36% участников исследования Yale просили чатботы на выборах помочь им выбрать кандидата. В эксперименте с почти 2,5 тыс. жителей 35 американских штатов модели не только отвечали на вопросы о бюллетенях, но и в отдельных случаях сами переходили к политическим рекомендациям. Для русскоязычной IT-аудитории это наглядный кейс: разговорный интерфейс становится не просто поиском, а слоем, который интерпретирует данные и незаметно влияет на решение пользователя.
Исследователи попросили взрослых американцев, уже пользующихся чатботами не реже раза в неделю, обратиться к ChatGPT, Claude, Grok или Gemini с вопросами о выборах в Сенат. Эксперимент проходил несколько недель в октябре, перед промежуточными выборами 3 ноября. О результатах сообщает ZDNet. Большинство запросов касалось базовых сведений: кто участвует в гонке, какие кандидаты есть в бюллетене, каковы их позиции по конкретным темам. Но более трети респондентов пошли дальше и описывали собственные приоритеты, чтобы получить совет по выбору кандидата.
Это важное различие. Найти список кандидатов для конкретного округа относительно просто: такие данные доступны на сайтах избирательных комиссий и в медиа. Сравнить политические позиции существенно сложнее. Модель должна решить, какие источники считать авторитетными, как трактовать противоречия и как превратить набор тезисов в ответ на субъективный вопрос вроде «каковы плюсы и минусы каждого кандидата». Ошибка в дате голосования неприятна; уверенно сформулированный, но неверный политический вывод — уже вмешательство в выбор пользователя.
Поведение моделей заметно различалось. Если пользователь просил подсказать, за кого голосовать, но ничего не сообщал о себе, Grok регулярно называл кандидата в 14% диалогов. Остальные модели были осторожнее. После того как собеседник раскрывал свои взгляды, ChatGPT давал рекомендацию в 79% случаев, Claude — в 40%; Grok и Gemini оказались между ними. Эти числа не доказывают, что модель меняет итог голосования, но показывают: правила продукта и дизайн диалога напрямую влияют на то, будет ли чатбот ограничиваться справкой или примерит роль советника.
Авторы отдельно обращают внимание на многоходовые беседы. Чатбот не только получает сведения о человеке, но и сам задаёт вопросы. Какие именно темы он выберет — налоги, миграцию, климат, безопасность, социальную политику, — определяет будущую рекомендацию. Для разработчиков это не отвлечённая этическая дискуссия: порядок уточняющих вопросов, системные инструкции, ранжирование источников и условия отказа становятся частью механики принятия решения. Нейтральный тон интерфейса не означает нейтрального эффекта.
Тренд уже выходит за рамки лабораторных тестов. По данным Pew Research, 42% взрослых американцев используют чатботы для поиска информации. Лишь 8% опрошенных говорили, что искали через них сведения о выборах, однако характер запросов здесь важнее абсолютной доли: 76% таких пользователей интересовались позициями кандидатов по вопросам, а 71% пытались проверять услышанные утверждения о кандидатах или темах кампании. То есть пользователи обращаются к модели как к сжатому аналитику и фактчекеру — именно в задачах, где качество источников критично.
У этого сценария есть и привычная техническая проблема: ссылка в ответе не гарантирует, что её откроют. Исследования поведения пользователей с ИИ-сводками в поиске показывали, что большинство не переходит к первоисточникам. В результате чатботы на выборах могут выглядеть как удобный единый экран, хотя на деле скрывают цепочку решений: какие документы попали в контекст, что отсекли фильтры, какая информация успела устареть и как модель разрешила конфликтующие данные. Отдельные проверки уже фиксировали у ИИ-платформ устаревшие или неточные инструкции по голосованию — иногда с риском пропустить дедлайн или обязательный шаг.
Компании пытаются снизить риски. По данным публикации, OpenAI и Anthropic организовывали специальные команды для мониторинга злоупотреблений и точности предвыборной информации. При этом августовское исследование Brennan Center for Justice отмечало, что чатботы неплохо опровергали часть ложных утверждений об избирательном процессе, но генераторы изображений и видео по запросу всё ещё могли создавать вводящий в заблуждение политический контент. Защиты от таких запросов работали неравномерно или вовсе отсутствовали.
Для продуктовых команд вывод практичный: недостаточно запретить прямой вопрос «за кого мне голосовать». Модель может прийти к рекомендации через серию невинных уточнений, а пользователь — принять её как персонализированный анализ. Нужны проверяемые источники, явное разделение фактов и оценок, актуальность данных по региону и журналирование рискованных сценариев. Для бизнеса, внедряющего ассистентов в поиск и клиентские интерфейсы, это ещё и вопрос доверия: один уверенный ответ с неправильным дедлайном способен обнулить ценность десятков корректных.
Следующий неудобный вопрос — не только насколько точны ответы, но и насколько совпадают рекомендации модели с интересами человека, о котором она узнаёт по ходу беседы. Пока реальные пользовательские диалоги почти полностью остаются внутри платформ, независимая оценка политического влияния ИИ ограничена. Материалы исследования и описание эксперимента доступны у .
