OSINT для ленивых. Часть 19: ИИ как инструмент

Ранее, в доИИшную эпоху, ОСИНТ развивался как преимущественно ручная дисциплина. Нужно было последовательно отрабатывать источники, фиксировать данные и выстраивать логические связи. Вся работа велась в рукопашную.
Такой подход был еще приемлем, пока объем доступной информации еще можно было переварить и обработать. По состоянию на сегодня, ситуация поменялась чуть менее, чем кардинально. По данным IDC, по состоянию на 2024 ежедневно генерировалось около 408 квинтиллиона байт данных; только в социальных сетях публикуются сотни миллионов единиц контента в сутки. Ни один аналитик, ни одна команда аналитиков не способны перелопатить такой объем вручную. Тут не то, что ленивым, тут и трудолюбивым осинтерам становится тяжко. Даже, если отрабатывать какой-то узкий сегмент информации, то все равно, количество информации, которую приходится отрабатывать, – впечатляет.
Учитывая тот факт, что поисковые машины выдают все больше шлака и “белого шума”, а так же то, что по данным Pew Research Center и аналогичных организаций, следы ИИ найдены в 10…35% выдаваемого на гора контента, ситуация становится еще сложнее.

Но, “кто нам мешает, тот нам и поможет”. Можно и нужно применять ИИ модели для сбора и обработки данных, для их верификации и т.д. и т.п. Конечно, ИИ не заменяет живого человека, но он снимет операционную нагрузку, делегируя машине сбор, первичную фильтрацию и структурирование данных. Тем самым, он берет на себя всю рутину и высвобождает время и внимание ^[1] для контекстуальной интерпретации, этического суждения и вывода. Нам, все же, еще есть чем заняться.

Тем не менее… Эми До в своей статье “OSINT 3.0: Embracing the Generative AI Revolution” (https://indagotech.com/all-articles/osint30-embracing-gai-revolution ^[2] январь 2025 года) охарактеризовала генеративный ИИ как “крупнейший сдвиг в ОСИНТ за последние двадцать лет” – своего рода начало эпохи OSINT 3.0, в которой скорость, масштаб и мультимодальность становятся базовыми характеристиками разведывательного процесса, а не конкурентным преимуществом. Под “ИИ в ОСИНТ” нужно понимать не просто чатик с малообучаемым ботом или разговор с “умной” колонкой, а целую пачку взаимодополняющих методов. Понимание того, как они работают необходимо для осознанного применения. Метод “научного тыка” тут неприемлем.
Чтобы не сваливать все в кучу, разобьем применение ИИ по основным направлениям и применяемым технологиям.

Обработка естественного языка (NLP)

Модели NLP – от классических подходов на основе TF-IDF до современных трансформеров (BERT, GPT, LLaMA) – обеспечивают автоматический анализ текстового контента в масштабе, недоступном ручным методам. Конкретные применения в ОСИНТ: тематическое моделирование массивов публикаций, автоматическое извлечение именованных сущностей (персон, организаций, географических объектов, дат), анализ тональности и эмоциональной окраски, атрибуция авторства по стилометрическим признакам, детекция машинно-генерируемых текстов. Большие языковые модели (LLM) способны суммировать многостраничные документы, отвечать на аналитические вопросы по корпусу данных и генерировать структурированные отчёты из неструктурированного сырья.

Компьютерное зрение

Визуальные данные составляют приличную (если не основную) долю ОСИНТ-материалов, но долго оставались труднообрабатываемыми. ИИ-модели компьютерного зрения ^[3] изменили это. Современные инструменты — GeoSpy, Picarta, Google Vision AI – способны определять вероятное место съемки фотографии по архитектурным деталям, растительности, дорожным знакам и теням с довольно высокой точностью. Помимо геолокации, компьютерное зрение используется для анализа военной техники и вооружений по фотографиям, идентификации лиц (с учетом правовых ограничений), обнаружения манипуляций с изображениями (forensic analysis), а также извлечения текста из изображений (OCR) и скриншотов.

Мультимодальные модели

Так же перспективненько выглядят и мультимодальные ИИ-системы, способные одновременно обрабатывать текст, изображения, видео, аудио и структурированные данные. Современные модели могут отсканировать 50-страничный отчет по кибербезопасности и автоматически извлекать все IP-адреса, домены и хэши вредоносных программ. Это принципиально меняет логику ^[4] исследования. Вместо последовательного изучения источников разного типа можно работать с единым синтезированным представлением.

Машинное обучение и обнаружение аномалий

Алгоритмы обнаружения аномалий (Isolation Forest, LSTM-автоенкодеры, One-class SVM) идентифицируют нетипичные паттерны поведения ^[5] в данных – это именно то, что требуется для выявления скоординированных кампаний влияния, ботнетов и инсайдерских угроз. Как раз то, что приобретает решающую роль в нашем информационном мирке. Машинное обучение ^[6] соединяет изолированные сигналы – образец вредоносного программного обеспечения, коммит на GitHub, сообщение на форуме в единую когерентную картину. То, на что трудолюбивому осинтеру потребовались бы дни перекрестных проверок, теперь занимает секунды и стало доступно нам, – лентяям.

Графовые нейронные сети и анализ связей

Graph Neural Networks (GNN) – специализированный класс моделей для работы с сетевыми структурами – позволяют выявлять скрытые связи между акторами, организациями и инфраструктурными объектами. LLM-агенты, снабженные инструментами для работы с динамическими графами, способны в реальном времени отслеживать, как формируются и эволюционируют сети влияния, финансовые схемы и инфраструктуры.

Список получился довольно приличный. Двигаем дальше.

Инструменты ИИ для ОСИНТ: обзор и сравнение

Из-за того, что работа в ОСИНТ усложняется, а потребности ^[7] исследователей и заказчиков все растут, то и рынок ИИ-инструментов для ОСИНТ – тоже развивается.
Ниже, в таблице я привел сравнение наиболее значимых решений по ключевым параметрам:

Очевидно, что целесообразность применения ИИ определяется конкретными задачами, в которых машинный подход превосходит ручную работу по скорости, охвату или воспроизводимости.
Разберем сценарии применения и направления, в которых они применяются.

Мониторинг угроз и киберразведка

Если ранее, в поисках индикаторов компрометации (IoC) требовалось просматривать Telegram-каналы, дампы Pastebin, репозитории GitHub и форумы даркнета вручную, то на данный момент ИИ-системы отлично справляются с автоматизацией процесса. Они могут постоянно сканировать источники, извлекать IoC, верифицировать их по базам данных и репутации. При этом, платформы с локальной обработкой данных на основе vLLM, при правильно настроенном файрволе и настройках сети, обеспечивают вполне себе приемлемый уровень конфиденциальности. Считается, что данные клиента не должны покидать защищенный периметр. Реальный уровень безопасности может отличаться от “нормативного” и сильно зависит от конкретных условий.

Выявление дезинформации и операций влияния

Работа по выявлению скоординированного неаутентичного поведения ^[8] в социальных сетях (проще говоря, ботоферм), обработка данных множества аккаунтов сильно упрощаются благодаря ИИ. Он может анализировать временные паттерны активности, лингвистическую энтропию текстов, сетевые структуры ретвитов и характеристики медиаконтента, выявляя признаки машинной генерации или координации на порядки быстрее человека. Модели обнаружения дипфейков и AI-генерируемого контента (детекторы на основе частотного анализа и т.п.) стали обязательным компонентом верификационного инструментария и антифрод систем.
Таким образом, выявление скоординированных активных мероприятий, информационных и мошеннических компаний стало значительно проще.

Геолокация и верификация визуального контента

AI-геолокация изображений – все еще остается одним из наиболее практически значимых направлений. Не смотря на то, что процент ошибки ^[9] все еще достаточно высок, а работа с метаданными у большинства моделей по прежнему вызывает вопросы (требует специальных инструментов), – прогресс очевиден. Если даже в 2025 году точность большинства бесплатных моделей по локализации редко превышала определение на уровне страны, то теперь это стало нижним порогом. Более продвинутые модели, также сделали серьезный рывок, но их прогресс сильно неравномерен.

Корпоративная и финансовая разведка

AI-агенты, оснащенные инструментами для работы с публичными реестрами, финансовой отчетностью и базами данных юридических лиц, могут строить графы корпоративной собственности, много быстрее. Автоматическое связывание данных из разных реестров (по имени руководителя, адресу, номеру телефона, паттернам дат регистрации) очень эффективно выявляет сети аффилированных компаний, невидимые при изолированном изучении каждого источника.

LLM-агенты как новая парадигма ОСИНТ

Наиболее значимый сдвиг 2024–2026 годов – это переход от AI как отдельного инструмента к AI как автономному агенту, способному самостоятельно планировать и исполнять многошаговые задачи в различных направлениях ОСИНТ.

Архитектура современного LLM-агента в этой сфере включает несколько компонентов:
Модуль планирования пр помощи разных техник декомпозирует сложный аналитический запрос на последовательность подзадач.
Инструментарий предоставляет доступ к поисковым движкам, ОСИНТ-базам данных, Python-интерпретатору и браузеру.
Модуль памяти ^[10] сохраняет контекст и промежуточные результаты.
Граф знаний обеспечивает накопление и связывание разведывательных данных между сессиями.

К чему весь этот длинный список? Из всего перечисленного следует, что ИИ мы можем смело делегировать хорошо формализуемые этапы работы, при этом критические результаты должны проходить обязательную проверку ввиду того, что именно на стадии интерпретации как раз и возможны пропуски, ошибки.
Результат мы можем получить уже в виде относительно лаконичных и наглядных отчетов для дальнейшей работы. “Специализация” ИИ-агентов сильно зависит от конкретных решаемых задач. Таким образом, хорошо иметь несколько специализированных ИИ-агентов для выполнения задач, которые не пересекаются друг с другом непосредственно.

Исследования подтверждают практическую эффективность такой архитектуры: интеграция chain-of-thought техник и инструментного стека повышает точность ответов LLM на ОСИНТ-вопросы, выходящие за пределы обучающих данных, на 86% по сравнению с базовой моделью. В США первыми формализовали это направление: в рамках DNI-стратегии 2024–2026 годов военные ведомства экспериментировали с генеративным ИИ для интерпретации разведывательных данных. Порядка двух третей государственных органов безопасности США в настоящее время используют ИИ платформы в OSINT для составления карт цифровых угроз.
Но, как обычно, в этом вагоне меда не обошлось и без ведерка качественного дегтя.

Ограничения и критические риски

Объективный анализ ИИ в ОСИНТ требует признания его принципиальных ограничений – тех, которые нельзя устранить совершенствованием моделей. Многие аналитики называют проблемы проверки источников и достоверности данных одной из главных проблем. Объем фейкового контента, липовых личностей растет прямо пропорционально прогрессу AI. Злоумышленники так же берут его на вооружение. Google и OpenAI в своих отчетах отмечают, что злоумышленники используют генеративный ИИ преимущественно для ускорения старых тактик – фишинга, разведки, генерации контента, прежде всего как масштабирующий множитель, а не качественный скачок. 
Но в 2026 Google уже описывает не только ускорение старых процессов. В отчёте Google Threat Intelligence Group от ноября 2025 года говорится и об экспериментах с новыми AI-enabled capabilities, включая AI-powered malware, способный динамически менять код, а также другие новые способы применения ИИ. В феврале 2026 года Google снова писал о сочетании разведки, фишинга и разработки вредоносного ПО с использованием AI.
Так что, у “черных” ИИ пока что есть существенное ограничение ввиду того, что корпоративные и государственные системы все еще мощнее и могут позволить себе привлекать больший ресурс по сравнению с разрозненными группировками.
Ниже, в табличке приведены типичные проблемы AI относительно применения в ОСИНТ

Этические и правовые измерения работы с ИИ

Интеграция ИИ в ОСИНТ порождает, также и этические вопросы, которые профессиональное сообщество только начинает осмысливать. Три из них заслуживают особого внимания.

Атрибуция и стандарт доказательства. AI-выводы об авторстве, геолокации или аффилиации нередко подаются с высоким уровнем уверенности, но не подкреплены четко верифицируемой методологией. В журналистских расследованиях и судебных разбирательствах это создает риск ложных обвинений на основе статистической корреляции, а не доказательств, что в принципе не укладывается в общие принципы юриспруденции. Тем не менее, аргументация и апелляция к выводам ИИ как доказательству находит все более широкое применение, что не может не внушать опасений. 

Приватность и несоразмерность. Возможность ИИ агрегировать публичные данные из десятков источников в детальный профиль частного лица (при том, что каждый отдельный источник публичен и легален) создает качественно иной уровень вторжения в частную жизнь, не предусмотренный действующим законодательством большинства стран. То есть, формально закон соблюден, но по сути, – приватность нарушена.

Асимметрия доступа. Государственные акторы и крупные корпорации получают доступ к значительно более мощным инструментам, чем независимые журналисты, НКО и гражданские исследователи. Это смещает баланс сил в информационной среде не в пользу публичного интереса ^[11], а в пользу корпораций и гос аппарата.

Симбиоз: AI и человек в ОСИНТ

Наиболее распространенная ошибка в споре об ИИ в ОСИНТ — бинарная постановка вопроса: “AI вместо аналитика» или «аналитик без AI”. Практика ведущих исследовательских организаций и журналистских редакций однозначно указывает на третий путь – синбиотическую модель, в которой каждый агент делает то, что у него получается лучше.

ИИ превосходит человека в скорости обработки, масштабировании, обнаружении слабых статистических сигналов в больших данных. Он не подвержен усталости и ошибки, связанных с ней, для него исключены. Но у ИИ – другой класс ошибок: галлюцинации, неверная агрегация, неправильная атрибуция, ложная корреляция, шум и т. д. Человек, также, превосходит ИИ в понимании контекста, этическом суждении, верификации источников через неформальные каналы, распознавании “черных лебедей” – ситуаций, не имеющих прецедента в обучающих данных. Цикл OODA (Observe — Orient — Decide — Act) при правильной интеграции AI существенно сокращается: наблюдение и первичная ориентация автоматизируются, а человек концентрируется на решении и действии.

Именно поэтому генеративный ИИ формирует ОСИНТ-обучение, инструменты и сервисы, но не заменяет критический анализ. Интерпретация остается центральной задачей профессии. Так что, у нас, у кожаных еще не все потеряно.

Краткое резюме

ИИ давно уже стал обязательным элементом современного ОСИНТ, а не факультативной надстройкой. NLP, компьютерное зрение, алгоритмы обнаружения аномалий и LLM-агенты в совокупности обеспечивают то, что прежде было физически недостижимо: разведывательный охват, соразмерный скорости и объему современной информационной среды.

Вместе с тем, эффективное применение AI в ОСИНТ требует от практикующего осинтера двух взаимно противоположных качеств: готовности делегировать машине операционный уровень работы и постоянного скепсиса по отношению к генерируем выводам.
Аналитик, вслепую доверяющий AI-атрибуции или AI-синтезу, опаснее аналитика, не использующего AI вовсе, так как он уверенно использует ошибочные выводы с видимостью доказательной базы.

Перспективы ближайших лет будут определяться тремя конкурирующими тенденциями: демократизацией AI-инструментов (снижение порога входа для независимых и начинающих исследователей), нарастающим противодействием платформ (ограничение доступа к данным через API), и “гонкой вооружений” между AI-детекцией и AI-генерацией синтетического контента.

В общем, мы можем смело поручить ИИ самую скучную часть работы. Между нами, это – совсем неплохо. Пусть он занимается рутиной: лопатит тонны данных, ищет совпадения, строит графы и сортирует информационный мусор. Нам, лентяям, останется самое интересное: делать выводы и принимать решения. Так что, вопрос уже не в том, нужен ли ИИ осинтеру. Ответ очевиден. Вопрос в другом: хватит ли у осинтера здравого смысла не поверить ему на слово.

Удачной охоты! Учимся и научаемся. Мы в Telegram: https://t.me/+jAjZcfEdOx42NzRi ^[12]