Израильское правительство через официальное рекламное агентство LaPam оплатило кампанию по влиянию на ответы AI-чатботов: американская рекламная фирма Piro Inc. управляла «синтетическим» аналитическим центром Hanover Institute for Public Policy, который менее чем за месяц выпустил более 100 сгенерированных ИИ статей про Израиль, Газу и антисемитизм. Это первый хорошо задокументированный случай промышленной «LLM-оптимизации»: фабрика контента работала не на поисковую выдачу, а на данные, из которых языковые модели собирают свои ответы.

image

Что произошло

Расследование 404 Media, подготовленное Matthew Gault и опубликованное 25 августа 2026 года, показало, что кампанию оплачивало израильское правительство через официальное рекламное агентство LaPam, а оператором выступила американская рекламная фирма Piro Inc. Под её управлением сайт Hanover Institute for Public Policy, оформленный как аналитический центр, менее чем за месяц опубликовал более 100 статей про Израиль, Газу и антисемитизм — примерно дюжину текстов каждые несколько дней. Детектор Pangram проверил три статьи и подтвердил, что все они написаны ИИ целиком; библиографии к ним составляли люди, а иллюстрации оказались сгенерированными. Тексты цитировали реальные источники без ссылок, и сайт специально публиковал файл llms.txt, чтобы языковым моделям было проще его скрейпить. Кейс стал публичным благодаря документам реестра FARA, где Piro зарегистрирован как иностранный агент «в интересах Государства Израиль», и счетам европейской HAVAS Media на $900 000 и $100 000. Первой кампанию заметила Politico.

Контекст

Воздействие идёт не на веса моделей и не требует доступа к их обучению — атака направлена на уровень данных, которые retrieval-системы и чатботы читают. Фактически это SEO-логика, перенесённая с классической поисковой выдачи на RAG-поиск и ответы языковых моделей: вместо манипуляции выдачей Google кампания заполняет поисковые и обучающие сигналы самих чатботов. Самой тонкой тактикой в материале назван «откалиброванный консенсус», когда реальные источники упоминаются без ссылок и создаётся имитация агрегации множества свидетельств; поскольку модели склонны взвешивать повторяемость и согласованность утверждений в retrieval-корпусе, это предположительно самый действенный элемент схемы, хотя механика эффекта не измерена. Важно, что подобные услуги продаются легально: сооснователь Piro Дэниел Розенберг описывает сервис AI Story Optimization как «карту каждой поверхности, которую читают модели: Reddit, транскрипты YouTube, обзоры G2, форумы». Бюджет около $1 млн означает, что такие кампании разворачиваются как обычный производственный пайплайн, и ставит вопрос: если модели опираются на открытый веб, они наследуют и его фабрики синтетического контента.

Почему это важно для индустрии

Для индустрии это документированный, а не гипотетический случай: RAG-поиск и ответы чатботов стали отдельной поверхностью информационных операций, и схема воспроизводима против любой тематики теми же средствами. Практический минимум доступен командам уже сейчас: аудит источников на признаки «LLM-оптимизированного» контента — заголовки-вопросы, безымянное авторство, сноски без ссылок, сгенерированные иллюстрации, публикация llms.txt. Из этого списка можно собрать чек-лист ревью источников или первую версию скоринга издателя, а грубые фильтры на входе строить вокруг детекции ИИ-текста уровня Pangram. Реестр FARA с копиями всех статей кампании доступен как открытый датасет для мониторинга и прототипирования алертов. Вероятная реакция отрасли — интеграция детекторов синтетического текста в краулинг и RAG-индексацию, приоритизация источников по происхождению и evals на устойчивость retrieval к отравленному корпусу; в горизонте двух лет provenance-метаданные и скоринг доверия к источникам, по всей видимости, станут стандартными признаками пайплайнов, а проверка происхождения контента оформится в самостоятельную категорию стека.

Почему это важно для пользователей

Мгновенного пересбора моделей не произошло, но ответы по острым темам — Израилю, Газе, антисемитизму — уже опираются на индексы, куда попадает сгенерированный контент, поэтому проверять источники у чатботов становится обязательной привычкой. Практическое правило: проверять сноски не на слова, а на работающие URL — упоминание реальных источников без ссылок оказалось одним из маркеров именно такой кампании. Насторожить должны также статьи без имени автора, заголовки-вопросы, сгенерированные иллюстрации и сайт, публично раздающий llms.txt. Если сомнение возникло, первоисточник доступен: все статьи кампании выложены в реестре FARA, и их можно читать напрямую, минуя пересказы и ответы чатботов.

Что пока неизвестно / ограничения

Несколько вещей остаются неизвестными. Реальное влияние кампании на ответы чатботов никем не измерено: задокументированы производство и платежи, но сдвиг ответов моделей до и после публикации этих статей причинно не измерялся. Pangram проверил только три статьи из более чем 100 — это кейс-стади для подтверждения метода, а не измерение масштаба всей фабрики. Счета на $900 000 и $100 000 документируют цену производства контента и планирования дистрибуции (content architecture, scriptwriting, asset production, distribution planning), а не цену измеримого эффекта на ответы моделей, поэтому трактовать их как ценовой якорь рынка влияния на LLM было бы некорректно. Описанная механика «откалиброванного консенсуса» остаётся интерпретацией расследования, а не проверенным фактом.

Источники

Автор

Look at AI, редакция