigaste ämnena i kommentarerna efter exit polls.
Detta är inte längre en teknologisk nisch
Om någon tror att "chatbots" fortfarande är en leksak för studenter och teknikbranschen, så svalnar data snabbt denna uppfattning. Enligt en rapport från Gemius/PBI använde över 9,3 miljoner verkliga användare ChatGPT i Polen i juni 2025. Det motsvarade 31,4 procent av internetanvändarna och 28,6 procent av befolkningen i åldern 7–75 år. Rapporten visade också att bland ChatGPT-användare var personer under 35 år överrepresenterade, och i åldersgruppen 25–34 år var den genomsnittliga användningstiden i juni 2 timmar och 42 minuter. källa: Gemius/PBI
På europeisk nivå rapporterade Eurostat att 32,7 procent av EU-invånarna i åldern 16–74 år använde generativ AI-verktyg 2025. I åldersgruppen 16–24 år var denna andel redan 63,8 procent. källa: Eurostat
Detta är viktigt, eftersom yngre väljare samtidigt är en grupp som är mer benägen att använda nya informationsverktyg och en grupp som ofta har en mindre stabil valdeltagande i lokala val. Det behöver inte antas att hela kampanjen massöverförs till AI-stödda system. Det räcker att notera att för en betydande del av användarna blir samtal med chatbotten ett av de naturliga sätten att organisera information.
AI som verktyg för nyheter, politik och beslut
Data från Reuters Institute visar att AI-chatbots redan används för att konsumera information, även om de fortfarande inte dominerar. År 2026 angav 10 procent av de tillfrågade på 45 marknader att de använde AI-chatbots för nyheter varje vecka, jämfört med 7 procent året innan. Ännu mer intressant är hur människor använder dem: 42 procent av användarna av nyhetschatbots ställer fördjupande frågor, 35 procent använder dem för att få de senaste nyheterna, 34 procent för att sammanfatta, 30 procent för att förenkla komplexa ämnen, och 33 procent för att bedöma källors trovärdighet. källa: Reuters Institute Digital News Report
Detta är nästan en färdig beskrivning av väljarnas beteende i en lokal kampanj. "Förklara för mig vad som händer med Zonen för Ren Transport." "Sammanfatta skillnaderna mellan kandidaterna." "Vem är trovärdig när det gäller transport?" "Har den här kandidaten verkligen erfarenhet av kommunalpolitik?" "Vilka källor bekräftar deras påståenden?".
I detta avseende slutar AI att vara ett verktyg för att skriva texter. Det blir ett gränssnitt till den offentliga verkligheten.
Det starkaste varningssignalen – väljare ställer redan frågor till GenAI om val
En av de mest intressanta siffrorna kommer från en studie om parlamentsvalen i Storbritannien 2024. En representativ studie av 2499 vuxna visade att veckan före valet använde 32 procent av chatbot-användarna (13 procent av alla röstberättigade väljare) konverserande AI för att söka information direkt kopplad till valbeslutet. källa: arXiv, studie UK 2024
Detta är ingen marginaldetalj. Det är ett tecken på att chatbots går in i själva valprocessen: inte som en abstrakt teknologi, utan som ett verktyg som används när väljaren just fattar beslut, organiserar argument eller försöker förstå den politiska scenen. Ofta strax innan de går in i vallokalen.
Det är viktigt att författarna till denna studie inte drar en enkel alarmistisk slutsats. I en serie experiment med 2858 deltagare konstaterade de att användningen av chatbots inte försämrade den politiska kunskapen; tvärtom, den ökade den i samma utsträckning som traditionell internetsökning. källa: AI Security Institute
Och just därför är ämnet mer intressant än en vanlig berättelse om hot. Dags för en truism. Jag ska till och med fetmarkera det för att det ska synas mer påtagligt. Ingen orsak…
LLM:er kan hjälpa väljare att bättre förstå politiken. Men de kan också förvirra, förbise, förenkla, felaktigt identifiera kandidater eller bygga specifika tolkningsramar.
Den andra sidan – chattarnas svar kan vara bristfälliga
Problemet är att modellerna ger intryck av att vara organiserade, säkra och kompletta, även när de innehåller luckor. Du vet… som den där personen du träffade på en studentfest, en blivande ingenjör (om ödet och professorerna tillåter) från AGH, som envist kommer att försvara en ståndpunkt som för tre öl sedan inte ens skulle ha kommit på tal ;)
En studie av EBU och BBC omfattade över 3000 svar som genererades av fyra AI-assistenter (ChatGPT, Copilot, Gemini och Perplexity) på 14 språk. 45 procent av svaren innehöll minst ett betydande problem, 31 procent hade allvarliga problem med källor, och 20 procent innehöll allvarliga problem med noggrannheten, 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. Kandidaterna är ofta (och är, som vi snart ska bevisa) mindre kända. Kontexten förändras snabbare. Namn från föregående cykel kan blandas med nya kandidaturer. Program publiceras ofta i etapper. (om de ens kommer att skapas, men det har jag redan skrivit om och jag ska inte sticka in fler nålar… för tillfället) Och användarnas frågor är ofta korta, vardagliga och otydliga.
Vid en nationell ledare har modellen vanligtvis mycket data. Vid en lokal kandidat till borgmästare i Kraków måste den sammanställa en bild från BIP, lokala medier, kandidatens hemsida, sociala medier, opinionsundersökningar, rapporter från presskonferenser och aktuella händelser. Det är idealiska förhållanden för till synes små, men politiskt betydelsefulla fel: att förväxla funktioner, att förbise konkurrenter, att tillskriva en föråldrad kandidatur, att ge någon en för snäv etikett eller att basera svaret på källor från tidigare val.
Den viktigaste vändningen: GenAI behöver inte ljuga för att påverka
I diskussionen om AI och val läggs det för mycket fokus på "falska nyheter". Samtidigt kan representation vara lika viktig för en lokal kampanj.
Modellen kanske inte ger falsk information. Den kan helt enkelt beskriva kandidaten främst genom partiet och förbise deras kommunala erfarenhet. Den kan nämna dem när det handlar om PiS, men inte när det handlar om transport. Den kan skriva om SCT, men förbise ämnet kollektivtrafik. Den kan svara på en fråga om Nowa Huta utan att nämna personen som bygger en del av sin kommunikation kring kopplingarna till den delen av staden. Den kan placera kandidaten sist på listan, trots att de formellt är en av de viktiga deltagarna i loppet.
Detta behöver inte vara ett "fel" i enkel bemärkelse. Det kan vara en konsekvens av hierarkin av källor, datans aktualitet, tillgången på information, hur frågan formuleras och mekaniken i det genererade svaret från modellen.
I traditionell SEO kämpade man om positionen i sökresultaten. I världen av LLM:er blir det allt viktigare att fråga: dyker kandidaten överhuvudtaget upp i svaret, vid vilka frågor de dyker upp, vad de associeras med och med vem de jämförs.
Denna mekanism syns tydligt i studien av Michał Drewnicki (som diskuteras mer ingående längre fram i texten). I 250 svar från deep dive-studien nämnde modellerna kandidaten i 87,6 procent av fallen när användaren angav deras namn, men endast i 5,0 procent av fallen när frågan inte innehöll namnet och handlade om problem, kategorier av kandidater eller stadsämnen. Med andra ord: igenkänning av namn innebär inte nödvändigtvis tematisk synlighet.
Och om svaret inte bara informerar, utan också flyttar åsikten?
Här kommer en annan viktig uppsättning data in. Studier beskrivna av Cornell visade att ett kort samtal med en chatbot kan signifikant flytta politiska åsikter. I experiment som genomfördes i fyra länder flyttade LLM-baserade chatbots väljarnas preferenser med 10 procentenheter eller mer i många fall. I experimenten i Kanada och Polen var effekten cirka 10 procentenheter, och i en av studierna flyttade den mest persuasiva modellen väljarnas åsikter med 25 procentenheter. källa: Cornell Chronicle
Det är viktigt att säga detta försiktigt. Det var kontrollerade experiment, inte bevis på att chatbots själva kommer att avgöra verkliga val. Deltagarna visste att de pratade med AI, och riktningen för påverkan var randomiserad. Själva författarna och kommentatorerna betonade begränsningarna av sådana studier och skillnaden mellan experimentella förhållanden och verkliga kampanjer. källa: Nature Asia
Men en slutsats är svår att ignorera. Den låter ungefär så här: modellernas svar kan vara persuasiva inte för att de är känslomässiga, aggressiva eller manipulativa i klassisk mening. Enligt forskarna berodde deras styrka ofta på att de genererade många påståenden, argument och till synes sakliga motiveringar. Cornell betonade att när modellerna begränsades i sin möjlighet att använda fakta, minskade deras persuasivitet; samtidigt var mer persuasiva modeller ofta mindre exakta. källa: Cornell Chronicle
Detta är kärnan i problemet i en lokal kampanj. Väljaren kan få ett svar som är lugnt, sakligt, välformulerat och utan partipolitisk ton. Ändå kan detta svar förstärka en viss bild av kandidaten.
Exemplet Kraków, eller Michał Drewnicki i LLM-svar
I detta sammanhang är studien av Michał Drewnicki, kandidaten från Lag och Rättvisa till borgmästare i Kraków, ett bra exempel på vad som behöver börja mätas i lokal politik.
Det handlar inte bara om att fråga: "känner GenAI till kandidatens namn?". Det är den enklaste nivån. Mycket mer intressanta är djupare frågor:
Identifierar modellerna korrekt Michał Drewnicki som kandidat från PiS i de förtida valen i Kraków?
Känner de igen hans offentliga roller – stadsfullmäktige och vice ordförande i Kraków stadsråd?
Skiljer de den aktuella valkontexten från kommunalvalen 2024?
Associerar de honom enbart med PiS, eller även med lokal kommunal erfarenhet?
Dyker han upp i svar på frågor som inte innehåller hans namn, men handlar om ämnen som finns i hans offentliga profil: kommunikation, SCT, Nowa Huta, stadsplanering, levnadskostnader, relationen mellan myndigheter och invånare?
Kan modellerna skilja mellan officiell information, mediarapporter, kampanjuttalanden och egna tolkningar?
Studien genomfördes av den blygsamma författaren av denna text den 03/07/2026.
I studien, genomförd med vårt eget verktyg Semantio, analyserade jag 250 svar relaterade till Michał Drewnicki i kontexten av presidentvalet i Kraków. Materialet är resultatet av en analys som omfattar 50 unika scenarier, aktiverade i fem system: ChatGPT, Gemini, Grok, DeepSeek och Google Overview. Varje system svarade på de 50 ställda scenarierna. Scenarierna delades bland annat upp efter steget i avsiktsfunnel: 80 svar på awareness-steget, 85 på consideration-steget och 85 på decision-steget. Separat analyserades frågor som innehöll kandidatens namn och problemfrågor utan namn.
Det starkaste resultatet handlar om skillnaden mellan igenkänning av namn och spontan synlighet. I hela materialet fanns 170 svar på frågor som innehöll namnet Michał Drewnicki och 80 svar på frågor utan namn. När användaren angav kandidatens namn (prompt-scenariot innehöll namnet "Drewnicki"), nämnde modellerna Drewnicki i 149 av 170 svar, det vill säga i 87,6 procent av fallen. När frågan inte innehöll namnet och handlade om problem, kategorier av kandidater eller stadsämnen, dök Drewnicki endast upp i 4 av 80 svar, det vill säga i 5,0 procent av fallen.
För att uttrycka det enkelt: modellerna kan beskriva kandidaten när användaren redan vet vem de frågar, men de kopplar dem betydligt sämre till stadens problem.
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 övriga systemen (ChatGPT, Gemini, Grok och DeepSeek) dök kandidaten inte upp en enda gång vid sådana frågor. Detta är viktigt, eftersom det "på siffror" betonar att det inte finns en universell "synlighet i AI". Varje system kan bygga en annan karta över den politiska scenen, beroende på källor, datans aktualitet, sökmechnik och sättet att generera svar.
Visst, jag kunde inte motstå att använda denna bild i kontexten av SCT ;)
Den mest påtagliga början på tematisk synlighet dök upp vid frågor om transport, kollektivtrafik, biljetter, rörlighet och Zonen för Ren Transport. I frågor utan namn relaterade till detta område dök Drewnicki upp i 4 av 30 svar, det vill säga i 13,3 procent av fallen. Det är fortfarande ett lågt resultat, men i jämförelse med andra ämnen är det betydelsefullt: frågor om kommunal erfarenhet, Nowa Huta, distrikt, stadsplanering eller grönområden aktiverade inte hans namn lika effektivt. Ur ett lokalt kampanjperspektiv är detta en viktig skillnad: modellen kan beskriva Kraków-problemet väl, men kanske inte visar väljaren vilken kandidat som försöker politiskt hantera det problemet.
I 70 av 250 svar, det vill säga 28,0 procent av hela materialet, markerades hallucinationsvarningar. Risken för fel försvann inte efter att namnet angivits: vid frågor med namn dök varningen upp i 50 av 170 svar (29,4 procent), och vid frågor utan namn i 20 av 80 svar (25,0 procent). Oftast handlade det om kontextuella problem, det vill säga att blanda valen 2026 med valen 2024, felaktiga offentliga funktioner, felaktig politisk tillhörighet, felaktiga eller misstänkta URL:er, obekräftade programdetaljer och i vissa fall till och med förväxling av Kraków med Warszawa (detta förlåts inte i Kraków!). I en lokal kampanj kan sådana små fel vara mer sannolika än spektakulära "falska nyheter", och därmed mycket svårare att fånga, eftersom de ofta förekommer i svar som låter lugna och sakliga. Varifrån känner vi igen detta?…
Skillnaderna mellan leverantörerna (ännu ett vackert ord från Bugu) var tydliga. Google Overview nämnde oftast Drewnicki och hade den lägsta andelen hallucinationsvarningar: 37 omnämnanden i 50 svar (74,0 procent) och 5 varningar (10,0 procent). DeepSeek nämnde kandidaten i 33 av 50 svar (66,0 procent), men hade samtidigt den högsta andelen varningar: 31 av 50 svar (62,0 procent). ChatGPT nämnde Drewnicki i 30 av 50 svar (60,0 procent) och hade 8 varningar (16,0 procent). Grok nämnde honom i 27 av 50 svar (54,0 procent) och hade 16 varningar (32,0 procent). Gemini nämnde kandidaten i 26 av 50 svar (52,0 procent) och hade 10 varningar (20,0 procent). Detta visar att större synlighet i AI inte alltid innebär högre kvalitet på representationen.
Källorna var också intressanta. I hela materialet identifierades 676 källor. De mest frekventa 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 alltså närvarande, men den var långt ifrån dominerande. Bilden av Drewnicki i AI byggdes också av BIP, lokala medier, stadsrelaterade källor, Facebook, YouTube och andra mellanliggande domäner.
Samtidigt fanns det i 115 av 250 svar inga källor, vilket utgör 46,0 procent av hela materialet. Skillnaderna mellan systemen var stora: Google Overview angav källor 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 har ingen snabb väg att kontrollera var modellen fick informationen om kandidaten, funktionen, programmet eller valkontexten.
I svaren från LLM:er förståddes konkurrensen inte heller enbart som en lista över formella valmotståndare. I det konkurrensutsatta fältet nämndes oftast Aleksander Miszalski (53 gånger) och Łukasz Gibała (50 gånger), men även Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) och Bartosz Bocheńczak (8). Även medier, institutioner, partier och organisationer var synliga, inklusive Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica och PiS. För modellen blandas den valda scenen med den informationsmässiga scenen. Vad betyder detta? Kandidaten konkurrerar inte bara med andra namn, utan också med tidigare kontexter, starkare källor och mer etablerade associationer.
Den kortaste slutsatsen från studien är: ett namn är inte tillräckligt. I världen av LLM:er kan kandidaten kännas igen (Michał Drewnicki, som analyseras här, tillhör uppenbarligen inte till dessa ännu), när användaren frågar direkt om dem, men förblir svagt närvarande vid frågor som faktiskt inleder väljarnas beslut: om resor, kostnader, distrikt, grönområden, myndigheter, erfarenhet eller trovärdighet i ett specifikt problem. Det är just detta lager – inte bara närvaro på internet, utan närvaro i svaren på användarnas behov – som idag behöver parametriseras.
Vad exakt kan mätas?
Genom att analysera resultaten från Semantio såg jag på svaren från stora språkmodeller inte som en kuriositet, utan som ett nytt lager av offentlig synlighet. När det gäller en politisk kandidat kan man analysera bland annat:
spontan synlighet – dyker kandidaten upp när användaren inte anger namnet;
korrekt identifiering – namn, funktion, parti, valår, aktuell kontext;
position i svaret – är kandidaten först, i mitten, sist, förbisedd eller beskriven kort;
tematiska kopplingar – vid vilka ämnen modellen nämner dem: transport, SCT, distrikt, levnadskostnader, kommunal erfarenhet, PiS, höger, stadsförvaltning;
jämförelser – med vem modellen oftast jämför dem och enligt vilka kriterier; vem kandidaten vinner över, och vem som har KO (inte kommittén!)
källor – baseras svaret på aktuella, trovärdiga och relevanta data;
hallucinationer – ett fascinerande område där man kan se sådana saker som förväxling av personer, funktioner, datum, program, valcykler eller icke-existerande uttalanden;
tolkningsramar – presenteras kandidaten som partipolitisk, lokal, kommunal, ideologisk, teknokratisk, protestantisk, anti-regulatorisk, urban, höger, "pro-förare" eller på något annat sätt.
För Drewnicki är tre kategorier särskilt tydliga för vidare analys: igenkänning av namn, tematisk synlighet och kvalitet på källor. Den första var hög. Den andra var låg. Den tredje visade sig vara ojämn mellan leverantörerna.
Första exemplet: frågor om kommunal erfarenhet utan att ange namn aktiverade inte spontant Drewnicki, trots att hans institutionella profil omfattar en mandatperiod som stadsfullmäktige och vice ordförande i Kraków stadsråd.
Andra exemplet: frågor om Nowa Huta, Mistrzejowice, norra Kraków och ett distriktsperspektiv var inte tillräckliga för att modellerna skulle självständigt peka ut kandidaten.
Tredje exemplet: en viss spår av spontan synlighet dök upp främst kring transport och SCT, men var fortfarande mycket svag jämfört med svar på frågor som innehöll namnet.
Kort sagt kan man säga: GenAI kan svara på frågan "vem är Michał Drewnicki?", men mycket sällan svarar med hans namn på frågan "vem i Kraków har en ståndpunkt i mitt problem?". Det är en skillnad som är svår att se i klassisk mediebevakning, men som är mycket viktig för en lokal kampanj.
Varför detta är viktigt för kampanjteam, medier och medborgarorganisationer
Valkampanjteam har i många år övervakat medier, sociala medier, opinionsundersökningar och sökresultat. Problemet är att LLM:er inte beter sig som ett vanligt medium och inte beter sig som en klassisk sökmotor. De senare är också, framför våra ögon, allt mindre "klassiska".
Modellen visar inte bara vad som finns på internet. Modellen bearbetar information, sammanfattar den, hierarkiserar den, ibland uppdaterar den genom sökning, ibland baserar den på tidigare inarbetad kunskap, ibland vägrar den att svara, och ibland svarar den med stor säkerhet trots ofullständiga data.
För kampanjteamet innebär detta nya frågor. Är kandidaten närvarande i svaren på ämnen som är viktiga för dem? Är deras profil aktuell? Tillskriver modellerna dem andras uttalanden? Tar konkurrenterna över AI-ämnen som i kampanjen är deras naturliga område? Kommer användaren som frågar efter "transportkandidaten" överhuvudtaget att se deras namn?
Studien av Drewnicki visar att denna fråga inte är teoretisk. I frågor utan namn dök kandidaten endast upp i 5,0 procent av svaren. För kampanjteamet innebär detta att de måste titta på inte bara om det finns material om kandidaten på internet, utan också på om modellerna kan koppla dessa material till verkliga väljarnas avsikter.
För medierna innebär detta att de måste se på LLM:er som medlare i distributionen av offentlig information. Om modeller börjar svara på valfrågor, kommer kvaliteten på lokal journalistik, datans struktur, källornas aktualitet och noggrannheten i beskrivningarna av kandidaterna att påverka inte bara läsarna, utan också de svar som syntetiseras av GenAI.
För medborgarorganisationer innebär detta något annat. Möjligheten att undersöka om modellerna på ett tillförlitligt sätt informerar väljare, om de inte förbiser kandidater, om de inte förstärker föråldrad information och om de inte skapar informationsojämlikhet mellan personer som känner till den politiska scenen och de som just försöker orientera sig i den.
Nervositet – för tillfället tyder inget på att GenAI kommer att ersätta kampanjer. Men det kan förändra informationslandskapet
Det är meningslöst att påstå att valet i Kraków kommer att avgöras i ChatGPT, Gemini, Perplexity eller Copilot. Det är inte så… Kampanjen pågår fortfarande i överväldigande grad "i staden" – på möten, i lokala medier, på presskonferenser, i debatter, i bostadsområden, i distrikt, vid busshållplatser och i samtal mellan invånarna.
Men det skulle vara ett misstag att betrakta LLM-svar som enbart en teknologisk kuriositet.
Om miljontals människor redan använder ChatGPT i Polen, om cirka en tredjedel av befolkningen i åldern 16–74 år använder generativ AI i EU, om 13 procent av de röstberättigade i Storbritannien använde chatbots för valinformation veckan före valet, och experiment visar att samtal med modellen kan flytta politiska åsikter – betyder det att kampanjteam och offentliga institutioner bör börja betrakta AI som ett verkligt lager av informationsflöde. källor: Gemius/PBI, Eurostat, studie UK 2024, Cornell Chronicle
I lokala val är detta lager särskilt viktigt. Varför? För väljaren söker ofta inte stor ideologi. De söker svar på sina egna problem. Det finns många frågor: Vem förstår mitt distrikt? Vem har erfarenhet? Vem pratar om transport? Vem har en plan för levnadskostnader? Vem är trovärdig när det gäller grönområden? Vem ställer verkligen upp, och vem var kandidat i tidigare val?
Hur modellen svarar på sådana frågor kan påverka inte bara resultatet av hela valet, utan också sättet som en del av invånarna förstår kandidaterna.
Och detta syns inte i opinionsundersökningar. Det syns inte i klassisk SEO. Det syns inte i mediebevakning. Men det kan undersökas.
För Michał Drewnicki är den viktigaste lärdomen enkel: kandidaten kan vara närvarande i GenAI:s svar, men fortfarande inte ha ett starkt "ägande" av (ja, ett vackert polskt ord) ämnen som är viktiga för invånarna. Det är just denna skillnad – mellan närvaro genom namn och närvaro i problem – som behöver börja betraktas som en ny kategori av offentlig synlighet.
Vill du kolla hur AI beskriver din kandidat, parti, varumärke eller institution?
Studien av Michał Drewnicki visar att svar som genereras av AI-modeller kan analyseras systematiskt, med fokus på synlighet, korrekthet, källor, jämförelser, utelämnanden och tolkningsramar. Om du vill veta mer om denna studie eller diskutera en liknande analys för ditt eget projekt, kontakta textens författare: m.grzebyk@brandsemantics.eu
* så att det inte råder någon tvekan – sådana som finns i svaren ;)
