Inteligência de Fontes Abertas (OSINT — Open Source Intelligence) e fact-checking são, antes de tudo, um processo disciplinado, não uma busca caótica. O erro mais comum entre iniciantes é começar a verificação sem um plano claro ou confiar cegamente em afirmações não verificadas e coincidências aleatórias de nomes nas redes sociais.
Este guia oferece uma metodologia pronta com 5 prompts sequenciais que conduzem o analista através do ciclo completo de investigação: desde a definição do escopo da tarefa (Scope), passando pela coleta de rastros digitais (Collect), expansão da busca (Pivot), verificação das fontes primárias (Verify), até a elaboração do relatório final (Document).
1. Arquitetura e princípios da cadeia de prompts OSINT
A interação eficaz com modelos de linguagem durante investigações baseia-se no princípio de encadeamento sequencial (Prompt Chaining).
1.1. Como funciona a sequência etapa por etapa
Em vez de tentar obter uma resposta completa com uma única grande consulta, você avança passo a passo:
- Os dados de entrada da próxima etapa são formados pelas descobertas da anterior: o resultado da análise de e-mail fornece apelidos para verificação, e as citações encontradas alimentam o prompt de fact-checking.
- O modelo não inventa fatos, mas estrutura verificações: os prompts são formulados para exigir uma lista de pontos de controle específicos e verificações, em vez de suposições da IA.
- Avaliação crítica de cada hipótese: qualquer conclusão do modelo é apenas um ponto de partida de trabalho, exigindo verificação manual contra fontes reais.
1.2. As 5 fases do ciclo de investigação: do planejamento ao relatório
Uma investigação profissional sempre segue um ciclo fechado:
Cada um dos 5 prompts apresentados abaixo corresponde a uma fase desse ciclo, prevenindo a perda de contexto e sobrecarga cognitiva.
2. Padrões éticos, limites legais e higiene digital
Investigações baseadas em fontes abertas devem aderir a rigorosos padrões legais e morais.
2.1. Estruturas legais e admissibilidade de fontes públicas (GDPR, Due Diligence)
Os prompts deste manual foram desenvolvidos exclusivamente para aplicações lícitas:
- Verificação corporativa de contrapartes (Due Diligence);
- Investigações jornalísticas e científicas de fatos;
- Cibersegurança e avaliação da pegada digital da própria empresa;
- Combate à desinformação e manipulações deliberadas.
Utilize apenas informações publicamente acessíveis e serviços cujo acesso não viole a legislação de proteção de dados pessoais (incluindo o GDPR) e não envolva invasão de contas.
2.2. Prevenção de doxxing e regras de segurança do pesquisador
É categoricamente proibido usar metodologias OSINT para doxxing, intimidação, perseguição de indivíduos privados ou coleta de informações confidenciais para fins fraudulentos. Se a investigação violar os limites da privacidade, pare imediatamente o trabalho.
3. Prompt 1 (Scope): Construção do plano estratégico de investigação
A fase Scope é o fundamento de todo o processo. Se a pergunta for formulada de maneira vaga, todas as buscas subsequentes levarão a um excesso de informação irrelevante.
3.1. Objetivo e lógica de calibração da consulta inicial
O prompt obriga o assistente de IA a atuar como um analista sênior de inteligência, decompondo o tópico em tipos de entidades (pessoas, domínios, e-mails, infraestrutura), delineando categorias de fontes e registrando premissas que podem se provar incorretas.
3.2. Template de prompt para definição de objetivos e fontes
Versão em inglês para máxima compatibilidade com LLMs:
4. Prompt 2 (Collect): Verificação de e-mail e pegada digital
O endereço de e-mail é o ponto de entrada mais comum em investigações, pois combina nome de usuário, organização e domínio corporativo.
4.1. Análise da estrutura do endereço e exposição pública (vazamentos, serviços)
A principal exigência para o modelo nesta etapa é compilar uma lista de verificações, não inventar um perfil pessoal. O prompt visa identificar rastros digitais em vazamentos de dados, paste sites, registros e redes sociais.
4.2. Template de prompt para verificação de caixas de correio
Versão em inglês:
5. Prompt 3 (Pivot): Busca e validação por apelido (Username)
Um apelido é uma hipótese, não uma garantia de pertencimento a uma única pessoa. O mesmo nome de usuário em diferentes sites pode pertencer a pessoas completamente distintas.
5.1. Distinguir correspondências reais de coincidências casuais de nomes
Esta etapa ensina a diferenciar uma correspondência real de uma coincidência devido à popularidade da palavra. O modelo gera critérios para comparar marcadores cruzados: avatares, descrição do perfil (bio), estilo linguístico, fusos horários e histórico de atividade.
5.2. Template de prompt para identificação cross-platform
Versão em inglês:
6. Prompt 4 (Verify): Fact-checking de afirmações e fontes primárias
O fact-checking separa investigações reais de interpretações subjetivas. Uma fonte de afirmação é apenas um indício, não um fato estabelecido.
6.1. Metodologia de refutação e sinais vermelhos de falsificação
O prompt constrói uma lógica dedutiva rigorosa: o que deve ser verdadeiro para que a afirmação seja correta; quais registros ou arquivos primários podem refutar a tese; e quais marcadores típicos de desinformação estão presentes na mensagem.
6.2. Template de prompt para verificação de fatos e avaliação de confiabilidade
Versão em inglês:
7. Prompt 5 (Document): Relatório analítico final e lacunas
A etapa final transforma descobertas dispersas em um relatório de inteligência profissional. A confiabilidade do relatório é definida não apenas pelo que foi encontrado, mas também pela honestidade com que as zonas desconhecidas são indicadas.
7.1. Estrutura do relatório OSINT profissional e registro de incertezas
A seção "Lacunas e Desconhecidos" (Gaps/Unknowns) é a principal defesa do analista contra conclusões errôneas. A distinção clara entre fatos e inferências subjetivas garante a autoridade do documento.
7.2. Template de prompt para registro de descobertas e cronologia
Versão em inglês:
8. Matriz de fontes e perguntas frequentes (FAQ)
8.1. Classificação de fontes de dados públicas por tipo de entidade
| Tipo de Entidade | Categoria de Fontes Abertas | Principais Métodos e Ferramentas de Verificação |
|---|---|---|
| Registros de vazamentos, servidores PGP, registros DNS | Verificação de vazamentos de senhas, análise de registros SPF/DKIM/DMARC | |
| Apelido (Username) | Redes sociais, repositórios de código, fóruns | Busca na base WhatsMyName, verificação de commits em repositórios |
| Domínio ou Endereço IP | Registros WHOIS, certificados digitais, DNS passivo | Histórico de alterações WHOIS, verificação de transparência de certificados (crt.sh) |
| Afirmação ou Citação | Registros governamentais, press releases oficiais, arquivos | Busca de publicações primárias no Wayback Machine, bases de fact-checking |
| Imagens e Mídia | Metadados de arquivos, bancos de imagens, imagens de satélite | Busca reversa de imagens, geolocalização por sombras e paisagem |
8.2. Perguntas frequentes e recomendações (FAQ)
Um modelo de linguagem pode navegar na internet e verificar bancos de dados fechados por conta própria?
Não. Se o modelo de IA não estiver conectado à busca na web (Web Search / Browsing), ele opera exclusivamente com seus dados de treinamento. Use os prompts para montar a metodologia e a estrutura, mas realize a coleta real de dados através de serviços especializados ou navegador.
Como verificar corretamente correspondências de apelidos se o nome for muito comum?
Utilize correlação por características secundárias: data de criação da conta, plugins usados ou interesses, avatares idênticos (verificados via busca reversa de imagens) e particularidades linguísticas.
Por que não se deve confiar em apenas uma fonte no fact-checking?
Qualquer mensagem individual pode resultar de erro técnico, deepfake gerado ou desinformação intencional. O princípio OSINT exige a existência de pelo menos duas fontes primárias independentes.
Perigo de alucinações de modelos em investigações
Modelos de linguagem tendem a afirmar com confiança fatos inexistentes ou atribuir citações alheias a pessoas reais. Exija sempre referências diretas do modelo e navegue manualmente por elas para verificação.