W lipcu 2026 roku The New York Times, w materiale Jennifer Mediny przedrukowanym między innymi przez The Seattle Times, opisał zjawisko, które jeszcze rok temu było ciekawostką, a przed listopadowymi wyborami połówkowymi w USA staje się masowym nawykiem. Wyborcy fotografują karty do głosowania, wgrywają zdjęcia do czatbotów i pytają wprost, na kogo głosować.
Mia Taylor z hrabstwa Los Angeles, przytłoczona dziesiątkami lokalnych wyścigów na swojej karcie, zrobiła jej zdjęcie i zapytała Claude’a, na kogo tu głosuje. Czatbot, podobnie jak ChatGPT i Gemini, jest trenowany tak, żeby nie odpowiadać wprost na pytania polityczne mogące ujawniać uprzedzenia modelu. Odmówił. Taylor, z własnej deklaracji liberalna demokratka, doprecyzowała więc pytanie, prosząc o linki do cenionych organizacji postępowych i pomoc w głosowaniu strategicznym. Dostała przewodniki wyborcze, opisy każdego wyścigu i radę, jak zagłosować w prawyborach na burmistrza, żeby zatrzymać kandydata republikanów.
The New York Times stawia tezę ostrożnie, ale wyraźnie. Wybory połówkowe 2026 roku mogą być pierwszymi amerykańskimi wyborami, w których po AI sięga znacząca liczba wyborców. Modele językowe zajmują miejsce dotąd zarezerwowane dla lokalnych gazet, przewodników wyborczych i znajomych, którzy „siedzą w polityce”.
Dla branży analizującej komunikację polityczną jest to moment graniczny. AI przestaje być narzędziem kampanii i staje się doradcą wyborcy. Ostatnim ogniwem między przekazem a decyzją.
I. Anatomia nowego nawyku
Portrety wyborców zebrane przez The New York Times układają się w spójny wzorzec.
Chris Johnson z Atlanty, 58 lat, zarejestrowany republikanin o poglądach libertariańskich, głosuje w Georgii od 40 lat. Przed majowymi prawyborami zapytał ChatGPT, który kandydat jest najbardziej libertariański. System początkowo odmówił wskazania, więc Johnson kazał mu oprzeć się na historii głosowań kandydatów i dostał nazwisko. Przyznaje, że przez lata opierał własne rozeznanie na papierowym wydaniu lokalnej gazety, a teraz poczuł się trochę leniwy, dodając jednak od razu, że nie ma pewności, czy wszystko w odpowiedzi było poprawne.
Robert Siebelink z Kalifornii, 54 lata, stanął przed kartą z 61 kandydatami na gubernatora, nie licząc niższych szczebli. Wgrał kartę do Claude’a, poprosił o kandydatów zgodnych z jego wartościami, zawęził wybór do 2 nazwisk i zapytał o strategię. Całość zajęła niecałe pół godziny. Ocenia, że nigdy nie głosował z lepszym rozeznaniem, jak gdyby ekspert znał wszystkie badania, a oni usiedli przy kawie.
Rikki Powers z Baltimore sfotografował kartę przed prawyborami w Maryland i poprosił o punktowe podsumowanie każdego kandydata, a potem sprawdził część linków. Poprzednio poświęcił na rozeznanie około 20 godzin, tym razem godzinę. Wyznaczył sobie przy tym wyraźną granicę. Wgra pustą kartę, ale nigdy nie powie AI, jak ostatecznie zagłosował.
Jeremiah Hain z Los Angeles, psychoterapeuta, był tak zachwycony, że opublikował na TikToku film zachęcający innych do tego samego.
Wzorzec jest czytelny. Modele formalnie odmawiają wskazywania kandydatów, ale każdy z bohaterów obszedł odmowę jednym doprecyzowaniem, czyli historią głosowań, własnymi wartościami albo linkami do organizacji z konkretnej strony sporu. Neutralność przez odmowę okazuje się więc teatrem jednego pytania.
II. Dlaczego to działa. I dlaczego działa aż za dobrze
David G. Rand z Cornell University, czołowy badacz perswazyjnych możliwości AI w polityce, tłumaczy atrakcyjność narzędzi prosto. Modele podają twierdzenia brzmiące jak fakty i są po prostu dobrymi, klarownymi objaśniaczami. Sam zresztą użył AI przed wyborami do lokalnej rady szkolnej, wgrywając godzinne nagranie debaty kandydatów i pytając, kto najlepiej pasuje do jego wartości. Znajomi zorientowani w lokalnej polityce potwierdzili potem jego wybory.
Ten sam Rand jest jednak współautorem badań, które każą traktować zjawisko jako coś znacznie poważniejszego niż wygodna nowinka. Dwa duże badania opublikowane w grudniu 2025 roku w czołowych czasopismach naukowych wykazały, że krótkie rozmowy z czatbotami nastawionymi na przekonywanie potrafią przesunąć postawy wyborców nawet o 10 punktów procentowych, prawie 4 razy mocniej niż testowane reklamy polityczne z kampanii 2016 i 2020 roku. Eksperymenty objęły dziesiątki tysięcy uczestników w USA, Kanadzie, Wielkiej Brytanii i Polsce. Najbardziej podatni okazali się wyborcy najsłabiej zorientowani w polityce, a modele instruowane, żeby przekonywać do kandydatów, produkowały po drodze więcej twierdzeń nieścisłych, przy czym boty agitujące na rzecz kandydatów prawicowych myliły się wyraźnie częściej.
Zestawienie obu ról jest sednem problemu. Ten sam typ systemu, który dla Siebelinka był bezstronnym analitykiem przy kawie, w innych rękach jest najskuteczniejszym narzędziem perswazji, jakie kiedykolwiek przetestowano w warunkach wyborczych. Różnica nie leży w technologii, tylko w intencji operatora i w promptach, których użytkownik nie widzi.
Rand wskazuje też subtelniejsze ryzyko, widoczne nawet przy najuczciwszym użyciu. Odpowiedź jest tylko tak dobra, jak pytanie. AI ma skłonność do potwierdzania i odbijania uprzedzeń użytkownika, filtrując poglądy kandydatów przez soczewkę pytającego, a nie przez obiektywne fakty. Liberałka dostanie kandydatów widzianych oczami organizacji postępowych, libertarianin oczami libertariańskich rankingów. Każde z nich wyjdzie z rozmowy utwierdzone, że dokonało obiektywnego rozeznania.
III. Nowe SEO polityki
Yamil Velez z Columbia University, badacz skuteczności AI w przekonywaniu wyborców, dokłada do obrazu warstwę systemową.
Po pierwsze, obecne narzędzia czerpią z otwartego internetu, a nie z wyselekcjonowanej, zweryfikowanej bazy programów i informacji o kandydatach. W praktyce faworyzują więc kandydatów głośniejszych w lokalnej prasie i mediach społecznościowych, bo ich poglądy są po prostu łatwiejsze do znalezienia. Dla wyborcy pytającego AI kandydat nieobecny w maszynowo czytelnej sieci praktycznie nie istnieje.
Po drugie, sztaby już to wiedzą. Stratedzy kampanii zaczęli publikować więcej materiałów w formatach, które czatboty preferują, na przykład w punktach. Rodzi się polityczny odpowiednik pozycjonowania stron, w którym odbiorcą treści nie jest człowiek, tylko model językowy streszczający kandydata wyborcy. Badacze i firmy AI przewidują następny krok, czyli kampanie zbudują własne czatboty, z którymi wyborcy będą rozmawiać bezpośrednio.
Velez nie odrzuca przy tym całego zjawiska. Przypomina, że alternatywą dla większości wyborców nie jest wielogodzinna kwerenda w urzędzie hrabstwa, tylko brak jakiegokolwiek rozeznania w dziesiątkach lokalnych wyścigów. Rok temu radziłby zwykłą wyszukiwarkę, ale narzędzia AI stają się coraz dokładniejsze. Godzina z czatbotem zamiast 20 godzin samodzielnej kwerendy może więc realnie podnosić jakość decyzji w wyborach lokalnych, przed którymi dotąd mało kto robił jakiekolwiek rozeznanie.
Problem nie leży więc w samym nawyku, tylko w infrastrukturze pod nim. Pewny siebie, autorytatywny ton odpowiedzi sprawia, że użytkownicy rzadko sprawdzają twierdzenia u źródła, a błędy się zdarzają, co przyznaje nawet zadowolony ze skrótu Johnson.
IV. Odpowiedzialność dostawców modeli
Firmy tworzące modele deklarują neutralność. Anthropic ogłosił, że użytkownicy pytający o politykę powinni otrzymywać odpowiedzi wyczerpujące, dokładne i wyważone, pomagające dojść do własnych wniosków zamiast popychać ku konkretnemu poglądowi, a Claude jest trenowany, żeby traktować różne poglądy polityczne z równą głębią, zaangażowaniem i rygorem analitycznym.
Reportaż pokazuje jednak strukturalną granicę tej deklaracji. Neutralny model plus stronnicze pytanie daje stronniczą odpowiedź, która brzmi neutralnie. Gdy Taylor prosi o źródła z organizacji postępowych, model rzetelnie wykonuje polecenie, a użytkowniczka odbiera wynik jako obiektywną analizę. Odpowiedzialność za ramę pytania spada więc na pytającego, ale poczucie obiektywności funduje maszyna. Ta asymetria nie jest usterką, którą naprawi kolejna runda treningu, tylko jest wbudowana w samą naturę narzędzia, które ma być jednocześnie posłuszne i bezstronne.
Do tego dochodzi pytanie o źródła. Dopóki modele opierają odpowiedzi wyborcze na otwartym internecie, dziedziczą wszystkie jego skrzywienia, od przewagi głośnych nad kompetentnymi po podatność na treści produkowane masowo pod algorytmy. Postulat Veleza, czyli wyselekcjonowane, zweryfikowane bazy informacji wyborczej jako podstawa odpowiedzi, wyznacza kierunek, w którym dostawcy modeli i komisje wyborcze mogłyby pójść wspólnie. Na razie nie poszedł nikt.
V. Pięć obserwacji na koniec
Pierwsza obserwacja jest taka, że AI weszła na ostatnią milę demokracji. Przez dekadę spór o technologię i wybory dotyczył produkcji przekazu, czyli reklam, botów i deepfake’ów. Teraz technologia stanęła po drugiej stronie, przy samym momencie decyzji, jako doradca z kartą wyborczą w oknie rozmowy. To zmiana jakościowa. Kampanie walczyły dotąd o uwagę człowieka, a od tego cyklu walczą też o rekomendację maszyny.
Druga obserwacja mówi o tym, że neutralność przez odmowę nie działa. Każdy bohater reportażu obszedł ją jednym doprecyzowaniem, a wynik i tak niósł autorytet bezstronnej maszyny. Realna debata o neutralności modeli powinna przenieść się z pytania „czy model wskazuje kandydata” na pytania o jakość i przejrzystość źródeł, z których buduje porównania. Odmowa jest fasadą, a treścią jest dobór źródeł.
Trzecia obserwacja jest taka, że rodzi się polityczne pozycjonowanie pod modele językowe i będzie ono nową, mierzalną dyscypliną kampanii. Skoro sztaby formatują treści w punktach pod gusta czatbotów, to następne będą audyty widoczności kandydata w odpowiedziach modeli, testy promptów typowego wyborcy i optymalizacja biogramów pod maszynowego czytelnika. Kto analizuje komunikację polityczną, musi więc zacząć mierzyć nie tylko zasięgi w mediach, ale też to, co o kandydacie mówią modele, gdy pyta o niego niezdecydowany wyborca.
Czwarta obserwacja dotyczy tego, że efekt lustra jest cichszym ryzykiem niż błędy faktograficzne. Model wykonujący polecenie „znajdź kandydatów zgodnych z moimi wartościami” nie informuje wyborcy, tylko domyka jego bańkę, nadając domknięciu formę rzetelnej analizy. W skali masowej oznacza to wybory jeszcze silniej redukowane do agregacji gotowych tożsamości. Uczciwy rachunek wymaga jednak przyznania racji Velezowi. Punktem odniesienia nie jest wyborca idealny, tylko wyborca, który dotąd w lokalnych wyścigach głosował na chybił trafił albo wcale.
Piąta obserwacja jest zarazem najbardziej fundamentalna. Grudniowe badania i lipcowy reportaż opisują dwie połówki tego samego zjawiska, które właśnie się domykają. Modele są najskuteczniejszym znanym narzędziem perswazji wyborczej i równocześnie stają się zaufanym doradcą przy urnie. Kanał zaufania i kanał wpływu to od teraz ten sam kanał. Wszystko, co w poprzednich cyklach próbowało manipulować ludźmi przez media społecznościowe, w nadchodzących będzie próbowało manipulować odpowiedziami modeli, którym ludzie ufają bardziej niż mediom. Integralność tej warstwy, od źródeł po odporność na zatruwanie danych, staje się więc infrastrukturą krytyczną każdych następnych wyborów. Nie tylko amerykańskich.
Źródło – The New York Times, Jennifer Medina, The Seattle Times, David G. Rand, Cornell University, Yamil Velez, Columbia University, Anthropic, Scientific American, Nature, MIT Technology Review | Res Futura | resfutura.pl