AI-Based OSINT Agent Systems for the Analysis of the Societal Impact of European Union Policies

Politiky Evropské unie jsou v okamžiku publikace dobře dokumentovány. Jejich následná recepce ve zpravodajství, diskusních fórech a na sociálních platformách je však obtížněji sledovatelná, protože relevantní evidence je roztříštěná a jen zřídka zachycená v jedné auditovatelné stopě. Tato diplomová práce navrhuje, implementuje a vyhodnocuje prototyp Open Source Intelligence (OSINT) podporovaný umělou inteligencí, který se zaměřuje právě na tento problém. Prototyp sleduje jednu pozorovatelnou vrstvu recepce politik, kterou práce označuje jako diskurzivní recepci politik. Tou se rozumí viditelné stopy pozornosti, sentimentu, postoje, rámování a odkazů na aktéry v otevřeně dostupných textech. Metodologicky práce vychází z přístupu Design Science Research. Vytvořeným artefaktem je sekvenční multiagentní pipeline v jazyce Python, která pokrývá plánování, sběr z více zdrojů, filtrování, analýzu dokumentů pomocí velkého jazykového modelu, kritickou revizi, generování upozornění a ukládání výstupů na úrovni jednotlivých běhů. Každý dokončený běh vytváří výzkumný balíček obsahující strukturované výstupy, auditní stopu, kritické zprávy, záznamy upozornění a diagnostiku zdrojů. Díky tomu lze evidenci za každým během zpětně otevřít a přezkoumat. Evaluace kombinuje dva typy evidence. Hlavním případem je regulace EU známá jako Chat Control, u níž sedm živých běhů vytvořilo 238 záznamů sesbíraných dokumentů a 157 záznamů analýz na úrovni jednotlivých dokumentů. Samostatný validační běh z 9. dubna 2026 je v kapitole 5 použit jako průchod systémem od vstupu až po výstup. Druhou část evaluace tvoří ručně anotovaná validační sada 70 dokumentů z případu Chat Control, která umožňuje kontrolované porovnání lexikální baseline (B1), přímého volání LLM v jednom kroku (B2) a multiagentní pipeline (B3). Na validační sadě dosahuje přímé volání LLM mírně vyšší přesnosti u sentimentu (0,900 oproti 0,871), zatímco multiagentní pipeline dosahuje mírně vyšší přesnosti u postoje (0,900 oproti 0,871). Obě varianty založené na LLM výrazně překonávají lexikální baseline (sentiment 0,200, postoj 0,214). Vzhledem k malé velikosti vzorku jsou tyto rozdíly chápány jako směrové, nikoli rozhodující. Rozklad na specializované agenty je proto obhajován především dohledatelností a evidencí z jednotlivých kroků, nikoli robustním zvýšením přesnosti. Přínosem práce je implementovaný artefakt, evidence produkovaná jednotlivými běhy a otevřený popis míst, kde tato evidence slábne: nevyvážené pokrytí zdrojů, převaha angličtiny, nestabilní konektory a kritická vrstva, která slouží spíše k auditovatelnosti než jako spolehlivý detektor chyb. Výsledkem je explorační výzkumný prototyp pro auditovatelné OSINT monitorování recepce politik. Nejde o produkční službu ani o měření společenského dopadu v širokém smyslu.