Ще кілька років тому виборець, який хотів перевірити кандидата на посаду мера міста, мусив зайти на його сайт, переглянути медіа (включаючи «традиційні»), подивитися дебати, запитати знайомих або прокрутити кілька сторінок результатів Google. Сьогодні все частіше він може зробити щось простіше – запитати у свого улюбленого чату (великої мовної моделі).
Він навіть не мусить… знати прізвища. Не мусить знати, хто з якого комітету. Не мусить слідкувати за прес-конференціями. Загалом, не так вже й багато мусить. Зате може. Може запитати: «Хто в Кракові має найкращу транспортну програму?», «Який кандидат пов'язаний з Новою Гуту?», «Хто хоче змінити Зону Чистого Транспорту?», «Чи має кандидат від ПіС досвід у місцевому самоврядуванні?», «Хто в цих виборах говорить конкретно про вартість життя?».
І отримає відповідь.
Не список посилань. Не класичний результат пошуку. Не нейтральну базу документів. Отримає синтетичний опис політичної сцени, створений LLM на основі того, що модель знайде, запам'ятає, проінтерпретує, визнає важливим і впорядкує в відповідну ієрархію. І це під того користувача, який частково «виховав» собі «Tamagotchi» з третього десятиліття (як це звучить!) XXI століття. Тільки не годує його і не миє, натискаючи кнопочки, а підкидає шматочки самого себе, що видають звички.
Це нова складова виборчої кампанії. Тиха, приватна, важка для моніторингу і – на місцевих виборах – потенційно дуже важлива.
Краків як лабораторія виборів в епоху GenAI
Краків є хорошим місцем, щоб побачити цю зміну на практиці. Це не маленька громада, але й не загальнонаціональна кампанія, в якій кожен кандидат постійно присутній у головних медіа. За даними ГУС, на кінець 2025 року Краків мав 816 614 мешканців. Це великий, складний міський організм: з центром, Новою Гуту, периферійними районами, університетами, туризмом, бізнесом, транспортом, конфліктами за зелені зони, просторовим плануванням, цінами на міські послуги та управлінням містом. джерело: Краків у цифрах
До цього додається унікальний політичний контекст. На місцевому референдумі 24 травня 2026 року явка на голосуванні щодо відкликання мера Кракова становила 29,99% — достатньо, щоб референдум був дійсним і вирішальним. У паралельному голосуванні щодо відкликання Ради Міста явка становила 29,97%, отже, законодавчий поріг не був перевищений. Різниця, здавалося б, мінімальна, але політичні наслідки абсолютно різні. джерело: Місто Краків
Краків також має свіжий досвід дуже рівної конкуренції. У другому турі президентських виборів 2024 року Олександр Мішальський отримав 51,04% голосів, а Лукаш Гібала – 48,96%. За даними, основаними на даних Державної виборчої комісії, різниця становила 5434 голоси. джерело: Rzeczpospolita
Це цифри, при яких варто звертати увагу на кожне нове джерело інформаційного впливу. Не тому, що чат-бот «обере мера Кракова». Це занадто сильна теза. Але тому, що в кампанії, в якій кілька тисяч голосів можуть змінити результат, важливим є також те, хто є видимим, кого ігнорують, з чим його асоціюють і як його описують у відповідях генеративного штучного інтелекту, до яких все частіше звертаються користувачі.
Виборець не лише шукає. Виборець спілкується
Найважливіша зміна полягає не в тому, що ШІ може згенерувати рекламу, мем або deepfake. Це, звичайно, також має значення, але вже є досить добре відомою темою. Про це багато говорять, є кампанії – менш або більш соціальні. Менш або більш оплачувані певними виборчими комітетами.
Цікавіша і менш очевидна зміна стосується того, що LLM стають приватними інформаційними радниками. Виборець може не запитувати: «Яка програма Міхала Древницького». Він може навіть не пам'ятати цього прізвища. Зате може запитати: «Хто в Кракові має досвід у місцевому самоврядуванні?», «Який кандидат говорить про Нову Гуту?», «Хто має конкретну, чітку позицію щодо SCT?», «Чи є кандидат ПіС у Кракові лише партійним, чи має місцевий досвід?».
Такі питання значно ближчі до реального процесу прийняття рішень. Люди рідко порівнюють цілі програми від початку до кінця. (до речі… яка з партій у 2024 році описала свою чітку виборчу програму, а не покладалася на хвилю змінних опитувань, вигуків на мітингах і пінгвінів, виміряних у «соціальних мережах»?) Частіше шукають відповіді на власну проблему: доїзди, ціни, зелень, школа, тротуар, паркування, забудова за вікном, відчуття хаосу в управлінні або відсутність впливу на рішення міста.
Саме тут великі мовні моделі починають діяти як новий посередник. Вони не лише надають інформацію. Вони упорядковують сцену. Вибирають, яких кандидатів згадати. Визначають, які факти вважати важливими. Скорочують складний контекст до кількох абзаців. І часто роблять це в спосіб, якого ми не побачимо в класичному моніторингу медіа, SEO або аналізі соціальних медіа. Таким чином, можна припустити, що соціологічні лабораторії та їхні «перепади» все частіше будуть одними з основних тем коментарів після exit poll.
Це вже не технологічна ніша
Якщо хтось вважає, що «чат-боти» все ще є іграшкою для студентів і технологічної галузі, дані швидко охолоджують цю думку. За даними звіту Gemius/PBI у червні 2025 року з ChatGPT в Польщі користувалися понад 9,3 млн реальних користувачів. Це становило 31,4% інтернет-користувачів і 28,6% населення у віці 7–75 років. Звіт також вказував, що серед користувачів ChatGPT надпредставлені особи молодше 35 років, а в групі 25–34 роки середній час використання в червні становив 2 години і 42 хвилини. джерело: Gemius/PBI
В масштабах Європи Eurostat повідомив, що в 2025 році з інструментів генеративного ШІ користувалося 32,7% жителів ЄС у віці 16–74 років. У групі 16–24 роки цей відсоток становив вже 63,8%. джерело: Eurostat
Це важливо, бо молодші виборці є одночасно групою, більш схильною до використання нових інформаційних інструментів, і групою, яка на місцевих виборах часто має меншу стабільність явки. Не потрібно припускати масового переходу всієї кампанії до систем, підтримуваних штучним інтелектом. Досить помітити, що для значної частини користувачів розмова з чат-ботом стає одним з природних способів упорядкування інформації.
ШІ як інструмент для новин, політики та рішень
Дані Reuters Institute показують, що чат-боти ШІ вже використовуються для споживання інформації, хоча все ще не домінують. У 2026 році 10% опитаних на 45 ринках заявили про щотижневе використання чат-ботів ШІ для новин, порівняно з 7% роком раніше. Ще цікавіше, як люди їх використовують: 42% користувачів новинних чат-ботів ставлять поглиблені запитання, 35% використовують їх для отримання останніх новин, 34% для узагальнення, 30% для спрощення складних тем, а 33% для оцінки достовірності джерел. джерело: Звіт про цифрові новини Reuters Institute
Це майже готовий опис поведінки виборця під час місцевої кампанії. «Поясніть мені, у чому справа зі Зоною Чистого Транспорту». «Узагальніть різниці між кандидатами». «Хто є надійним у питанні транспорту?». «Чи має цей кандидат дійсно досвід у місцевому самоврядуванні?». «Які джерела підтверджують його заяви?».
У цьому місці ШІ перестає бути лише інструментом для написання текстів. Він стає інтерфейсом до публічної реальності.
Найсильніший сигнал тривоги – виборці вже запитують GenAI про вибори
Одна з найцікавіших цифр походить з дослідження, що стосується парламентських виборів у Великій Британії в 2024 році. Репрезентативне дослідження 2499 дорослих показало, що за тиждень до виборів 32% користувачів чат-ботів (13% усіх уповноважених виборців) використовували розмовний ШІ для пошуку інформації, безпосередньо пов'язаної з виборчим рішенням. джерело: arXiv, дослідження Великої Британії 2024
Це не маргінальний деталь. Це сигнал, що чат-боти входять у самий процес виборів: не як абстрактна технологія, а як інструмент, що використовується тоді, коли виборець саме приймає рішення, упорядковує аргументи або намагається зрозуміти політичну сцену. Часто безпосередньо перед входом до виборчої дільниці.
Що важливо, автори цього дослідження не формулюють простого тривожного висновку. У серії експериментів за участю 2858 учасників вони встановили, що використання чат-ботів не погіршувало політичну обізнаність; навпаки, вона зростала в подібній мірі, як і традиційний пошук в інтернеті. джерело: AI Security Institute
І саме тому тема є цікавішою, ніж звичайна розповідь про загрозу. Час для трюїзму. Навіть виділю його жирним, щоб він більше впадав в очі. Немає за що…
LLM можуть допомагати виборцям краще розуміти політику. Але вони також можуть плутати, ігнорувати, спрощувати, застаріло ідентифікувати кандидатів або будувати певні рамки інтерпретації.
Інша сторона – відповіді чатів можуть бути ненадійними
Проблема полягає в тому, що відповіді моделей виглядають упорядкованими, впевненими та повними, навіть коли містять прогалини. Знаєте… як той, кого ви зустріли на студентській вечірці, майбутній інженер (як дозволять доля та професори) AGH, який буде з наполегливістю, гідною кращої справи, захищати позицію, яка три пива тому навіть не потрапила б до дискусії ;)
Дослідження EBU та BBC охопило понад 3000 відповідей, згенерованих чотирма асистентами ШІ (ChatGPT, Copilot, Gemini та Perplexity) у 14 мовах. 45% відповідей містили принаймні одну суттєву проблему, 31% мали серйозні проблеми з джерелами, а 20% містили серйозні проблеми з точністю, включаючи застарілі або галюциновані дані. джерело: EBU/BBC
На місцевих виборах цей ризик може бути більшим, ніж у загальнонаціональній кампанії. Місцеві джерела більш розпорошені. Кандидати можуть бути (і є, як ми зараз доведемо) менш відомими. Контекст змінюється швидше. Прізвища з попереднього циклу можуть змішуватися з новими кандидатурами. Програми можуть публікуватися поетапно. (якщо вони взагалі з'являться, але про це я вже писав, і більше шпильок не буде… мабуть) А запитання користувачів часто короткі, розмовні та не уточнені.
При загальнонаціональному лідері модель зазвичай має багато даних. При місцевому кандидатові на посаду мера Кракова їй потрібно зібрати образ з БІП, місцевих медіа, сайту кандидата, соціальних мереж, опитувань, звітів з конференцій та поточних подій. Це ідеальні умови для помилок, які здаються незначними, але політично важливими: плутанини функцій, ігнорування конкурента, приписування застарілої кандидатури, надання комусь занадто вузької етикетки або базування відповіді на джерелах з попередніх виборів.
Найважливіший поворот: GenAI не мусить брехати, щоб впливати
У дискусії про ШІ та вибори занадто багато уваги приділяється «фейкам». Тим часом для місцевої кампанії також важливим може бути щось більш тонке: репрезентація.
Модель може не надати неправдиву інформацію. Вона може просто описати кандидата переважно через партію, а не згадати його досвід у місцевому самоврядуванні. Вона може згадати його при запитанні про ПіС, але не при запитанні про транспорт. Вона може написати про SCT, але не згадати про міський транспорт. Вона може відповісти на запитання про Нову Гуту, не вказуючи особу, яка сама будує частину своєї комунікації навколо зв'язків з цією частиною міста. Вона може помістити кандидата в кінець списку, хоча формально він є одним з важливих учасників гонки.
Це не мусить бути «помилка» в простому сенсі. Це може бути наслідком ієрархії джерел, свіжості даних, доступності інформації, способу формулювання запитання та механіки відповіді, згенерованої моделлю.
У традиційному SEO боролися за позицію в результатах пошуку. У світі LLM все важливішим стає питання: чи кандидат взагалі з'являється у відповіді, при яких запитаннях він з'являється, з чим його асоціюють і з ким порівнюють.
Цей механізм добре видно в дослідженні Міхала Древницького (обговореному детальніше в подальшій частині тексту). У 250 відповідях з дослідження deep dive моделі згадували кандидата в 87,6% випадків, коли користувач наводив його прізвище, але лише в 5,0% випадків, коли запитання не містило прізвища і стосувалося проблеми, категорії кандидатів або міської теми. Іншими словами: впізнаваність за прізвищем ще не означає тематичної видимості.
А якщо відповідь не лише інформує, але й зміщує думку?
Тут з'являється другий ключовий набір даних. Дослідження, описані Корнелем, показали, що коротка розмова з чат-ботом може суттєво зміщувати політичні погляди. У експериментах, проведених у чотирьох країнах, чат-боти на основі LLM зміщували переваги виборців опозиції на 10 процентних пунктів або більше в багатьох випадках. У експериментах у Канаді та Польщі ефект становив близько 10 процентних пунктів, а в одному з досліджень найбільш переконливо оптимізована модель змістила думки виборців опозиції на 25 процентних пунктів. джерело: Cornell Chronicle
Треба сказати це обережно. Це були контрольовані експерименти, а не доказ того, що чат-боти самі вирішать реальні вибори. Учасники знали, що спілкуються з ШІ, а напрямок переконання був рандомізований. Сами автори та коментатори підкреслювали обмеження таких досліджень та різницю між експериментальними умовами та реальною кампанією. джерело: Nature Asia
Але один висновок важко ігнорувати. Він звучить приблизно так: відповіді моделей можуть бути переконливими не тому, що вони емоційні, агресивні або маніпулятивні в класичному сенсі. За словами дослідників, їхня сила часто полягала в тому, що вони генерували багато тверджень, аргументів і, здавалося б, обґрунтованих пояснень. Корнель підкреслював, що коли обмежували моделям можливість використовувати факти, їхня переконливість знижувалася; одночасно більш переконливі моделі виявлялися менш точними. джерело: Cornell Chronicle
Це суть проблеми в місцевій кампанії. Виборець може отримати відповідь спокійну, раціональну, добре звучну і позбавлену партійного тону. А проте ця відповідь може підсилювати певний образ кандидата.
Приклад Кракова, тобто Міхал Древницький у відповідях LLM
У такому контексті дослідження Міхала Древницького, кандидата від Права і Справедливості на посаду мера Кракова, є хорошим прикладом того, що потрібно почати вимірювати в місцевій політиці.
Не йдеться лише про запитання: «Чи знає GenAI прізвище кандидата?». Це найпростіший рівень. Значно цікавішими є глибші запитання:
Чи моделі правильно ідентифікують Міхала Древницького як кандидата від ПіС на позачергових виборах у Кракові?
Чи розпізнають його публічні функції – міського радника та заступника голови Ради Міста Кракова?
Чи відрізняють актуальний виборчий контекст від місцевих виборів 2024 року?
Чи пов'язують його лише з ПіС, чи також з місцевим досвідом у самоврядуванні?
Чи з'являється він у відповідях на запитання, які не містять його прізвища, але стосуються тем, присутніх у його публічному профілі: комунікації, SCT, Нової Гути, просторового планування, вартості життя, відносин між владою та мешканцями?
Чи моделі можуть відрізнити офіційні дані, медіа-звіти, виборчі декларації та власні інтерпретації?
Дослідження провів скромний автор цього тексту 03/07/2026.
У дослідженні, реалізованому нашим авторським інструментом Semantio, я проаналізував 250 відповідей щодо Міхала Древницького в контексті президентських виборів у Кракові. Матеріал є результатом аналізу, що охоплює 50 унікальних сценаріїв, запущених у п'яти системах: ChatGPT, Gemini, Grok, DeepSeek та Google Overview. Кожна система відповіла на задані 50 сценаріїв. Сценарії були поділені, зокрема, за етапом воронки намірів: 80 відповідей на етапі awareness, 85 на етапі consideration і 85 на етапі decision. Окремо аналізувалися запитання, що містять прізвище кандидата, та проблемні запитання без прізвища.
Найсильніший результат стосується різниці між впізнаваністю за прізвищем та спонтанною видимістю. У всьому матеріалі було 170 відповідей на запитання, що містять прізвище Міхала Древницького та 80 відповідей на запитання без прізвища. Коли користувач наводив прізвище кандидата (в запиті містилося прізвище «Древницький»), моделі згадували Древницького в 149 з 170 відповідей, тобто в 87,6% випадків. Коли запитання не містило прізвища і стосувалося проблеми, категорії кандидатів або міської теми, Древницький з'явився лише в 4 з 80 відповідей, тобто в 5,0% випадків.
Кажучи прямо: моделі можуть описувати кандидата, коли користувач вже знає, про кого запитує, але значно гірше пов'язують його самостійно з проблемами міста.
У даних також видно, що видимість не рівномірно розподілена між системами. Усі 4 спонтанні згадки про Древницького в запитаннях без прізвища походили з Google Overview. У решті систем (ChatGPT, Gemini, Grok та DeepSeek) при таких запитаннях кандидат не з'явився жодного разу. Це важливо, оскільки підкреслює «на цифрах», що не існує одного, універсального «видимості в ШІ». Кожна система може будувати іншу карту політичної сцени, залежно від джерел, актуальності даних, механіки пошуку та способу генерації відповідей.
Так, я не міг утриматися від цього зображення в контексті SCT ;)
Найочевидніший зародок тематичної видимості з'явився при запитаннях про транспорт, міську комунікацію, квитки, мобільність та Зону Чистого Транспорту. У запитаннях без прізвища, що стосуються цієї сфери, Древницький з'явився в 4 з 30 відповідей, тобто в 13,3% випадків. Це все ще низький результат, але на фоні інших тем суттєвий: запитання про досвід у місцевому самоврядуванні, Нову Гуту, райони, просторове планування чи зелень не активували його прізвище так ефективно. З точки зору місцевої кампанії це важлива різниця: модель може добре описати проблему Кракова, але не обов'язково покаже виборцю, який кандидат намагається політично вирішити цю проблему.
У 70 з 250 відповідей, тобто в 28,0% всього набору, було позначено сигнал галюцинації. Ризик помилки не зникав після надання прізвища: при запитаннях з прізвищем сигнал з'явився в 50 з 170 відповідей (29,4%), а при запитаннях без прізвища – в 20 з 80 відповідей (25,0%). Найчастіше це були контекстуальні проблеми, тобто плутанина між виборами 2026 року та виборами 2024 року, помилкові публічні функції, помилкова політична афіліація, підозрілі або неправдиві URL-адреси, непідтверджені деталі програми та навіть плутанина між Краковом і Варшавою (цього не пробачають у Гроді Крака!). У місцевій кампанії саме такі дрібні помилки можуть бути більш ймовірними, ніж видовищні «фейки», а отже, набагато важче виявити, оскільки часто вони виникають у відповідях, що звучать спокійно та раціонально. Звідки ми це знаємо?…
Різниці між постачальниками (ще одне красиве слово родом з-під Бугу) були очевидними. Google Overview найчастіше згадував Древницького і мав найнижчий відсоток сигналів галюцинації: 37 згадок у 50 відповідях (74,0%) та 5 сигналів (10,0%). DeepSeek згадував кандидата в 33 з 50 відповідей (66,0%), але водночас мав найвищу частку сигналів: 31 з 50 відповідей (62,0%). ChatGPT згадував Древницького в 30 з 50 відповідей (60,0%) і мав 8 сигналів (16,0%). Grok згадував його в 27 з 50 відповідей (54,0%) і мав 16 сигналів (32,0%). Gemini згадував кандидата в 26 з 50 відповідей (52,0%) і мав 10 сигналів (20,0%). Це показує, що більша видимість у ШІ не завжди означає вищу якість репрезентації.
Джерела також складалися цікаво. У всьому наборі було ідентифіковано 676 посилань на джерела. Найчастіше з'являлися домени: bip.krakow.pl (90 разів), facebook.com (71 разів), krakow.pl (38 разів), youtube.com (29 разів), radiokrakow.pl (26 разів), lovekrakow.pl (23 рази), drewnicki.pl (22 рази) та ztp.krakow.pl (22 рази). Офіційний домен кандидата був присутній, але явно далеко від домінування. Образ Древницького в ШІ також формувався через БІП, місцеві медіа, міські джерела, Facebook, YouTube та інші проміжні домени.
Одночасно в 115 з 250 відповідей не було жодного посилання на джерело, що становить 46,0% всього матеріалу. Різниці між системами були значними: Google Overview надавав посилання в кожній відповіді, ChatGPT – в 43 з 50, DeepSeek – в 31 з 50, Grok – в 10 з 50, а Gemini лише в 1 з 50 відповідей. Це має виборче значення – відповідь без джерела може звучати достовірно, але користувач не має швидкого шляху перевірки, звідки модель отримала інформацію про кандидата, функцію, програму чи контекст виборів.
У відповідях LLM конкуренція також не розумілася виключно як список формальних виборчих суперників. У полі конкуренції найчастіше згадувалися Олександр Мішальський (53 рази) та Лукаш Гібала (50 разів), але далі були також Анджей Кулаг (14), Конрад Беркович (13), Яцек Майхровський (12), Моніка П'ятковська (12), Маріан Банащ (12), Дарія Госек-Попіолек (11), Олександра Овця (9) та Бартосz Боченчак (8). Також з'являлися медіа, інституції, партії та організації, зокрема Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Коаліція Громадянська, Лівиця та ПіС. Для моделі виборча сцена змішується з інформаційною сценою. Що це означає? Кандидат конкурує не лише з іншими прізвищами, але й з попередніми контекстами, сильнішими джерелами та більш закріпленими асоціаціями.
Найкоротший висновок з дослідження звучить: прізвище – це ще не все. У світі LLM кандидат може бути впізнаваним (аналізований Міхал Древницький явно до таких поки не належить), коли користувач запитує про нього прямо, і одночасно залишатися слабо присутнім при запитаннях, від яких реально починається рішення виборця: про доїзди, витрати, район, зелень, управління, досвід або надійність у конкретній проблемі. Саме цю складову – не лише присутність в інтернеті, а й присутність у відповідях на потреби користувачів – потрібно сьогодні параметризувати.
Що саме можна вимірювати?
Аналізуючи результати, отримані в Semantio, я дивився на відповіді великих мовних моделей не як на цікавинку, а як на новий шар публічної видимості. У випадку політичного кандидата можна аналізувати, зокрема:
спонтанну видимість – чи з'являється кандидат, коли користувач не наводить прізвище;
правильність ідентифікації – прізвище, функція, партія, рік виборів, актуальний контекст;
позицію в відповіді – чи кандидат перший, середній, останній, пропущений або описаний коротко;
тематику зв'язків – при яких темах модель його згадує: транспорт, SCT, райони, вартість життя, досвід у місцевому самоврядуванні, ПіС, праві, управління містом;
порівняння – з ким модель найчастіше його порівнює і за якими критеріями; з ким кандидат виграє, а хто має для нього KO (не йдеться про комітет!)
джерела – чи відповідь базується на актуальних, надійних та адекватних даних;
галюцинації – захоплюючий обсяг, де можна побачити такі речі, як плутанина осіб, функцій, дат, програм, виборчих циклів або неіснуючих заяв;
рамки інтерпретації – чи кандидат представлений як партійний, місцевий, самоврядний, ідеологічний, технократичний, протестний, антирегуляційний, міський, правий, «прокерівниковий» або ще якимось чином.
У випадку Древницького особливо чітко видно три категорії для подальшого аналізу, до яких можна віднести: видимість за прізвищем, тематична видимість та якість джерел. Перша була високою. Друга була низькою. Третя виявилася нерівною між постачальниками.
Приклад перший: запитання про досвід у місцевому самоврядуванні без надання прізвища не активували спонтанно Древницького, хоча його інституційний профіль охоплює мандат радника та функцію заступника голови Ради Міста Кракова.
Приклад другий: запитання про Нову Гуту, Містжейовице, північ Кракова та перспективу районів також не були достатніми, щоб моделі самостійно вказували кандидата.
Приклад третій: певний слід видимості спонтанної з'являвся головним чином навколо транспорту та SCT, але все ще був надто слабким у порівнянні з відповідями на запитання, що містять прізвище.
Найкоротше це можна сформулювати так: GenAI може відповісти на запитання «Хто такий Міхал Древницький?», але значно рідше відповідає його прізвищем на запитання «Хто в Кракові має позицію щодо моєї проблеми?». Це різниця, яку важко побачити в класичному моніторингу медіа, а яка є дуже важливою для місцевої кампанії.
Чому це важливо для штабів, медіа та громадських організацій
Виборчі штаби протягом багатьох років моніторять медіа, соціальні медіа, опитування та результати пошуку. Проблема в тому, що LLM не поводяться як звичайні медіа і не поводяться як класичний пошуковик. Останні також на наших очах все менше є «класичними».
Модель не просто показує, що є в інтернеті. Модель обробляє інформацію, узагальнює її, ієрархізує, іноді оновлює через пошук, іноді базується на знаннях, закріплених раніше, іноді відмовляє у відповіді, а іноді відповідає з великою впевненістю, незважаючи на неповні дані.
Для штабу це означає нові запитання. Чи присутній кандидат у відповідях на теми, які є для нього важливими? Чи його профіль актуальний? Чи моделі не приписують йому чужих заяв? Чи конкуренти не захоплюють у ШІ теми, які в кампанії є його природним полем? Чи користувач, що запитує про «кандидата від транспорту», взагалі побачить його прізвище?
Дослідження Древницького показує, що це питання не є теоретичним. У запитаннях без прізвища кандидат з'явився лише в 5,0% відповідей. Для штабу це означає необхідність дивитися не лише на те, чи існують в інтернеті матеріали про кандидата, але й на те, чи моделі можуть пов'язати ці матеріали з реальними намірами виборців.
Для медіа це означає необхідність дивитися на LLM як на посередників у розподілі публічної інформації. Якщо моделі починають відповідати на виборчі запитання, то якість місцевої журналістики, структура даних, актуальність джерел і точність описів кандидатів вплинуть не лише на читачів, але й на відповіді, синтезовані Generative AI.
Для громадських організацій це означає ще щось інше. Можливість досліджувати, чи моделі добросовісно інформують виборців, чи не ігнорують кандидатів, чи не підсилюють застарілі дані і чи не створюють інформаційної нерівності між особами, які добре знають політичну сцену, та тими, хто лише намагається в ній зорієнтуватися.
Нерви на воді – поки що нічого не вказує на те, що GenAI замінить кампанії. Але може змінити карту інформації
Не має сенсу стверджувати, що вибори в Кракові вирішаться в ChatGPT, Gemini, Perplexity чи Copilot. Що це таке… Кампанія все ще в переважній більшості ведеться «в місті» – на зустрічах, у місцевих медіа, на конференціях, у дебатах, у районах, на зупинках і в розмовах між мешканцями.
Однак було б помилкою вважати, що відповіді LLM є лише технологічною цікавинкою.
Якщо в Польщі з ChatGPT користуються вже мільйони людей, якщо в ЄС з генеративного ШІ користується близько третини населення у віці 16–74 років, якщо у Великій Британії 13% уповноважених виборців використовували чат-боти для виборчої інформації за тиждень до голосування, а експерименти показують, що розмова з моделлю може зміщувати політичні погляди – це означає, що штаби та державні установи повинні почати розглядати ШІ як реальний шар інформаційного обігу. джерела: Gemius/PBI, Eurostat, дослідження Великої Британії 2024, Cornell Chronicle
На місцевих виборах цей шар є особливо важливим. Чому? Бо виборець часто не шукає великої ідеології. Він шукає відповіді на власну проблему. Питань багато: Хто розуміє мою округу? Хто має досвід? Хто говорить про транспорт? Хто має план щодо вартості життя? Хто є надійним у питанні зелені? Хто дійсно балотується, а хто був кандидатом на попередніх виборах?
Від того, як модель відповість на такі запитання, може залежати не результат усіх виборів, а спосіб, яким частина мешканців зрозуміє кандидатів.
А цього не видно в опитуваннях. Не видно в класичному SEO. Не видно в моніторингу медіа. Зате це можна досліджувати.
У випадку Міхала Древницького найважливіший урок простий: кандидат може бути присутнім у відповідях GenAI, але все ще не мати сильного «власництва» (так, красиве польське слово) тем, які важливі для мешканців. Саме цю різницю – між присутністю за прізвищем і присутністю в проблемах – потрібно почати розглядати як нову категорію публічної видимості.
Хочете перевірити, як ШІ описує вашого кандидата, партію, бренд або інституцію?
Дослідження Міхала Древницького показує, що відповіді, згенеровані моделями ШІ, можна аналізувати системно, тобто з точки зору видимості, правильності, джерел, порівнянь, пропусків і рамок інтерпретації. Якщо ви хочете дізнатися більше про це дослідження або поговорити про подібний аналіз для вашого проекту, зв'яжіться з автором тексту: m.grzebyk@brandsemantics.eu
* щоб не було непорозумінь – такий, що є в відповідях ;)
