# Чатботи ігнорують ворожу дезінформацію у 90% випадків > Аналіз виявив, що чатботи не заперечують понад 90% ворожих фейкових наративів Росії, Китаю та Ірану, а AI-огляди пошуку помиляються у 60% випадків. - Опубліковано: 30 серпня 2026 р. (2026-08-30T19:42:49.415341+00:00) - Розділ: Безпека AI - На основі публікації: [Techmeme](https://www.techmeme.com/260830/p9#a260830p9) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=%D1%87%D0%B0%D1%82%D0%B1%D0%BE%D1%82%D0%B8-%D1%96%D0%B3%D0%BD%D0%BE%D1%80%D1%83%D1%8E%D1%82%D1%8C-%D0%B2%D0%BE%D1%80%D0%BE%D0%B6%D1%83-%D0%B4%D0%B5%D0%B7%D1%96%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D1%96%D1%8E-%D1%83-90-%D0%B2%D0%B8%D0%BF%D0%B0%D0%B4%D0%BA%D1%96%D0%B2 --- Аналіз чатботів провідних AI-компаній показав, що системи не заперечили понад 90% фейкових наративів, поширюваних Росією, Китаєм та Іраном, а AI-огляди пошукових систем помилилися у 60% випадків із такими твердженнями. Це означає, що коли користувач формулює запит у дусі ворожої пропаганди — наприклад, повторює тезу дезінформаційної кампанії як факт — модель у переважній більшості випадків або підтверджує наратив, або відповідає ухильно, замість того щоб його спростувати. Йдеться не про поодинокі помилки, а про системну прогалину: чатботи й AI-огляди пошуку вже стали основним джерелом швидкої відповіді для мільйонів людей, і саме там дезінформація проходить майже без опору. [За даними Techmeme](https://www.techmeme.com/260830/p9#a260830p9), проблема стосується систем одразу кількох великих гравців, а не однієї конкретної моделі. Для будь-кого, хто вбудовує LLM у продукт із новинним, політичним чи суспільно чутливим контентом, це вже не абстрактний ризик alignment, а конкретна діра, яку варто закривати на рівні архітектури продукту, а не сподіватися, що модель «сама розбереться». ## Що саме показав аналіз? Ключова цифра — понад 90% фейкових наративів, які тестувальники підсовували чатботам, не отримали заперечення чи спростування. AI-огляди пошуку (ті самі блоки з узагальненою відповіддю над органічною видачею) показали дещо кращий, але теж слабкий результат — 60% помилкових відповідей. Обидва канали об'єднує одне: користувач отримує відповідь, що виглядає авторитетно й нейтрально, навіть коли в її основі лежить наратив, створений як інструмент інформаційного впливу. Джерела дезінформації в аналізі названі конкретно — Росія, Китай та Іран. Це держави з задокументованими й систематичними кампаніями впливу, тож тестові наративи, найімовірніше, будувалися на вже відомих пропагандистських тезах, а не на випадкових вигадках. ## Чому LLM пропускають ворожу дезінформацію? Модель навчена бути корисною та обережною одночасно — і саме на стику цих двох настанов ховається прогалина. Заперечити твердження користувача як «дезінформацію ворожої держави» — це політично чутливий крок, який ризикує зачепити упередженість, тож моделі радше схиляються до нейтрального або обтічного тону, ніж до прямої конфронтації з фактом. До цього додається ще одна структурна проблема: LLM оцінює правдоподібність тексту, а не перевіряє його походження в реальному часі. Ворожі наративи часто побудовані так, щоб імітувати стиль легітимних новин чи аналітики — а саме стиль, а не перевірені факти, є тим, на що модель найбільш чутливо реагує при генерації відповіді. - Питання сформульоване як факт, а не як провокація — модель не має вбудованого тригера для «підозрілості» - Пряме спростування вимагає ризикованого політичного судження, якого RLHF-навчання радше уникає - Верифікація джерела в момент відповіді відсутня або поверхнева ## Кому і чим це загрожує на практиці? Найбільший ризик — у продуктах, де LLM працює як єдиний фільтр між користувачем і чутливою темою: новинні агрегатори з AI-підсумками, чат-помічники для дослідників чи журналістів, а також будь-які асистенти, що відповідають на політичні чи геополітичні запити без окремого шару перевірки фактів. У таких продуктах помилкова відповідь моделі виглядає як редакційна позиція компанії, а не як збій алгоритму. Для AI-огляду пошуку ставки ще вищі: користувач часто взагалі не клікає на джерела під блоком, тож 60% помилкових відповідей — це прямий канал поширення дезінформації без жодного проміжного фільтра з боку читача. ## Що з цим робити зараз? За нашою оцінкою, покладатися на alignment самої моделі як на єдиний захист від дезінформації у 2026 році вже не можна — потрібен окремий шар перевірки поверх LLM. На практиці це означає: retrieval з перевірених джерел перед генерацією відповіді на політично чутливі запити, окремий класифікатор для виявлення відомих пропагандистських наративів і жорсткіші guardrails саме для новинного та геополітичного домену, а не загальні safety-фільтри. Ми вже розбирали суміжну тему — [чотири запобіжники, які утримують AI-агентів під контролем](https://aiin.news/article?slug=чотири-запобіжники-які-утримують-ai-агентів-під-контролем) — і логіка там та сама: чим чутливіший домен, тим менше можна довіряти одному-єдиному шару моделі без зовнішньої верифікації. Наш висновок: цей аналіз варто читати не як звинувачення конкретних компаній, а як сигнал, що галузевий стандарт для fact-checking guardrails у LLM-продуктах фактично ще не сформувався — і хто побудує його першим, отримає реальну конкурентну перевагу в довірі користувачів. ## Чи означає це, що всі чатботи однаково погані? Аналіз, на який посилається Techmeme, не деталізує розбивку по конкретних моделях у публічному короткому викладі, тож стверджувати, що всі системи провалилися однаково, некоректно. Але сам факт, що показник перевищує 90% у категорії чатботів, свідчить про системну, а не поодиноку проблему. ## Чи можна виправити цю прогалину промптингом? Частково — системний промпт може попросити модель бути обережнішою з неперевіреними твердженнями, але це не усуває кореневу причину: відсутність перевірки джерела в момент відповіді. Надійне рішення вимагає retrieval-шару та окремого класифікатора відомих наративів, а не лише інструкції в промпті. --- Теги: AI, дезінформація, alignment, LLM, пропаганда Джерело: AiiN — https://aiin.news/article?slug=%D1%87%D0%B0%D1%82%D0%B1%D0%BE%D1%82%D0%B8-%D1%96%D0%B3%D0%BD%D0%BE%D1%80%D1%83%D1%8E%D1%82%D1%8C-%D0%B2%D0%BE%D1%80%D0%BE%D0%B6%D1%83-%D0%B4%D0%B5%D0%B7%D1%96%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D1%96%D1%8E-%D1%83-90-%D0%B2%D0%B8%D0%BF%D0%B0%D0%B4%D0%BA%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.