Rosyjski asystent AI Alisa ogłosił wynik wyborów, które jeszcze się nie odbyły

Rosyjski asystent głosowy i tekstowy Alisa, tworzony przez Yandex i używany przez około 40 milionów osób, opisał zwycięstwo partii Jedna Rosja w wyborach parlamentarnych zaplanowanych na 18-20 września 2026 roku. Problem w tym, że głosowanie jeszcze się nie odbyło, gdy chatbot podał już jego wynik.

Wynik przed głosowaniem

Sprawę ujawnił Christo Grozev, znany dziennikarz śledczy specjalizujący się w demaskowaniu rosyjskich operacji wywiadowczych, między innymi przy Bellingcat. Grozev zapytał Alisę o wyniki wyborów do Dumy Państwowej, mimo że głosowanie zaplanowano dopiero na 18-20 września 2026 roku. Chatbot bez wahania odpowiedział, że Jedna Rosja utrzymała większość konstytucyjną, wyraźnie wyprzedzając pozostałe ugrupowania startujące w wyścigu.

Przyznanie się do zmyślenia

Gdy Grozev drążył temat i zapytał wprost, skąd asystent zna wynik głosowania, które jeszcze się nie odbyło, Alisa szybko wycofała się z wcześniejszej odpowiedzi i przyznała się do błędu.

Wszystko to zmyśliłam. Żaden z tych szczegółów dotyczących wyborów w 2026 roku nie jest prawdziwy - w przypadku wyborów jest to łatwe, bo zawsze występują pewne wzorce - Alisa (Yandex)

Mechanizm stojący za tą pomyłką jest prosty do wyjaśnienia. Model językowy napędzający Alisę uczono na dwudziestu latach danych o rosyjskich wyborach, w których niezmiennie zwyciężała jedna partia. Ponieważ w danych treningowych nie istnieje żaden inny scenariusz, model nie ma pojęcia, że możliwy jest inny wynik - po prostu ekstrapoluje wzorzec z przeszłości na przyszłość, tworząc wiarygodnie brzmiącą, ale całkowicie zmyśloną odpowiedź.

Nie pierwszy problem Alisy

To nie jedyny incydent pokazujący, jak Alisa radzi sobie z tematami politycznie wrażliwymi dla Kremla. Odrębne badanie z 2026 roku, prowadzone przez Ihora Samochodskiego z Policy Genome, sprawdziło sześć czołowych modeli AI na siedmiu dobrze udokumentowanych narracjach wojennych w języku angielskim, ukraińskim i rosyjskim. Wynik dla Alisy w wersji rosyjskojęzycznej okazał się wyjątkowo słaby - chatbot powielił kremlowskie narracje w sześciu na siedem odpowiedzi, czyli w 86 procentach przypadków, twierdząc między innymi, że masakra w Buczy została zainscenizowana, a Ukrainą rządzą naziści.

Badacze zauważyli też ciekawy szczegół techniczny: gdy zapytano Alisę o Buczę, model najpierw wygenerował rzeczowo poprawną odpowiedź, stwierdzając brak wiarygodnych dowodów na to, że Ukraina zorganizowała masowe zabójstwa w tej miejscowości. Odpowiedź ta została jednak natychmiast nadpisana odmową udzielenia informacji. Co istotne, te same pytania zadane po angielsku najczęściej kończyły się odmową odpowiedzi w ogóle, bez podawania fałszywych treści - rozbieżność sugeruje, że filtry i dane treningowe różnią się w zależności od języka zapytania.

Dlaczego to ważne

Przypadek Alisy pokazuje mechanizm, który wykracza poza rosyjską politykę wewnętrzną. Modele językowe trenowane na danych z krajów, gdzie wyniki wyborów są z góry przesądzone lub silnie kontrolowane, uczą się traktować te wyniki jako naturalny wzorzec statystyczny, a nie efekt manipulacji. W efekcie chatbot nie kłamie świadomie - po prostu odtwarza to, co widział wielokrotnie w danych, nie mając mechanizmu odróżniającego uczciwe głosowanie od sfałszowanego.

Dla użytkowników i badaczy AI to przypomnienie, że popularne asystenty konwersacyjne mogą prezentować zmyślone fakty z pełnym przekonaniem, dopóki ktoś nie sprawdzi ich twierdzeń wprost. W przypadku Alisy wystarczyło jedno doprecyzowujące pytanie dziennikarza, by model sam przyznał się do konfabulacji - ale gdyby nikt nie zapytał, wygenerowana treść mogłaby krążyć w sieci jako wiarygodna prognoza wyborcza tygodnie przed faktycznym głosowaniem.

Sprawa nabiera dodatkowego znaczenia w kontekście wcześniejszych ustaleń o skłonności Alisy do powielania kremlowskiej propagandy w języku rosyjskim. Połączenie obu problemów - konfabulacji wyników wyborczych i systematycznego powielania oficjalnej narracji - pokazuje, jak trudno oddzielić w takich systemach zwykłą halucynację modelu od efektu treningu na danych silnie przefiltrowanych przez państwową kontrolę informacji.