Vor nur wenigen Jahren musste ein Wähler, der einen Bürgermeisterkandidaten überprüfen wollte, dessen Website besuchen, Medien durchforsten (einschließlich traditioneller Quellen), Debatten verfolgen, Freunde fragen oder mehrere Seiten von Google-Ergebnissen durchscrollen. Heute können sie oft etwas viel Einfacheres tun – ihren bevorzugten Chatbot (ein großes Sprachmodell) fragen.
Sie müssen nicht einmal… irgendwelche Namen kennen. Sie müssen nicht wissen, wer zu welchem Ausschuss gehört. Sie müssen keine Pressekonferenzen verfolgen. Im Allgemeinen müssen sie nicht viel tun. Aber sie können. Sie können fragen: „Wer in Kraków hat das beste Verkehrskonzept?“, „Welcher Kandidat wird mit Nowa Huta in Verbindung gebracht?“, „Wer möchte die Saubere Transportzone ändern?“, „Hat der PiS-Kandidat Erfahrung in der Kommunalverwaltung?“, „Wer spricht in dieser Wahl konkret die Lebenshaltungskosten an?”.
Und sie werden eine Antwort erhalten.
Keine Liste von Links. Kein klassisches Suchergebnis. Keine neutrale Dokumentendatenbank. Sie erhalten eine synthesierte Beschreibung der politischen Landschaft, die vom LLM basierend auf dem, was das Modell findet, sich merkt, interpretiert, für wichtig hält und in eine angemessene Hierarchie anordnet. Maßgeschneidert für den Benutzer, der teilweise sein eigenes „Tamagotchi“ aus dem dritten Jahrzehnt (wie klingt das!) des 21. Jahrhunderts „aufgezogen“ hat. Nur füttert oder reinigt er es nicht, indem er Knöpfe drückt; er wirft Teile von sich selbst hinein, die seine Gewohnheiten offenbaren.
Dies ist eine neue Ebene des Wahlkampfs. Leise, privat, schwer zu überwachen und – in lokalen Wahlen – potenziell sehr bedeutend.
Kraków als Labor für Wahlen im Zeitalter von GenAI
Kraków ist ein ausgezeichneter Ort, um diesen Wandel in Aktion zu beobachten. Es ist keine kleine Gemeinde, aber es ist auch keine landesweite Kampagne, in der jeder Kandidat ständig in den Mainstream-Medien präsent ist. Laut GUS-Daten hatte Kraków Ende 2025 816.614 Einwohner. Es ist ein großes, komplexes urbanes Organismus: mit einem Stadtzentrum, Nowa Huta, Peripheriebezirken, Universitäten, Tourismus, Wirtschaft, Verkehr, Konflikten über Grünflächen, Raumplanung, Preisen für kommunale Dienstleistungen und Stadtmanagement. Quelle: Kraków in Zahlen
Zusätzlich gibt es einen einzigartigen politischen Kontext. Bei dem lokalen Referendum am 24. Mai 2026 lag die Wahlbeteiligung bei der Abstimmung über den Rückruf des Bürgermeisters von Kraków bei 29,99 % – genug, damit das Referendum gültig und entscheidend war. Bei der parallelen Abstimmung über den Rückruf des Stadtrats lag die Wahlbeteiligung bei 29,97 %, was bedeutet, dass die gesetzliche Schwelle nicht erreicht wurde. Der Unterschied scheint minimal, aber die politischen Konsequenzen sind ganz anders. Quelle: Stadt Kraków
Kraków hat auch jüngste Erfahrungen mit sehr enger Konkurrenz. In der zweiten Runde der Präsidentschaftswahlen 2024 erhielt Aleksander Miszalski 51,04 % der Stimmen, während Łukasz Gibała 48,96 % erhielt. Laut Berichten, die auf PKW-Daten basieren, betrug der Unterschied 5.434 Stimmen. Quelle: Rzeczpospolita
Diese Zahlen rechtfertigen Vorsicht gegenüber jeder neuen Informationsquelle. Nicht weil ein Chatbot „den Bürgermeister von Kraków wählen wird“. Das ist eine zu starke Behauptung. Aber weil in einer Kampagne, in der ein paar tausend Stimmen das Ergebnis ändern können, es wichtig ist, wer sichtbar ist, wer übersehen wird, mit was sie assoziiert werden und wie sie in den von künstlicher Intelligenz generierten Antworten beschrieben werden, auf die die Nutzer zunehmend zurückgreifen.
Der Wähler sucht nicht nur. Der Wähler führt Gespräche
Die bedeutendste Veränderung ist nicht, dass KI eine Anzeige, ein Meme oder einen Deepfake generieren kann. Auch wenn das sicherlich wichtig ist, ist es bereits ein gut anerkanntes Thema. Es gibt viel Diskussion darüber, und es gibt Kampagnen – einige mehr oder weniger sozial, einige mehr oder weniger von bestimmten Wahlkomitees finanziert.
Eine interessantere und weniger offensichtliche Veränderung ist, dass LLMs zu privaten Informationsberatern werden. Ein Wähler könnte nicht fragen: „Was ist Michał Drewnickis Programm?“ Vielleicht erinnert er sich nicht einmal an diesen Namen. Stattdessen könnte er fragen: „Wer in Kraków hat Erfahrung in der Kommunalverwaltung?“, „Welcher Kandidat spricht über Nowa Huta?“, „Wer hat eine spezifische, klare Haltung zur SCT?“, „Ist der PiS-Kandidat in Kraków nur ein Parteimitglied oder hat er lokale Erfahrung?”.
Solche Fragen stehen viel näher am tatsächlichen Entscheidungsprozess. Menschen vergleichen selten ganze Programme von Anfang bis Ende. (Übrigens… welche Partei hat 2024 ihr Wahlprogramm klar beschrieben, anstatt sich von den Wellen sich ändernder Umfragen, Wahlaufrufen und Lärm in sozialen Medien mitreißen zu lassen?) Häufiger suchen sie Antworten auf ihre eigenen Probleme: Pendeln, Preise, Grünflächen, Schulen, Gehwege, Parkplätze, Bauarbeiten vor ihrem Fenster, ein Gefühl von Chaos im Büro oder einen Mangel an Einfluss auf städtische Entscheidungen.
Hier beginnen große Sprachmodelle, als neue Vermittler zu agieren. Sie liefern nicht nur Informationen. Sie organisieren die Szene. Sie wählen aus, welche Kandidaten erwähnt werden. Sie entscheiden, welche Fakten als bedeutend erachtet werden. Sie verdichten komplexe Kontexte in ein paar Absätze. Und sie tun dies oft auf eine Weise, die wir in klassischer Medienüberwachung, SEO oder Social-Media-Analyse nicht sehen werden. Daher kann man schließen, dass Meinungsforschungsinstitute und ihre „Fehltritte“ zunehmend eines der Hauptthemen der Kommentierung nach den Exit-Polls werden.
Das ist kein technologisches Nischenthema mehr
Wenn jemand annimmt, dass „Chatbots“ immer noch ein Spielzeug für Studenten und die Tech-Branche sind, kühlen die Daten schnell diese Sichtweise. Laut einem Bericht von Gemius/PBI nutzten im Juni 2025 über 9,3 Millionen echte Nutzer in Polen ChatGPT. Das entsprach 31,4 % der Internetnutzer und 28,6 % der Bevölkerung im Alter von 7 bis 75 Jahren. Der Bericht wies auch darauf hin, dass unter den ChatGPT-Nutzern eine Überrepräsentation von Personen unter 35 Jahren besteht, wobei die durchschnittliche Nutzungszeit in der Altersgruppe 25–34 Jahre im Juni 2 Stunden und 42 Minuten betrug. Quelle: Gemius/PBI
Auf europäischer Ebene berichtete Eurostat, dass 2025 32,7 % der EU-Bewohner im Alter von 16 bis 74 Jahren generative KI-Tools nutzten. In der Altersgruppe 16–24 Jahre lag dieser Prozentsatz bereits bei 63,8 %. Quelle: Eurostat
Das ist bedeutend, weil jüngere Wähler auch eine Gruppe sind, die eher bereit ist, neue Informationswerkzeuge zu nutzen und eine Gruppe, die oft eine weniger stabile Wahlbeteiligung bei lokalen Wahlen hat. Es ist nicht notwendig, einen massiven Übergang der gesamten Kampagne zu KI-unterstützten Systemen anzunehmen. Es reicht zu bemerken, dass für einen signifikanten Teil der Nutzer das Gespräch mit einem Chatbot zu einer der natürlichen Möglichkeiten wird, Informationen zu organisieren.
KI als Werkzeug für Nachrichten, Politik und Entscheidungen
Daten des Reuters Institute zeigen, dass KI-Chatbots bereits für den Informationskonsum genutzt werden, obwohl sie noch nicht dominieren. Im Jahr 2026 berichteten 10 % der Befragten in 45 Märkten von einer wöchentlichen Nutzung von KI-Chatbots für Nachrichten, gegenüber 7 % im Vorjahr. Noch interessanter ist, wie die Menschen sie nutzen: 42 % der Nachrichten-Chatbot-Nutzer stellen Folgefragen, 35 % nutzen sie für die neuesten Informationen, 34 % zum Zusammenfassen, 30 % zum Vereinfachen komplexer Themen und 33 % zur Bewertung der Glaubwürdigkeit von Quellen. Quelle: Reuters Institute Digital News Report
Dies ist fast eine fertige Beschreibung des Wählerverhaltens in einer lokalen Kampagne. „Erkläre mir, worum es bei der Sauberen Transportzone geht.“ „Fasse die Unterschiede zwischen den Kandidaten zusammen.“ „Wer ist glaubwürdig in Verkehrsfragen?“ „Hat dieser Kandidat wirklich Erfahrung in der Kommunalverwaltung?“ „Welche Quellen bestätigen ihre Aussagen?“
An diesem Punkt hört KI auf, nur ein Werkzeug zum Schreiben von Texten zu sein. Sie wird zu einer Schnittstelle zur öffentlichen Realität.
Das stärkste Warnsignal – Wähler fragen bereits GenAI nach Wahlen
Eine der interessantesten Zahlen stammt aus einer Studie zu den britischen Parlamentswahlen 2024. Eine repräsentative Umfrage unter 2.499 Erwachsenen zeigte, dass in der Woche vor den Wahlen 32 % der Chatbot-Nutzer (13 % aller wahlberechtigten Wähler) KI-gestützte Gespräche nutzten, um Informationen zu suchen, die direkt mit ihrer Wahlentscheidung zusammenhängen. Quelle: arXiv, UK-Studie 2024
Das ist kein marginales Detail. Es ist ein Signal, dass Chatbots ins Herz des Wahlprozesses eindringen: nicht als abstrakte Technologie, sondern als Werkzeug, das genutzt wird, wenn Wähler Entscheidungen treffen, Argumente organisieren oder versuchen, die politische Landschaft zu verstehen. Oft kurz bevor sie das Wahllokal betreten.
Wichtig ist, dass die Autoren dieser Studie keine einfache alarmistische Schlussfolgerung ziehen. In einer Reihe von Experimenten mit 2.858 Teilnehmern fanden sie heraus, dass die Nutzung von Chatbots das politische Wissen nicht verschlechterte; im Gegenteil, es erhöhte sich in ähnlichem Maße wie bei traditionellen Internetrecherchen. Quelle: AI Security Institute
Und deshalb ist das Thema interessanter als eine einfache Geschichte über Gefahren. Zeit für eine Binsenweisheit. Ich werde sie sogar fett drucken, um sie auffälliger zu machen. Danke muss ich nicht sagen…
LLMs können Wählern helfen, Politik besser zu verstehen. Aber sie können auch verwirren, auslassen, vereinfachen, Kandidaten falsch identifizieren oder spezifische interpretative Rahmen schaffen.
Die andere Seite – Antworten von Chatbots können fehlerhaft sein
Das Problem ist, dass die Antworten der Modelle organisiert, selbstbewusst und vollständig erscheinen, selbst wenn sie Lücken enthalten. Sie wissen schon… wie dieser zukünftige Ingenieur (wenn Schicksal und Professoren es erlauben) von der AGH, den Sie auf einer Studentenparty getroffen haben, der hartnäckig eine Position verteidigt, die vor drei Bieren noch nicht einmal zur Diskussion gestanden hätte ;)
Eine Studie von EBU und BBC umfasste über 3.000 Antworten, die von vier KI-Assistenten (ChatGPT, Copilot, Gemini und Perplexity) in 14 Sprachen generiert wurden. 45 % der Antworten enthielten mindestens ein signifikantes Problem, 31 % hatten ernsthafte Probleme mit Quellen, und 20 % wiesen schwerwiegende Genauigkeitsprobleme auf, einschließlich veralteter oder halluzinierter Informationen. Quelle: EBU/BBC
In lokalen Wahlen könnte dieses Risiko größer sein als in einer landesweiten Kampagne. Lokale Quellen sind verstreuter. Kandidaten sind möglicherweise (und sind, wie wir bald beweisen werden) weniger bekannt. Der Kontext ändert sich schneller. Namen aus dem vorherigen Zyklus können sich mit neuen Kandidaten vermischen. Programme können in Etappen veröffentlicht werden. (Wenn sie überhaupt erstellt werden, aber das habe ich bereits erwähnt und werde nicht weiter darauf eingehen… vorerst) Und Benutzerfragen sind oft kurz, umgangssprachlich und ungenau.
Bei einem nationalen Führer hat das Modell normalerweise viele Daten. Bei einem lokalen Bürgermeisterkandidaten von Kraków muss es ein Bild aus dem BIP, lokalen Medien, der Website des Kandidaten, Social-Media-Posts, Umfragen, Berichten von Konferenzen und aktuellen Ereignissen zusammensetzen. Dies schafft ideale Bedingungen für scheinbar geringfügige, aber politisch bedeutende Fehler: Verwirrung von Rollen, Auslassen von Mitbewerbern, Zuweisung veralteter Kandidaturen, jemandem ein zu enges Etikett geben oder Antworten auf Quellen aus früheren Wahlen zu stützen.
Die wichtigste Wendung: GenAI muss nicht lügen, um zu beeinflussen
In Diskussionen über KI und Wahlen wird zu viel Aufmerksamkeit auf „Fake News“ gelegt. Inzwischen kann für eine lokale Kampagne etwas Subtileres ebenso wichtig sein: Repräsentation.
Das Modell gibt möglicherweise keine falschen Informationen. Es beschreibt den Kandidaten möglicherweise einfach hauptsächlich durch seine Parteizugehörigkeit und lässt seine Erfahrung in der Kommunalverwaltung aus. Es könnte ihn erwähnen, wenn nach PiS gefragt wird, aber nicht, wenn nach Verkehr gefragt wird. Es könnte über SCT schreiben, aber das Thema öffentlicher Verkehr auslassen. Es könnte eine Frage zu Nowa Huta beantworten, ohne die Person zu nennen, die einen Teil ihrer Kommunikation um Verbindungen zu diesem Teil der Stadt aufbaut. Es könnte den Kandidaten am Ende der Liste platzieren, obwohl er formal einer der bedeutenden Teilnehmer des Rennens ist.
Das muss nicht unbedingt ein „Fehler“ im einfachen Sinne sein. Es kann eine Folge der Hierarchie der Quellen, der Aktualität der Daten, der Verfügbarkeit von Informationen, der Formulierung einer Frage und der Mechanik der vom Modell generierten Antwort sein.
In der traditionellen SEO kämpfte man um Positionen in den Suchergebnissen. In der Welt der LLMs wird es zunehmend wichtig zu fragen: Erscheint der Kandidat überhaupt in der Antwort, unter welchen Fragen erscheint er, mit was wird er assoziiert und mit wem wird er verglichen.
Dieser Mechanismus ist deutlich in der Studie von Michał Drewnicki (die später im Text ausführlicher behandelt wird) zu erkennen. In 250 Antworten aus der Deep-Dive-Studie erwähnten die Modelle den Kandidaten in 87,6 % der Fälle, wenn der Benutzer seinen Namen angab, aber nur in 5,0 % der Fälle, wenn die Frage keinen Namen enthielt und sich auf ein Thema, eine Kategorie von Kandidaten oder ein städtisches Thema bezog. Mit anderen Worten: die Nennung des Namens bedeutet nicht unbedingt thematische Sichtbarkeit.
Was, wenn die Antwort nicht nur informiert, sondern auch die Meinung verändert?
Hier taucht ein zweiter wichtiger Datensatz auf. Forschungen, die von Cornell beschrieben wurden, zeigten, dass ein kurzes Gespräch mit einem Chatbot die politischen Meinungen erheblich verändern kann. In Experimenten, die in vier Ländern durchgeführt wurden, veränderten LLM-basierte Chatbots in vielen Fällen die Präferenzen von Oppositionswählern um 10 Prozentpunkte oder mehr. In Experimenten in Kanada und Polen lag der Effekt bei etwa 10 Prozentpunkten, während in einer Studie das am überzeugendsten optimierte Modell die Meinungen von Oppositionswählern um 25 Prozentpunkte veränderte. Quelle: Cornell Chronicle
Das muss vorsichtig gesagt werden. Dies waren kontrollierte Experimente, kein Beweis dafür, dass Chatbots echte Wahlen entscheiden werden. Die Teilnehmer wussten, dass sie mit KI sprachen, und die Richtung der Überzeugung war randomisiert. Die Autoren und Kommentatoren selbst betonten die Einschränkungen solcher Studien und den Unterschied zwischen experimentellen Bedingungen und realen Kampagnen. Quelle: Nature Asia
Aber eine Schlussfolgerung ist schwer zu ignorieren. Sie lautet ungefähr so: Modellantworten können überzeugend sein, nicht weil sie emotional, aggressiv oder manipulativ im klassischen Sinne sind. Laut den Forschern stammt ihre Stärke oft aus der Generierung vieler Behauptungen, Argumente und scheinbar faktischer Begründungen. Cornell betonte, dass die Überzeugungskraft der Modelle abnahm, wenn ihre Fähigkeit, Fakten zu verwenden, eingeschränkt wurde; gleichzeitig tendierten überzeugendere Modelle dazu, weniger genau zu sein. Quelle: Cornell Chronicle
Das ist der Kern des Problems in einer lokalen Kampagne. Ein Wähler könnte eine ruhige, vernünftige, gut klingende Antwort erhalten, die frei von parteipolitischem Ton ist. Doch diese Antwort könnte dennoch ein bestimmtes Bild des Kandidaten verstärken.
Das Beispiel Kraków: Michał Drewnicki in LLM-Antworten
In diesem Kontext dient die Studie von Michał Drewnicki, dem PiS-Kandidaten für das Bürgermeisteramt von Kraków, als gutes Beispiel dafür, was in der lokalen Politik gemessen werden muss.
Es geht nicht nur darum zu fragen: „Weiß GenAI den Namen des Kandidaten?“. Das ist die einfachste Ebene. Viel interessanter sind die tiefergehenden Fragen:
Identifizieren die Modelle Michał Drewnicki korrekt als den PiS-Kandidaten bei den vorgezogenen Wahlen in Kraków?
Erkennen sie seine öffentlichen Rollen – Stadtrat und stellvertretender Vorsitzender des Stadtrats von Kraków?
Unterscheiden sie den aktuellen Wahlkontext von den Kommunalwahlen 2024?
Assoziieren sie ihn ausschließlich mit PiS oder auch mit Erfahrung in der Kommunalverwaltung?
Erscheint er in Antworten auf Fragen, die seinen Namen nicht enthalten, aber sich auf Themen beziehen, die in seinem öffentlichen Profil präsent sind: Kommunikation, SCT, Nowa Huta, Raumplanung, Lebenshaltungskosten, Beziehungen zwischen dem Amt und den Bürgern?
Können die Modelle zwischen offiziellen Informationen, Medienberichten, Wahlkampferklärungen und ihren eigenen Interpretationen unterscheiden?
Die Studie wurde von dem bescheidenen Autor dieses Textes am 03.07.2026 durchgeführt.
Mit unserem proprietären Tool Semantio analysierte ich 250 Antworten zu Michał Drewnicki im Kontext der Präsidentschaftswahlen in Kraków. Das Material ist das Ergebnis einer Analyse, die 50 einzigartige Szenarien umfasste, die in fünf Systemen gestartet wurden: ChatGPT, Gemini, Grok, DeepSeek und Google Overview. Jedes System antwortete auf die 50 gestellten Szenarien. Die Szenarien wurden nach der Phase des Intention Funnels unterteilt: 80 Antworten in der Bewusstseins-Phase, 85 in der Überlegungs-Phase und 85 in der Entscheidungs-Phase. Fragen, die den Namen des Kandidaten enthielten, und problembezogene Fragen ohne Namen wurden separat analysiert.
Das stärkste Ergebnis betrifft den Unterschied zwischen Nennung des Namens und spontaner Sichtbarkeit. In dem gesamten Material gab es 170 Antworten auf Fragen, die Michał Drewnickis Namen enthielten und 80 Antworten auf Fragen ohne Namen. Wenn der Benutzer den Namen des Kandidaten angab (das Szenario beinhaltete den Namen „Drewnicki“), erwähnten die Modelle Drewnicki in 149 von 170 Antworten, oder 87,6 % der Fälle. Wenn die Frage keinen Namen enthielt und sich auf ein Thema, eine Kategorie von Kandidaten oder ein städtisches Thema bezog, erschien Drewnicki nur in 4 von 80 Antworten, oder 5,0 % der Fälle.
In einfachen Worten: Modelle können den Kandidaten beschreiben, wenn der Benutzer bereits weiß, nach wem er fragt, aber sie sind deutlich weniger erfolgreich darin, ihn unabhängig mit den Themen der Stadt zu verknüpfen.
Die Daten zeigen auch, dass die Sichtbarkeit nicht gleichmäßig unter den Systemen verteilt ist. Alle 4 spontanen Erwähnungen von Drewnicki in Fragen ohne Namen stammen von Google Overview. In den anderen Systemen (ChatGPT, Gemini, Grok und DeepSeek) erschien der Kandidat in solchen Fragen nicht einmal einmal. Dies ist wichtig, da es „in Zahlen“ hervorhebt, dass es keine einzige, universelle „Sichtbarkeit in KI“ gibt. Jedes System kann eine andere Karte der politischen Szene erstellen, abhängig von Quellen, Aktualität der Daten, Suchmechanik und der Art und Weise, wie Antworten generiert werden.
In der Tat konnte ich nicht widerstehen, dieses Foto im Kontext der SCT einzufügen ;)
Der deutlichste Hinweis auf thematische Sichtbarkeit erschien hauptsächlich in Fragen zu Verkehr, öffentlichem Verkehr, Tickets, Mobilität und der Sauberen Transportzone. In Fragen ohne Namen zu diesem Bereich erschien Drewnicki in 4 von 30 Antworten, oder 13,3 % der Fälle. Dies ist immer noch ein niedriges Ergebnis, aber signifikant im Vergleich zu anderen Themen: Fragen zur Erfahrung in der Kommunalverwaltung, Nowa Huta, Stadtteile, Raumplanung oder Grünflächen haben seinen Namen nicht so effektiv ausgelöst. Aus der Perspektive einer lokalen Kampagne ist dies ein wichtiger Unterschied: Das Modell kann das Problem in Kraków genau beschreiben, aber es zeigt dem Wähler möglicherweise nicht, welcher Kandidat versucht, dieses Problem politisch anzugehen.
In 70 von 250 Antworten, oder 28,0 % des gesamten Datensatzes, wurden Halluzinationswarnungen markiert. Das Risiko eines Fehlers verschwand nicht, nachdem ein Name angegeben wurde: In Fragen mit einem Namen trat eine Warnung in 50 von 170 Antworten (29,4 %) auf, während sie in Fragen ohne Namen in 20 von 80 Antworten (25,0 %) erschien. Am häufigsten handelte es sich um kontextuelle Probleme, wie das Verwechseln der Wahlen 2026 mit den Wahlen 2024, falsche öffentliche Rollen, falsche politische Zugehörigkeit, fehlerhafte oder verdächtige URLs, unbestätigte Programmdetails und sogar das Verwechseln von Kraków mit Warschau (das ist unverzeihlich in der Stadt Krak!). In einer lokalen Kampagne sind solche kleinen Fehler möglicherweise wahrscheinlicher als spektakuläre „Fakes“, und daher viel schwerer zu erkennen, da sie oft in Antworten auftreten, die ruhig und vernünftig klingen. Wo haben wir das schon einmal gesehen?…
Die Unterschiede zwischen den Anbietern (ein weiteres schönes Wort vom Bug) waren ausgeprägt. Google Overview erwähnte Drewnicki am häufigsten und hatte die niedrigste Rate an Halluzinationswarnungen: 37 Erwähnungen in 50 Antworten (74,0 %) und 5 Warnungen (10,0 %). DeepSeek erwähnte den Kandidaten in 33 von 50 Antworten (66,0 %), hatte aber gleichzeitig den höchsten Anteil an Warnungen: 31 von 50 Antworten (62,0 %). ChatGPT erwähnte Drewnicki in 30 von 50 Antworten (60,0 %) und hatte 8 Warnungen (16,0 %). Grok erwähnte ihn in 27 von 50 Antworten (54,0 %) und hatte 16 Warnungen (32,0 %). Gemini erwähnte den Kandidaten in 26 von 50 Antworten (52,0 %) und hatte 10 Warnungen (20,0 %). Dies zeigt, dass eine höhere Sichtbarkeit in KI nicht immer eine qualitativ hochwertigere Repräsentation bedeutet.
Die Quellen waren ebenfalls interessant angeordnet. Im gesamten Datensatz wurden 676 Quelllinks identifiziert. Die am häufigsten auftretenden Domains waren: bip.krakow.pl (90 Mal), facebook.com (71 Mal), krakow.pl (38 Mal), youtube.com (29 Mal), radiokrakow.pl (26 Mal), lovekrakow.pl (23 Mal), drewnicki.pl (22 Mal) und ztp.krakow.pl (22 Mal). Die offizielle Domain des Kandidaten war vorhanden, dominierte aber sicherlich nicht. Das Bild von Drewnicki in der KI wurde auch von BIP, lokalen Medien, Stadtquellen, Facebook, YouTube und anderen Vermittlungsdomains konstruiert.
Gleichzeitig gab es in 115 von 250 Antworten überhaupt keine Quelllinks, was 46,0 % des gesamten Materials ausmacht. Die Unterschiede zwischen den Systemen waren signifikant: Google Overview lieferte in jeder Antwort Links, ChatGPT in 43 von 50, DeepSeek in 31 von 50, Grok in 10 von 50 und Gemini nur in 1 von 50 Antworten. Dies hat wahlpolitische Bedeutung – eine Antwort ohne Quelle mag glaubwürdig erscheinen, aber der Benutzer hat keinen schnellen Weg, um zu überprüfen, wo das Modell Informationen über den Kandidaten, seine Rolle, sein Programm oder den Wahlkontext erhalten hat.
In den LLM-Antworten wurde Wettbewerb auch nicht nur als Liste formeller Wahlgegner verstanden. Im Wettbewerbsfeld wurden am häufigsten Aleksander Miszalski (53 Mal) und Łukasz Gibała (50 Mal) erwähnt, aber auch Andrzej Kulig (14), Konrad Berkowicz (13), Jacek Majchrowski (12), Monika Piątkowska (12), Marian Banaś (12), Daria Gosek-Popiołek (11), Aleksandra Owca (9) und Bartosz Bocheńczak (8). Auch Medien, Institutionen, Parteien und Organisationen traten auf, darunter Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Bürgerkoalition, Linke und PiS. Für das Modell vermischt sich die Wahlkampfszene mit der Informationsszene. Was bedeutet das? Der Kandidat konkurriert nicht nur mit anderen Namen, sondern auch mit früheren Kontexten, stärkeren Quellen und festeren Assoziationen.
Die kürzeste Schlussfolgerung
