美国竞选活动 AI 支出达 1700 万美元，但披露信息只揭示了部分真相
自 2020 年以来，美国 523 名联邦候选人及委员会在 AI 上的支出至少达到 1700 万美元。然而，这一数字揭示的是矛盾，而非完整账目。人工智能已进入竞选活动的日常运作，但候选人仍不愿明确告知选民自己究竟如何使用它。
支出记录显示了员工订阅、研究服务、自动化信息、捐款人分析和选民互动平台。它们也揭示了供应商选择上的党派差异。不过，最显眼的付款仅代表竞选团队以可识别供应商名称直接申报的交易。
在 2026 年中期选举前，这一区别尤为重要。ChatGPT 和 Claude 获得了公众关注，但专门的政治平台获得的竞选资金要多得多。与此同时，顾问可以在幕后使用生成式 AI，却无需在联邦披露中写明底层工具。
结果形成了一种不同寻常的透明度缺口。竞选活动日益依赖自动化，但选民往往既看不到所用软件，也看不到支配其使用方式的人类决策。
美国竞选活动 AI 支出实际衡量的是什么
1700 万美元这一数字最好被理解为有据可查的最低值，而非对政治领域 AI 使用情况的完整估算。
Nathan E. Sanders 和 Bruce Schneier 分析了可追溯至 2020 年的逐项联邦选举委员会支出记录。他们发布的研究结果识别出 523 名联邦候选人和政治委员会向 AI 供应商支付的款项。
底层的竞选支出仪表板将收款方名称、支出说明、用途和备注文本与经研究建立的供应商分类法进行匹配。它涵盖通用系统，以及专为政治竞选活动打造的工具。
当委员会写明 OpenAI、Anthropic、Daisychain、Campaign Nucleus 或其他已识别供应商时，该方法便会捕捉到相应付款。但它无法发现所有涉及 AI 的竞选工作。
一家咨询公司可能使用语言模型起草邮件变体、分析民调反馈，或制作广告文案。竞选团队的报告可能只会列出该咨询公司，AI 提供商则不会出现在公开记录中。
竞选活动购买捆绑服务时也会出现同样的问题。一家数字代理机构可能在一张发票中整合员工工作、软件、广告和数据分析。联邦报告通常不要求该机构列出每一个涉及的分包商或应用程序。
因此，直接付款只能回答一个狭义问题：哪些可识别的 AI 供应商获得了已披露的竞选资金？它们无法完整回答 AI 介入竞选内容、定向投放、筹款或战略的频率。
这些记录还汇集了不同时代的技术。一些供应商早在现代生成式 AI 广泛普及之前，就已销售自动化信息或数据驱动的互动服务。另一些则将产品核心建立在较新的语言、图像或语音模型之上。
这一区别解释了为何总额远高于直接支付给熟悉聊天机器人公司的金额。最大笔支出往往涉及为竞选活动打造的运营平台，而非单独的 ChatGPT 订阅。
FEC 支出记录仍是关键来源。它们列出了受覆盖支出的收款方、金额、日期和申报用途，但其设计初衷并非审计政治工作流程中的每一项技术。
这一局限并不会降低研究结果的价值，反而让其含义更为精确。这些数据提供了竞选活动采用 AI 的最清晰可得下限，同时显示出现有披露规则在哪些环节失去了可见性。
时间点同样重要。2026 年选举周期的大部分支出将发生在临近选举日之际。新增报告将改变供应商总额、委员会数量，以及直接订阅和专门服务之间的分布。
当前美国竞选活动的 AI 支出已显示，这项技术不再只是零星试验。仍不确定的是，有多少活动发生在名称从不表明 AI 用途的供应商背后。
ChatGPT 和 Claude 正成为竞选办公室的软件
通用聊天机器人似乎正作为普通生产力工具进入竞选活动，尽管其政治用途仍受到限制。
分析显示，自 2024 年以来，至少有 80 个联邦竞选活动和委员会申报向 OpenAI 付款，合计披露支出约为 5 万美元。
共和党全国委员会是报告中最大的机构买家，支出接近 1 万美元。个人用户包括与 Mike Lawler、John Kennedy、Bill Cassidy、Ro Khanna 和 Ted Lieu 有关的竞选团队。
大多数条目将用途描述为办公支出、员工订阅、研究或类似行政用途。这些标签表明，ChatGPT 通常被视为办公软件，而非专门的说服平台。
不过，订阅标签无法揭示员工向系统输入了什么内容。研究、日程安排、摘要整理、信息开发和广告创作，都可能从同一个界面开始。
一项独立的竞选披露审查发现，本轮选举周期中有 39 名国会候选人申报了 OpenAI 付款。其中两份申报文件明确将订阅与广告联系起来。
OpenAI 表示，竞选活动可以将其工具用于负责任、由人主导的内部工作。其政策限制定向政治说服以及若干面向选民的活动。
这些边界造成了实际操作问题。模型可以协助研究教育提案，却可能拒绝向特定人群推广该提案的请求。执行效果也可能取决于用户如何措辞请求。
政治顾问告诉该媒体，竞选团队普遍将 AI 用于邮件、脚本和广告文案。他们还认为，候选人几乎没有动力宣传这一事实。
Anthropic 更快地形成了规模相当的政治影响力。在此前几个选举周期几乎没有披露活动后，2026 年至少有 65 名候选人或委员会申报向 Claude 的开发商付款。
申报客户中，民主党阵营约为共和党阵营的近两倍。尽管如此，最大的单一用户是共和党参议员 Tom Cotton 的竞选团队，其在 6 月披露了超过 4000 美元的 Anthropic 支出。
其他值得注意的 Claude 用户包括 Seth Bodnar、Jason Knapp 和 Mary Peltola。他们所属阵营各异，说明供应商采用并不遵循绝对的党派界线。
在向 OpenAI 或 Anthropic 付款的委员会中，只有约 12% 同时申报了两者的支出。大多数似乎只采用一款通用助手作为标准工具。
这一模式可能反映员工偏好、既有软件集成、安全决策或机构习惯。披露记录无法证明政治意识形态是其成因。
Elon Musk 的 xAI 客户群规模更小，且更偏向共和党。7 名联邦级及 2 名州级候选人或委员会申报了合计约 5000 美元的付款。
其中大部分金额来自 Robert F. Kennedy Jr. 的 2024 年总统竞选团队。其他申报客户包括共和党人 Dave McCormick 和 Thomas Massie。
与大型政治组织更广泛的技术预算相比，这些聊天机器人的总额仍然不大。它们的意义来自采用程度，而非金额规模。
一旦竞选团队让员工日常使用模型，该系统就可能影响研究、内部规划、筹款草稿和内容审核。订阅费用几乎无法说明由此产生的工作量。
这正是竞选 AI 工具类似办公基础设施的原因。其影响取决于员工使用频率，以及其输出周围设置了怎样的人类审核，而不只是月度账单显示的金额。
政治 AI 供应商正在获得更大的预算
已披露的最大笔支出流向选民联系和竞选运营，而非合成图像或聊天机器人席位。
AmplifAI 便说明了这一差异。仅在 2022 年选举周期中，这家自动化信息供应商就获得了约 470 万美元的竞选支出。
其客户包括与 Mark Kelly、Joe Biden、Bernie Sanders 和 Adam Schiff 有关的民主党竞选团队。AmplifAI 成为 Triller 的一部分后，申报支出有所下降。
自动化信息早于当前的生成式 AI 热潮。但它仍承担着一项核心政治功能：以相对较低的边际成本，通过可调整的沟通方式触达庞大的选民名单。
Daisychain 已成为一个较新的、偏向民主党的 AI 辅助短信选项。候选人委员会在 2026 年选举周期中申报约 30 万美元的 Daisychain 支出，而 2024 年约为 5 万美元。
2026 年候选人支出中，超过一半来自 Abdul El-Sayed 的密歇根州参议院竞选团队。这种集中度表明，评估总额时始终应同时考虑客户数量。
当一个委员会贡献大部分收入时，少数竞选活动便能让供应商看起来具有广泛主导地位。委员会数量揭示采用范围，金额则显示使用强度。
Campaign Nucleus 在共和党政治圈中占据类似位置。该平台与 Brad Parscale 有关联，后者曾负责 Donald Trump 的 2020 年连任竞选活动，之后离开了该职位。
共和党全国委员会及数个支持 Trump 的政治行动委员会申报了六位数的 Campaign Nucleus 支出。Mike Johnson、Kari Lake 和其他政治人物则记录了五位数付款。
它的增长也给现有供应商带来压力。Prompt.io 在 2026 年保留了约 37.5 万美元的申报支出，低于 2022 年选举周期超过 50 万美元的水平。
有一个组织让这一趋势变得复杂。由 Uber 赞助的政治行动委员会 A More Affordable California 在 2026 年申报向 Prompt.io 支出超过 100 万美元。
这一比较揭示了不同政党如何构建不同的技术栈。民主党竞选活动将显著的信息支出集中在 Daisychain 周围，而共和党组织则采用了 Campaign Nucleus 和 Prompt.io。
它们并非同一聊天机器人的简单党派版本，而是结合了竞选数据、联络系统、信息传递和面向政治组织的工作流程功能。
这种专业化可能比模型质量更重要。竞选活动面临截止期限、合规要求和复杂审批流程。围绕这些限制设计的工具，能够获得比通用助手更多的支出。
州级披露进一步印证了这一发展方向。研究人员在加利福尼亚州、科罗拉多州、马萨诸塞州和华盛顿州发现，自 2022 年以来至少有 9.2 万美元可被可靠匹配的现代生成式 AI 支出。
这些付款来自至少 108 名候选人和委员会。2026 年申报的州级支出已约为 2024 年全年识别金额的十倍。
Daisychain 在这些州的专门供应商类别中居首。OpenAI 和 Anthropic 则在通用供应商中领先。
DonorAtlas 也占据了显著位置。该系统支持捐款人潜在对象研究，加州民主党报告称向该公司支付了近 4,000 美元。
这些数字表明，AI 能在哪些环节立即创造运营价值。竞选团队需要识别支持者、确定外联优先级、起草信息，并通过多个渠道保持持续联系。
自动化承诺带来更大的信息产出量和更快的迭代速度。它还让规模较小的团队能够获得过去只有大型组织才具备的分析和内容生产能力。
这种优势迫使竞争对手采用类似工具。出于原则拒绝 AI 的竞选团队，可能会面对一个用同样人手制作出更多筹款文案变体、研究摘要和选民信息的对手。
由此形成的竞争，并不只是人类竞选人员与机器之间的较量，而是两个竞选组织之间的对抗，双方会在自动化、审核和披露方面作出不同选择。
深度伪造争议忽略了大多数竞选 AI 工具
合成媒体吸引了公众关注，但已披露的支出表明，更低调的自动化形式实际上已得到更深层次的应用。
只有六名联邦候选人或委员会报告了向合成语音技术供应商 ElevenLabs 的支出，合计约为 1,400 美元。
独立国会候选人 Samir Witta 占据了其中最大的一部分。五个联邦竞选团队或委员会报告称，向 Midjourney 支付的款项总计约 1,600 美元。
得克萨斯州共和党候选人 Sholdon Daniels 在这个小群体中居首。在所研究的四个州中，ElevenLabs 和 Midjourney 的合计支出仍不足 100 美元。
但与实际观察到的政治广告相比，这些数字就不那么令人安心了。Wesleyan Media Project 在本轮选举周期中识别出至少 164 则包含 AI 生成或 AI 增强媒体的政治广告。
这些广告对应的投放支出至少为 8,000 万美元。根据一项AI 广告审查，其中 69% 未披露其使用了 AI。
这两种衡量方式描述的是不同事物。供应商付款反映委员会直接购买了什么；广告支出则反映用于传播成品媒体的资金，无论媒体是如何制作的。
这些数字不能合并为一项 AI 支出总额。不过，二者之间的差异揭示出，有多少生产活动隐藏在代理公司、顾问和媒体采购方之后。
竞选团队可能向广告公司付费制作并投放视频。如果该公司使用了图像生成器、语音模型或剪辑助手，竞选申报文件中仍可能只列出该广告公司。
独立团体又制造了一个盲区。超级政治行动委员会和相关组织可以在不与竞选团队协调的情况下，为候选人支出资金。它们的分包商可能使用 AI，却不会在逐项报告中披露这些工具。
这有助于解释，为何直接的合成媒体付款看起来微不足道，而 AI 辅助广告却依然可见。制作成本可能被打包、间接产生，或相较于传播成本微不足道。
只聚焦深度伪造，也会让政策讨论过于狭窄。欺骗性视频固然重要，但竞选团队无需冒充任何人也能影响选民。
生成式系统可以制作数千种标题变体、筹款信息或面向特定受众的脚本。预测工具可以为捐款人和选民排序。信息平台可以大规模自动化后续跟进。
这些应用不如伪造候选人视频那样戏剧化。但由于竞选团队会在整个选举周期内反复部署它们，它们的影响也可能更为深远。
个性化带来了进一步的透明度问题。电视广告向许多选民传递相同的信息；自动化数字系统则可以向更小的受众群体投放不同论点。
观察者可能难以比较这些信息，或识别其中的矛盾。记者和对手也很难审查那些短暂出现在私人信息流或短信对话中的传播内容。
因此，核心风险并非某一则逼真的假内容，而是一套不断扩张的传播系统：它生产、测试和分发政治信息的速度，超过外部人士审查它们的速度。
AI 政治广告法律往往侧重于要求为合成图像、音频或视频添加标签。这类规则可以应对欺骗问题，却可能基本不触及自动化说服和个体化定向。
竞选团队还面临供应商政策的不确定性。OpenAI 和其他供应商限制某些政治用途，但顾问可以在不同产品之间切换，或通过中介获取模型。
某个聊天机器人拒绝响应，并不意味着整个行业存在保障机制。它反而可能促使相关工作转向限制较少的产品、开放模型或外部承包商。
当竞选团队声称最终输出由人类批准时，执法问题会更加棘手。人工审核可以减少事实错误，但并不能消除有关定向、披露或信息量的担忧。
这正是公众讨论与运营现实分离之处。选民担心的是容易识别的伪造内容，而竞选团队则从仍难以观察的常规自动化中获得更广泛的优势。
候选人从 AI 中获益，却对其使用保持沉默
竞选团队面临一个简单的政治权衡：AI 可以提高生产力，但承认使用它可能降低选民信任。
2025 年 9 月的一项 Pew 调查发现，超过 70% 的美国人会因候选人使用 AI 协助撰写演讲稿而降低对其评价。这一反应让竞选团队有充分理由模糊描述其工具。
办公支出标签在技术上言之成理，但对于 AI 是否影响了最终传递给选民的语言，几乎没有提供任何信息。
竞选团队可能会区分内部研究与最终署名。某个模型可能先总结背景材料，再由工作人员撰写演讲稿；另一个团队则可能要求它生成完整草稿，再进行编辑。
两个团队都可能报告同样的订阅支出，但它们对系统的依赖程度会存在实质性差异。
政治组织也有动力避免放弃战术优势。公开解释自动化流程，可能帮助对手复制、批评该流程，或寻找其中的错误。
因此，候选人通常只笼统谈论效率。他们很少公布提示词日志、模型输出、审核程序，或借助 AI 开发的面向选民材料清单。
这种沉默使有意义的问责变得困难。支出记录会告诉选民存在某种关系，但不会说明哪些数据进入了系统，或由此产生了哪些决策。
机密信息带来了另一项担忧。竞选团队掌握捐款人记录、选民联系方式、内部研究、战略文件和未公开的政策材料。
将这类信息上传至外部服务可能带来隐私和安全风险。风险程度取决于供应商条款、账户配置、保留设置和员工行为。
准确性仍是一个独立问题。语言模型可能生成错误陈述、虚构引文或误导性摘要。仓促行事的竞选团队，可能在审核人员发现错误之前就将其传播出去。
偏见也可能通过训练数据、提示词、定向模型和人类假设进入流程。自动化输出可能重复刻板印象，或忽视在底层信息中代表性不足的选民。
这些问题都不意味着竞选团队会放弃这项技术。竞争压力正推动它们朝相反方向发展。
报道援引的一项行业调查发现，57% 的政治顾问每天使用 AI，而一年前这一比例为 34%。这样的采用率使得回避 AI 的代价越来越高。
实际竞争正逐渐演变为负责任采用与不透明采用之间的较量。竞选团队都会使用可获得的系统，但其治理方式和公开说明可能大相径庭。
可信的披露标准可以将内部行政工作与面向选民的说服活动区分开来，也可以区分生成式内容、分析、定向和自动化分发。
当前的支出类别并未提供这种清晰度。它们的设计目的是追踪资金，而不是记录软件如何影响政治言论。
自愿透明仍然可行。竞选团队可以识别获准使用的供应商、披露主要使用场景，并说明人工审核流程，而无需公布敏感策略。
它们还可以保留记录，说明哪些面向选民的材料涉及生成式系统。独立审计人员或监管机构可以在发生争议后检查这些记录。
然而，自愿行动与选举激励相冲突。提供详细披露的候选人，可能会招致一个保持低调的对手所能避免的批评。
共同规则将减少这种不平衡。但这些规则也需要审慎定义，以避免将拼写检查、数据分析、合成媒体和定向说服视为同类活动。
挑战不在于从竞选活动中消除软件，而在于确保选民能够理解，政治传播何时受到自动化系统的实质性塑造。
2026 年中期选举前值得关注的三个信号
下一阶段将通过披露增长、外包生产以及新兴透明度规则的有效性来衡量。
第一个信号是下一轮联邦申报。研究人员应追踪，美国竞选 AI 支出是否继续集中于专业政治供应商，还是转向通用模型。
如果 OpenAI 和 Anthropic 的委员会数量大幅增加，将表明聊天机器人访问正成为标准的竞选基础设施。Daisychain 或 Campaign Nucleus 的增长，则将显示对自动化选民联系的更深层投资。
客户数量与总金额之间的区别仍将十分重要。一个大型委员会可以主导某家供应商的收入，却不能证明该技术已被广泛采用。
第二个信号是直接供应商付款与可观察到的 AI 生成广告之间的差距。这一差距将表明，有多少活动通过顾问和独立团体进行。
如果 AI 辅助广告增加，却没有相应的技术支出，将更有力地证明当前披露遗漏了大部分生产流程。
研究人员需要广告档案、竞选申报文件和供应商记录来研究这一差距。没有任何单一数据集能够覆盖这三个层面。
第三个信号是披露法律是否能实质性改变竞选行为。超过 30 个州已采用涉及选举深度伪造的限制或标签要求。
早期证据显示，即使规则已经存在，披露仍不一致。执法资源、宪法挑战和狭窄的法定定义，都可能削弱这些政策。
合成媒体上的显著标签有助于观众评估某一则广告，但它无法揭示分析、自动化个性化或生成式文本是否塑造了更广泛的竞选活动。
联邦监管机构也面临管辖权限制和政治分歧。FEC 可以执行竞选财务规则，但尚未为 AI 辅助传播建立全面的报告制度。
最有用的未来披露或许来自多种方法的结合。财务记录可以识别供应商，内容标签可以识别合成媒体，档案则可以保存定向信息。
供应商政策是另一个关键信号。如果主要供应商收紧政治限制，竞选团队可能采用企业级控制，或迁移至替代模型。
如果限制仍然不一致，工作人员和顾问将继续试探边界。主要依赖提示词拒绝的执行方式只能提供有限保障。
选民还应关注竞选团队如何解释错误。一次被纠正的幻觉、误导性图像或未经授权的信息，或许能揭示一个组织是否具备有意义的审核程序。
已披露的 1700 万美元已经表明，AI 已成为美国竞选基础设施的一部分。但这并不能证明该技术的有效性，也未揭示其完整影响。
核心问题不再是竞选团队是否使用 AI，而是选民、监督机构和监管者能否看到足够多的使用情况，从而判断其后果。
关注接下来的申报文件，将其与公开出现的政治信息进行比较，并询问竞选团队的费用说明遗漏了什么。美国竞选活动中的 AI 支出，最值得关注的恰恰是现有记录止步之处。
