Badanie ISD dotyczące chatbotów wyborczych wykazało 29% błędnych odpowiedzi, a odpowiedzi po hiszpańsku wypadają jeszcze gorzej

Badanie ISD dotyczące chatbotów wyborczych wykazało błędy w odpowiedziach na 29% podstawowych pytań o głosowanie, mimo że każdy testowany system miał dostęp do aktualnych informacji z internetu. Problemy obejmowały niedokładne, niepełne, niejednoznaczne lub nieaktualne wskazówki. Odpowiedzi stawały się wyraźnie mniej wiarygodne, gdy badacze zadawali te same pytania po hiszpańsku.

Ta luka językowa zmienia zwykły problem dokładności chatbotów w problem dostępu. Błędna rekomendacja produktu może oznaczać stratę pieniędzy. Nieprawidłowy termin rejestracji, wymóg dotyczący dokumentu tożsamości lub instrukcja głosowania korespondencyjnego mogą uniemożliwić komuś oddanie głosu.

Institute for Strategic Dialogue, czyli ISD, przetestował modele związane z OpenAI, Google, Anthropic, xAI, Meta i DeepSeek. Badacze ocenili 2 400 promptów i odpowiedzi dotyczących procedur wyborczych w 10 stanach.

Wyniki nie dowodzą, że każda odpowiedź chatbota jest błędna. Testowany model OpenAI wypadł znacząco lepiej niż kilku konkurentów. Większość systemów odrzucała również fałszywe twierdzenia przedstawiane w promptach adwersarialnych.

Trudniej zlekceważyć tę odwrotną zależność. Firmy AI coraz częściej przedstawiają chatboty jako szybkie i dostępne bramy do aktualnych informacji. Tymczasem systemy miały trudności z pytaniami faktograficznymi, na które istnieją oficjalne odpowiedzi — zwłaszcza gdy wymagały one precyzji w języku hiszpańskim.

Badanie ISD dotyczące chatbotów wyborczych testowało rzeczywiste decyzje wyborców

Badanie sprawdzało, czy chatboty potrafią przekazać wystarczająco poprawne i aktualne szczegóły, aby wyborca mógł bezpiecznie podjąć działanie.

ISD opublikował swoje badanie chatbotów wyborczych 3 września 2026 roku. Badacze Valeria de la Fuente, Max Read i Peter Benzoni przeprowadzili testy w czerwcu.

Zespół zbadał sześć modeli dostępnych w tamtym czasie. Były to GPT-5.5 firmy OpenAI, Gemini 3.5 Flash firmy Google, Sonnet 4.6 firmy Anthropic, Grok 4.3 firmy xAI, Muse Spark firmy Meta oraz V4 Pro firmy DeepSeek.

Badacze przesłali po 400 promptów do każdego modelu, uzyskując 2 400 par promptów i odpowiedzi. Zbiór danych obejmował odpowiedzi po angielsku i hiszpańsku dotyczące Arizony, Utah, Karoliny Północnej, Ohio, Teksasu, Pensylwanii, Michigan, Georgii, Kolorado i Minnesoty.

Stany te nie zostały wybrane przypadkowo. ISD wybrał jurysdykcje ze zmieniającymi się procedurami wyborczymi, oczekującymi regulacjami, toczącymi się sporami sądowymi lub historią konfliktów dotyczących administracji wyborczej.

Prompty obejmowały siedem szeroko stosowalnych pytań o rejestrację, głosowanie korespondencyjne, identyfikację i inne kluczowe procedury. Osiem dodatkowych pytań dostosowano do zasad i okoliczności każdego stanu.

Badacze przesłali również pięć promptów adwersarialnych dla każdego stanu. Pytania te celowo zawierały sporne lub fałszywe twierdzenia, co pozwoliło zespołowi sprawdzić, czy modele je korygowały, czy wzmacniały.

Ocena uwzględniała cztery wymiary. Odpowiedzi musiały być dokładne i aktualne, odpowiedzialnie traktować sporne twierdzenia, przywoływać wiarygodne źródła oraz utrzymywać jakość w języku angielskim i hiszpańskim.

To podejście ma znaczenie, ponieważ wskazówek wyborczych nie można oceniać wyłącznie na podstawie tego, czy ich główne zdanie brzmi wiarygodnie. Odpowiedź może poprawnie przedstawiać ogólną zasadę, pomijając wyjątek, który decyduje o tym, czy konkretny głos zostanie uznany.

Pensylwania dostarczyła użytecznego przykładu. Badacze pytali, jak mieszkańcy mogą się zarejestrować, czy wymagany jest dokument tożsamości oraz co dzieje się, gdy na kopercie z głosem korespondencyjnym brakuje daty.

Każde pytanie wydaje się proste. Użyteczna odpowiedź musi jednak uwzględniać procedury stanowe, zmiany prawne, sytuację wyborcy i istotne terminy. Ogólnikowy język nie wystarcza.

Badanie klasyfikowało jako problematyczne odpowiedzi niepełne, niejednoznaczne, nieaktualne lub niedokładne. Ten szerszy standard wyjaśnia, dlaczego główna liczba obejmuje więcej niż oczywiste halucynacje.

Halucynacja to zmyślona informacja przedstawiona jako fakt. W tym badaniu częstsza porażka była zwykle mniej spektakularna. Modele podawały część odpowiedzi, ale pomijały szczegóły niezbędne do działania.

To rozróżnienie powinno wpływać na interpretację wskaźnika 29%. Wynik nie oznacza, że chatboty zmyślały niemal jedną trzecią wszystkiego, co mówiły. Oznacza, że niemal jedna trzecia podstawowych odpowiedzi nie spełniała praktycznego standardu rzetelnych wskazówek dotyczących głosowania.

Dokładność chatbotów po hiszpańsku spadła w każdym testowanym modelu

Hiszpański nie był odosobnioną słabością jednego modelu. Każdy testowany system udzielał po hiszpańsku mniej dokładnych odpowiedzi niż po angielsku.

ISD stwierdził, że dokładność odpowiedzi na ogólne prompty spadła średnio o 16%, gdy badacze przeszli z angielskiego na hiszpański. Odpowiedzi po hiszpańsku były też o 6% bardziej narażone na nieaktualność lub niedokładność.

Największy problem dotyczył kompletności. Odpowiedź mogła wskazywać podstawową zasadę, ale pomijać wyjątki, etapy procedury lub lokalne szczegóły potrzebne do jej właściwego zastosowania.

Taka porażka staje się poważna, gdy chodzi o rejestrację wyborców lub obsługę kart do głosowania. Wyborca nie może naprawić pominiętego terminu, prosząc o poprawioną odpowiedź po dniu wyborów.

Luka była również widoczna w jakości i liczbie cytowań. Badacze stwierdzili, że odpowiedzi po hiszpańsku znacznie częściej nie zawierały żadnego zewnętrznego odniesienia, co ograniczało możliwość zweryfikowania wskazówek przez użytkownika.

Słabe wskazywanie źródeł sugeruje, że dokładność chatbotów po hiszpańsku zależy od czegoś więcej niż bezpośredniego tłumaczenia. Model musi wyszukiwać aktualne materiały w języku hiszpańskim, rozpoznawać wiarygodne źródła i zachowywać rozróżnienia proceduralne podczas syntezy.

Błędy tłumaczeniowe dodały kolejną warstwę problemu. De la Fuente opisała przypadki, w których modele myliły terminy dotyczące lokali wyborczych i okręgów wyborczych. W jednej odpowiedzi użyto słowa związanego z kategoriami rasowymi w odniesieniu do wyborczego wyścigu.

Inny model miał rzekomo przełożyć angielskie słowo „registration” na niezręczny hiszpański termin „registración”. Właściwym terminem wyborczym w tym kontekście było „registro”.

Dla osoby anglojęzycznej przykłady te mogą brzmieć jak drobiazgi. Nie są drobiazgami, gdy użytkownik musi wskazać właściwy urząd, formularz, jurysdykcję lub proces rejestracji.

Testowany model Meta odnotował najszerszą zgłoszoną lukę językową. Odsetek dokładnych i kompletnych odpowiedzi Muse Spark spadł z 61,3% po angielsku do 38% po hiszpańsku.

Gemini 3.5 Flash firmy Google spadł z 84% po angielsku do 64% po hiszpańsku. Ta różnica 20 punktów procentowych pojawiła się mimo że Google twierdzi, iż Gemini ma dostarczać dokładne i aktualne informacje w różnych językach.

GPT-5.5 osiągnął najlepsze wyniki ogółem. Udzielał dokładnych i kompletnych odpowiedzi w 89,3% przypadków po angielsku oraz w 82% po hiszpańsku.

Ta względna przewaga jest istotna, ale nie usuwa podstawowego problemu. Wskaźnik powodzenia na poziomie 82% nadal pozostawia znaczące pole do błędu, gdy użytkownicy proszą o instrukcje dotyczące wykonywania prawa obywatelskiego.

Ustalenia kontynuują również udokumentowany wzorzec. Ocena z 2024 roku wykazała błędne informacje w 52% odpowiedzi po hiszpańsku, w porównaniu z 43% odpowiedzi po angielsku, w pięciu ówczesnych modelach.

Ten wcześniejszy test dokładności językowej obejmował inne modele, prompty i okoliczności wyborcze. Jego wartości procentowe nie powinny być traktowane jako bezpośredni szereg czasowy.

Mimo to obie oceny wykazały ten sam kierunkowy problem. Przejście na język hiszpański obniżało wiarygodność, nawet gdy zmieniały się testowane modele i ich możliwości wyszukiwania w internecie.

Rzeczywisty konflikt dotyczy dostępności kontra niezawodność

Chatboty ułatwiają pytanie o złożone informacje wyborcze, ale ta dostępność staje się niebezpieczna, gdy pewność siebie przewyższa dokładność.

Interfejsy konwersacyjne usuwają kilka barier. Użytkownicy mogą opisać nietypowe okoliczności, zadawać pytania uzupełniające i prosić o prostszy język bez konieczności poruszania się po złożonej stronie rządowej.

Korzyści te mają znaczenie w Stanach Zjednoczonych, gdzie administracja wyborcza jest zdecentralizowana. Zasady różnią się między stanami i mogą różnić się także między hrabstwami, miastami i gminami.

Amerykańska Election Assistance Commission podaje, że w kraju działa ponad 10 000 jurysdykcji wyborczych. Każda z nich może obejmować innych urzędników, procedury, metody głosowania i lokalne zasoby.

Chatbot wydaje się dobrze dopasowany do tej złożoności. Może przeszukiwać kilka stron, streszczać zasady i dostosowywać odpowiedź do lokalizacji wyborcy.

Wyniki ISD pokazują, dlaczego to pozorne dopasowanie jest również pułapką. Im bardziej szczegółowe staje się pytanie, tym bardziej szkodliwy może być brakujący warunek.

Modele językowe generują odpowiedzi, przewidując tekst na podstawie wzorców i pozyskanych informacji. Nie rozumieją z natury, który pominięty szczegół unieważni rejestrację lub kartę do głosowania.

Dostęp do internetu powinien ograniczać liczbę nieaktualnych odpowiedzi, ale nie gwarantuje niezawodnego wyszukiwania. Model może znaleźć starą stronę, błędnie zrozumieć aktualną albo połączyć zasady z różnych jurysdykcji.

V4 Pro firmy DeepSeek miał odwoływać się do dat wyborów z 2024 roku w 15 odpowiedziach na pytania o wybory w 2026 roku. Sonnet 4.6 firmy Anthropic trzykrotnie opisał obecne wybory jako cykl z 2025 roku.

Muse Spark firmy Meta dwukrotnie podał błędną datę wyborów, wskazując 4 listopada zamiast 3 listopada. Nie był to ukryty niuans prawny. Był to podstawowy fakt kalendarzowy.

Błędy te wywierają presję na każdą firmę oferującą asystentów połączonych z wyszukiwaniem. Obietnica produktu coraz częściej wykracza poza kreatywne tworzenie szkiców i obejmuje syntezę faktów, badania oraz wsparcie w osobistym podejmowaniu decyzji.

Informacje wyborcze ujawniają słabość tej obietnicy. Dopracowana odpowiedź może kompresować kilka źródeł, jednocześnie ukrywając, które zdanie pochodzi od którego autorytetu.

Użytkownik staje wówczas wobec asymetrycznego ryzyka. Przyjęcie poprawnej odpowiedzi oszczędza kilka minut. Przyjęcie pewnej siebie, lecz niepełnej odpowiedzi może wpłynąć na rejestrację, dostęp do lokalu wyborczego lub ważność głosu.

Ryzyko to jest szczególnie istotne, ponieważ korzystanie z chatbotów jest już powszechne. Badanie wykorzystania AI z 2026 roku wykazało, że 49% dorosłych Latynosów korzystało z chatbotów przynajmniej okazjonalnie.

Badanie wykazało codzienne użycie wśród 26% dorosłych Latynosów, w porównaniu z 24% wszystkich dorosłych w USA. Dane te dotyczą ogólnego korzystania z chatbotów, a nie konkretnie pytań wyborczych.

ISD zauważył również, że stosunkowo niewielu wyborców świadomie szuka informacji politycznych za pośrednictwem chatbotów. Użytkownicy coraz częściej napotykają jednak podsumowania AI w produktach wyszukiwania, przeglądarkach i narzędziach zwiększających produktywność.

Ta pośrednia ekspozycja zmienia stawkę. Nie trzeba otwierać dedykowanego chatbota i prosić o poradę wyborczą, aby otrzymać wygenerowany przez AI opis zasad głosowania.

Lepsze obalanie fałszywych twierdzeń nie naprawiło rutynowych błędów wyborczych

Systemy na ogół opierały się celowo zasianym fałszywym informacjom, lecz nadal błędnie obsługiwały zwykłe pytania, które wyborcy częściej zadają.

Adwersarialne prompty ISD zawierały fałszywe lub sporne twierdzenia. Jedynie 1,3% odpowiedzi po angielsku i 2,3% odpowiedzi po hiszpańsku wykazało tendencję do potwierdzania lub wzmacniania tych twierdzeń.

To najbardziej zachęcający wynik badania. Sugeruje, że zabezpieczenia wyborcze mogą pomagać modelom odrzucać znane narracje o oszustwach lub wcześniej obalone kontrowersje.

Silniejsze wyniki wskazują również, że firmy zainwestowały w rozpoznawanie kontrowersyjnych pytań dotyczących wyborów. Kilku deweloperów wprowadziło zasady, dostrojenie zabezpieczeń lub odsyłanie do zaufanych źródeł informacji wyborczych.

Mimo to zabezpieczenia te koncentrują się na widocznej kategorii szkód. Pytanie sugerujące masowe oszustwa wyraźnie sygnalizuje, że model powinien zwolnić, zakwestionować założenie lub sięgnąć do zweryfikowanych źródeł.

Zwykłe pytania mogą nie uruchamiać tych samych zabezpieczeń. Zapytanie, gdzie się zarejestrować lub czy wymagany jest dokument tożsamości, brzmi niewinnie, nawet jeśli niepełna odpowiedź ma bezpośrednie konsekwencje.

Prowadzi to do znamiennego odwrócenia sytuacji. Chatboty często lepiej radziły sobie z celowo wprowadzającymi w błąd założeniami niż z rutynowymi pytaniami proceduralnymi.

Wynik ten podważa wąską definicję dezinformacji wyborczej. Szkoda nie wymaga skoordynowanej kampanii wpływu ani sfabrykowanej teorii spiskowej.

Nieaktualny termin może wprowadzać w błąd. Pominięty wyjątek dotyczący uprawnień również może wprowadzać w błąd. W błąd może też wprowadzać odpowiedź, która podaje ogólną zasadę stanową, nie wyjaśniając lokalnej administracji.

Oficjalne wytyczne dotyczące AI Komisji Pomocy Wyborczej jasno rozróżniają te kwestie. Ostrzegają, że wiarygodnie brzmiące informacje wygenerowane przez AI często są niedokładne i mogą być szczególnie szkodliwe dla wyborców.

Wyniki badania dotyczące źródeł pomagają wyjaśnić te porażki. Oficjalne informacje wyborcze są rozproszone między stronami sekretarzy stanu, stronami hrabstw, orzeczeniami sądów, aktualizacjami legislacyjnymi i dokumentami pomocy dla wyborców.

Niektóre z tych zasobów są często aktualizowane. Inne pozostają online po zakończeniu danego cyklu wyborczego, tworząc środowisko wyszukiwania, w którym stare i aktualne wytyczne mogą wyglądać równie wiarygodnie.

Problem nasila się w języku hiszpańskim. Autorytatywne tłumaczenia mogą pojawiać się później, obejmować mniej pytań lub używać języka różniącego się między jurysdykcjami i społecznościami.

Chatbot może więc znaleźć poprawną angielską stronę, nie znajdując równoważnego źródła po hiszpańsku. Może sam przetłumaczyć angielską treść, streścić mniej autorytatywną stronę albo odpowiedzieć bez cytowań.

Max Read, dyrektor ds. innowacji obywatelskich w ISD, opisał chatboty jako narzędzia, które czasem przekazują więcej, niż użytkownicy prosili. Ich pewne siebie rozwinięcia mogą zniekształcać informacje, sprawiając jednocześnie wrażenie pomocnych.

Tendencja ta jest znana w całej kategorii produktów generatywnej AI. Modele są optymalizowane pod kątem udzielania odpowiedzi, a nie prostego stwierdzania, że decyzję powinno podjąć oficjalne źródło.

W przypadku pytań wyborczych powściągliwość może być bezpieczniejszą zdolnością. Odpowiedzialny system powinien rozpoznawać, kiedy lokalne przepisy, postępowania sądowe lub brakujący kontekst uniemożliwiają udzielenie jednoznacznej odpowiedzi.

Benchmark ma ograniczenia, ale ostrzeżenie pozostaje aktualne

Badanie jest istotnym migawkowym obrazem sytuacji, a nie trwałym rankingiem firm AI ani kompletną symulacją korzystania przez konsumentów z chatbotów.

Większość modeli testowano za pośrednictwem OpenRouter i interfejsów programowania aplikacji, czyli API. API pozwala oprogramowaniu wysyłać polecenia bezpośrednio do modelu bez korzystania z jego zwykłego interfejsu konsumenckiego.

Muse Spark firmy Meta testowano przez publiczny portal, ponieważ badacze nie mieli dostępu do API. Ta różnica komplikuje bezpośrednie porównania Meta z pozostałymi deweloperami.

Aplikacje konsumenckie mogą dodawać do bazowego modelu instrukcje systemowe, narzędzia wyszukiwania, ostrzeżenia dotyczące wyborów i filtry bezpieczeństwa. Odpowiedź z API może nie obejmować takich samych zabezpieczeń.

Anthropic podkreślił to ograniczenie w swojej odpowiedzi na doniesienia o badaniu. Firma stwierdziła, że konfiguracja zewnętrznego API nie odzwierciedla sposobu, w jaki większość ludzi korzysta z Claude, ani nie obejmuje konsumenckiej funkcji informacji wyborczej.

Zastrzeżenie jest uzasadnione. Benchmark modelu nie powinien automatycznie stawać się benchmarkiem produktu, gdy produkt stosuje dodatkowe warstwy wyszukiwania i bezpieczeństwa.

Ograniczenie to nie unieważnia jednak szerszego ustalenia. Deweloperzy wykorzystują API do budowania usług, z którymi ludzie stykają się za pośrednictwem innych stron internetowych i aplikacji.

Badanie testowało również każde dostosowane pytanie tylko raz dla każdego modelu. Modele językowe mogą generować różne odpowiedzi po powtórzeniu polecenia, nawet bez widocznej zmiany produktu.

Pojedyncza odpowiedź nie może zatem ustalić trwałego wskaźnika błędów modelu dla każdego użytkownika. Silniejszy test podłużny powtarzałby polecenia w czasie, w różnych interfejsach i w kontrolowanych warunkach kont.

Modele zmieniły się także od czerwca. Kilka firm wydało aktualizacje przed publikacją raportu, więc dokładne rankingi mogą już być inne.

Ograniczenia te mają największe znaczenie przy porównywaniu poszczególnych deweloperów. Mniej wpływają na główny wniosek, że wszystkie sześć testowanych systemów generowało błędy w informacjach wyborczych.

Badanie należy więc czytać jako test obciążeniowy kanału informacyjnego, a nie ostateczną tabelę ligową. Wiodący wynik GPT-5.5 nie gwarantuje poprawności każdej odpowiedzi ChatGPT.

Podobnie niski wynik Muse Spark nie dowodzi, że każdy interfejs Meta AI będzie działać identycznie. Pokazuje, że oceniany system często zawodził w zarejestrowanych warunkach.

Dowody historyczne wzmacniają tę interpretację. Na początku 2024 roku urzędnicy wyborczy i badacze przetestowali pięć wcześniejszych modeli i uznali ponad połowę ich odpowiedzi za niedokładne.

Uczestnicy wcześniejszego testu chatbotów wyborczych sklasyfikowali 40% odpowiedzi jako szkodliwe. Niektóre systemy wymyślały lokale wyborcze lub opierały się na nieaktualnych informacjach.

Nowsze badanie ISD dotyczące chatbotów i wyborów wskazuje na poprawę w kilku obszarach, zwłaszcza w odporności na celowo podsycane fałszywe twierdzenia. Pokazuje również, że niezawodność proceduralna pozostaje nierozwiązanym problemem.

To właściwa równowaga. Dowody nie uzasadniają twierdzenia, że chatboty zawsze dezinformują wyborców. Nie uzasadniają też traktowania obecnych asystentów jako autorytatywnych urzędników wyborczych.

Na co wyborcy i firmy AI powinni zwrócić uwagę w następnej kolejności

Trzy sygnały pokażą, czy luka językowa się zmniejsza: powtarzane publiczne testy, silniejsze oparcie na oficjalnych źródłach oraz mierzalna równoważność w produktach konsumenckich.

Pierwszym sygnałem jest powtarzana ocena przed wyborami 3 listopada. Badacze powinni ponownie uruchamiać identyczne polecenia w kilku terminach, ponieważ zmieniają się zarówno przepisy wyborcze, jak i zachowanie modeli.

Powtarzane testy ujawniłyby, czy błędne odpowiedzi utrzymują się, czy znikają po aktualizacjach systemów przez deweloperów. Pozwoliłyby także oddzielić przypadkową zmienność od systematycznych słabości.

Drugim sygnałem jest jakość cytowań. Użyteczna odpowiedź powinna kierować wyborców do właściwego organu stanowego lub lokalnego, a nie jedynie dołączać kilka linków.

Oficjalne źródła muszą być również aktualne i odpowiednie językowo. Odpowiedź po hiszpańsku powinna łączyć użytkowników z hiszpańskojęzycznymi wytycznymi, jeśli takie źródło istnieje.

Komisja Pomocy Wyborczej prowadzi wielojęzyczne FAQ dla wyborców i kieruje wyborców do stanowych oraz terytorialnych stron wyborczych. Te oficjalne miejsca docelowe powinny pozostać ostatecznym autorytetem w sprawie terminów, wymogów dotyczących identyfikacji i lokalizacji lokali wyborczych.

Trzecim sygnałem jest równoważność w interfejsach konsumenckich. Firmy powinny testować kompletne produkty, z których ludzie faktycznie korzystają, w tym polecenia systemowe, wyszukiwanie w sieci, komunikaty bezpieczeństwa i funkcje lokalizacyjne.

Publikowanie wyników dokładności wyłącznie po angielsku nie ujawni, czy użytkownicy hiszpańskojęzyczni otrzymują ten sam poziom szczegółowości. Deweloperzy potrzebują wskaźników specyficznych dla języka, obejmujących poprawność, kompletność, aktualność i autorytatywne cytowania.

Firmy przedstawiły różne odpowiedzi. Meta twierdzi, że jej asystent został zaprojektowany tak, aby dostarczać zlokalizowane informacje lub kierować użytkowników do zaufanych źródeł rządowych.

Google twierdzi, że stale poprawia zdolność Gemini do udzielania terminowych i dokładnych odpowiedzi w różnych językach. Anthropic twierdzi, że Claude został zaprojektowany tak, aby dokładnie odpowiadać na pytania dotyczące głosowania i podważać fałszywe twierdzenia.

OpenAI i Anthropic ogłosiły również współpracę z Democracy Works, organizacją non-profit dostarczającą informacje o głosowaniu. Takie partnerstwa mogą poprawić wyszukiwanie, lecz ich skuteczność wymaga niezależnych testów.

Badanie ISD dotyczące chatbotów i wyborów ustanawia praktyczny punkt odniesienia dla takiej kontroli. Problem nie polega na tym, czy jeden model wygrywa benchmark o kilka punktów procentowych.

Prawdziwy test polega na tym, czy wyborca może działać na podstawie odpowiedzi, nie odkrywając później, że pominięta data, lokalny wyjątek lub błąd tłumaczenia zmieniły jej znaczenie.

Na razie użytkownicy powinni traktować chatboty jako punkt wyjścia do formułowania pytań, a nie jako ostateczne autorytety w sprawach procedur głosowania. Każdą odpowiedź, na podstawie której można podjąć działanie, należy zweryfikować w stanowym lub lokalnym urzędzie wyborczym. Jeśli odpowiedź nie zawiera aktualnego oficjalnego źródła, poproś system o nie i sprawdź je bezpośrednio. Firmy AI powinny tymczasem publikować powtarzane dwujęzyczne oceny zamiast opierać się na ogólnych twierdzeniach o jakości wielojęzycznej. Urzędnicy wyborczy mogą pomóc, utrzymując aktualne, łatwe do wyszukania wytyczne zarówno po angielsku, jak i po hiszpańsku. Przed wyborami środka kadencji decydujące pytanie jest proste: czy niezależnie powtarzane testy pokażą, że hiszpańskojęzyczni wyborcy wreszcie otrzymują równie kompletne, oparte na źródłach wytyczne jak wyborcy anglojęzyczni?