ظهور ابزارهای هوش مصنوعی مولد (Generative AI) در حال تغییر بنیادین متدولوژی‌های جنگ نرم و عملیات روانی است. یکی از نمونه‌های بارز این تغییر، فعالیت گروهی به نام «اخبار انفجاری» است که با تیمی کوچک (حدود ۱۰ نفر) و تجهیزات سخت‌افزاری معمولی، محتوایی تولید می‌کند که می‌تواند تأثیراتی در سطح سازمان‌های رسانه‌ای دولتی داشته باشد.
تغییر پارادایم در تولید محتوای اثرگذار
در مدل‌های سنتی پروپاگاندا، تولید محتوای باکیفیت نیازمند زیرساخت‌های گسترده، تیم‌های متعدد از نویسندگان، مترجمان، گرافیک‌کاران و انیماتورها بود. اما AI این آستانه سازمانی را به شدت کاهش داده است. اکنون یک تیم کوچک می‌تواند در عرض چند ساعت، محتوایی صیقل‌خورده تولید کند که پیش از این نیازمند هفته‌ها کار و بودجه‌های کلان بود.
استراتژی دوگانه: فرسایش در برابر تبدیل
تحلیل محتوای این کمپین نشان‌دهنده یک استراتژی هوشمندانه در هدف‌گذاری مخاطبان است:
- مخاطبان انگلیسی‌زبان: استفاده از انیمیشن‌های سبک Lego برای ایجاد طنز و تمسخر مقامات. هدف در اینجا «تبدیل» (Conversion) یا متقاعد کردن مخاطب به باورهای خاص نیست، بلکه «فرسایش» (Corrosion) اعتماد به نهادهاست. این محتوا با بهره‌گیری از المان‌های بصری خنثی و جهانی، به راحتی از فیلترهای نظارتی (Content Moderation) عبور کرده و در شبکه‌های اجتماعی ویروسی می‌شود.
- مخاطبان فارسی‌زبان: تولید محتوایی با رویکردی کاملاً متفاوت، متکی بر مفاهیم مذهبی، تاریخی و عاطفی برای تقویت همبستگی داخلی و مخاطبان همسو.
چالش‌های شناسایی و مقابله
این مدل جدید، شناسایی تهدید را برای تحلیلگران امنیت سایبری و متخصصان اطلاعاتی دشوارتر می‌کند. برخلاف مراکز تولید محتوای دولتی (مانند IRA روسیه) که ردپای فیزیکی و سازمانی داشتند، این عملیات‌ها از طریق شبکه‌ای از تقویت‌کننده‌ها (Amplifiers) و حساب‌های متفرقه توزیع می‌شوند. حتی در صورت حذف کانال اصلی (Deplatforming)، محتوا به دلیل ساختار توزیع‌شده و استفاده از QR Codeها برای هدایت به کانال‌های جایگزین، همچنان در فضای وب باقی می‌ماند.
نتیجه‌گیری فنی
پذیرش این واقعیت که پروپاگاندای مدرن دیگر یک «حادثه» تک‌موردی نیست بلکه یک «ژانر» است، اولین گام در مقابله با آن است. رویکردهای سنتی مانند Fact-checking (راستی‌آزمایی) در برابر محتوایی که هدفش ایجاد رابطه عاطفی یا طنز است، ناکارآمد هستند. تمرکز باید از تحلیل تک‌فایل‌ها به سمت نقشه‌برداری از شبکه‌های تقویت‌کننده (Amplification Networks) و تحلیل روایت‌ها (Narrative Coding) در بازه‌های زمانی بلندمدت تغییر کند.
