Deepfakes erkennen: Warum KI-Fälschungen immer realistischer werden

Ein Video von einem Politiker, der Dinge sagt, die er nie gesagt hat. Eine Sprachnachricht des Chefs, die zur Überweisung auffordert. Ein Foto, das ein Ereignis zeigt, das nie stattgefunden hat. Was vor drei Jahren noch mit Artefakten, schiefen Zähnen oder komischen Händen erkennbar war, sieht heute erschreckend echt aus.

Die Entwicklung generativer KI-Modelle hat einen Punkt erreicht, an dem selbst geschulte Augen bei manipulierten Videos und Bildern kapitulieren. Das ist nicht nur ein technisches Problem, sondern eine Herausforderung für die gesamte Medienlandschaft. Ich zeige euch, warum die klassischen Erkennungsmerkmale nicht mehr funktionieren, welche technischen Gegenmittel entwickelt werden und was ihr im Alltag tun könnt.

Warum Deepfakes heute so realistisch aussehen

Deepfakes gibt es seit Jahren. Neu ist die Qualitätsstufe und vor allem die niedrige Einstiegshürde. Wo früher noch Rechenpower, technisches Know-how und Trainingsmaterial in großen Mengen nötig waren, reichen heute wenige Klicks in einer Web-App. Die Ergebnisse sind so gut, dass die traditionellen Erkennungsmerkmale nicht mehr greifen.

Früher galten unnatürliches Blinzeln, seltsame Ohrformen, fehlerhafte Spiegelungen in Brillen oder inkonsistente Beleuchtung als klare Indizien. Aktuelle Modelle haben genau diese Schwachstellen weitgehend behoben. Auch bei Stimmen ist der Sprung enorm: Moderne Stimmklon-Systeme können mit relativ wenig Audiomaterial überzeugende Ergebnisse erzielen.

Parallel dazu verschwimmt die Grenze zwischen Foto und Illustration. Bilder aus generativen Modellen wie DALL·E, Midjourney oder Imagen können sehr fotorealistisch wirken. Besonders heikel wird es bei Szenen, die wir aus den Nachrichten kennen: Demonstrationen, Katastrophen, politische Auftritte. Hier reicht ein einziges glaubwürdiges Fake-Bild, um eine ganze Debatte zu vergiften.

Berichte von Sicherheitsforschern und Faktencheckern deuten darauf hin, dass synthetische Inhalte in sozialen Netzwerken zunehmen. Das Problem ist nicht mehr das eine perfekte Deepfake-Video, sondern die Flut an mittelmäßigen bis guten Fälschungen, die niemand mehr im Detail prüfen kann.

Kann man Deepfakes noch mit bloßem Auge erkennen?

Die Erkennung von Deepfakes stützt sich klassisch auf zwei Säulen: visuelle Auffälligkeiten und technische Metadaten. Beide bröckeln. Visuelle Fehler werden von neuen Modellgenerationen systematisch ausgemerzt. Und Metadaten lassen sich beim Hochladen oder Screenshotten trivial entfernen.

Auch KI-basierte Erkennungssysteme, die selbst mit neuronalen Netzen arbeiten, kommen an Grenzen. Sie werden auf bekannten Fälschungen trainiert und hinken damit dem aktuellen Stand der Generatoren strukturell hinterher. Ein Wettrüsten, das aus meiner Sicht auf absehbare Zeit nicht gewonnen wird.

Deshalb setzt die Branche zunehmend auf einen umgekehrten Ansatz: Statt Fälschungen zu entlarven, wird die Echtheit von Originalen kryptografisch belegt. Der wichtigste Standard dafür ist C2PA (Coalition for Content Provenance and Authenticity), an dem unter anderem Adobe, Microsoft, die BBC und OpenAI mitarbeiten. Die Idee: Ein Bild bekommt bei der Erstellung eine Art digitalen Beipackzettel, der Herkunft und Bearbeitungsschritte dokumentiert.

OpenAI hat diesen Standard beispielsweise in seine Bildgenerierung integriert. Unterstützte, von DALL·E 3 bzw. in ChatGPT oder über die OpenAI-API erzeugte Bilder tragen laut offizieller Dokumentation von OpenAI C2PA-Metadaten, die belegen, dass sie KI-generiert sind. Über Prüf-Tools wie Content Credentials Verify lässt sich diese Herkunft nachvollziehen — vorausgesetzt, die Metadaten wurden nicht entfernt.

Deepfakes und Desinformation: Gefahr für Demokratie und Medien

Die politische Dimension ist offensichtlich. In Wahlkampfphasen können gefälschte Videos innerhalb von Stunden Millionen Menschen erreichen. Selbst wenn die Fälschung später aufgeklärt wird, bleibt der Ersteindruck haften. Kommunikationsforscher sprechen vom sogenannten Continued Influence Effect: Einmal aufgenommene Falschinformationen wirken weiter, auch wenn wir wissen, dass sie falsch sind.

Fast noch problematischer ist die Kehrseite: Wenn alles ein Fake sein könnte, kann jeder echte Beleg als Fake abgetan werden. Politiker, die auf einem echten Video etwas Kompromittierendes sagen, müssen nur noch behaupten, es sei ein Deepfake. Diesen Effekt nennen Forscher Liar’s Dividend — die Dividende des Lügners. Er untergräbt Vertrauen in Medien, Journalismus und letztlich in geteilte Realität.

Für den Alltag heißt das: Wir müssen uns davon verabschieden, ein Video oder Bild als Beweis für sich stehen zu lassen. Kontext, Quelle und Verbreitungsweg werden wichtiger als der Inhalt selbst.

Deepfakes im Alltag erkennen: 5 praktische Tipps

Auch wenn perfekte Deepfake-Erkennung nicht möglich ist, könnt ihr eure Trefferquote deutlich verbessern. Ein paar Faustregeln, die im Alltag helfen:

• Quelle prüfen: Wer hat das Video oder Bild zuerst veröffentlicht? Ein etablierter Nachrichtenanbieter oder ein anonymer Account?
• Rückwärtssuche nutzen: Google Bilder, TinEye oder Bing Visual Search zeigen, ob ein Bild schon früher in anderem Kontext auftauchte.
• Content Credentials checken: Bei Bildern aus KI-Generatoren wie DALL·E lassen sich Herkunftsdaten teils über Content Credentials Verify prüfen.
• Zweitquelle suchen: Wenn ein spektakuläres Ereignis wirklich passiert ist, berichten mehrere unabhängige Medien darüber.
• Bei Sprachnachrichten skeptisch sein: Wenn der Chef, ein Familienmitglied oder die Bank per Audio zu einer schnellen Überweisung drängt, immer über einen zweiten Kanal rückversichern.

Für Unternehmen wird das Thema zur Sicherheitsfrage. Betrugsfälle, bei denen mutmaßlich KI-generierte Stimmen zum Einsatz kamen, wurden bereits berichtet. Klare Rückrufprozesse, Vier-Augen-Prinzip bei Zahlungen und Schulungen für Mitarbeiter sind hier die wirksamsten Gegenmittel — nicht irgendwelche Erkennungs-Apps.

Technische Deepfake-Erkennung: KI gegen KI

Wir werden nicht in eine Welt zurückkehren, in der wir Bildern und Videos einfach vertrauen können. Diese Zeit ist vorbei. Was bleibt, ist ein neuer Umgang mit Medien: skeptischer, kontextbewusster, langsamer. Nicht paranoid, aber wachsam.

Die Hoffnung liegt aus meiner Sicht weniger in immer besseren Deepfake-Detektoren als in Herkunftsnachweisen. Wenn Kameras, Smartphones und KI-Generatoren einheitlich signieren, was sie produzieren, und Plattformen diese Signaturen anzeigen, entsteht eine belastbare Vertrauensbasis. C2PA ist der aktuell vielversprechendste Weg dorthin — aber er funktioniert nur, wenn Hersteller, Plattformen und Nutzer mitmachen.

Bis dahin gilt: Nicht alles glauben, was ihr seht. Und vor allem nicht alles sofort weiterleiten. Ein kurzer Moment des Innehaltens ist derzeit der beste Deepfake-Schutz, den wir haben.

Quellen und Prüfstand

• Offizielle Quelle: 8912793 C2Pa In Images Generated By Openai (help.openai.com)

Faktenprüfung: Alle überprüfbaren Aussagen wurden am 29.09.2026 automatisiert gegen die offiziellen Primärquellen abgeglichen. Stand des Artikels: 29.09.2026.