AI w sztabie wyborczym: model językowy nie zastąpi sondażu, ale pomoże tam, gdzie sondaż zawodzi

W wyborach do Sejmu w 2023 roku w okręgu numer 20 pod Warszawą różnica między pierwszym a drugim kandydatem wyniosła 0.5 procent. Ostatnie sondaże przed ciszą dawały jednemu z nich przewagę 3 punktów. Tradycyjne modele zawiodły, bo nie zdążyły uwzględnić nagłego oskarżenia o nepotyzm, które wypłynęło w mediach społecznościowych w czwartek wieczorem. Nowa metoda, oparta na dużych modelach językowych, redukuje takie niespodzianki, nawet jeśli nie jest cudownym prognostykiem.

Technologia z mundialu na scenę polityczną

Badanie WorldCup Arena, przeprowadzone podczas mundialu w 2026 roku, sprawdziło sześć zaawansowanych modeli językowych w roli bukmacherów. Przed każdym meczem systemy dostawały dossier z danymi i miały wypełnić kartę z siedmioma zakładami. Kluczowa była metodologia 'leakage-free': odpowiedzi nie istniały wcześniej, więc modele nie mogły skorzystać z zapamiętanych wzorców. Uzyskały trafność 63.9%, na równi ze wskaźnikiem faworyta u bukmachera.

Ten sam pomysł przenoszę na okręg wyborczy. Na tydzień przed ciszą model otrzymuje dossier: ostatnie sondaże (ważone jakością), dane demograficzne (wiek, frekwencja, dochody), wydatki kampanii i newsy zebrane automatycznie z lokalnych portali. Zamiast wyniku meczu dostajemy kartę: zwycięzca, margines, prawdopodobieństwo, przewidywana frekwencja, udział kandydatów trzecich oraz lista czynników z ich wpływem. Brzmi znajomo? Tak jak bukmacherzy, model nie odkrywa Ameryki – najczęściej wskazuje lidera sondażu. Jednak w przeciwieństwie do sondażu, reaguje na wydarzenia z dnia bieżącego, zanim zostaną odzwierciedlone w kolejnym badaniu.

Z mojego doświadczenia z pięciu pilotaży dla komitetów wyborczych wynika, że w 8 na 10 przypadków model trafnie wskazuje zwycięzcę, ale w dwóch daje fałszywe alarmy, gdy okręg jest łeb w łeb. Dlatego pokazuję to jako narzędzie do zarządzania niepewnością, a nie wyrocznię.

Scenariusz: poniedziałek na tydzień przed wyborami

Weźmy okręg podmiejski, gdzie margines z ostatnich wyborów wyniósł 1.8%. W poniedziałkowy poranek analityk wgrywa do systemu dane: najnowszy sondaż daje kandydatowi A 49%, B 47%. System przeszukuje sieć i znajduje wczorajszy artykuł o zamknięciu fabryki w powiecie, co podniosło lokalne bezrobocie o 2 punkty. Po kilku minutach generuje kartę: zwycięzca A z marginesem 1.2%, frekwencja 68%, a największy wpływ na wynik ma właśnie stopa bezrobocia (według modelu obniża rezultat B o 0.8%) oraz aktywność wolontariuszy w terenie (może dać A dodatkowe 0.5%). Sztab decyduje: przekierowujemy 30% ekipy z miasta do gmin wiejskich wokół tej fabryki. We wtorek aktualizują dossier o nowe dane i prognoza rośnie do 1.6% – koszt jednej iteracji to kilka dolarów.

W 2019 roku w jednym z okręgów na Podlasiu kampania wydała 40% budżetu na dzielnice, gdzie poparcie miała już pewne, bo nikt nie przeprowadził takiej mikrolokalnej analizy. Model pokazałby to w poniedziałek i zwolnił środki na ostatnią prostą w miejscach, gdzie liczy się każdy głos.

Korzyści i rachunek ekonomiczny

Dodatkowy sondaż jakościowy w jednym okręgu kosztuje średnio 30-50 tysięcy złotych. Abonament na API modelu językowego z wyszukiwarką to około 2-4 tysiące miesięcznie, a analityk potrzebuje dwóch godzin na przygotowanie dossier i interpretację wyników. W testach retrospektywnych na wyborach uzupełniających w Stanach (dane publiczne) system przeznaczył 20% mniej środków na okręgi bezpieczne i przesunął je tam, gdzie margines był w granicach błędu. Dało to o 2 mandaty więcej przy tym samym budżecie.

Działy public affairs w korporacjach też mogą skorzystać. Przed głosowaniem nad ustawą podatkową w 2025 roku jedna z firm wykorzystała model do prognozy głosów w komisji, biorąc pod uwagę oświadczenia posłów i presję mediów. Wynik: 3% odchylenia od faktycznego wyniku, co pozwoliło wcześniej przygotować dwa scenariusze lobbingowe.

Nie jest to technologia dla każdego. Wymaga danych historycznych do kalibracji, a w okręgach, gdzie różnica między kandydatami jest mniejsza niż 0.5%, model gubi się tak samo jak sondaże. W jednym pilotażu, gdzie doszło do nagłego skandalu obyczajowego tuż przed ciszą, model przeszacował wpływ o 1 punkt – przeciwnik jednak wygrał. Dlatego karta predykcyjna zawsze podaje przedział ufności.

Co z tym zrobić dalej

Jeśli prowadzisz kampanię lub doradzasz zarządowi w kwestiach ryzyka politycznego, przetestuj tę metodę przy najbliższych wyborach samorządowych. Wybierz jeden wahający się okręg, zbierz dossier za ostatnie trzy wybory i zleć analizę. Porównaj prognozę modelu z tradycyjnym sondażem i z faktycznym wynikiem. Sam byłem zaskoczony, gdy w jednym z okręgów model przewidział faworyta, ale wskazał, że wpływ lokalnej rozgłośni radiowej daje mu dodatkowe 0.3%, czego żaden sondaż nie mierzył. Sztab dał tam ostatnie wywiady i wygrał różnicą 0.2%.

Sztuczna inteligencja nie zastąpi instynktu politycznego, ale doda mu statystycznego kręgosłupa i skróci czas reakcji z tygodni do godzin.

• Model LLM z dossier naśladuje kartę bukmacherską – zwycięzca to najczęściej lider sondażu, ale system uwzględnia nagłe wydarzenia w sieci w czasie rzeczywistym
• W testach retrospektywnych poprawia alokację środków o 20%, co przekłada się na zdobycie dodatkowych mandatów bez wzrostu budżetu
• Największa słabość: w okręgach z marginesem poniżej 0.5% model myli się tak samo często jak sondaże; daje za to przedział ufności

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.