Ще кілька років тому виборець, який хотів перевірити кандидата на посаду мера, мусив відвідати його вебсайт, переглянути медіа (включаючи традиційні джерела), дивитися дебати, запитувати друзів або прокручувати кілька сторінок результатів Google. Сьогодні вони можуть часто зробити щось набагато простіше – запитати свій улюблений чат (велику мовну модель).
Їм навіть не потрібно… знати жодних імен. Їм не потрібно знати, хто належить до якого комітету. Їм не потрібно слідкувати за прес-конференціями. Загалом, їм не потрібно багато робити. Але вони можуть. Вони можуть 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 роботи в місцевому самоврядуванні?», «хто конкретно порушує питання вартості життя на цих виборах?».
І вони отримають відповідь.
Не список посилань. Не класичний результат пошуку. Не нейтральна база даних документів. Вони отримають синтезоване описання політичного ландшафту, побудоване LLM на основі того, що модель знаходить, запам'ятовує, інтерпретує, вважає важливим і організовує в відповідній ієрархії. Адаптоване для користувача, який частково «виховав» свого власного «Тамагочі» з третього десятиліття (як це звучить!) 21 століття. Тільки вони не годують його або не чистять, натискаючи кнопки; вони кидають шматочки себе, які розкривають їхні звички.
Це новий рівень виборчої кампанії. Тихий, приватний, важкий для моніторингу і – на місцевих виборах – потенційно дуже значущий.
Краків як лабораторія виборів в епоху GenAI
Краків є відмінним місцем для спостереження за цією зміною в дії. Це не маленька громада, але це також не національна кампанія, де кожен кандидат постійно присутній у мас-медіа. За даними ГУС, на кінець 2025 року в Кракові проживало 816,614 жителів. Це великий, складний міський організм: з центром міста, Новою Гуту, периферійними районами, університетами, туризмом, бізнесом, транспортом, конфліктами щодо зелених зон, просторовим плануванням, цінами на комунальні послуги та управлінням містом. джерело: Краків у цифрах
Крім того, існує унікальний політичний контекст. На місцевому референдумі 24 травня 2026 року явка виборців на голосування щодо відкликання мера Кракова становила 29,99% — достатньо для того, щоб референдум був дійсним і вирішальним. У паралельному голосуванні щодо відкликання міської ради явка становила 29,97%, що означає, що законодавчий поріг не був досягнутий. Різниця, здавалося б, мінімальна, але політичні наслідки зовсім інші. джерело: Місто Краків
Краків також має недавній досвід дуже близької конкуренції. У другому турі президентських виборів 2024 року Олександр Мішальський отримав 51,04% голосів, тоді як Лукаш Гібала отримав 48,96%. За даними звітів на основі даних PKW, різниця становила 5,434 голоси. джерело: Rzeczpospolita
Це цифри, які вимагають обережності щодо кожного нового джерела інформаційного впливу. Не тому, що чат-бот «обере мера Кракова». Це занадто сильне твердження. Але тому, що в кампанії, де кілька тисяч голосів можуть змінити результат, важливо хто видимий, хто залишається поза увагою, з чим їх асоціюють і як їх описують у відповідях, згенерованих штучним інтелектом, до якого користувачі все частіше звертаються.
Виборець не просто шукає. Виборець спілкується
Найзначніша зміна полягає не в тому, що ШІ може згенерувати рекламу, мем або дипфейк. Хоча це, безумовно, важливо, це вже добре відома тема. Про це багато говорять, і є кампанії – деякі більш-менш соціальні, деякі більш-менш фінансовані конкретними виборчими комітетами.
Більш цікавою та менш очевидною зміною є те, що LLM стають приватними інформаційними радниками. Виборець може не запитувати: «яка програма Міхала Древніцького?». Вони можуть навіть не пам'ятати цього імені. Натомість вони можуть запитати: «хто в Кракові має досвід роботи в місцевому самоврядуванні?», «який кандидат говорить про Нову Гуту?», «хто має конкретну, чітку позицію щодо SCT?», «чи є кандидат від ПіС просто членом партії, чи має він місцевий досвід?».
Такі запитання набагато ближчі до реального процесу прийняття рішень. Люди рідко порівнюють цілі програми з початку до кінця. (До речі… яка партія у 2024 році чітко описала свою виборчу програму, замість того, щоб їхати на хвилі змінних опитувань, закликів до дій та шуму в соціальних мережах?) Часом вони шукають відповіді на свої власні проблеми: комутування, ціни, зелені зони, школи, тротуари, паркування, будівництво за вікном, відчуття хаосу в офісі або відсутність впливу на рішення міста.
Тут великі мовні моделі починають діяти як новий посередник. Вони не лише надають інформацію. Вони організовують сцену. Вони обирають, яких кандидатів згадати. Вони вирішують, які факти вважати значущими. Вони конденсують складні контексти в кілька абзаців. І часто роблять це так, як ми не побачимо в класичному моніторингу медіа, SEO або аналізі соціальних мереж. Таким чином, можна зробити висновок, що компанії з опитувань і їхні «прогалини» все частіше стануть однією з основних тем коментарів після екзит-полів.
Це вже не технологічна ніша
Якщо хтось вважає, що «чат-боти» все ще є іграшкою для студентів та технологічної індустрії, дані швидко охолоджують цю думку. За даними звіту Gemius/PBI, у червні 2025 року понад 9,3 мільйона реальних користувачів у Польщі використовували ChatGPT. Це становило 31,4% інтернет-користувачів і 28,6% населення віком 7–75 років. Звіт також вказав, що серед користувачів ChatGPT є надмірне представництво осіб молодше 35 років, середній час використання в групі 25–34 роки становив 2 години та 42 хвилини в червні. джерело: Gemius/PBI
На європейському рівні Eurostat повідомив, що у 2025 році 32,7% жителів ЄС віком 16–74 роки використовували інструменти генеративного ШІ. У групі 16–24 років цей відсоток вже становив 63,8%. джерело: Eurostat
Це важливо, оскільки молодші виборці також є групою, більш схильною до використання нових інформаційних інструментів і групою, яка часто має менш стабільну явку на місцевих виборах. Немає потреби припускати масовий перехід усієї кампанії на системи, підтримувані ШІ. Досить помітити, що для значної частини користувачів спілкування з чат-ботом стає одним із природних способів організації інформації.
ШІ як інструмент новин, політики та рішень
Дані з Інституту Рейтерів показують, що чат-боти ШІ вже використовуються для споживання інформації, хоча вони ще не домінують. У 2026 році 10% респондентів у 45 країнах повідомили про щотижневе використання чат-ботів ШІ для новин, що більше, ніж 7% у попередньому році. Ще цікавіше, як люди їх використовують: 42% користувачів новинних чат-ботів ставлять уточнюючі запитання, 35% використовують їх для отримання останньої інформації, 34% для підсумовування, 30% для спрощення складних тем і 33% для оцінки достовірності джерел. джерело: Звіт про цифрові новини Інституту Рейтерів
Це майже готовий опис поведінки виборців у місцевій кампанії. «Поясніть мені, про що йдеться в Зоні чистого транспорту». «Підсумуйте відмінності між кандидатами». «Хто є надійним у питаннях транспорту?» «Чи має цей кандидат дійсно досвід роботи в місцевому самоврядуванні?» «Які джерела підтверджують їхні заяви?»
На цьому етапі ШІ перестає бути лише інструментом для написання текстів. Він стає інтерфейсом до публічної реальності.
Найсильніший сигнал тривоги – виборці вже запитують GenAI про вибори
Однією з найцікавіших цифр є дані з дослідження парламентських виборів у Великій Британії 2024 року. Репрезентативне опитування 2,499 дорослих показало, що за тиждень до виборів 32% користувачів чат-ботів (13% усіх виборців) використовували розмовний ШІ для пошуку інформації, безпосередньо пов'язаної з їхнім вибором. джерело: arXiv, дослідження Великої Британії 2024
Це не маргінальна деталь. Це сигнал, що чат-боти входять у серце виборчого процесу: не як абстрактна технологія, а як інструмент, що використовується, коли виборці приймають рішення, організовують аргументи або намагаються зрозуміти політичний ландшафт. Часто безпосередньо перед входом до виборчої дільниці.
Важливо, що автори цього дослідження не роблять простого тривожного висновку. У серії експериментів за участю 2,858 учасників вони виявили, що використання чат-ботів не погіршувало політичні знання; навпаки, воно підвищувало їх до подібного рівня, як традиційні інтернет-пошуки. джерело: Інститут безпеки ШІ
І саме тому ця тема є більш цікавою, ніж проста розповідь про небезпеку. Час для трюїзму. Я навіть виділю його, щоб зробити його більш помітним. Не потрібно дякувати мені…
LLM можуть допомогти виборцям краще зрозуміти політику. Але вони також можуть заплутати, пропустити, спростити, неправильно ідентифікувати кандидатів або створити специфічні інтерпретаційні рамки.
Інша сторона – відповіді чат-ботів можуть бути помилковими
Проблема полягає в тому, що відповіді моделей виглядають організованими, впевненими та завершеними, навіть коли вони містять прогалини. Ви знаєте… як той майбутній інженер (якщо доля і професори дозволять), якого ви зустріли на студентській вечірці, який наполегливо захищатиме позицію, яка навіть не потрапила б у обговорення три пива тому ;)
Дослідження EBU та BBC охопило понад 3,000 відповідей, згенерованих чотирма асистентами ШІ (ChatGPT, Copilot, Gemini та Perplexity) 14 мовами. 45% відповідей містили принаймні одну значну проблему, 31% мали серйозні проблеми з джерелами, а 20% містили серйозні проблеми з точністю, включаючи застарілу або галюциновану інформацію. джерело: EBU/BBC
На місцевих виборах цей ризик може бути більшим, ніж у національній кампанії. Місцеві джерела більш розпорошені. Кандидати можуть бути (і є, як ми незабаром доведемо) менш відомими. Контекст змінюється швидше. Імена з попереднього циклу можуть змішуватися з новими кандидатами. Програми можуть публікуватися поетапно. (якщо вони взагалі створюються, але я вже згадував про це і не буду більше колоти… поки що) А запитання користувачів часто короткі, розмовні та неточні.
З національним лідером модель зазвичай має багато даних. З місцевим кандидатом на посаду мера Кракова їй потрібно зібрати картину з BIP, місцевих медіа, вебсайту кандидата, постів у соціальних мережах, опитувань, звітів з конференцій та актуальних подій. Це створює ідеальні умови для, здавалося б, незначних, але політично значущих помилок: плутанина ролей, пропуск конкурентів, присвоєння застарілих кандидатур, надання комусь занадто вузького ярлика або базування відповідей на джерелах з попередніх виборів.
Найважливіший поворот: GenAI не обов'язково має брехати, щоб впливати
У дискусіях про ШІ та вибори занадто багато уваги приділяється «фейковим новинам». Тим часом для місцевої кампанії щось більш тонке може бути однаково важливим: репрезентація.
Модель може не надавати неправдиву інформацію. Вона може просто описувати кандидата переважно через їхню партійну приналежність, пропускаючи їхній досвід роботи в місцевому самоврядуванні. Вона може згадувати їх, коли запитують про ПіС, але не коли запитують про транспорт. Вона може писати про SCT, але пропустити тему громадського транспорту. Вона може відповісти на запитання про Нову Гуту, не вказуючи особу, яка будує частину своєї комунікації навколо зв'язків з цією частиною міста. Вона може розмістити кандидата в кінці списку, хоча формально він є одним із значних учасників гонки.
Це не обов'язково має бути «помилкою» 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 дедалі важливішим стає запитувати: чи з'являється кандидат взагалі у відповіді, під якими запитаннями вони з'являються, з чим їх асоціюють і з ким їх порівнюють.
Цей механізм чітко видно у дослідженні Міхала Древніцького (обговореному детальніше пізніше в тексті). У 250 відповідях з глибокого занурення моделі згадували кандидата в 87,6% випадків, коли користувач надавав його ім'я, але лише в 5,0% випадків, коли запитання не містило імені і стосувалося питання, категорії кандидатів або міської теми. Іншими словами: визнання за іменем не обов'язково означає тематичну видимість.
Що, якщо відповідь не лише інформує, але й змінює думку?
Тут виникає другий ключовий набір даних. Дослідження, описане Корнелем, показало, що коротка розмова з чат-ботом може суттєво змінити політичні погляди. У експериментах, проведених у чотирьох країнах, чат-боти на основі LLM змінили уподобання виборців опозиції на 10 відсоткових пунктів або більше в багатьох випадках. У експериментах у Канаді та Польщі ефект становив близько 10 відсоткових пунктів, тоді як в одному дослідженні найбільш переконливо оптимізована модель змінила думки виборців опозиції на 25 відсоткових пунктів. джерело: Cornell Chronicle
Це потрібно сказати обережно. Це були контрольовані експерименти, а не доказ того, що чат-боти вирішать реальні вибори. Учасники знали, що спілкуються з ШІ, а напрямок переконання був випадковим. Автори та коментатори самі підкреслювали обмеження таких досліджень і різницю між експериментальними умовами та реальними кампаніями. джерело: Nature Asia
Але один висновок важко ігнорувати. Він звучить приблизно так: відомості моделей можуть бути переконливими не тому, що вони емоційні, агресивні або маніпулятивні в класичному сенсі. За словами дослідників, їхня сила часто походила від генерації багатьох тверджень, аргументів і, здавалося б, фактичних обґрунтувань. Корнель підкреслив, що коли можливість моделей використовувати факти була обмежена, їхня переконливість знижувалася; в той же час, більш переконливі моделі, як правило, були менш точними. джерело: Cornell Chronicle
Це суть проблеми в місцевій кампанії. Виборець може отримати спокійну, обґрунтовану, добре звучну відповідь, позбавлену партійного тону. Проте ця відповідь може все ще зміцнити певний імідж кандидата.
Приклад Кракова: Міхал Древніцький у відповідях LLM
У цьому контексті дослідження Міхала Древніцького, кандидата від ПіС на посаду мера Кракова, слугує гарним прикладом того, що потрібно вимірювати в місцевій політиці.
Справа не лише в тому, щоб запитати: «чи знає GenAI ім'я кандидата?». Це найпростіший рівень. Набагато цікавішими є глибші запитання:
Чи правильно моделі ідентифікують Міхала Древніцького як кандидата від ПіС на дострокових виборах у Кракові?
Чи визнають вони його публічні ролі – міського радника та заступника голови Краківської міської ради?
Чи розрізняють вони поточний виборчий контекст з місцевими виборами 2024 року?
Чи асоціюють його лише з ПіС, чи також з досвідом роботи в місцевому самоврядуванні?
Чи з'являється він у відповідях на запитання, які не містять його імені, але стосуються тем, присутніх у його публічному профілі: комунікація, SCT, Нова Гута, просторове планування, вартість життя, відносини між офісом та жителями?
Чи можуть моделі розрізняти офіційну інформацію, медійні звіти, кампанійні заяви та їхні власні інтерпретації?
Дослідження було проведено скромним автором цього тексту 03/07/2026.
Використовуючи наш власний інструмент Semantio, я проаналізував 250 відповідей щодо Міхала Древніцького 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 відповідала на 50 поставлених сценаріїв. Сценарії були розділені відповідно до етапу воронки намірів: 80 відповідей на етапі усвідомлення, 85 на етапі розгляду та 85 на етапі рішення. Запитання, що містили ім'я кандидата, та проблемні запитання без імені були проаналізовані окремо.
Найсильніший результат стосується різниці між визнанням за іменем та спонтанною видимістю. У всьому матеріалі було 170 відповідей на запитання, що містили ім'я Міхала Древніцького та 80 відповідей на запитання без імені. Коли користувач надав ім'я кандидата (сценарій запиту містив ім'я «Древніцький»), моделі згадували Древніцького в 149 з 170 відповідей, або 87,6% випадків. Коли запитання не містило імені і стосувалося питання, категорії кандидатів або міської теми, Древніцький з'явився лише в 4 з 80 відповідей, або 5,0% випадків.
Простими словами: моделі можуть описувати кандидата, коли користувач вже знає, про кого запитує, але вони значно менш успішні в самостійному зв'язуванні його з проблемами міста.
Дані також показують, що видимість не рівномірно розподілена серед систем. Усі 4 спонтанні згадки Древніцького в запитаннях без імені походили з Google Overview. У інших системах (ChatGPT, Gemini, Grok та DeepSeek) кандидат не з'явився жодного разу в таких запитаннях. Це важливо, оскільки підкреслює «в цифрах», що немає єдиної, універсальної «видимості в ШІ». Кожна система може побудувати різну карту політичної сцени, залежно від джерел, свіжості даних, механіки пошуку та способу генерації відповідей.
Дійсно, я не міг утриматися від того, щоб не включити це фото в контексті SCT ;)
Найяскравіший натяк на тематичну видимість з'явився в запитаннях про транспорт, громадський транспорт, квитки, мобільність та Зону чистого транспорту. У запитаннях без імені, що стосуються цієї сфери, Древніцький з'явився в 4 з 30 відповідей, або 13,3% випадків. Це все ще низький результат, але значущий у порівнянні з іншими темами: запитання про досвід роботи в місцевому самоврядуванні, Нову Гуту, райони, просторове планування або зелені зони не викликали його імені так ефективно. З точки зору місцевої кампанії, це важлива різниця: модель може точно описувати проблему в Кракові, але вона може не показати виборцю, який кандидат намагається політично вирішити цю проблему.
У 70 з 250 відповідей, або 28,0% всього набору даних, були позначені попередження про галюцинації. Ризик помилки не зник після надання імені: у запитаннях з ім'ям попередження з'явилося в 50 з 170 відповідей (29,4%), тоді як у запитаннях без імені воно з'явилося в 20 з 80 відповідей (25,0%). Найчастіше це були контекстуальні проблеми, такі як плутанина між виборами 2026 року та виборами 2024 року, неправильні публічні ролі, неправильна політична приналежність, помилкові або підозр
