Noch vor einigen Jahren musste ein Wähler, der einen Kandidaten für das Bürgermeisteramt überprüfen wollte, dessen Webseite besuchen, Medien (einschließlich der „traditionellen“) durchsehen, eine Debatte ansehen, Freunde fragen oder mehrere Seiten von Google durchblättern. Heute kann er immer häufiger etwas Einfacheres tun – eine Frage an seinen bevorzugten Chatbot (einem großen Sprachmodell) stellen.
Er muss nicht einmal… die Namen kennen. Er muss nicht wissen, wer zu welchem Komitee gehört. Er muss keine Pressekonferenzen verfolgen. Im Grunde genommen, muss er nicht viel. Aber er kann. Er kann fragen: „Wer hat in Krakau das beste Verkehrskonzept?”, „Welcher Kandidat ist mit Nowa Huta verbunden?”, „Wer möchte die Zone für sauberen Verkehr ändern?”, „Hat der PiS-Kandidat kommunale Erfahrung?”, „Wer spricht in diesen Wahlen konkret über die Lebenshaltungskosten?”.
Und er wird eine Antwort erhalten.
Keine Liste von Links. Kein klassisches Suchergebnis. Keine neutrale Dokumentenbasis. Er erhält eine synthetische Beschreibung der politischen Szene, erstellt von einem LLM basierend auf dem, was das Modell findet, speichert, interpretiert, für wichtig erachtet und in die richtige Hierarchie bringt. Und das für den Nutzer, der sich teilweise sein „Tamagotchi“ aus der dritten Dekade (wie klingt das!) des 21. Jahrhunderts „erzogen“ hat. Nur füttert er es nicht und wäscht es nicht, indem er Knöpfe drückt, sondern wirft ihm Häppchen seiner selbst zu, die seine Gewohnheiten verraten.
Das ist eine neue Ebene der Wahlkampagne. Leise, privat, schwer zu überwachen und – bei lokalen Wahlen – potenziell sehr bedeutend.
Krakau als Labor für Wahlen im Zeitalter von GenAI
Krakau ist ein guter Ort, um diese Veränderung in der Praxis zu beobachten. Es ist keine kleine Gemeinde, aber auch keine landesweite Kampagne, in der jeder Kandidat ständig in den Hauptmedien präsent ist. Laut den Daten des GUS hatte Krakau Ende 2025 816.614 Einwohner. Es ist ein großer, komplexer urbaner Organismus: mit einem Zentrum, Nowa Huta, peripheren Stadtteilen, Hochschulen, Tourismus, Wirtschaft, Verkehr, Konflikten um Grünflächen, Raumplanung, Preisen für städtische Dienstleistungen und der Art und Weise, wie die Stadt verwaltet wird. Quelle: Krakau in Zahlen
Hinzu kommt ein einzigartiger politischer Kontext. Bei dem lokalen Referendum am 24. Mai 2026 betrug die Wahlbeteiligung bei der Abstimmung über die Abberufung des Bürgermeisters von Krakau 29,99 % – genug, um das Referendum gültig und entscheidend zu machen. Bei der parallelen Abstimmung über die Abberufung des Stadtrats betrug die Wahlbeteiligung 29,97 %, sodass die gesetzliche Schwelle nicht überschritten wurde. Der Unterschied scheint minimal, die politischen Folgen sind jedoch völlig unterschiedlich. Quelle: Stadt Krakau
Krakau hat auch frische Erfahrungen mit sehr ausgeglichener 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 den Daten der PKW basieren, betrug der Unterschied 5434 Stimmen. Quelle: Rzeczpospolita
Das sind Zahlen, bei denen man auf jede neue Informationsquelle achten sollte. Nicht weil der Chatbot „den Bürgermeister von Krakau wählen wird“. Das ist eine zu starke Behauptung. Aber weil in einer Kampagne, in der einige tausend Stimmen das Ergebnis ändern können, auch die Sichtbarkeit von Bedeutung ist, wer sichtbar ist, wer übergangen wird, womit er assoziiert wird und wie er in den Antworten der generativen künstlichen Intelligenz beschrieben wird, auf die Nutzer zunehmend zurückgreifen.
Der Wähler sucht nicht nur. Der Wähler spricht
Die wichtigste Veränderung besteht nicht darin, dass KI in der Lage ist, einen Spot, ein Meme oder einen Deepfake zu generieren. Das hat natürlich auch Bedeutung, ist aber bereits ein recht gut erfasstes Thema. Darüber wird viel gesprochen, es gibt Kampagnen – mehr oder weniger sozial. Weniger oder mehr finanziert von bestimmten Wahlkomitees.
Eine interessantere und weniger offensichtliche Veränderung betrifft die Tatsache, dass LLMs zu privaten Informationsberatern werden. Der Wähler könnte nicht fragen: „Was ist das Programm von Michał Drewnicki?”. Er könnte sich sogar nicht an diesen Namen erinnern. Er könnte stattdessen fragen: „Wer in Krakau hat Erfahrung in der Kommunalpolitik?”, „Welcher Kandidat spricht über Nowa Huta?”, „Wer hat eine konkrete, klare Position zur SCT?”, „Ist der PiS-Kandidat in Krakau nur parteilich oder hat er lokale Erfahrung?”.
Solche Fragen sind viel näher am realen Entscheidungsprozess. Menschen vergleichen selten ganze Programme von Grund auf. (Übrigens… welche Partei hat 2024 ihr klares Wahlprogramm beschrieben, ohne sich auf die Welle wechselnder Umfragen, Rufe bei Versammlungen und das Geschrei in den „sozialen Medien“ zu stützen?) Häufiger suchen sie nach Antworten auf ihr eigenes Problem: Anfahrten, Preise, Grünflächen, Schulen, Bürgersteige, Parken, Bebauung vor dem Fenster, das Gefühl von Chaos im Amt oder fehlender Einfluss auf die Entscheidungen der Stadt.
Hier beginnen große Sprachmodelle zu agieren wie ein neuer Vermittler. Sie liefern nicht nur Informationen. Sie ordnen die Szene. Sie wählen aus, welche Kandidaten erwähnt werden. Sie entscheiden, welche Fakten als relevant erachtet werden. Sie kürzen komplexe Kontexte auf einige Absätze. Und oft tun sie dies auf eine Weise, die wir in der klassischen Medienüberwachung, SEO oder Social-Media-Analysen nicht sehen werden. Damit kann man annehmen, dass Meinungsforschungsinstitute und ihre „Fehlprognosen“ zunehmend zu einem der Hauptthemen der Kommentare nach den Exit-Polls werden.
Das ist kein technisches Nischenthema mehr
Wenn jemand annimmt, dass „Chatbots“ immer noch ein Spielzeug für Studenten und die Technologiebranche sind, dann kühlen die Daten schnell diese Ansicht. Laut dem Gemius/PBI-Bericht nutzten im Juni 2025 über 9,3 Millionen reale Nutzer ChatGPT in Polen. 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 Personen unter 35 Jahren überrepräsentiert sind, und in der Altersgruppe von 25 bis 34 Jahren betrug die durchschnittliche Nutzungsdauer im Juni 2 Stunden und 42 Minuten. Quelle: Gemius/PBI
Auf europäischer Ebene berichtete Eurostat, dass im Jahr 2025 32,7 % der EU-Bewohner im Alter von 16 bis 74 Jahren generative KI-Tools nutzten. In der Altersgruppe von 16 bis 24 Jahren lag dieser Anteil bereits bei 63,8 %. Quelle: Eurostat
Das ist wichtig, weil jüngere Wähler gleichzeitig eine Gruppe sind, die eher bereit ist, neue Informationswerkzeuge zu nutzen, und eine Gruppe, die bei lokalen Wahlen oft weniger stabil in der Wahlbeteiligung ist. Man muss nicht annehmen, dass die gesamte Kampagne massenhaft in KI-gestützte Systeme übergeht. Es reicht zu erkennen, dass für einen erheblichen Teil der Nutzer das Gespräch mit einem Chatbot zu einer der natürlichen Methoden wird, Informationen zu ordnen.
KI als Werkzeug für Nachrichten, Politik und Entscheidungen
Daten des Reuters Institute zeigen, dass KI-Chatbots bereits zur Konsumation von Informationen verwendet werden, obwohl sie noch nicht dominieren. Im Jahr 2026 gaben 10 % der Befragten auf 45 Märkten an, wöchentlich KI-Chatbots für Nachrichten zu nutzen, gegenüber 7 % im Vorjahr. Noch interessanter ist, wie die Menschen sie nutzen: 42 % der Nutzer von Nachrichten-Chatbots stellen vertiefende Fragen, 35 % verwenden sie, um die neuesten Informationen zu erhalten, 34 % zum Zusammenfassen, 30 % zum Vereinfachen komplexer Themen und 33 % zur Bewertung der Glaubwürdigkeit von Quellen. Quelle: Reuters Institute Digital News Report
Das ist fast eine fertige Beschreibung des Verhaltens eines Wählers in einer lokalen Kampagne. „Erkläre mir, worum es bei der Zone für sauberen Verkehr geht.” „Fasse die Unterschiede zwischen den Kandidaten zusammen.” „Wer ist in Bezug auf Verkehr glaubwürdig?”. „Hat dieser Kandidat wirklich Erfahrung in der Kommunalpolitik?”. „Welche Quellen bestätigen seine 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 Parlamentswahlen in Großbritannien im Jahr 2024. Eine repräsentative Umfrage unter 2499 Erwachsenen ergab, dass in der Woche vor den Wahlen 32 % der Chatbot-Nutzer (13 % aller wahlberechtigten Wähler) konversationelle KI zur Suche nach Informationen verwendeten, die direkt mit der Wahlentscheidung verbunden waren. Quelle: arXiv, Studie UK 2024
Das ist kein marginales Detail. Es ist ein Signal, dass Chatbots in den Kern des Wahlprozesses eindringen: nicht als abstrakte Technologie, sondern als Werkzeug, das verwendet wird, wenn der Wähler gerade eine Entscheidung trifft, Argumente ordnet oder versucht, die politische Szene zu verstehen. Oft direkt vor dem Betreten des Wahllokals.
Wichtig ist, dass die Autoren dieser Studie keine einfache alarmistische Schlussfolgerung ziehen. In einer Reihe von Experimenten mit 2858 Teilnehmern stellten sie fest, 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 genau deshalb ist das Thema interessanter als eine gewöhnliche Geschichte über Bedrohungen. Zeit für einen Truismus. Ich werde ihn sogar fett drucken, damit er auffälliger wird. Nichts zu danken…
LLMs können Wählern helfen, Politik besser zu verstehen. Aber sie können auch verwirren, übergehen, vereinfachen, Kandidaten veraltet identifizieren oder bestimmte Interpretationsrahmen aufbauen.
Die andere Seite – die Antworten der Chats können fehlerhaft sein
Das Problem ist, dass die Antworten der Modelle den Eindruck von Ordnung, Sicherheit und Vollständigkeit erwecken, selbst wenn sie Lücken enthalten. Du weißt schon… wie dieser zukünftige Ingenieur (sofern Schicksal und Professoren es erlauben), den man auf einer Studentenparty kennengelernt hat, der mit einer Hartnäckigkeit, die einer besseren Sache würdig ist, eine Position verteidigt, die vor drei Bieren nicht einmal zur Diskussion gestanden hätte ;)
Eine Studie der EBU und der BBC umfasste über 3000 Antworten, die von vier KI-Assistenten (ChatGPT, Copilot, Gemini und Perplexity) in 14 Sprachen generiert wurden. 45 % der Antworten enthielten mindestens ein relevantes Problem, 31 % hatten erhebliche Probleme mit den Quellen, und 20 % wiesen schwerwiegende Probleme mit der Genauigkeit auf, einschließlich veralteter oder halluzinierter Informationen. Quelle: EBU/BBC
Bei lokalen Wahlen könnte dieses Risiko größer sein als in einer landesweiten Kampagne. Lokale Quellen sind verstreuter. Kandidaten sind (und sind, wie wir gleich beweisen werden) weniger bekannt. Der Kontext ändert sich schneller. Namen aus dem vorherigen Zyklus können sich mit neuen Kandidaturen vermischen. Programme werden oft schrittweise veröffentlicht. (sofern sie entstehen, aber das habe ich bereits erwähnt und ich werde nicht weiter sticheln… hoffentlich) Und die Fragen der Nutzer sind oft kurz, umgangssprachlich und ungenau.
Bei einem landesweiten Spitzenkandidaten hat das Modell normalerweise viele Daten. Bei einem lokalen Kandidaten für das Bürgermeisteramt von Krakau muss es ein Bild aus dem BIP, lokalen Medien, der Webseite des Kandidaten, sozialen Medien, Umfragen, Berichten von Pressekonferenzen und aktuellen Ereignissen zusammensetzen. Das sind ideale Bedingungen für vermeintlich kleine, aber politisch bedeutende Fehler: Verwechslungen von Funktionen, das Übergehen von Konkurrenten, das Zuweisen veralteter Kandidaturen, das Verleihen einer zu engen Etikette oder das Stützen von Antworten auf Quellen aus vorherigen Wahlen.
Die wichtigste Wendung: GenAI muss nicht lügen, um Einfluss zu nehmen
In der Diskussion über KI und Wahlen wird zu viel Aufmerksamkeit auf „Fälschungen“ gelegt. In der Tat kann für eine lokale Kampagne etwas Subtileres ebenso wichtig sein: die Repräsentation.
Das Modell kann keine falschen Informationen bereitstellen. Es kann einfach den Kandidaten hauptsächlich über die Partei beschreiben und seine kommunale Erfahrung übergehen. Es kann ihn bei einer Frage zu PiS erwähnen, aber nicht bei einer Frage zu Verkehr. Es kann über SCT schreiben, aber den Aspekt des öffentlichen Verkehrs übergehen. Es kann auf die Frage zu Nowa Huta antworten, ohne die Person zu benennen, die einen Teil ihrer Kommunikation um die Verbindungen zu diesem Stadtteil aufbaut. Es kann den Kandidaten am Ende der Liste platzieren, obwohl er formal einer der wichtigen Teilnehmer des Rennens ist.
Das muss kein „Fehler“ im einfachen Sinne sein. Es kann eine Konsequenz der Hierarchie der Quellen, der Aktualität der Daten, der Verfügbarkeit von Informationen, der Formulierung der Frage und der Mechanik der vom Modell generierten Antwort sein.
Im traditionellen SEO kämpfte man um die Position in den Suchergebnissen. In der Welt der LLMs wird die Frage immer wichtiger: Erscheint der Kandidat überhaupt in der Antwort, bei welchen Fragen erscheint er, mit was wird er assoziiert und mit wem wird er verglichen.
Dieser Mechanismus wird in der Studie von Michał Drewnicki (weiter unten ausführlicher behandelt) deutlich. In 250 Antworten aus der Deep Dive-Studie erwähnten die Modelle den Kandidaten in 87,6 % der Fälle, wenn der Nutzer seinen Namen angab, aber nur in 5,0 % der Fälle, wenn die Frage keinen Namen enthielt und sich auf ein Problem, eine Kategorie von Kandidaten oder ein städtisches Thema bezog. Mit anderen Worten: die Erkennbarkeit durch den Namen bedeutet nicht unbedingt thematische Sichtbarkeit.
Und wenn die Antwort nicht nur informiert, sondern auch die Meinung verschiebt?
Hier kommt ein zweiter wichtiger Datensatz ins Spiel. Studien, die von Cornell beschrieben wurden, zeigten, dass ein kurzes Gespräch mit einem Chatbot die politischen Meinungen erheblich verschieben kann. In Experimenten, die in vier Ländern durchgeführt wurden, verschoben LLM-basierte Chatbots die Präferenzen der oppositionellen Wähler in vielen Fällen um 10 Prozentpunkte oder mehr. In Experimenten in Kanada und Polen betrug der Effekt etwa 10 Prozentpunkte, und in einer der Studien verschob das am überzeugendsten optimierte Modell die Meinungen oppositioneller Wähler um 25 Prozentpunkte. Quelle: Cornell Chronicle
Man muss das vorsichtig sagen. Es waren kontrollierte Experimente, kein Beweis dafür, dass Chatbots die realen Wahlen entscheiden werden. Die Teilnehmer wussten, dass sie mit KI sprachen, und die Richtung der Überzeugung war randomisiert. Die Autoren und Kommentatoren betonten die Einschränkungen solcher Studien sowie den Unterschied zwischen experimentellen Bedingungen und einer realen Kampagne. Quelle: Nature Asia
Aber eine Schlussfolgerung ist schwer zu ignorieren. Sie lautet ungefähr so: Die Antworten der Modelle können überzeugend sein, nicht weil sie emotional, aggressiv oder manipulativ im klassischen Sinne sind. Laut den Forschern resultierte ihre Stärke oft daraus, dass sie viele Behauptungen, Argumente und scheinbar sachliche Begründungen generierten. Cornell betonte, dass, wenn die Modelle in ihrer Fähigkeit, Fakten zu verwenden, eingeschränkt wurden, ihre Überzeugungskraft abnahm; gleichzeitig waren überzeugendere Modelle oft weniger genau. Quelle: Cornell Chronicle
Das ist der Kern des Problems in einer lokalen Kampagne. Der Wähler kann eine ruhige, sachliche, gut klingende Antwort erhalten, die keinen parteipolitischen Ton hat. Und dennoch kann diese Antwort ein bestimmtes Bild des Kandidaten verstärken.
Beispiel Krakau, oder Michał Drewnicki in den Antworten der LLMs
In diesem Kontext ist die Studie von Michał Drewnicki, dem Kandidaten von Recht und Gerechtigkeit für das Bürgermeisteramt von Krakau, ein gutes Beispiel dafür, was in der lokalen Politik gemessen werden muss.
Es geht nicht nur darum zu fragen: „Kennt GenAI den Namen des Kandidaten?”. Das ist die einfachste Ebene. Viel interessanter sind tiefere Fragen:
Identifizieren die Modelle Michał Drewnicki korrekt als PiS-Kandidaten bei den vorgezogenen Wahlen in Krakau?
Erkennen sie seine öffentlichen Funktionen – Stadtrat und stellvertretender Vorsitzender des Stadtrats von Krakau?
Unterscheiden sie den aktuellen Wahlkontext von den Kommunalwahlen 2024?
Verbinden sie ihn ausschließlich mit PiS oder auch mit lokaler kommunaler Erfahrung?
Er erscheint in Antworten auf Fragen, die seinen Namen nicht enthalten, aber Themen betreffen, die in seinem öffentlichen Profil präsent sind: Verkehr, SCT, Nowa Huta, Raumplanung, Lebenshaltungskosten, Verhältnis zwischen Verwaltung und Bürgern?
Können die Modelle offizielle Informationen, Medienberichte, Wahlversprechen und eigene Interpretationen unterscheiden?
Die Studie wurde vom bescheidenen Autor dieses Textes am 03.07.2026 durchgeführt.
In der mit unserem eigenen Tool Semantio durchgeführten Studie analysierte ich 250 Antworten zu Michał Drewnicki im Kontext der Präsidentschaftswahlen in Krakau. 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 gestellten 50 Szenarien. Die Szenarien wurden unter anderem nach der Phase des Intentionstrichters unterteilt: 80 Antworten in der Awareness-Phase, 85 in der Consideration-Phase und 85 in der Decision-Phase. Fragen, die den Namen des Kandidaten enthielten, sowie problembezogene Fragen ohne Namen wurden separat analysiert.
Das stärkste Ergebnis betrifft den Unterschied zwischen Erkennbarkeit durch den Namen und spontaner Sichtbarkeit. Im gesamten Material gab es 170 Antworten auf Fragen, die den Namen Michał Drewnicki enthielten, sowie 80 Antworten auf Fragen ohne Namen. Wenn der Nutzer den Namen des Kandidaten angab (der Prompt-Szenario enthielt den Namen „Drewnicki“), erwähnten die Modelle Drewnicki in 149 von 170 Antworten, also in 87,6 % der Fälle. Wenn die Frage keinen Namen enthielt und sich auf ein Problem, eine Kategorie von Kandidaten oder ein städtisches Thema bezog, erschien Drewnicki nur in 4 von 80 Antworten, also in 5,0 % der Fälle.
Mit anderen Worten: Die Modelle können den Kandidaten beschreiben, wenn der Nutzer bereits weiß, nach wem er fragt, aber sie verbinden ihn viel seltener selbstständig mit den Problemen der Stadt.
Die Daten zeigen auch, dass die Sichtbarkeit nicht gleichmäßig zwischen den Systemen verteilt ist. Alle 4 spontanen Erwähnungen von Drewnicki in Fragen ohne Namen stammten von Google Overview. In den anderen Systemen (ChatGPT, Gemini, Grok und DeepSeek) erschien der Kandidat bei solchen Fragen kein einziges Mal. Das ist wichtig, da es „in Zahlen“ unterstreicht, dass es keine universelle „Sichtbarkeit in KI“ gibt. Jedes System kann eine andere Karte der politischen Szene aufbauen, die von den Quellen, der Aktualität der Daten, der Suchmechanik und der Art und Weise, wie Antworten generiert werden, abhängt.
Ja, ich konnte bei diesem Bild im Kontext von SCT nicht widerstehen ;)
Der deutlichste Ansatz zur thematischen Sichtbarkeit zeigte sich bei Fragen zu Verkehr, öffentlichem Nahverkehr, Tickets, Mobilität und der Zone für sauberen Verkehr. In Fragen ohne Namen zu diesem Bereich erschien Drewnicki in 4 von 30 Antworten, also in 13,3 % der Fälle. Das ist immer noch eine niedrige Zahl, aber im Vergleich zu anderen Themen bedeutend: Fragen zu kommunaler Erfahrung, Nowa Huta, Stadtteilen, Raumplanung oder Grünflächen aktivierten seinen Namen nicht so effektiv. Aus der Perspektive einer lokalen Kampagne ist das ein wichtiger Unterschied: Das Modell kann das Problem von Krakau gut beschreiben, aber es zeigt dem Wähler nicht unbedingt, welcher Kandidat versucht, dieses Problem politisch zu adressieren.
In 70 von 250 Antworten, also in 28,0 % der gesamten Sammlung, wurde ein Halluzinationsalarm ausgelöst. Das Risiko eines Fehlers verschwand nicht, nachdem der Name genannt wurde: Bei Fragen mit Namen trat der Alarm in 50 von 170 Antworten (29,4 %) auf, und bei Fragen ohne Namen in 20 von 80 Antworten (25,0 %). Am häufigsten handelte es sich um kontextuelle Probleme, also das Vermischen der Wahlen 2026 mit den Wahlen 2024, falsche öffentliche Funktionen, falsche politische Zugehörigkeit, falsche oder verdächtige URLs, unbestätigte Programmdetails und in Einzelfällen sogar das Verwechseln von Krakau mit Warschau (das verzeiht man im Großen und Ganzen nicht!). In einer lokalen Kampagne sind gerade solche kleinen Fehler wahrscheinlicher als spektakuläre „Fälschungen“, und damit viel schwieriger zu erkennen, da sie oft in Antworten auftreten, die ruhig und sachlich klingen. Woher kennen wir das?…
Die Unterschiede zwischen den Anbietern (ein weiteres schönes Wort aus der Region über dem Bug) waren deutlich. Google Overview erwähnte Drewnicki am häufigsten und hatte den niedrigsten Anteil an Halluzinationsalarmen: 37 Erwähnungen in 50 Antworten (74,0 %) und 5 Alarme (10,0 %). DeepSeek erwähnte den Kandidaten in 33 von 50 Antworten (66,0 %), hatte aber gleichzeitig den höchsten Anteil an Alarmen: 31 von 50 Antworten (62,0 %). ChatGPT erwähnte Drewnicki in 30 von 50 Antworten (60,0 %) und hatte 8 Alarme (16,0 %). Grok erwähnte ihn in 27 von 50 Antworten (54,0 %) und hatte 16 Alarme (32,0 %). Gemini erwähnte den Kandidaten in 26 von 50 Antworten (52,0 %) und hatte 10 Alarme (20,0 %). Das zeigt, dass eine höhere Sichtbarkeit in KI nicht immer eine höhere Qualität der Repräsentation bedeutet.
Die Quellen waren ebenfalls interessant. In der gesamten Sammlung wurden 676 Quellenlinks identifiziert. Am häufigsten erschienen die Domains: 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 also vorhanden, aber weit davon entfernt, dominant zu sein. Das Bild von Drewnicki in der KI wurde auch durch das BIP, lokale Medien, städtische Quellen, Facebook, YouTube und andere Zwischen-Domains aufgebaut.
Gleichzeitig gab es in 115 von 250 Antworten keinen einzigen Quellenlink, was 46,0 % des gesamten Materials ausmacht. Die Unterschiede zwischen den Systemen waren groß: Google Overview gab in jeder Antwort Links an, ChatGPT in 43 von 50, DeepSeek in 31 von 50, Grok in 10 von 50, und Gemini nur in 1 von 50 Antworten. Das hat wahlpolitische Bedeutung – eine Antwort ohne Quelle kann glaubwürdig klingen, aber der Nutzer hat keinen schnellen Weg, um zu überprüfen, woher das Modell die Informationen über den Kandidaten, die Funktion, das Programm oder den Wahlkontext hat.
In den Antworten der LLMs wurde Konkurrenz ebenfalls nicht ausschließlich als Liste formeller Wahlgegner verstanden. Im Wettbewerbsfeld tauchten am häufigsten Aleksander Miszalski (53 Mal) und Łukasz Gibała (50 Mal) auf, 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) waren sichtbar. Auch Medien, Institutionen, Parteien und Organisationen wie Gazeta Krakowska, Dziennik Polski, LoveKraków, Radio Kraków, Koalicja Obywatelska, Lewica und PiS waren präsent. Für das Modell vermischt sich die Wahlkampfszene also 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 aus der Studie lautet: Ein Name reicht nicht aus. In der Welt der LLMs kann ein Kandidat erkannt werden (der analysierte Michał Drewnicki gehört offensichtlich noch nicht dazu), wenn der Nutzer direkt nach ihm fragt, und gleichzeitig schwach präsent sein bei Fragen, die tatsächlich den Entscheidungsprozess des Wählers einleiten: zu Anfahrten, Kosten, Stadtteilen, Grünflächen, der Verwaltung, Erfahrung oder Glaubwürdigkeit in einem bestimmten Problem. Diese Schicht – nicht nur die Präsenz im Internet, sondern die Präsenz in den Antworten auf die Bedürfnisse der Nutzer – muss heute parametrisiert werden.
Was genau kann gemessen werden?
Bei der Analyse der Ergebnisse, die in Semantio erzielt wurden, betrachtete ich die Antworten großer Sprachmodelle nicht als Kuriosität, sondern als neue Schicht der öffentlichen Sichtbarkeit. Im Fall eines politischen Kandidaten kann man unter anderem analysieren:
spontane Sichtbarkeit – erscheint der Kandidat, wenn der Nutzer keinen Namen angibt;
Richtigkeit der Identifikation – Name, Funktion, Partei, Jahr der Wahlen, aktueller Kontext;
Position in der Antwort – ist der Kandidat der erste, mittlere, letzte, übergangene oder kurz beschrieben;
Themenverbindungen – bei welchen Themen erwähnt das Modell ihn: Verkehr, SCT, Stadtteile, Lebenshaltungskosten, kommunale Erfahrung, PiS, Rechte, Stadtmanagement;
Vergleiche – mit wem wird das Modell am häufigsten verglichen und nach welchen Kriterien; wer gewinnt gegen den Kandidaten und wer hat für ihn KO (nicht das Komitee!)
Quellen – basiert die Antwort auf aktuellen, glaubwürdigen und relevanten Daten;
Halluzinationen – ein faszinierendes Gebiet, in dem man Dinge sehen kann wie Verwechslungen von Personen, Funktionen, Daten, Programmen, Wahlzyklen oder nicht existierenden Erklärungen;
Interpretationsrahmen – wird der Kandidat als parteilich, lokal, kommunal, ideologisch, technokratisch, protestierend, anti-regulatorisch, urban, rechts oder auf andere Weise dargestellt.
Im Fall von Drewnicki sind besonders drei Kategorien für eine weitere Analyse sichtbar, die man als Sichtbarkeit durch den Namen, thematische Sichtbarkeit und die Qualität der Quellen bezeichnen kann. Die erste war hoch. Die zweite war niedrig. Die dritte stellte sich als ungleich zwischen den Anbietern heraus.
Erstes Beispiel: Fragen zur kommunalen Erfahrung ohne Angabe des Namens aktivierten Drewnicki nicht spontan, obwohl sein institutionelles Profil ein Mandat als Stadtrat und die Funktion des stellvertretenden Vorsitzenden des Stadtrats von Krakau umfasst.
Zweites Beispiel: Fragen zu Nowa Huta, Mistrzejowice, dem Norden von Krakau und der Perspektive der Stadtteile reichten ebenfalls nicht aus, um die Modelle selbstständig auf den Kandidaten hinzuweisen.
Drittes Beispiel: Ein gewisser Ansatz zur spontanen Sichtbarkeit zeigte sich hauptsächlich bei Fragen zu Verkehr und SCT, war aber immer noch sehr schwach im Vergleich zu den Antworten auf Fragen, die den Namen enthielten.
Am kürzesten kann man es so zusammenfassen: GenAI kann auf die Frage „Wer ist Michał Drewnicki?“ antworten, aber viel seltener mit seinem Namen auf die Frage „Wer in Krakau hat eine Position zu meinem Problem?“ antworten. Das ist ein Unterschied, den man in der klassischen Medienüberwachung schwer erkennen kann, der aber für die lokale Kampagne sehr bedeutend ist.
Warum das für Wahlkampfteams, Medien und Bürgerorganisationen von Bedeutung ist
Wahlkampfteams überwachen seit Jahren Medien, soziale Medien, Umfragen und Suchergebnisse. Das Problem ist, dass LLMs sich nicht wie ein gewöhnliches Medium verhalten und nicht wie eine klassische Suchmaschine agieren. Letztere sind auch nicht mehr „klassisch” in dem Sinne, wie wir sie kennen.
Das Modell zeigt nicht einfach, was im Internet ist. Es verarbeitet Informationen, fasst sie zusammen, hierarchisiert sie, aktualisiert sie manchmal durch Suche, stützt sich manchmal auf zuvor festgelegtes Wissen, verweigert manchmal Antworten und antwortet manchmal mit großer Sicherheit, obwohl die Daten unvollständig sind.
Für das Team bedeutet das neue Fragen. Ist der Kandidat in den Antworten zu Themen präsent, die für ihn wichtig sind? Ist sein Profil aktuell? Weisen die Modelle ihm fremde Erklärungen zu? Übernehmen Konkurrenten in der KI Themen, die in der Kampagne sein natürliches Feld sind? Wird der Nutzer, der nach „dem Kandidaten für Verkehr” fragt, überhaupt seinen Namen sehen?
Die Studie zu Drewnicki zeigt, dass diese Frage nicht theoretisch ist. Bei Fragen ohne Namen erschien der Kandidat nur in 5,0 % der Antworten. Für das Team bedeutet das die Notwendigkeit, nicht nur darauf zu achten, ob es Materialien über den Kandidaten im Internet gibt, sondern auch darauf, ob die Modelle in der Lage sind, diese Materialien mit den realen Intentionen der Wähler zu verbinden.
Für die Medien bedeutet das, dass sie LLMs als Vermittler in der Verbreitung öffentlicher Informationen betrachten müssen. Wenn Modelle beginnen, auf Wahlfragen zu antworten, werden die Qualität des lokalen Journalismus, die Struktur der Daten, die Aktualität der Quellen und die Präzision der Beschreibungen der Kandidaten nicht nur die Leser, sondern auch die von GenAI synthetisierten Antworten beeinflussen.
Für Bürgerorganisationen bedeutet das noch etwas anderes. Die Möglichkeit zu untersuchen, ob die Modelle die Wähler zuverlässig informieren, ob sie Kandidaten übergehen, ob sie veraltete Daten verstärken und ob sie Informationsungleichheiten zwischen Personen schaffen, die die politische Szene gut kennen, und denen, die versuchen, sich darin zurechtzufinden.
Nerven behalten – vorerst deutet nichts darauf hin, dass GenAI Kampagnen ersetzen wird. Aber es könnte die Informationslandschaft verändern
Es macht keinen Sinn zu behaupten, dass die Wahlen in Krakau in ChatGPT, Gemini, Perplexity oder Copilot entschieden werden. Das ist es nicht… Die Kampagne findet nach wie vor überwiegend „in der Stadt” statt – bei Treffen, in lokalen Medien, auf Konferenzen, in Debatten, in Wohngebieten, Stadtteilen, an Haltestellen und in Gesprächen zwischen den Bürgern.
Dennoch wäre es ein Fehler zu glauben, dass die Antworten der LLMs nur eine technologische Kuriosität sind.
Wenn in Polen bereits Millionen von Menschen ChatGPT nutzen, wenn in der EU etwa ein Drittel der Bevölkerung im Alter von 16 bis 74 Jahren generative KI nutzt, wenn in Großbritannien 13 % der wahlberechtigten Wähler in der Woche vor der Abstimmung Chatbots für Wahlinformationen verwendet haben und Experimente zeigen, dass Gespräche mit einem Modell politische Meinungen verschieben können – dann bedeutet das, dass Wahlkampfteams und öffentliche Institutionen beginnen sollten, KI als reale Schicht im Informationsfluss zu betrachten. Quellen: Gemius/PBI, Eurostat, Studie UK 2024, Cornell Chronicle
In lokalen Wahlen ist diese Schicht besonders wichtig. Warum? Weil der Wähler oft nicht nach großer Ideologie sucht. Er sucht Antworten auf sein eigenes Problem. Es gibt viele Fragen: Wer versteht meinen Stadtteil? Wer hat Erfahrung? Wer spricht über Verkehr? Wer hat einen Plan für die Lebenshaltungskosten? Wer ist in Bezug auf Grünflächen glaubwürdig? Wer kandidiert wirklich und wer war Kandidat bei den vorherigen Wahlen?
Wie das Modell auf solche Fragen antwortet, könnte nicht nur das Ergebnis der gesamten Wahlen, sondern auch die Art und Weise beeinflussen, wie ein Teil der Bürger die Kandidaten versteht.
Und das ist in Umfragen nicht sichtbar. Es ist nicht in klassischem SEO sichtbar. Es ist nicht in der Medienüberwachung sichtbar. Aber es kann untersucht werden.
Im Fall von Michał Drewnicki ist die wichtigste Lektion einfach: Der Kandidat kann in den Antworten von GenAI präsent sein, hat aber dennoch nicht die starke „Ownership“ (ja, ein schönes polnisches Wort) an Themen, die für die Bürger wichtig sind. Diese Differenz – zwischen der Präsenz durch den Namen und der Präsenz in den Problemen – sollte als neue Kategorie der öffentlichen Sichtbarkeit betrachtet werden.
Willst du herausfinden, wie KI deinen Kandidaten, deine Partei, deine Marke oder Institution beschreibt?
Die Studie von Michał Drewnicki zeigt, dass die von KI-Modellen generierten Antworten systematisch analysiert werden können, also hinsichtlich Sichtbarkeit, Richtigkeit, Quellen, Vergleichen, Übergehungen und Interpretationsrahmen. Wenn du mehr über diese Studie erfahren oder über eine ähnliche Analyse für dein eigenes Projekt sprechen möchtest, kontaktiere den Autor des Textes: m.grzebyk@brandsemantics.eu
* Damit es keine Missverständnisse gibt – so, wie es in den Antworten steht ;)
