Financial Times opublikował 16 czerwca 2026 r. doniesienie, które warto przeanalizować na chłodno — bez emocji wokół tego, czy „europejski czempion AI” zawiódł. Z perspektywy cyberodporności liczy się mechanizm, a nie narodowość modelu.
Co dokładnie zbadano
Źródłem jest badanie Instytutu Języka Estońskiego (Eesti Keele Instituut), instytucji finansowanej przez państwo. Zespół przepuścił przez test 60 modeli generatywnej AI — w tym cztery wersje Mistrala, ChatGPT oraz Claude. Metodyka była konkretna: 75 pytań w trzech językach, obejmujących 14 narracji typowych dla rosyjskiej propagandy (m.in. teza o „legalnej ewakuacji” ukraińskich dzieci czy o rzekomych obietnicach nierozszerzania NATO na wschód).
Odpowiedzi punktowano w skali 1–5, gdzie 5 oznacza odpowiedź wyważoną, a 1 — bezpośrednie wzmocnienie fałszywego przekazu. Wszystkie cztery wersje Mistrala uzyskały poniżej 40% skuteczności w wykrywaniu kremlowskich tez, a najlepszy model uplasował się dopiero na 47. miejscu na 60. Co istotne operacyjnie: w co najmniej 12 odpowiedziach Mistral odsyłał do źródeł objętych sankcjami — Russia Today i Sputnik.
To nie jest odosobniony incydent. Audyt NewsGuard z kwietnia 2026 r. wykazał, że Le Chat powtarzał rosyjskie fałszywki w 50% przypadków po angielsku i 56,6% po francusku.
Diagnoza techniczna, nie polityczna
Dyrektor instytutu wskazał kluczowy wzorzec: najgorzej wypadły modele open-source, a lepiej radziły sobie systemy komercyjne — Claude, część modeli chińskich i Grok. To nie przypadek i nie kwestia „europejskości”.
Różnica leży w warstwie post-treningu i filtrowania. Mistral w odpowiedzi przyznał zresztą, że badanie objęło surowe modele, zanim zostaną dostrojone i skonfigurowane przez klienta, oraz że jego funkcja Vibe Work zawiera warstwy filtrujące wykrywające sporne źródła. To uczciwe zastrzeżenie, ale i potwierdzenie problemu: model bez warstwy zabezpieczeń jest podatny domyślnie, a odpowiedzialność za jej dołożenie przerzucana jest w dół łańcucha — na integratora lub klienta.
Mechanizm jest prosty. Jeżeli model w trybie grounding/RAG sięga po treści sieciowe i nie ma whitelisty ani klasyfikatora reputacji źródła, to siatka typu Pravda / Portal Kombat (wg NewsGuard ok. 370 domen, z czego 286 aktywnych w kwietniu 2026) działa jak zatrucie danych. Propaganda nie musi „przekonać” modelu — wystarczy, że zaindeksuje się jako pozornie wiarygodne źródło.
Wnioski dla zespołów IT i bezpieczeństwa
Trzy rzeczy do zapamiętania, niezależnie od dostawcy:
- Surowy model ≠ produkt gotowy do wdrożenia. Benchmark bezpieczeństwa dotyczy konkretnej konfiguracji, nie nazwy modelu. Jeśli wdrażasz LLM w organizacji, testuj swoją instancję ze swoimi filtrami, a nie wersję bazową z karty produktu.
- Grounding bez kontroli źródeł to wektor ataku. Każdy system RAG sięgający do internetu powinien mieć politykę reputacji domen i listę źródeł objętych sankcjami. To dokładnie ta sama logika, co filtrowanie ruchu sieciowego.
- Open-source nie jest gorszy z definicji — jest po prostu nieobudowany. Pełna kontrola nad wagami to zaleta, ale tylko wtedy, gdy ktoś faktycznie dołoży warstwę walidacji. Domyślnie jej tam nie ma.
Odporność informacyjna systemu AI to nie cecha modelu — to cecha całego pipeline’u, który wokół niego zbudujesz.