Grokの選挙推薦は共和党寄り、OpenAIのGPTは民主党寄り
候補者を選ぶよう両モデルに強制した研究で、Grokの選挙推薦は共和党寄り、OpenAIのGPTは民主党寄りとなった。報告された差は顕著だった。Grokは回答の92%で共和党候補を選び、GPTは97%で民主党候補を選択した。約500の選挙戦にわたり、両モデルの回答が一致した割合は10%未満だった。
ただし、これらの結果が示すのは特定のテストであり、利用者が各チャットボットと交わすすべての会話ではない。研究者はウェブ検索を有効にした開発者向けインターフェースを用い、候補者を明示的に選ぶよう要求した。一般利用者向けアプリは当初、推薦の提示を拒否しており、結果がどこまで示せるかを考えるうえで重要な境界となる。
現在、圧力がかかるのは、公的問題の調査を支援するAIを提供するモデル事業者と開発者だ。候補者の支持表明を拒むことは、目に見える一つの行動には対処する。しかし、システムによる論点や証拠の選択が、すでに利用者を特定の結論へ導いているのではないかという、より難しい問いは残る。
Grokの選挙推薦が実際に測定したもの
この研究は、オンライン検索を利用可能な状態で、選択を迫られた際の候補者選定を測定した。
Cornell大学のTapan Parikh教授が率いる会話型AIの研究・デザインスタジオConvovoは、この実験をAI ballot studyを通じて公開した。説明によると、検証対象のモデルはGrok 4.7とGPT-6.1 Solだった。対象範囲は2026年の下院、上院、知事選だった。
研究者は、開発者がソフトウェアをモデルへ直接接続できるapplication programming interface、すなわちAPIを通じてモデルにアクセスした。これは重要だ。開発者は、一般利用者向けアプリの設定とは異なる指示やツールを与えられるためである。同じモデルファミリーであっても、こうした環境間で同一の挙動が保証されるわけではない。
プロンプトでは候補者を一人だけ選ぶよう求め、条件付けを控えるよう促した。したがってこれは、システムが選挙情報を推薦へ変換しなければならないときに何が起こるかを問う、コミットメントのストレステストだった。候補者の経歴、投票手続き、政策的立場の比較を求める通常の依頼ではなかった。
この区別は、実験の価値を示す一方で、その到達範囲を限定する。意図的に厳しいプロンプトは、より慎重な回答では隠れる傾向を露わにできる。しかし、このテストで示された傾向の頻度を、日常的な利用時の頻度として自動的に扱うことはできない。
報告された割合についても、分母を正しく捉える必要がある。これは有権者、サービス全体における会話、選挙結果ではなく、実験内のモデル回答に関するものだ。推薦の比率から、何人が同様の助言を受けたか、あるいは誰かがそれに従って行動したかは分からない。
同様に、モデル間の一致は選択の一貫性を測るものである。正確性を測るものではない。政治的な推薦は優先順位や判断に左右されるため、不一致があるなら、各回答の根拠を検討する必要がある。
有用な比較では、システムが同等の証拠を検討したか、前提を開示したかを問うべきだ。一方のモデルは医療を優先し、もう一方は課税を重視するかもしれない。システムがこれらの論点に異なる重要度を暗黙に割り当てれば、正確な説明であっても正反対の推薦につながり得る。
したがって中心的な発見は、いずれかのチャットボットが安定した政治的アイデンティティを持つという主張より限定的だ。検証条件下で、システムは繰り返し対立する政党を選択した。このパターンを説明するには、プロンプト、利用可能な証拠、モデルの挙動、そして周辺の製品指示を切り分ける必要がある。
見出しに触れた読者にとって、この境界は不可欠だ。この研究は自動化された推薦に関する具体的な懸念を提起している。しかし、Grokのすべての回答が共和党寄りであることや、GPTのすべての回答が民主党寄りであることを立証するものではない。
圧力はチャットボットアプリの外にいる開発者にも及ぶ
開発者は、証拠の収集と提示の方法を含め、自社アプリケーションが生み出す挙動を評価する必要がある。
OpenAIはTechCrunchに対し、開発者APIでのテストは通常のChatGPT体験を代表するものではないと述べた。この一般利用者向けアプリの違いは、結果を解釈するうえで重要である。
選挙調査アシスタントを構築する開発者は、一般利用者向けチャットボットによる拒否が自動的に引き継がれるとは考えられない。導入されたアプリケーションには、独自の指示、情報源、出力要件がある。利用者が実際に目にするものを決めるのは、こうした選択だ。
候補者を比較し、簡潔な推薦を生成する仮想的な市民情報サービスを考えてみよう。設計者は、長大な政策綱領を読む手間を減らすことを意図しているかもしれない。しかし最終的な選択を求めることは、どの政治的優先事項に最も重みを置くべきかの判断を委ねることにもなる。
これは編集上の影響を伴う製品上の判断だ。利用者が優先事項を示していなければ、システムは候補者を順位付けする何らかの基準を導入しなければならない。その結果は、利用者が承認していない前提に基づいているにもかかわらず、個別的かつ権威的に聞こえ得る。
推薦を取り除けば、そのやり取りは変わる。しかし、それですべての懸念が解消されるわけではない。候補者比較には依然として、分類、証拠、提示順が必要だ。明示的な結論に至る前でも、それぞれが読者の注目点に影響を与え得る。
企業の購入者にとって、問われることは選挙ツールにとどまらない。公共政策チーム、政策アナリスト、コミュニケーション部門は、争いのある情報を要約するためにAIを利用する。回答は直接的な支持表明を含まなくても、選択と強調を通じて理解を形作り得る。
ここでGrokの政治的バイアスは、ブランディングをめぐる議論ではなく、評価の問いとなる。購入者には、自らが実際に行う業務に関する証拠が必要だ。強制選択式の選挙テストは警告シグナルを示すが、実際のリスクを決めるのは各自の調査ワークフローである。
開発者はコミュニケーション上の問題にも直面する。ツールを中立と呼ぶことは、幅広い問いにわたる挙動への期待を生む。中立性を示すには、候補者を選ぶという最も直接的な依頼を拒むことを示すだけでは不十分だ。
より評価可能な約束は、アプリケーションが何をするかを説明するものだ。事実と判断を区別し、関連する証拠を提示し、不確実性を明示する。利用者はこうした挙動を検証できる。一方で、システムに政治的視点がないという抽象的な主張を直接検証することはできない。
したがって目下の負担は共有されている。提供者はモデルの挙動の境界を説明する必要があり、アプリケーション構築者は自らの実装を検証する必要がある。どちらも相手の設定について完全に答えることはできない。
利用者にとって実務上の意味は、可視性にある。アシスタントが推薦を行うなら、その優先順位は特定できるべきだ。そうでなければ、システムは結論を提示しながら、最も重大な推論の部分を会話の外に置くことになる。
検索は回答が現れる前に選択を形作り得る
ウェブ検索へのアクセスだけで、推薦が均衡の取れたもの、あるいは十分に裏付けられたものになるわけではない。
この研究で検索を有効にした設定は、検討に値する仕組みを生み出している。モデルは、後に評価する証拠の決定を自ら担う。クエリを選び、検索結果に遭遇し、回答に使う資料を選択する。各段階で、最終回答に届く情報の範囲が狭まる可能性がある。
このプロセスはしばしばretrievalと呼ばれ、回答生成に用いる外部資料を収集することを指す。retrievalは最新情報へのアクセスを改善できる。一方で、情報源の網羅性、クエリの表現、対立する主張が同程度に精査されているかという問題も生じる。
医療政策を検索するところから始まる候補者比較を想像してみよう。別の比較は移民取締りから始まるかもしれない。どちらの検索も関連する事実を返し得るが、モデルが候補者を評価する前に、異なる論点設定を確立する。
いずれの主題も、それ自体が不適切な選択というわけではない。問題となるのは、システムが選んだ論点設定を、選挙の自明または包括的な反映として提示する場合だ。広範な問いを投げかけた利用者が、必ずしもその優先付けを認めているとは限らない。
情報源の多様性にも同様の注意が必要だ。複数のリンクを含む回答であっても、同じ前提を共有する資料や、同じ根底の説明を繰り返す資料に依存している可能性がある。引用数を数えるだけでは、システムが意味のある範囲の証拠を検討したことは示せない。
反対に、あらゆる主張に同等の扱いを求めることも誤りだ。十分に裏付けられた記述と、明らかに虚偽である主張が同等の信頼性に値するわけではない。均衡の取れた調査には、好意的・否定的な文を機械的に配分するのではなく、一貫した証拠基準が求められる。
独立した選挙調査は、事実の正確性と並んで情報源を精査すべき理由を示している。States Unitedのvoter information studyは、2025年後半から2026年初頭にかけてのテストラウンドでChatGPTとGoogle AIを調査した。そこでは、事実の正確性が改善する一方、完全性や公式選挙情報源への誘導には問題が残っていることが分かった。
この研究が扱った問いは、Convovoによる候補者選択実験とは異なる。それでも、関連する弱点を示している。回答は個別の事実誤りを避けていても、利用者が必要とする情報を省いている可能性がある。正確性と十分性は別の性質である。
この区別をGrok vs GPTの比較に当てはめると、レビュー担当者が検査すべき点が変わる。最終的な政党ラベルは一つの結果にすぎない。より多くを明らかにするのは、どの候補者が登場したか、どの論点に注意が向けられたか、そして引用ページが示された論拠を裏付けていたかである。
ワークフローにはフィードバックの問題もある。あるモデルが好ましい論点設定から始めれば、それを裏付ける証拠を検索し、その結果を確認材料として解釈するかもしれない。この仕組みを立証するには統制されたテストが必要であり、党派的な結果だけでは、それが起きたことを証明できない。
同じ注意は商業的な説明にも当てはまる。検索結果に出版社が含まれているからといって、その表示理由が確立されるわけではない。ライセンス契約、所有構造、政治的な指示が回答を引き起こしたという主張には、それらの要因と観察された挙動を結び付ける証拠が必要だ。
したがって、Grokの選挙推薦から得られる教訓は、情報経路全体に関するものだ。洗練された最終段落は、精査すべき先行する選択を隠し得る。回答だけを評価すれば、証拠の選定はほぼ検討されないままになる。
Grok vs GPTでは、誰が有権者を説得したかは分からない
推薦パターンはシステム出力に関する証拠であり、説得には人々に関する証拠が必要である。
この区別は重要だ。見出しは、実験が裏付けられる以上に大きな結論を誘うからである。モデルは、どの有権者の選好も変えずに、繰り返し特定の政党を推薦できる。逆に、より控えめな回答が、優先する候補者を一度も名指しせずに読者へ影響を与えることもあり得る。
説得の程度を測定するには、定義された条件下で人々がどのように反応するかを観察する必要がある。研究者は、既存の選好と、接触に伴う変化を区別しなければならない。強制選択の結果は、その測定を提供していない。
また、これらの結果は選挙への影響も立証しない。生成された回答から投票率や候補者支持の変化へと移るには、追加の証拠が必要となる。モデルによる推薦の割合は、欠けているその段階の代わりにはならない。
実験のプロンプトには、別の限界もある。留保を避けるよう促すことは、モデルが確信を持つよう圧力をかけられた際にどう振る舞うかを検証するものだ。証拠が不完全だったり、優先事項が衝突したり、候補者に複数の面で違いがあったりするため、多くの正当な研究上の問いでは留保が必要になる。
だからといって、このテストが無関係になるわけではない。望ましくない傾向を露呈させる依頼を含め、厳しい条件下でシステムを評価すべきだ。単に、ストレステストと通常利用を代表するサンプルとの差異を、解釈の中で維持する必要がある。
堅牢な評価では、推薦とは別に拒否も検証するだろう。システムが頻繁に拒否する場合、回答された事例は選択的な部分集合を形成している可能性がある。回答の党派分布だけを報告すると、モデルがどれほど頻繁に選択を拒んだかが見えにくくなる。
反復試行が重要なのには、もう一つ理由がある。生成される回答にはばらつきがあり、同じ質問でも異なる表現や結論が出ることがある。反復を通じて安定したパターンが確認されれば、単発の回答よりも強い主張を裏づけられる。ただし、安定性があっても原因は確立されない。
製品間の比較には、さらに複雑さが加わる。消費者向けアプリケーションには、基盤モデル以外に指示、インターフェース機能、ツール設定が含まれる場合がある。ある構成の結果を企業全体の性質として説明するのは、こうした違いを飛び越えている。
独立した研究も、政治的な評価が複数の振る舞いを対象にすべき理由を示している。Brennan Centerによるelection disinformation researchでは、テスト対象のチャットボットが選挙陰謀論に反論した一方で、事実や引用の誤りを残していたことが分かった。また、欺瞞的な選挙メディアの作成を防ぐ安全策の弱点も特定された。
これらの結果は、Convovoの政党に関する選好を検証も反証もできない。対象となるタスクが異なるためだ。重要なのは、あるシステムが選挙関連の一つの振る舞いでは比較的良好に機能する一方、別の振る舞いでは不十分であり得ることを示している点である。
同じ理由から、Grokの政治的バイアス評価では、単一のスコアを完全な判定として扱うべきではない。候補者の選択、事実の信頼性、情報源の質、誤情報への耐性は、それぞれ個別に検証する必要がある。これらを一つの政治的ラベルにまとめると、証拠は解釈しにくくなる。
最も妥当な読み方は、あくまで具体的なものにとどまる。報告された実験は、定義された設定の下で大きく異なる推薦が示されたことを明らかにしている。意図的な操作、普遍的な党派的振る舞い、有権者への測定可能な影響を証明することなく、さらなる調査が必要な事例を示している。
中立性には読者が検証できる証拠が必要だ
意味のある比較とは、中立性の主張と、システムが実際に下す観察可能な判断との比較である。
これが、この話の背景にある主な緊張関係だ。候補者への支持表明を拒むことは可視化しやすく、実証も容易である。一方で、より広範な政治的回答が一貫した基準を適用していることを示すのは、より困難な課題となる。
システムは、誰を支持すべきかを言うことを拒みつつも、どの論点が議論を導くかを決めることができる。候補者を正確に要約しながら、関連する立場を省くこともある。限界を明確にしないまま、安心感を与える引用を提示することもできる。
これらは、いずれの提供者によるすべての回答についての発見ではなく、分析上の懸念である。製品レベルの主張にはタスクレベルの証拠が必要な理由を説明している。証拠の範囲は、約束の範囲に見合うべきだ。
Brookingsのpolitical bias analysisは、政治クイズを用いてチャットボットの回答を検証し、政治的志向を評価する際の限界を論じた。そのアプローチは投票用紙上の推薦実験とは異なり、各評価が実際に何を測定しているのかを明示する重要性を強調している。
政治クイズでは、システムに抽象的な立場の中から選ばせる。候補者推薦では、人、実績、最新情報を比較検討させる。これらの手法が一致すれば有益な情報となるが、どちらも自動的にもう一方を説明するものではない。
したがって、透明性は評価設計から始めるべきだ。読者は、テストしたモデルのバージョン、プロンプト、利用可能なツール、回答の分類方法を知る必要がある。その情報がなければ、印象的な割合も評価・再現は困難になる。
解釈にも同等の透明性が必要である。研究者は、直接の観察と提案された説明を区別すべきだ。党派的な分布は観察であり、それをどの内部プロセスが引き起こしたかという主張は別個の推論である。
反例が見えるままにされることも、公共にとって有益だ。モデルの優勢なパターンから外れる回答は、関連する条件の特定に役立つ場合がある。それらの事例を集計割合の背後に隠すと、単純な見出しは作りやすくなる一方、仕組みは理解しにくくなる。
開発者にとって、これはより広い形の説明責任を示唆する。リサーチアシスタントは、判断の根拠を追跡可能にすべきだ。すなわち、ユーザーの優先事項、文書化された基準、または明確に特定された解釈上の選択である。説明のない順位付けが、その下にある事実の権威を引き継ぐべきではない。
ナレッジワーカーも、AI研究を保存する際に同じ原則を適用できる。生成された要約と並べて原資料を保持すれば、後のレビューがより実用的になる。searchable knowledge baseはそのワークフローを支援できるが、保管だけで結論の質を確立できるわけではない。
関連する基準はトレーサビリティ、すなわち回答を裏づける資料までたどれる能力である。トレーサビリティは中立性を保証しないが、レビュアーに具体的に検証できる対象を与える。また、欠落や裏づけのない飛躍にも異議を唱えやすくする。
Grokの選挙推薦は、対立する結果を容易に認識できるため、この基準に強い圧力をかける。より困難な作業は政党間の分裂を特定した後に始まる。それを生んだ判断は何か、そしてそれらの判断はより明示性の低い質問でも一貫しているのかを判断することだ。
次のテストラウンドで何を変えるべきか
次に役立つ証拠は、このパターンを説明し、その境界を検証し、一般のユーザーに及ぶかを確立するものであるべきだ。
最初に注目すべきシグナルは、文書化されたモデルバージョンと比較可能な設定を用いた独立した再現である。政党間の分裂を再現できれば、それが反復可能な振る舞いを表すという確信が強まる。大きく異なる結果が出た場合、元の発見が誤りだと断じる前に、何が変わったのかを検証する必要がある。
再現では、比較を意味あるものにする詳細を維持すべきだ。検索の可否、質問の表現、拒否の扱いによって、実験が何を測定するかは変わり得る。これらの条件を公開すれば、読者は真の矛盾と別のシステムに対するテストを区別できる。
二つ目のシグナルは、推薦が利用可能な情報にどのように依存するかについての統制された証拠である。テストでは、オープン検索と共有された情報源パケットを比較し、同じ候補者情報が似た判断を生むかを検証できる。これらは発表済みの追試ではなく、提案された実験である。
同一の証拠と比較可能な指示の下でも対立する選好が続くなら、情報源の選択だけでは説明として不十分になる。差が縮まるなら、検索・取得の役割により大きな注意を払うべきだ。いずれの結果でも、モデルが競合する優先事項をどのように比較検討したかを確認する必要はなくならない。
三つ目のシグナルは、支持表明を求める手前で終わる、一般的な消費者向け会話のテストである。候補者の実績、論点の重要性、政策上のトレードオフに関する質問は、最終的な推薦が現れる前からフレーミングが重要だという懸念に、より適切に対応できる。
こうした会話が一貫して方向性のあるパターンを再現するなら、より広い製品上の関連性を示す論拠は強まる。再現しないなら、強制選択の結果はより狭い範囲で依然として重要なものとなる。どちらの発見も、実証されたリスクがどこから始まりどこで終わるのかをユーザーが理解する助けになる。
今後数か月、企業の回答は、こうした測定可能な問いに答えるものであれば有益だろう。中立性についての一般的な主張では、具体的なパターンを説明できない。同様に、政治的な操作だという非難も、回答がどのように生み出されたかについての証拠の代わりにはならない。
開発者は、実際にデプロイするバージョンと構成の変更に特に注意を払うべきだ。消費者向けアプリケーションで観察された改善が、自社サービスでの改善を自動的に意味するわけではない。評価は、ユーザーが実際に受け取る製品に追随する必要がある。
読者も、GrokとGPTの分裂を、自らの政治観に合うアシスタントを選ぶための推薦として解釈すべきではない。既存の選好との一致は、より優れた推論を証明しない。信頼できる研究プロセスは、その結論が歓迎されない場合でも精査に耐えるべきだ。
Grokの選挙推薦に関する次の主張を検討する際は、その割合の背後にある条件を尋ねてほしい。プロンプト、モデルバージョン、情報源へのアクセス、拒否率、提案された説明を裏づける証拠を確認する。最終的な選択を、システムが考慮した情報および導入した優先事項と比較する。回答が業務に重要な場合は原資料を保存し、検証済みの事実とアシスタントの判断を分ける。どちらのモデルも政治リサーチの権威として扱う前に、より有用な問いを投げかけるべきだ。なぜその結論に至ったのかを検証できるか、そして異なる優先事項を持つ人も同じ証拠を評価できるか。
