Запускаю стандартный OSINT-чеклист на новый проект. Дообучаю модель на датасете из открытых утечек — и через час понимаю, что модель начала генерировать данные, которых в датасете не было. Она их придумала. С полной уверенностью в себе, детально и убедительно. Мне потребовалось три часа, чтобы это обнаружить и вычистить результаты. Классический ИИ-галлюцинатор, и в OSINT это не просто неприятно — это опасно.
Этот пост — про то, где ИИ реально помогает в разведке по открытым источникам, а где он создаёт иллюзию работы и съедает время.
Что ИИ делает хорошо
Начну с честного. Есть задачи, где ИИ экономит часы рутины.
Классификация и фильтрация. Когда у тебя сотни страниц текста — логов, постов, документов — ИИ умеет быстро вытащить нужное. Я недавно разбирал архив переписки на 2000 сообщений. Запустил модель с простым промптом: «Выдели сообщения, где упоминаются конкретные имена, даты и суммы». Справилась за минуту. Я бы потратил на это вечер.
Суммаризация длинных текстов. PDF-отчёты, длинные статьи, выгрузки с форумов — ИИ нормально сворачивает это в структурированные выжимки. Не идеально, но как первый проход — вполне.
Генерация гипотез для проверки. Это недооценённая фича. ИИ неплохо перебирает варианты: «Кто мог иметь доступ?», «Какие инструменты использовал?». Это не ответы — это подсказки, от которых ты потом отталкиваешься с головой.
Работа с неструктурированными данными. Если у тебя данные хоть как-то организованы — текст, таблицы, скриншоты с OCR — ИИ может связывать между собой то, что человек будет соединять мучительно долго.
Где ИИ ломается
Теперь больное. Я наступил на все эти грабли, и не один раз.
Фактчекинг — не его работа. ИИ не проверяет данные. Он генерирует правдоподобный текст. И это катастрофа в OSINT, где каждая цифра, каждое имя, каждая дата — должны быть достоверными. Если модель не нашла информации, она часто не скажет «не знаю». Она скажет что-то уверенное и при этом несуществующее. Единственный способ с этим жить — верификация каждого факта через отдельный источник. ИИ выдаёт направление, человек проверяет.
Даты, числа, идентификаторы — это боль. Попроси ИИ извлечь из текста конкретные номера телефонов или ID в социальных сетях. Он легко ошибётся или пропустит. Я однажды потратил полчаса, потому что модель «подправила» найденные данные под более привычный формат — и испортила половину записей.
Проблема актуальности. ИИ обучен на данных до определённой даты. Он не знает, что новый сервис изменил API, что человек переехал, что утечка данных случилась вчера. Если ты работаешь с актуальными данными — а в OSINT это почти всегда так — модель будет слепа к свежему.
Выход за рамки обучения. Модель хорошо работает с тем, что было в её тренировочных данных. Экзотическая платформа, закрытое сообщество, специфический диалект — ИИ там бесполезен. Он просто не знает, как это устроено.
Как я сейчас работаю
После пары крупных косяков я выработал подход, который держит меня в рамках.
Никогда не даю ИИ final output. Только промежуточные шаги. Он генерирует список имён — я проверяю каждое вручную. Он находит связи — я перепроверяю через открытые источники. ИИ как усилитель: он ускоряет то, что уже работает, но не заменяет саму работу.
Промпты решают. Я потратил время и понял, что разница между «найди все упоминания X за последний год» и «найди все упоминания X в новостных источниках за период с января по март 2024, игнорируй форумы» — колоссальная. Чем точнее запрос, тем меньше мусора на выходе.
Отдельный вопрос — инструменты. Я перепробовал несколько и остановился на связке: конкретная модель для работы с текстом, отдельный тул для поиска по базам утечек, плюс ручной воркфлоу для финальной сверки. ИИ не заменяет эту связку — он просто быстрее закрывает часть этапов.
Коротко
ИИ в OSINT — это ускоритель для рутины и разведчик для гипотез. Он не заменяет аналитика и не даёт достоверных фактов на выходе. Если ты готов постоянно проверять, перепроверять и не верить ему на слово — он сэкономит тебе часы. Если ждёшь готовых ответов — он будет уверенно тебя обманывать.
У меня ушло несколько неудачных проектов, чтобы это принять. Теперь я отношусь к ИИ примерно как к стажёру: много обещает, часто ошибается, но когда делает правильно — дело движется быстро.
