Open-Source-Intelligence (OSINT) und Faktencheck sind in erster Linie ein disziplinierter Prozess, keine chaotische Suche. Der häufigste Fehler von Anfängern besteht darin, die Überprüfung ohne klaren Plan zu beginnen oder blind unbewiesenen Behauptungen und zufälligen Namensübereinstimmungen in sozialen Medien zu vertrauen.
Dieser Leitfaden bietet eine fertige Methodologie mit 5 sequenziellen Prompts, die den Analysten durch den gesamten Untersuchungszyklus führen: von der Definition des Aufgabenrahmens (Scope) über die Sammlung digitaler Spuren (Collect), die Erweiterung der Suche (Pivot) und die Verifizierung primärer Quellen (Verify) bis hin zur Erstellung eines abschließenden Berichts (Document).
1. Architektur und Prinzipien der OSINT-Prompt-Kette
Eine effektive Interaktion mit Sprachmodellen während der Durchführung von Untersuchungen basiert auf dem Prinzip der Prompt Chaining (Kettenbildung von Prompts).
1.1. Wie funktioniert die schrittweise Abfolge von Anfragen?
Anstatt zu versuchen, eine vollständige Antwort mit einer einzigen großen Anfrage zu erhalten, gehen Sie Schritt für Schritt vor:
- Die Eingabedaten des nächsten Schrittes werden aus den Erkenntnissen des vorherigen gebildet: Das Ergebnis der Analyse einer E-Mail-Adresse liefert Nicknames für die weitere Prüfung, und gefundene Zitate fließen in den Prompt für den Faktencheck ein.
- Das Modell erfindet keine Fakten, sondern strukturiert Überprüfungen: Die Prompts sind so formuliert, dass sie eine Liste konkreter Kontrollpunkte und Verifizierungen verlangen, anstatt KI-Vermutungen zuzulassen.
- Kritische Bewertung jeder Hypothese: Jede Schlussfolgerung des Modells ist lediglich ein Arbeitsansatz, der eine manuelle Verifizierung anhand realer Quellen erfordert.
1.2. Die 5 Phasen des Untersuchungszyklus: Von der Planung bis zum Bericht
Professionelle Untersuchungen folgen stets einem geschlossenen Zyklus:
Jeder der unten aufgeführten 5 Prompts entspricht einer Phase dieses Zyklus und verhindert dabei Kontextverluste sowie kognitive Überlastung.
2. Ethische Standards, rechtliche Grenzen und digitale Hygiene
Untersuchungen auf Basis offener Quellen müssen strengen rechtlichen und moralischen Standards entsprechen.
2.1. Rechtlicher Rahmen und Zulässigkeit öffentlicher Quellen (GDPR, Due Diligence)
Die Prompts in diesem Handbuch wurden ausschließlich für legale Anwendungsbereiche entwickelt:
- Unternehmensprüfung von Vertragspartnern (Due Diligence);
- Journalistische und wissenschaftliche Faktenuntersuchungen;
- Cybersicherheit und Bewertung des digitalen Fußabdrucks des eigenen Unternehmens;
- Bekämpfung von Desinformation und manipulativen Streuungen.
Verwenden Sie nur öffentlich zugängliche Informationen und Dienste, deren Zugriff weder gegen Gesetze zum Schutz personenbezogener Daten (insbesondere GDPR) verstößt noch das Eindringen in Konten umfasst.
2.2. Verhinderung von Doxxing und Sicherheitsregeln für den Forscher
Es ist strengstens verboten, OSINT-Methodiken für Doxxing, Einschüchterung, Belästigung privater Personen oder die Sammlung vertraulicher Informationen für Betrugszwecke zu nutzen. Wenn die Untersuchung die Grenzen der Privatsphäre verletzt – stoppen Sie die Arbeit sofort.
3. Prompt 1 (Scope): Aufbau eines strategischen Untersuchungsplans
Die Scope-Phase ist das Fundament des gesamten Prozesses. Wenn die Fragestellung vage formuliert ist, führen alle weiteren Suchen zu einer Flut irrelevanter Informationen.
3.1. Ziel und Logik der Kalibrierung der ursprünglichen Anfrage
Der Prompt zwingt den KI-Assistenten, die Rolle eines Senior Intelligence Analysts einzunehmen, das Thema in Entitätstypen (Personen, Domains, E-Mails, Infrastruktur) zu unterteilen, Kategorien von Quellen abzugrenzen und Annahmen festzuhalten, die sich als falsch herausstellen könnten.
3.2. Prompt-Vorlage zur Definition von Zielen und Quellen
Englische Variante für maximale Kompatibilität mit LLMs:
4. Prompt 2 (Collect): Überprüfung von E-Mail-Adressen und digitalen Fußabdrücken
Die E-Mail-Adresse ist der häufigste Einstiegspunkt in Untersuchungen, da sie Benutzername, Organisation und Corporate-Domain kombiniert.
4.1. Analyse der Adressstruktur und öffentlicher Exposition (Leaks, Services)
Die Hauptanforderung an das Modell in dieser Phase ist die Erstellung einer Liste von Überprüfungen, nicht die Erfindung eines persönlichen Profils. Der Prompt zielt darauf ab, digitale Spuren in Datenlecks, Pastebin-Sites, Registern und sozialen Medien zu identifizieren.
4.2. Prompt-Vorlage zur Überprüfung von Postfächern
Englische Variante:
5. Prompt 3 (Pivot): Suche und Validierung nach Nickname (Username)
Ein Nickname ist eine Hypothese, kein Garant für die Zugehörigkeit zu einer bestimmten Person. Derselbe Benutzername auf verschiedenen Websites kann völlig unterschiedlichen Personen gehören.
5.1. Unterscheidung zwischen echter Übereinstimmung und zufälliger Namensgleichheit
Dieser Schritt lehrt, wie man echte Übereinstimmungen von solchen unterscheidet, die nur aufgrund der Popularität eines Wortes entstehen. Das Modell generiert Kriterien zum Vergleich kreuzender Marker: Avatare, Profilbeschreibungen (Bio), Sprachstil, Zeitzonen und Aktivitätshistorie.
5.2. Prompt-Vorlage für plattformübergreifende Identifikation
Englische Variante:
6. Prompt 4 (Verify): Faktencheck von Behauptungen und Primärquellen
Der Faktencheck trennt echte Untersuchungen von subjektiven Interpretationen. Eine einzelne Quelle einer Behauptung ist nur ein Anhaltspunkt, kein feststehendes Faktum.
6.1. Methodologie der Widerlegung und Warnsignale für Fälschungen
Der Prompt baut eine strenge deduktive Logik auf: Was muss wahr sein, damit die Behauptung stimmt; welche primären Register oder Archive können die These widerlegen; und welche typischen Marker für Desinformation sind in der Meldung vorhanden.
6.2. Prompt-Vorlage zur Faktenverifizierung und Bewertung der Glaubwürdigkeit
Englische Variante:
7. Prompt 5 (Document): Abschließender analytischer Bericht und Wissenslücken
Die letzte Phase verwandelt verstreute Erkenntnisse in einen professionellen Intelligence-Bericht. Die Zuverlässigkeit des Berichts wird nicht nur dadurch bestimmt, was gefunden wurde, sondern auch dadurch, wie ehrlich unbekannte Bereiche gekennzeichnet sind.
7.1. Struktur eines professionellen OSINT-Berichts und Umgang mit Unsicherheiten
Der Abschnitt „Lücken und Unbekanntes“ (Gaps/Unknowns) ist der wichtigste Schutz des Analysten vor falschen Schlussfolgerungen. Eine klare Trennung von Fakten und subjektiven Vermutungen garantiert die Autorität des Dokuments.
7.2. Prompt-Vorlage zur Fixierung von Erkenntnissen und Zeitachse
Englische Variante:
8. Quellenmatrix und häufig gestellte Fragen (FAQ)
8.1. Klassifizierung öffentlicher Datenquellen nach Entitätstypen
| Entitätstyp | Kategorie offener Quellen | Hauptmethoden und Tools zur Überprüfung |
|---|---|---|
| E-Mail-Adresse | Leck-Register, PGP-Server, DNS-Einträge | Überprüfung von Passwort-Leaks, Analyse von SPF/DKIM/DMARC-Einträgen |
| Nickname (Username) | Soziale Netzwerke, Code-Repositories, Foren | Suche über WhatsMyName-Datenbank, Prüfung von Commits in Repositories |
| Domain oder IP-Adresse | WHOIS-Einträge, digitale Zertifikate, passives DNS | Historie der WHOIS-Änderungen, Prüfung der Zertifikatstransparenz (crt.sh) |
| Behauptung oder Zitat | Staatliche Register, offizielle Pressemitteilungen, Archive | Suche nach Erstveröffentlichungen im Wayback Machine, Faktencheck-Datenbanken |
| Bilder und Medien | Datei-Metadaten, Stock-Foto-Archive, Satellitenbilder | Reverse Image Search, Geolokalisierung anhand von Schatten und Landschaft |
8.2. Häufig gestellte Fragen und Empfehlungen (FAQ)
Kann ein Sprachmodell selbstständig im Internet surfen und geschlossene Datenbanken prüfen?
Nein. Wenn das KI-Modell nicht mit Websuche (Web Search / Browsing) verbunden ist, operiert es ausschließlich mit seinen Trainingsdaten. Nutzen Sie Prompts zur Erstellung der Methodik und Struktur, aber führen Sie die tatsächliche Datensammlung über spezialisierte Dienste oder den Browser durch.
Wie überprüft man Nickname-Übereinstimmungen korrekt, wenn der Name sehr verbreitet ist?
Nutzen Sie Korrelationen anhand sekundärer Merkmale: Datum der Kontoerstellung, verwendete Plugins oder Interessen, identische Avatare (geprüft via Reverse Image Search) und sprachliche Besonderheiten.
Warum darf man sich beim Faktencheck nicht auf nur eine Quelle verlassen?
Jede einzelne Meldung kann das Ergebnis eines technischen Fehlers, eines generierten Deepfakes oder gezielter Desinformation sein. Das OSINT-Prinzip verlangt mindestens zwei unabhängige Primärquellen.
Gefahr von Modell-Halluzinationen bei Untersuchungen
Sprachmodelle neigen dazu, nicht existierende Fakten selbstbewusst zu behaupten oder realen Personen fremde Zitate zuzuordnen. Fordern Sie vom Modell stets direkte Referenzen an und folgen Sie diesen eigenständig zur Verifizierung.