Graph-Powered OSINT: Von Daten zur Untersuchung mit agentischer KI

Open-Source Intelligence (OSINT) war bereits ein Graph-Problem, bevor „Graph“ in Mode kam. Eine Untersuchung ist nichts anderes als Entitäten und Beziehungen mit Provenienz: wer hat mit wem gesprochen, welche Infrastruktur gehört zu welchem Akteur, welche Dokumente verbinden welche Ereignisse. Was sich im Jahr 2026 geändert hat, ist, dass generative und agentische KI endlich in der Lage sind, Teile der Untersuchung selbst durchzuführen – und die Forschungsgemeinschaft kombiniert nun explizit beides: Graphen für Struktur und Provenienz, Agenten für Sammlung und Schlussfolgerung.

Warum OSINT ein Graph-Problem ist

Jede OSINT-Aufgabe lässt sich auf Graph-Operationen abbilden:

• Entity Resolution ist die Deduplizierung von Knoten über verrauschte Quellen hinweg („X Corp“ vs. „X-Corp“ vs. „xcorp“).
• Attribution ist das Subgraph-Matching gegen bekannte Akteur-Muster.
• Threat Intelligence ist eine temporale Graph-Analyse – das Muster von Infrastruktur, Domains und Personas über die Zeit.
• Provenienz sind Edge-Metadaten: Jede Beziehung benötigt ihre Quelle, sonst bricht die Untersuchung vor Gericht zusammen.

Generative KI fügt der Liste einen neuen Punkt hinzu: Der Ermittler selbst wird zu einem Agenten, der den Graphen durchläuft, Hypothesen bildet und Folgefragen stellt – genau das ist das agentische Muster, auf das die breitere Graph-Security-Forschung zusteuert.

Die Forschung beginnt, dies zu kodifizieren

Das nützlichste Paper des Jahres 2026 zu diesem Thema ist die Arbeit zur Taxonomie:

• Agentic and Generative AI for Open-Source Intelligence and Cyber Investigations: Taxonomy, Evaluation, and Challenges — benennt das Feld endlich: eine Taxonomie darüber, wie generative und agentische KI in OSINT eingesetzt werden, wie diese Systeme evaluiert werden und wo die offenen Herausforderungen liegen. Es ist genau die Art von Konsolidierung, die Praktikern signalisiert, dass das Muster angekommen ist und es sich nicht mehr nur um eine Sammlung von Demos handelt.

Rund um die Taxonomie zeigt der Korpus die Bausteine auf:

• SENTINEL — ein multimodales Früherkennungs-Framework für aufkommende Cyber-Bedrohungen aus Telegram-Streams, was im Grunde ein getarntes Graph-Problem ist: das Extrahieren von Entitäten (Bedrohungsakteure, Malware, Infrastruktur) aus unstrukturierten, mehrsprachigen sozialen Medien und deren Verknüpfung in einem Knowledge Graph.
• Die Graph-Security-Literatur ist reich an Betrugs- und Anomalieerkennung mit GNNs, und neuere Ergänzungen integrieren diese klassischen Methoden zunehmend in agentische Pipelines.

Das Muster in der Praxis

Eine moderne, Graph-gestützte OSINT-Pipeline, synthetisiert aus der Forschung, sieht so aus:

1. Collect — Agenten scrapen und überwachen offene Quellen (soziale Medien, Foren, DNS/WHOIS, Nachrichten, geleakte, aber öffentliche Datensätze) und produzieren verrauschte, multimodale Beweise.
2. Extract and resolve — LLMs extrahieren Entitäten und Beziehungen; Graph-basierte Entity Resolution führt Duplikate über Sprachen und Formate hinweg zusammen.
3. Link into a knowledge graph — Jede Kante (Edge) trägt einen Provenienz-Pointer und einen Zeitstempel (dies ist die nicht verhandelbare Graph-Disziplin: OSINT-Beweise müssen prüfbar sein).
4. Investigate with agents — Der Agent des Analysten durchläuft den Graphen, führt Abfragen aus, entdeckt verbundene Komponenten, nach denen niemand gefragt hat, und entwirft Hypothesen, an die die zugrunde liegenden Beweise angehängt sind.
5. Evaluate — Die Taxonomie aus dem Survey von 2026 kommt zum Einsatz: Wie misst man, ob der Agent das Richtige gefunden hat und ob seine Argumentation stichhaltig war?

Die Halluzinations-Falle – und warum Graphen das Gegenmittel sind

Dies ist der Kern der Sache, und hier lohnt es sich, deutlich zu sein: Generative KI in OSINT ohne einen Graphen ist ein Risiko. Ein LLM, das gefragt wird, „was wissen wir über X“, wird bereitwillig Beziehungen erfinden. Wenn das Ergebnis jedoch ein Graph aus zitierter Evidenz ist, folgt jeder Behauptung eine Entitäts-Relations-Struktur, die überprüft werden kann. Die gleiche Lektion zur Robustheit aus RAG gilt hier: Vergiftete oder halluzinierte Kanten propagieren durch Multi-Hop-Reasoning – aber mit Provenienz an jeder Kante kann man den fehlerhaften Hop finden und widerrufen.

Praktische Regeln:

1. Lassen Sie den Agenten niemals Beweise verfassen. Der Agent schlägt Beziehungen vor; der Graph akzeptiert sie nur mit einem Quell-Pointer. Unverifizierte Kanten sind Hypothesen und werden separat gespeichert.
2. Versionieren Sie den Graphen. Untersuchungen sind temporal; Ihr Knowledge Graph muss in der Lage sein, die Frage zu beantworten: „Was wussten wir im März?“ – das ist temporale Graph-Praxis, kein „Nice-to-have“.
3. Evaluieren Sie gegen die Ground Truth. Die Präzision der Entity Resolution und der Recall der Attribution müssen gemessen werden, bevor man ihnen vertraut.

Wohin die Reise geht

Die Konvergenz ist dieselbe, die die breitere AI-Security-Front prägt: Agenten + Knowledge Graphs + Foundation Models, angewandt auf einen Bereich – Security –, in dem die Kosten eines Fehlers außergewöhnlich hoch sind. Erwarten Sie in der nächsten Welle (a) formale Evaluations-Benchmarks für KI in OSINT, (b) Graph-Foundation-Models, die auf Threat Intelligence abgestimmt sind, und (c) provenienz-bewusstes Agenten-Gedächtnis, sodass lange Untersuchungen strukturiertes, prüfbares Wissen anstelle von Chat-Logs ansammeln.

Die Kurzfassung für Security- und DevOps-Teams: Die Werkzeuge existieren nun, um KI die Untersuchung unterstützen zu lassen – aber der Graph ist das, was diese Unterstützung ehrlich hält. Bauen Sie zuerst die Provenienz auf, und lassen Sie dann die Agenten den Graphen durchlaufen.

---

Dieser Artikel wurde auf Basis des Graph-Research-Korpus erstellt (16.979 Paper, 100 % Taxonomie-Sättigung). Quellen: Agentic and Generative AI for OSINT and Cyber Investigations, SENTINEL.